CN118096791A - 一种基于深度学习的脑出血影响自动化分割方法及装置 - Google Patents
一种基于深度学习的脑出血影响自动化分割方法及装置 Download PDFInfo
- Publication number
- CN118096791A CN118096791A CN202410221259.2A CN202410221259A CN118096791A CN 118096791 A CN118096791 A CN 118096791A CN 202410221259 A CN202410221259 A CN 202410221259A CN 118096791 A CN118096791 A CN 118096791A
- Authority
- CN
- China
- Prior art keywords
- cerebral hemorrhage
- hematoma
- sensing module
- image
- hemorrhage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 title claims abstract description 37
- 208000008574 Intracranial Hemorrhages Diseases 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 206010008111 Cerebral haemorrhage Diseases 0.000 claims abstract description 61
- 206010018852 Haematoma Diseases 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 24
- 208000032843 Hemorrhage Diseases 0.000 claims abstract description 17
- 230000010339 dilation Effects 0.000 claims abstract description 16
- 230000000740 bleeding effect Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 206010022840 Intraventricular haemorrhage Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000002324 minimally invasive surgery Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001490 effect on brain Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的脑出血影响自动化分割方法及装置，方法包括包括：在获取脑出血影像后，将所述脑出血影像输入至训练完成的模型中，自动分割出脑出血区域图像并识别得到血肿类型，其中，所述血肿类型包括IPH类型和IVH类型；其中，所述训练完成的脑出血影像在经过编码器、多尺度边界感知模块和解码器的处理后，输出脑出血类型；所述多尺度边界感知模块连接在所述编码器和解码器之间；所述多尺度边界感知模块利用不同扩张卷积捕捉不同出血类型的边界。融合多尺度边界感知模块，使模型能够更好地区分血肿类型，减少误判，解决现有技术中存在的分割准确性不高、对复杂情况处理能力不足以及数据通用性差等问题。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种基于深度学习的脑出血影响自动化分割方法及装置。
背景技术
脑出血(intracerebral hemorrhage，ICH)具有较高的死亡率，尤其是当出血导致继发性脑室内出血时。脑实质内出血(intraparenchymal hematoma，IPH)是指出血发生在脑组织内部的情况，而继发性脑室内出血(intraventricular hemorrhage，IVH)是指脑实质内出血后，血液进一步流入脑室内的情况。这两种情况都属于脑出血的一种，但其位置和临床影响略有不同。脑实质内出血通常发生在脑组织内部，而继发性脑室内出血则是脑实质内出血后，血液进入脑室内，可能对脑部造成更严重的影响。因此，对这两种类型的出血进行准确的识别和分割对于临床治疗和手术规划至关重要。对于脑出血的手术治疗选择一直是神经外科领域最具争议的领域之一。医学影像处理和神经外科手术规划领域的现有技术主要包括基于数学模型和图像处理技术的手工设计算法，如椭圆拟合、阈值分割、形态学运算和纹理特征提取等。这些方法通常依赖于专家经验和人工制定的规则，其存在的问题和缺点主要包括以下几个方面：首先，传统方法在复杂场景下难以取得理想的分割效果，特别是对于脑出血等病变的精确分割存在一定困难；其次，传统方法的泛化能力较差，往往无法适应不同数据集和不同病例的分割需求；此外，传统方法需要大量的人工干预和参数调整，存在主观性和耗时性的问题；最后，传统方法往往无法充分利用大规模数据集中的信息，难以挖掘和表征复杂的影像特征。
目前，针对IPH和IVH这两种类型脑出血的自动分割存在一些问题。首先，由于这两种类型的出血在影像上具有相似的特征，传统的分割方法往往难以准确区分它们，尤其是在出血边界模糊或两种出血相互交织的情况下。其次，现有的分割方法在处理复杂情况时效果不佳，例如当出血形状不规则或者出血破裂点较大时，传统方法的分割效果往往不理想。此外，由于缺乏公开的大规模数据集，现有的方法很难在实际临床应用中取得理想的通用性和稳定性。最后，由于脑实质内出血和继发性脑室内出血的影像特征相似，现有方法很难准确识别它们的边界，这对于临床手术规划和治疗的准确性提出了挑战。
发明内容
本申请提供一种基于深度学习的脑出血影响自动化分割方法及装置，以解决相关技术中存在的问题。
第一方面，本发明提供一种基于深度学习的脑出血影响自动化分割方法，包括在获取脑出血影像后，将所述脑出血影像输入至训练完成的模型中，自动分割出脑出血区域图像并识别得到血肿类型，其中，所述血肿类型包括IPH类型和IVH类型；其中，所述训练完成的脑出血影像在经过编码器、多尺度边界感知模块和解码器的处理后，输出脑出血类型；所述多尺度边界感知模块连接在所述编码器和解码器之间；所述多尺度边界感知模块利用不同扩张卷积捕捉不同出血类型的边界。
可选地，所述方法还包括基于分割出的脑出血区域图像确定血肿体积：其中，Pi代表预测的第i个血肿，S代表空间中每个像素的体积，n代表发生脑出血的次数。
可选地，在对所述模型训练时基于预设损失函数loss＝lossseg+lossconsistency进行训练，其中，所述其中，所述Pout代表模型的预测结果，GT代表真实值，ξ代表平滑系数；所述/>
可选地，在对模型训练时，将脑出血影像随机裁剪N个连续切片作为三维块，并将所述三维块输入至模型中进行训练。
第二方面，本发明提供一种基于深度学习的脑出血影响自动化分割装置，包括模型预测单元，在获取脑出血影像后，将所述脑出血影像输入至训练完成的模型中，自动分割出脑出血区域图像并识别得到血肿类型，其中，所述血肿类型包括IPH类型和IVH类型；其中，所述训练完成的脑出血影像在经过编码器、多尺度边界感知模块和解码器的处理后，输出脑出血类型；所述多尺度边界感知模块连接在所述编码器和解码器之间；所述多尺度边界感知模块利用不同扩张卷积捕捉不同出血类型的边界。
可选地，装置还包括血肿体积确定单元，被配置成基于分割出的脑出血区域图像确定血肿体积：其中，Pi代表预测的第i个血肿，S代表空间中每个像素的体积，n代表发生脑出血的次数。
可选地，在对所述模型训练时基于预设损失函数loss＝lossseg+lossconsistency进行训练，其中，所述其中，所述Pout代表模型的预测结果，GT代表真实值，ξ代表平滑系数；所述/>
可选地，在获取脑出血影像后，随机裁剪N个连续切片作为三维块，并将所述三维块输入至训练完成的模型中。
第三方面，本发明提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一项所述的方法。
第四方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面提供的方法。
本发明公开了一种基于深度学习的脑出血影响自动化分割方法及装置，方法包括包括：在获取脑出血影像后，将所述脑出血影像输入至训练完成的模型中，自动分割出脑出血区域图像并识别得到血肿类型，其中，所述血肿类型包括IPH类型和IVH类型；其中，所述训练完成的脑出血影像在经过编码器、多尺度边界感知模块和解码器的处理后，输出脑出血类型；所述多尺度边界感知模块连接在所述编码器和解码器之间；所述多尺度边界感知模块利用不同扩张卷积捕捉不同出血类型的边界。融合多尺度边界感知模块，可以解决上述IPH和IVH的自动化分割问题，使模型能够更好地区分它们，减少误判，解决现有技术中存在的分割准确性不高、对复杂情况处理能力不足以及数据通用性差等问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请一种基于深度学习的脑出血影响自动化分割方法流程图；
图2为本申请MSBA-UNet算法架构和手术路径规划流程示意图；
图3为本申请不同扩张率的扩张卷积下的血肿边界示意图；
图4为本申请两例IPH案例导管手术计划路径的可视化示意图
图5为本申请不同模型分割结果可视化对比示意图；
图6为本申请提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图1对基于深度学习的脑出血影响自动化分割方法进行示例性说明。方法包括以下步骤：
步骤101：在获取脑出血影像后，将所述脑出血影像输入至训练完成的模型中，自动分割出脑出血区域图像并识别得到血肿类型，其中，所述血肿类型包括IPH类型和IVH类型，其中，所述训练完成的脑出血影像在经过编码器、多尺度边界感知模块和解码器的处理后，输出脑出血类型；所述多尺度边界感知模块连接在所述编码器和解码器之间；所述多尺度边界感知模块利用不同扩张卷积捕捉不同出血类型的边界。
在本实施例中，参考图2给出的MSBA-UNet算法架构和手术路径规划流程，手术路径规划的整体方案包括DICOM数据采集、血肿分割、三维校正、脑脊液检测、脑动静脉检测、可穿刺区域检测和手术路径规划。良好的血肿分割结果是后续步骤的重要前提。本实施例方法可以快速准确地从CT图像中分割IPH和IVH，并评估血肿体积和中心点，以便进行导管手术路径规划。
示例性地，在编码器的顶层嵌入一个MBAM模块即多尺度边界感知模块，利用不同扩张率的扩张卷积来捕捉两种血肿的边界。
本实施例的模型由编码器和解码器结构组成。编码器和解码器部分都由多个卷积层和池化层组成，其中编码器部分用于提取输入图像的特征，而解码器部分则用于将特征映射回原始图像空间。在编码器部分，每个卷积层都会将输入特征图进行卷积操作，并将结果传递给下一层。同时，每个池化层都会将输入特征图进行下采样操作，以减小特征图的尺寸和维度。在解码器部分，每个卷积层都会将输入特征图进行卷积操作，并将结果传递给下一层。同时，每个上采样层都会将输入特征图进行上采样操作，以增大特征图的尺寸和维度。在MSBA-UNet中，编码器和解码器之间还存在一条跨层连接，用于将编码器部分的特征图与解码器部分的特征图进行连接。这种跨层连接可以帮助解码器部分更好地利用编码器部分提取的特征信息，从而提高分割的准确性和质量。为了扩大网络的感受野，进行4次下采样。在最后一个下采样层，使用具有核和步长为(2,2,1)的最大池化技术进行下采样。同样，在第一个上采样层，使用去卷积法进行上采样，内核和步长为(2,2,1)。
进一步地，血肿区域的HU值通常高于脑实质和脑室。由于IPH和IVH的特征几乎相同，如何判断IPH和IVH的界限是一个难点。在图3e-h中，黑色阴影小方块代表不同扩张率的扩张卷积，黑色阴影小方块可以了解两种血肿的边界。当左上角和右下角的黑色阴影小方块的HU值都大于中间的黑色阴影方块时，表明中间可能是两种血肿的边界区域。使用不同扩张率的扩张卷积可以了解两种血肿边界距离的渐变趋势。如果只使用一个小尺寸的卷积核，模型只能了解哪一侧是血肿，哪一侧不是。此外，在编码器顶层添加MBAM的目的是为了在更大的感受野条件下，学习两种血肿在整个切片中的相对位置关系。
作为本实施例一种可选的实现方式，所述方法还包括基于分割出的脑出血区域图像确定血肿体积：其中，Pi代表预测的第i个血肿，S代表空间中每个像素的体积，n代表发生脑出血的次数。
在本可选的实现方式中，临床上准确测定血肿体积对指导手术非常重要。不同体积的血肿有不同的治疗措施。IPH和IVH都有可能多次发生，所以无法直接获得最大连接面积。因此，计算每个血肿的体积并求和：
其中，Vi代表血肿体积，Pi代表预测的第i个血肿，S代表空间中每个像素的体积，n代表发生脑出血的次数。通过读取DICOM图像中由间距参数代表的三个轴向坐标区间，并将这三个坐标区间相乘，得到每个像素所代表的体积。最终，根据模型输出结果可以给出微创手术路径规划方案，见图4两IPH案例导管手术计划路径的可视化示意图，由专业神经外科医生进一步判断路径是否合理，并为微创手术导航做必要的前期准备。
作为本实施例一种可选的实现方式，在对所述模型训练时基于预设损失函数loss＝lossseg+lossconsistency进行训练，其中，所述其中，所述Pout代表模型的预测结果，GT代表真实值，ξ代表平滑系数；所述/>
在本可选的实现方式中，损失函数可以解决医学图像分割任务中的分类标签不平衡的问题。骰子损失通过比较预测结果与真实值之间的相似度来解决这一问题。采用骰子损失作为MSBA-UNet三类预测的损失函数：
其中，Pout代表模型的预测结果，GT代表真实值，ξ代表平滑系数。
此外，在骰子损失的基础上增加一致性损失函数。在两类血肿的边界区域，一个像素很有可能同时被预测为两类血肿。为了减少这种情况的发生，将IPH的预测结果Piph∈R1 ×512×512×8和IVH的预测结果Pivh∈R1×512×512×8逐像素相加，得到Pall∈R1×512×512×8。然后，使用骰子损失来限制Pall和Pich的一致性：
则模型的损失函数可定义为：
loss＝lossseg+losscons i stency
综合使用这两个损失函数可以全面提高模型对医学图像分割任务的处理能力，确保模型在不同方面都能获得良好的训练和预测表现，可使血肿评估和穿刺路径的设计的准确率大大提高。
作为本实施例一种可选的实现方式，在对模型训练时，将脑出血影像随机裁剪N个连续切片作为三维块，并将所述三维块输入至模型中进行训练。
在本可选的实现方式中，在判断血肿属于IPH还是IVH时，即使可以将两种类型的血肿区分开来，但由于脑实质和脑室在头部的空间位置相对固定，因此需要结合血肿在整个切片中的相对位置信息。传统的三维网络预处理方法是将原始数据裁剪成三维块。这些三维块会丢失全局信息。当一个三维块中同时存在IPH和IVH时，模型将无法确定血肿的哪个部分属于IPH和IVH。因此，在模型训练阶段，随机裁剪CT图像的8个连续切片作为三维块，并作为模型的输入。
本实施例通过模型获得分割预测结果。对于每个体素，使用所有输出块中的最高概率作为其最终预测值。在重新组合得到分割预测结果后，使用0.5作为阈值，将大于或等于阈值的体素设为1，将小于阈值的体素设为0，从而得到最终预测结果，见图5不同模型分割结果的可视化对比示意图。
本实施例所开发的多尺度边界感知网络(MSBA-UNet)算法通过引入深度学习技术，融合多尺度边界感知模块(multi-scale boundary aware module，MBAM)和一致性损失函数，可以解决上述IPH和IVH的自动化分割问题。MBAM可以从多个尺度学习两种出血的边界，使模型能够更好地区分它们。一致性损失则可以约束模型同时将像素划分为两个类别，从而减少误判，解决现有技术中存在的分割准确性不高、对复杂情况处理能力不足以及数据通用性差等问题。
以上为本申请的一个或多个实施例提供的方法，基于同样的思路，本申请还提供了相应的一种基于深度学习的脑出血影响自动化分割装置，包括：模型预测单元，在获取脑出血影像后，将所述脑出血影像输入至训练完成的模型中，自动分割出脑出血区域图像并识别得到血肿类型，其中，所述血肿类型包括IPH类型和IVH类型；其中，所述训练完成的脑出血影像在经过编码器、多尺度边界感知模块和解码器的处理后，输出脑出血类型；所述多尺度边界感知模块连接在所述编码器和解码器之间；所述多尺度边界感知模块利用不同扩张卷积捕捉不同出血类型的边界。
作为本实施例一种可选的实现方式，装置还包括血肿体积确定单元，被配置成基于分割出的脑出血区域图像确定血肿体积：其中，Pi代表预测的第i个血肿，S代表空间中每个像素的体积，n代表发生脑出血的次数。
作为本实施例一种可选的实现方式，在对所述模型训练时基于预设损失函数loss＝lossseg+lossconsistency进行训练，其中，所述其中，所述Pout代表模型的预测结果，GT代表真实值，ξ代表平滑系数；所述/>
作为本实施例一种可选的实现方式，在获取脑出血影像后，随机裁剪N个连续切片作为三维块，并将所述三维块输入至训练完成的模型中。
图6为本发明实施例提供的电子设备实体结构示意图，如图6所示，电子设备50包括：处理器501(processor)、存储器502(memory)和总线503；
其中，处理器501、存储器502通过总线503完成相互间的通信；处理器501用于调用存储器502中的程序指令，以执行上述各方法实施例所提供的方法。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的存储介质。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各实施例或者实施例的某些部分的方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种基于深度学习的脑出血影响自动化分割方法，其特征在于，包括：
在获取脑出血影像后，将所述脑出血影像输入至训练完成的模型中，自动分割出脑出血区域图像并识别得到血肿类型，其中，所述血肿类型包括IPH类型和IVH类型；
其中，所述训练完成的脑出血影像在经过编码器、多尺度边界感知模块和解码器的处理后，输出脑出血类型；所述多尺度边界感知模块连接在所述编码器和解码器之间；所述多尺度边界感知模块利用不同扩张卷积捕捉不同出血类型的边界。
2.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法，其特征在于，所述方法还包括基于分割出的脑出血区域图像确定血肿体积：其中，Pi代表预测的第i个血肿，S代表空间中每个像素的体积，n代表发生脑出血的次数。
3.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法，其特征在于，在对所述模型训练时基于预设损失函数loss＝lossseg+lossconsistency进行训练，其中，所述其中，所述Pout代表模型的预测结果，GT代表真实值，ξ代表平滑系数；所述/>
4.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法，其特征在于，在对模型训练时，将脑出血影像随机裁剪N个连续切片作为三维块，并将所述三维块输入至模型中进行训练。
5.一种基于深度学习的脑出血影响自动化分割装置，其特征在于，包括：
模型预测单元，在获取脑出血影像后，将所述脑出血影像输入至训练完成的模型中，自动分割出脑出血区域图像并识别得到血肿类型，其中，所述血肿类型包括IPH类型和IVH类型；
其中，所述训练完成的脑出血影像在经过编码器、多尺度边界感知模块和解码器的处理后，输出脑出血类型；所述多尺度边界感知模块连接在所述编码器和解码器之间；所述多尺度边界感知模块利用不同扩张卷积捕捉不同出血类型的边界。
6.根据权利要求5所述的基于深度学习的脑出血影响自动化分割装置，其特征在于，装置还包括血肿体积确定单元，被配置成基于分割出的脑出血区域图像确定血肿体积：其中，Pi代表预测的第i个血肿，S代表空间中每个像素的体积，n代表发生脑出血的次数。
7.根据权利要求5所述的基于深度学习的脑出血影响自动化分割装置，其特征在于，在对所述模型训练时基于预设损失函数loss＝lossseg+lossconsistency进行训练，其中，所述其中，所述Pout代表模型的预测结果，GT代表真实值，ξ代表平滑系数；所述/>
8.根据权利要求5所述的基于深度学习的脑出血影响自动化分割装置，其特征在于，在获取脑出血影像后，随机裁剪N个连续切片作为三维块，并将所述三维块输入至训练完成的模型中。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～4任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410221259.2A CN118096791A (zh) | 2024-02-28 | 2024-02-28 | 一种基于深度学习的脑出血影响自动化分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410221259.2A CN118096791A (zh) | 2024-02-28 | 2024-02-28 | 一种基于深度学习的脑出血影响自动化分割方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118096791A true CN118096791A (zh) | 2024-05-28 |
Family
ID=91158292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410221259.2A Pending CN118096791A (zh) | 2024-02-28 | 2024-02-28 | 一种基于深度学习的脑出血影响自动化分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118096791A (zh) |
-
2024
- 2024-02-28 CN CN202410221259.2A patent/CN118096791A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3391284B1 (en) | Interpretation and quantification of emergency features on head computed tomography | |
| CN108573502B (zh) | 一种自动测量Cobb角的方法 | |
| US9959617B2 (en) | Medical image processing apparatus and breast image processing method thereof | |
| KR102410955B1 (ko) | 의료 영상에서 딥러닝에 기반한 복부 장기 자동분할 방법 및 그 컴퓨터 프로그램 | |
| Sundaresan et al. | Automated characterization of the fetal heart in ultrasound images using fully convolutional neural networks | |
| US20110158491A1 (en) | Method and system for lesion segmentation | |
| US9569844B2 (en) | Method for determining at least one applicable path of movement for an object in tissue | |
| Chen et al. | Automated ventricular systems segmentation in brain CT images by combining low-level segmentation and high-level template matching | |
| Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
| CN114359277B (zh) | 一种脑卒中患者的脑部图像处理方法及系统 | |
| KR102349515B1 (ko) | 의료 영상에서 딥러닝에 기반한 종양 자동분할 방법 | |
| CN113012164A (zh) | 基于聚合层间信息的U-Net肾脏肿瘤图像分割方法、设备及存储介质 | |
| CN115984130A (zh) | 获取灌注参数图及病变区域的方法和可读存储介质 | |
| Kyaw | Computer-Aided Detection system for Hemorrhage contained region | |
| CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
| CN113379741B (zh) | 基于血管特征的视网膜血管分割方法、设备和存储介质 | |
| EP3074949A2 (en) | Method and system for determining the prognosis of a patient suffering from pulmonary embolism | |
| CN116245951B (zh) | 脑组织出血定位分类和出血量化方法、设备、介质和程序 | |
| Qi et al. | Ideal midline detection using automated processing of brain CT image | |
| Tong et al. | A deep learning model for automatic segmentation of intraparenchymal and intraventricular hemorrhage for catheter puncture path planning | |
| CN118096791A (zh) | 一种基于深度学习的脑出血影响自动化分割方法及装置 | |
| CN113496493B (zh) | 一种结合多模态信息的脑肿瘤图像分割方法 | |
| CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
| Kyaw | Pre-segmentation for the computer aided diagnosis system | |
| Tong et al. | Automated hemorrhage slices detection for CT brain images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |