CN108268870A - 基于对抗学习的多尺度特征融合超声图像语义分割方法 - Google Patents
基于对抗学习的多尺度特征融合超声图像语义分割方法 Download PDFInfo
- Publication number
- CN108268870A CN108268870A CN201810085384.XA CN201810085384A CN108268870A CN 108268870 A CN108268870 A CN 108268870A CN 201810085384 A CN201810085384 A CN 201810085384A CN 108268870 A CN108268870 A CN 108268870A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- network
- confrontation
- layer
- fusion
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于对抗学习的多尺度特征融合超声图像语义分割方法，包括以下步骤：多尺度特征融合语义分割网络模型搭建，对抗鉴别网络模型搭建，对抗训练与模型参数学习及乳腺病灶的自动分割。本申请提供的分割方法使用不同分辨率输入图像的多尺度特征联合对像素类别进行预测，提高像素类别标签预测的准确性，采用膨胀卷积代替部分池化，来提高分割图的分辨率，并采用对抗鉴别网络引导分割网产生的分割图与分割标签无法区分，确保分割图有好的外观和空间连续性，从而得到更加精确的高分辨率超声乳腺病灶分割图。
Description
技术领域
本发明涉及医学图像理解技术领域，具体涉及一种基于对抗学习的多尺度特征融合超声图像语义分割方法。
背景技术
乳腺癌是发生在乳腺上皮组织的恶性肿瘤，严重威胁女性健康及生活质量。超声检查简单、方便、经济且无辐射，成为临床上乳腺癌诊断的重要工具。超声B模式图像结合超声弹性成像是临床进行乳腺疾病诊断的重要手段。B模式对乳腺组织结构进行成像，弹性成像对乳腺组织的弹性进行检测，两种模态图像相互对照可更准确地进行乳腺病灶的检测与定位。
从超声图像上准确识别并分割出乳腺病灶区，可为乳腺疾病精准诊断和治疗提供重要支持。病灶区域的位置、大小、形状及数量都是临床进行诊疗的重要依据。由于B模式图像斑点噪声和弹性图像伪像噪声的存在，传统图像处理算法应用到该领域效果不佳，通常存在欠分割或过分割问题，导致边界不够精确。因此，使用人工智能算法从多模态超声图像中自动检测并分割出病灶区域成为当前主流方法。
深度学习技术在计算机视觉系列任务上取得了重大突破。超声图像语义分割是利用图像特征对每个像素语义类别进行标注，基于卷积神经网络的深度学习技术可使语义分割精度得到显著提升。卷积神经网络能通过端对端的训练以有监督学习的方式从训练数据中自动学习面向具体任务的层级化特征，相比于传统机器学习能得到更优异的分割效果。然而，当前基于深度学习的乳腺超声图像语义分割技术存在以下不足：(1)通过单一尺度特征对像素的类别进行预测，没有充分利用局部特征和全局上下文特征，容易产生误分类点；(2)网络通过多级池化(典型的VGG网络有五次池化，特征图降为原始图像的1/32)特征图分辨率显著降低，使最终的分割图较小；(3)每个像素标签的预测没有考虑各像素特征之间的相似性，致使网络输出的分割图缺少高阶空间连续性。
发明内容
针对现有方法存在的问题，本发明提供一种基于对抗学习的多尺度特征融合超声图像语义分割方法，该方法使用不同分辨率输入图像的多尺度特征联合对像素类别进行预测，提高像素类别标签预测的准确性；采用膨胀卷积代替部分池化，来提高分割图的分辨率；并采用对抗鉴别网络引导分割网产生的分割图与分割标签无法区分，确保分割图有好的外观和空间连续性，从而得到更加精确的高分辨率超声乳腺病灶分割图。。
为了解决上述技术问题，本发明采用了如下的技术方案：
一种基于对抗学习的多尺度特征融合超声图像语义分割方法，包括以下步骤：
S1、多尺度特征融合语义分割网络模型搭建：
S11、多尺度特征融合语义分割网络用于生成输入超声图像的病灶区域分割图，所述多尺度特征融合语义分割网络包括多分辨率特征提取器、级联特征融合器和分类器，所述多分辨率特征提取器采用至少两个并行深度卷积网络分支组成，每个分支结构相同、权值共享，所述多分辨率特征提取器用于从不同分辨率的输入图像中提取不同尺度上下文特征，所述级联特征融合器用于将各个不同分支获取的多尺度特征进行逐级融合产生综合特征图，所述分类器用于根据综合特征图对像素类别标签进行预测；
S12、每个深度卷积网络分支结构包括第一至第五卷积层组、第一至第三最大池化层、第一膨胀卷积层和第二膨胀卷积层，所述第一最大池化层位于第一卷积层组之后，所述第二最大池化层位于第二卷积层组之后，所述第三最大池化层位于第三卷积层组之后，所述第一膨胀卷积层位于第四卷积层组之后，所述第二膨胀卷积层位于第五卷积层组之后；所述分类器包括顺序设于第二膨胀卷积层之后的第一特征投影层、第二特征投影层、一个类别预测层和一个Softmax回归层；
S2、对抗鉴别网络模型搭建：
S21、所述对抗鉴别网络用于区分输入是来自于分割网络的分割图还是人工分割标签的分割图；
S22、所述对抗鉴别网络包括顺序设置的第一至第六对抗卷积层、第一至第三全连接层和一个Softmax回归层；
S3、对抗训练与模型参数学习：使用扩充后的训练数据以对抗方式交替训练多尺度特征融合语义分割网络和对抗鉴别网络，设计目标函数优化网络参数，产生最优分割网络模型，其具体包括：
S31、采用Xavier方法对网络模型参数进行初始化；
S32、获取乳腺超声多模态灰度图像训练样本及对应的人工分割标签，所述乳腺超声多模态灰度图像包括B模式图像和弹性图像，且B模式图像和弹性图像在空间上已配准，将训练数据进行扩充后按4：1分成训练集和验证集，采用五折交叉验证法来训练网络模型；
S33、将B模式超声图像和超声弹性图像作为二通道输入多尺度特征融合语义分割网络，生成像素类别标签预测概率分布图，并采用下列混合损失函数作为优化目标函数：
该混合损失函数由两个分类交叉熵损失函数L1和L2组成，分别代表分割损失和鉴别损失；其中，θs是分割网络模型参数，θa是鉴别网络模型参数，xn是输入的第n个训练样本，yn是第n个训练样本对应的分割标签，s(.)是分割函数，a(.)是鉴别函数，N是批大小，λ1是对抗因子；
具体本步骤目标函数中的交叉熵损失函数L1为：
其中，是分割函数s(.)产生的标签预测概率向量，y是分割标签对应的概率向量，H*W是图像的维数，C是像素的类别数，ln(.)是自然对数；
具体本步骤目标函数中的交叉熵损失函数L2为：
其中，是对抗鉴别网络产生的图像来源标签预测概率向量，z是输入图像真实来源标签的概率向量；
S34、将分割标签和语义分割网络输出的分割图输入对抗鉴别网络，对抗鉴别网络预测其输入是来自于分割标签还是分割网络，并采用下列损失函数作为优化目标函数：
具体本步骤损失函数中的交叉熵损失函数L2同步骤S33；
S35、以求Lseg(θs)和Ladv(θa)最小值为优化目标，对语义分割网络和对抗鉴别网络以交替方式进行训练，采用随机梯度下降算法优化目标函数，运用误差反向传播算法更新网络模型参数θs和θa，且在训练语义分割网络时固定对抗鉴别网络参数θa，在训练对抗鉴别网络时固定语义分割网络参数θs；
S4、乳腺病灶的自动分割：
S41、将不同分辨率的乳腺超声B模式图像及对应已空间配准的超声弹性图像对作为二通道输入多分辨率特征提取器的各个分支，分别产生不同尺寸大小的特征图；
S42、将多分辨率特征提取器提取的不同尺度上下文特征输入级联特征融合器，生成综合特征图；
S43、将综合特征图输入分类器生成像素标签预测分值图；
S44、使用Softmax函数将像素类别标签预测分值图转换成像素类别标签预测概率分布图，分别代表每个像素在每个类别上的概率；
S45、取每个像素最大概率所在的下标分量作为像素类别标签，形成乳腺超声病灶语义分割图；
S46、将乳腺超声病灶语义分割图进行8倍上采样，得到与原始图像大小相同的最终分割图。
进一步，所述步骤S11中，多分辨率特征提取器采用高分辨率特征提取器、中分辨率特征提取器和低分辨率特征提取器三个并行深度卷积网络分支组成。
进一步，所述高分辨率特征提取器分支输入图像尺寸与原始图像大小相同，所述中分辨率特征提取器分支输入图像尺寸是原始图像大小的1/2，所述低分辨率特征提取器分支输入图像尺寸是原始图像大小的1/4。
进一步，所述级联特征融合器首先将低分辨率特征提取器分支的最后特征层使用双线性插值进行2倍上采样，再与中分辨率特征提取器分支的最后特征层进行相加，产生与中分辨率特征图尺寸相同的融合特征图1；然后将融合特征图1使用双线性插值进行2倍上采样，再与高分辨率特征提取器分支的最后特征层进行相加，产生与高分辨率特征图尺寸相同的融合特征图2，融合特征图2即为最终综合特征图。
进一步，所述步骤S12中，每个卷积层组由两个卷积层组成，每个卷积层的卷积核大小为3×3、步长为1，所述第一至第五卷积层组的卷积核个数依次为64、128、256、512、512；每个膨胀卷积层的卷积核大小为3×3、步长为1，所述第一膨胀卷积层和第二膨胀卷积层的膨胀因子分别为3和6；每个最大池化层的池化核大小为2×2、步长为2；每个特征投影层的卷积核大小为1×1、步长为1，所述第一特征投影层和第二特征投影层的卷积核个数分别为256和128；所述类别预测层的卷积核大小为1×1、步长为1，卷积核个数为2。
进一步，所述步骤S22中，每个对抗卷积层的卷积核大小为5×5、步长为2，所述第一至第六对抗卷积层的卷积核个数依次为32、64、128、256、512、1024；所述第一至第三全连接层的大小分别为1024、512和2，其中2代表输入图是来自于分割网络还是分割标签的二个类别。
进一步，所述分割网络产生的分割图来源标签为0，分割标签图的来源标签为1。
进一步，所述方法中任意一个卷积核所对应的输出特征图Zi采用下式进行计算：
其中，f是非线性激励函数，r是输入通道索引号，k是输入通道数，Wir是第i个卷积核的第r个通道权值矩阵，是卷积操作，Xr是第r个输入通道图像。
进一步，所述步骤S33中，在优化目标函数上还加入有正则化项，得最终优化目标函数如下：
其中，λ2是正则化因子，Q1是θs的参数个数。
进一步，所述步骤S34中，在优化目标函数上也加入有正则化项，得最终优化目标函数如下：
其中，λ3是正则化因子，Q2是θα的参数个数。
与现有技术相比，本发明提供的基于对抗学习的多尺度特征融合超声图像语义分割方法具有以下优点：
1、输入不同分辨率图像，采用多分支特征提取器可以提取不同尺度上下文特征，利用这些特征共同对像素标签进行预测，可显著提高预测准确率；
2、各分支特征提取器共享权值可减少网络参数，从而使网络更易训练；
3、采用膨胀卷积，在扩大神经元感受野的同时不降会低特征图的维数，提高了特征图分辨率，从而产生更高分辨率的分割图；
4、通过对抗训练运用对抗损失和像素标签预测损失一起来优化分割网络，使对抗梯度流进入分割网，让学得的分割网络模型能输出外观和空间连续性好的分割图，使乳腺超声图像病灶分割更加精确，进而产生具有更多分割细节的细粒度分割图。
附图说明
图1是本发明提供的基于对抗学习的多尺度特征融合超声图像语义分割方法***模型示意图(对抗鉴别网络仅在训练时使用，分割应用时仅需要使用语义分割网络)。
图2是本发明提供的多尺度特征融合语义分割网络结构示意图(图例上侧数字表示特征图数量，图例左下角数字表示特征图维度)。
图3是本发明提供的对抗鉴别网络结构示意图(图例上侧数字表示特征图数量或神经元个数，图例左下角数字表示特征图维度)。
图4是本发明提供的膨胀卷积示意图。该图中的卷积核大小在下面的实施方式中已做说明，在此不必要再说。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示和较佳实施例，进一步阐述本发明。
请参考图1至图4所示，本发明提供一种基于对抗学习的多尺度特征融合超声图像语义分割方法，包括以下步骤：
S1、多尺度特征融合语义分割网络模型搭建：
S11、多尺度特征融合语义分割网络用于生成输入超声图像的病灶区域分割图，所述多尺度特征融合语义分割网络包括多分辨率特征提取器、级联特征融合器和分类器，所述多分辨率特征提取器采用至少两个并行深度卷积网络分支组成，每个分支结构相同、权值共享，所述多分辨率特征提取器用于从各个分支不同分辨率的输入图像中提取不同尺度上下文特征，所述级联特征融合器用于将各个不同分支获取的多尺度特征进行逐级融合产生综合特征图，所述分类器用于根据综合特征图对像素类别标签进行预测；具体所述多尺度特征融合语义分割网络的输入为2通道，分别代表B模式超声图像和超声弹性图像，网络输出也是2通道，分别代表像素属于正常和病变组织的概率；
S12、每个深度卷积网络分支结构包括第一至第五卷积层组、第一至第三最大池化层、第一膨胀卷积层和第二膨胀卷积层，所述第一最大池化层位于第一卷积层组之后，所述第二最大池化层位于第二卷积层组之后，所述第三最大池化层位于第三卷积层组之后，所述第一膨胀卷积层位于第四卷积层组之后，所述第二膨胀卷积层位于第五卷积层组之后，为了保证卷积后特征图大小与卷积前相同，在卷积过程中设置Padding＝1，即卷积时用0值填充图像周围；所述分类器包括顺序设于第二膨胀卷积层之后的第一特征投影层、第二特征投影层、一个类别预测层和一个Softmax回归层。
作为具体实施例，所述多分辨率特征提取器采用高分辨率特征提取器、中分辨率特征提取器和低分辨率特征提取器三个并行深度卷积网络分支组成，三个分支结构相同、权值共享，所述多分辨率特征提取器用于从高中低分辨率特征提取器三个分支不同尺寸的输入图像中提取不同上下文特征；相应地，所述级联特征融合器的功能是将三个不同分支获取的多尺度特征进行逐级融合，首先将低分辨率特征提取器分支的最后特征层使用双线性插值进行2倍上采样，再与中分辨率特征提取器分支的最后特征层进行相加，产生与中分辨率特征图尺寸相同的融合特征图1；然后将融合特征图1使用双线性插值进行2倍上采样，再与高分辨率特征提取器分支的最后特征层进行相加，产生与高分辨率特征图尺寸相同的融合特征图2，融合特征图2即为最终综合特征图。
作为具体实施例，假设所述原始图像的大小为480×480，所述高分辨率特征提取器分支输入图像尺寸与原始图像大小相同为480×480，所述中分辨率特征提取器分支输入图像尺寸是原始图像大小的1/2为240×240，可由原始图像经过2倍下采样得到，所述低分辨率特征提取器分支输入图像尺寸是原始图像大小的1/4为120×120，可由原始图像经过4倍下采样得到，由此得到每个深度卷积网络分支不同尺寸的输入图像。
作为具体实施例，所述多尺度特征融合语义分割网络模型详细结构见下表1，表1中是以高分辨率图像大小480×480为例进行说明，中分辨率和低分辨率以此类推：
表1超声图像语义分割***模型参数表(Padding＝1)
从表1可以得出，所述步骤S12中，每个卷积层组由两个卷积层组成，每个卷积层的卷积核大小为3×3、步长为1，所述第一至第五卷积层组的卷积核个数依次为64、128、256、512、512；每个膨胀卷积层的卷积核大小为3×3、步长为1，所述第一膨胀卷积层和第二膨胀卷积层的膨胀因子分别为3和6；每个最大池化层的池化核大小为2×2、步长为2；每个特征投影层的卷积核大小为1×1、步长为1，所述第一特征投影层和第二特征投影层的卷积核个数分别为256和128；所述类别预测层的卷积核大小为1×1、步长为1，卷积核个数为2；Softmax回归层将像素类别预测分值转换成概率分布。其中，先将序号15输出的各分辨率特征图进行级联融合，再输入到序号16，即序号16的输入是序号15进行多分辨率融合后的特征。
S2、对抗鉴别网络模型搭建：
S21、所述对抗鉴别网络用于区分输入是来自于分割网络的分割图还是人工分割标签(Ground Truth，GT)；
S22、所述对抗鉴别网络包括顺序设置的第一至第六对抗卷积层、第一至第三全连接层和一个Softmax回归层，即全连接层是设置在对抗卷积层之后的，详细结构见下表2：
表2对抗鉴别网络模型参数表(Padding＝1)
从表2可以得出，每个所述对抗卷积层的卷积核大小为5×5、步长为2，所述第一至第六对抗卷积层的卷积核个数依次为32、64、128、256、512、1024；所述第一至第三全连接层的大小分别为1024、512和2，其中2代表输入图是来自于分割网络还是分割标签的二个类别。具体所述对抗鉴别网络的输入为2通道，分别代表像素属于正常与病灶2种类别的概率分布图，其中，每一对图像(B模式图像和弹性图像)的分割图和分割标签都对应两张概率分布图，一张是每个像素属于正常组织的概率分布图，另一张是每个像素属于病变组织的概率分布图，网络输出的是0-1二值预测结果。作为一种优选实施方式，所述分割网络产生的分割图来源标签为0，分割标签图的来源标签为1，由此可通过对抗鉴别网络输出的0-1二值预测结果，来区分输入图是来自于分割网络还是分割标签。
作为具体实施例，前述网络模型的运算操作如下：
(1)卷积操作：所述方法中任意一个卷积核所对应的输出特征图Zi采用下式进行计算：
其中，f是非线性激励函数，r是输入通道索引号，k是输入通道数，Wir是第i个卷积核的第r个通道权值矩阵，是卷积操作，Xr是第r个输入通道图像。
(2)膨胀卷积：
膨胀卷积即使用膨胀卷积核进行的卷积操作，膨胀卷积核就是将卷积核进行上采样，卷积核原位置权值不变而中间位置补0，膨胀卷积通过采用不同膨胀因子来提高感受野，但不会增加网络参数和计算量。具体请参考图4所示，图中黑色代表卷积核(卷积核大小为3×3)权值，灰色表示填充0值。膨胀因子为1时相当于普通卷积，随着膨胀因子变大，感受野增大，权值数没变。
(3)ReLU非线性激励函数：
上式(1)中f采用整流线性单元ReLU(Rectifier Linear Units)函数，ReLU是网络的激活函数，所述整流线性单元用于将卷积核所产生的输出特征图Zi中的每个值进行非线性转化，所述整流线性单元ReLU定义如下：
f(x)＝max(0,x) (2)
其中，f(x)是整流线性单元函数，x是一个输入值。
(4)Softmax分类函数：
Softmax函数将网络输出的预测分值转换成概率分布，所述Softmax函数定义如下：
其中，Oj是网络最后输出的某个像素在第j类上的预测分值，Yj是输入像素属于第j类的概率，C是类别个数，为2，exp(.)是以自然常数e为底的指数函数。
S3、对抗训练与模型参数学习：使用扩充后的训练数据以对抗方式交替训练多尺度特征融合语义分割网络和对抗鉴别网络，设计目标函数优化网络参数，产生最优分割网络模型，其具体包括：
S31、采用Xavier方法对网络模型参数进行初始化；
S32、获取乳腺超声多模态灰度图像训练样本500个及对应的人工分割标签，所述乳腺超声多模态灰度图像包括B模式图像与弹性图像，且B模式图与弹性图在空间上已配准，训练样本及对应的分割标签大小均为480×480，使用水平翻转、垂直翻转、裁减、旋转45°、90°、135°、180°、225°、270°、315°数据扩充技术，使训练数据样本增加为初始的10倍，然后将这些训练数据按4：1分成训练集和验证集，采用五折交叉验证法来训练网络模型；
S33、将B模式超声图像和超声弹性图像作为二通道输入多尺度特征融合语义分割网络，生成像素类别标签预测概率分布图，并采用下列混合损失函数作为优化目标函数：
该混合损失函数由两个分类交叉熵损失函数L1和L2组成，分别代表分割损失和鉴别损失；其中，θs是分割网络模型参数，θa是鉴别网络模型参数，xn是输入的第n个训练样本，yn是第n个训练样本对应的分割标签，s(.)是分割函数(使用参数θs对输入图像样本xn的像素标签进行预测)，a(.)是鉴别函数(使用参数θa对网络输入的类别进行预测，0表示来自于分割网络产生的分割图，1表示来自于分割标签)，N是随机梯度下降迭代时每次迭代使用的样本数即批大小，设为32，λ1是对抗因子，设为0.5；
具体本步骤目标函数中的交叉熵损失函数L1为：
其中，是分割函数s(.)产生的标签预测概率向量，y是分割标签对应的概率向量，H*W是图像的维数，大小为480×480，C是像素的类别数，C＝2，ln(.)是自然对数；
具体本步骤目标函数中的交叉熵损失函数L2为：
其中，是对抗鉴别网络产生的图像来源标签预测概率向量，z是输入图像真实来源标签的概率向量；
为了防止过拟合，在式(4)的优化目标函数上还加入有正则化项，得最终优化目标函数如下：
其中，λ2是正则化因子，设为0.1，Q1是θs的参数个数。
S34、将分割标签和语义分割网络输出的分割图输入对抗鉴别网络，对抗鉴别网络预测其输入是来自于分割标签还是分割网络，并采用下列损失函数作为优化目标函数：
具体本步骤损失函数中的交叉熵损失函数L2同步骤S33；
同样为了防止过拟合，在对抗鉴别网络的优化目标函数上也加入有正则化项，得最终优化目标函数如下：
其中，λ3是正则化因子，设为0.1，Q2是θα的参数个数。
S35、以求Lseg(θs)和Ladv(θa)最小值为优化目标，对语义分割网络和对抗鉴别网络以交替方式进行训练，每500次迭代进行交替，采用随机梯度下降算法优化目标函数，运用误差反向传播算法更新网络模型参数θs和θa；鉴别网络训练的目标是能很好地区分分割图和分割标签，而分割网络训练的目标是使分割网对像素标签进行精确预测的同时也使鉴别器无法区分分割网络产生的分割图与对应的分割标准标签，即让分割网络产生的分割图同分割标准标签非常相似或几乎一样。具体地，分割网络训练时，固定模型分割网络的参数θa来优化θs，动量系数μ＝0.9，初始学习率设为ηt＝1e-3，每1000次迭代减少1/10，直到1e-6为止；对抗鉴别网络训练时，固定模型分割网的参数θs来优化θa，初始学习率设为ηt＝1e-4，每1000次迭代减少1/10，直到1e-7为止。
S4、乳腺病灶的自动分割：
S41、将不同分辨率的乳腺超声B模式图像及对应已空间配准的超声弹性图像对作为二通道输入多分辨率特征提取器的各个分支，分别产生不同尺寸大小的特征图；例如将原始乳腺超声B模式图像和超声弹性图像作为两通道输入高分辨率特征提取器，产生大小为原始图像1/8的特征图；然后将原始图像进行2倍下采样和4倍下采样后，形成中分辨率图像和低分辨率图像，并将它们分别输入中分辨率特征提取器与低分辨率特征提取器，分别产生大小为原始图像1/16和1/32的特征图；
S42、将多分辨率特征提取器提取的不同尺度上下文特征输入级联特征融合器，生成综合特征图；具体为将低分辨率特征图进行2倍上采样后与中分辨率特征图进行逐像素相加融合，再将融合的特征图进行2倍上采样后与高分辨率特征图进行逐像素相加融合，最终生成综合特征图；
S43、将综合特征图输入分类器生成2张像素类别标签预测分值图，分别代表像素属于正常和病变组织的预测分值；
S44、使用Softmax函数将像素类别标签预测分值图转换成像素类别标签预测概率分布图，分别代表每个像素在每个类别上的概率；
S45、取每个像素最大概率所在的下标分量(0或1)作为像素类别标签，形成乳腺超声病灶语义分割图；
S46、将乳腺超声病灶语义分割图进行8倍上采样，得到与原始图像大小相同的最终分割图；具体在本实施例的池化处理过程中，图像分辨率下降到了原始图像的1/8，为了得到与原始图像大小相同的分割图，须进行8倍上采样。
与现有技术相比，本发明提供的基于对抗学习的多尺度特征融合超声图像语义分割方法具有以下优点：
1、输入不同分辨率图像，采用多分支特征提取器可以提取不同尺度上下文特征，利用这些特征共同对像素标签进行预测，可显著提高预测准确率；
2、各分支特征提取器共享权值可减少网络参数，从而使网络更易训练；
3、采用膨胀卷积，在扩大神经元感受野的同时不降会低特征图的维数，提高了特征图分辨率，从而产生更高分辨率的分割图；
4、通过对抗训练运用对抗损失和像素标签预测损失一起来优化分割网络，使对抗梯度流进入分割网，让学得的分割网络模型能输出外观和空间连续性好的分割图，使乳腺超声图像病灶分割更加精确，进而产生具有更多分割细节的细粒度分割图。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于对抗学习的多尺度特征融合超声图像语义分割方法，其特征在于，包括以下步骤：
S1、多尺度特征融合语义分割网络模型搭建：
S11、多尺度特征融合语义分割网络用于生成输入超声图像的病灶区域分割图，所述多尺度特征融合语义分割网络包括多分辨率特征提取器、级联特征融合器和分类器，所述多分辨率特征提取器采用至少两个并行深度卷积网络分支组成，每个分支结构相同、权值共享，所述多分辨率特征提取器用于从不同分辨率的输入图像中提取不同尺度上下文特征，所述级联特征融合器用于将各个不同分支获取的多尺度特征进行逐级融合产生综合特征图，所述分类器用于根据综合特征图对像素类别标签进行预测；
S12、每个深度卷积网络分支结构包括第一至第五卷积层组、第一至第三最大池化层、第一膨胀卷积层和第二膨胀卷积层，所述第一最大池化层位于第一卷积层组之后，所述第二最大池化层位于第二卷积层组之后，所述第三最大池化层位于第三卷积层组之后，所述第一膨胀卷积层位于第四卷积层组之后，所述第二膨胀卷积层位于第五卷积层组之后；所述分类器包括顺序设于第二膨胀卷积层之后的第一特征投影层、第二特征投影层、一个类别预测层和一个Softmax回归层；
S2、对抗鉴别网络模型搭建：
S21、所述对抗鉴别网络用于区分输入是来自于分割网络的分割图还是人工分割标签的分割图；
S22、所述对抗鉴别网络包括顺序设置的第一至第六对抗卷积层、第一至第三全连接层和一个Softmax回归层；
S3、对抗训练与模型参数学习：使用扩充后的训练数据以对抗方式交替训练多尺度特征融合语义分割网络和对抗鉴别网络，设计目标函数优化网络参数，产生最优分割网络模型，其具体包括：
S31、采用Xavier方法对网络模型参数进行初始化；
S32、获取乳腺超声多模态灰度图像训练样本及对应的人工分割标签，所述乳腺超声多模态灰度图像包括B模式图像和弹性图像，且B模式图像和弹性图像在空间上已配准，将训练数据进行扩充后按4：1分成训练集和验证集，采用五折交叉验证法来训练网络模型；
S33、将B模式超声图像和超声弹性图像作为二通道输入多尺度特征融合语义分割网络，生成像素类别标签预测概率分布图，并采用下列混合损失函数作为优化目标函数：
该混合损失函数由两个分类交叉熵损失函数L1和L2组成，分别代表分割损失和鉴别损失；其中，θs是分割网络模型参数，θa是鉴别网络模型参数，xn是输入的第n个训练样本，yn是第n个训练样本对应的分割标签，s(.)是分割函数，a(.)是鉴别函数，N是批大小，λ1是对抗因子；
具体本步骤目标函数中的交叉熵损失函数L1为：
其中，是分割函数s(.)产生的标签预测概率向量，y是分割标签对应的概率向量，H*W是图像的维数，C是像素的类别数，ln(.)是自然对数；
具体本步骤目标函数中的交叉熵损失函数L2为：
其中，是对抗鉴别网络产生的图像来源标签预测概率向量，z是输入图像真实来源标签的概率向量；
S34、将分割标签和语义分割网络输出的分割图输入对抗鉴别网络，对抗鉴别网络预测其输入是来自于分割标签还是分割网络，并采用下列损失函数作为优化目标函数：
具体本步骤损失函数中的交叉熵损失函数L2同步骤S33；
S35、以求Lseg(θs)和Ladv(θa)最小值为优化目标，对语义分割网络和对抗鉴别网络以交替方式进行训练，采用随机梯度下降算法优化目标函数，运用误差反向传播算法更新网络模型参数θs和θa，且在训练语义分割网络时固定对抗鉴别网络参数θa，在训练对抗鉴别网络时固定语义分割网络参数θs；
S4、乳腺病灶的自动分割：
S41、将不同分辨率的乳腺超声B模式图像及对应已空间配准的超声弹性图像对作为二通道输入多分辨率特征提取器的各个分支，分别产生不同尺寸大小的特征图；
S42、将多分辨率特征提取器提取的不同尺度上下文特征输入级联特征融合器，生成综合特征图；
S43、将综合特征图输入分类器生成像素标签预测分值图；
S44、使用Softmax函数将像素类别标签预测分值图转换成像素类别标签预测概率分布图，分别代表每个像素在每个类别上的概率；
S45、取每个像素最大概率所在的下标分量作为像素类别标签，形成乳腺超声病灶语义分割图；
S46、将乳腺超声病灶语义分割图进行8倍上采样，得到与原始图像大小相同的最终分割图。
2.根据权利要求1所述的基于对抗学习的多尺度特征融合超声图像语义分割方法，其特征在于，所述步骤S11中，多分辨率特征提取器采用高分辨率特征提取器、中分辨率特征提取器和低分辨率特征提取器三个并行深度卷积网络分支组成。
3.根据权利要求2所述的基于对抗学习的多尺度特征融合超声图像语义分割方法，其特征在于，所述高分辨率特征提取器分支输入图像尺寸与原始图像大小相同，所述中分辨率特征提取器分支输入图像尺寸是原始图像大小的1/2，所述低分辨率特征提取器分支输入图像尺寸是原始图像大小的1/4。
4.根据权利要求2所述的基于对抗学习的多尺度特征融合超声图像语义分割方法，其特征在于，所述级联特征融合器首先将低分辨率特征提取器分支的最后特征层使用双线性插值进行2倍上采样，再与中分辨率特征提取器分支的最后特征层进行相加，产生与中分辨率特征图尺寸相同的融合特征图1；然后将融合特征图1使用双线性插值进行2倍上采样，再与高分辨率特征提取器分支的最后特征层进行相加，产生与高分辨率特征图尺寸相同的融合特征图2，融合特征图2即为最终综合特征图。
5.根据权利要求1所述的基于对抗学习的多尺度特征融合超声图像语义分割方法，其特征在于，所述步骤S12中，每个卷积层组由两个卷积层组成，每个卷积层的卷积核大小为3×3、步长为1，所述第一至第五卷积层组的卷积核个数依次为64、128、256、512、512；每个膨胀卷积层的卷积核大小为3×3、步长为1，所述第一膨胀卷积层和第二膨胀卷积层的膨胀因子分别为3和6；每个最大池化层的池化核大小为2×2、步长为2；每个特征投影层的卷积核大小为1×1、步长为1，所述第一特征投影层和第二特征投影层的卷积核个数分别为256和128；所述类别预测层的卷积核大小为1×1、步长为1，卷积核个数为2。
6.根据权利要求1所述的基于对抗学习的多尺度特征融合超声图像语义分割方法，其特征在于，所述步骤S22中，每个对抗卷积层的卷积核大小为5×5、步长为2，所述第一至第六对抗卷积层的卷积核个数依次为32、64、128、256、512、1024；所述第一至第三全连接层的大小分别为1024、512和2，其中2代表输入图是来自于分割网络还是分割标签的二个类别。
7.根据权利要求6所述的基于对抗学习的多尺度特征融合超声图像语义分割方法，其特征在于，所述分割网络产生的分割图来源标签为0，分割标签图的来源标签为1。
8.根据权利要求1所述的基于对抗学习的多尺度特征融合超声图像语义分割方法，其特征在于，所述方法中任意一个卷积核所对应的输出特征图Zi采用下式进行计算：
其中，f是非线性激励函数，r是输入通道索引号，k是输入通道数，Wir是第i个卷积核的第r个通道权值矩阵，是卷积操作，Xr是第r个输入通道图像。
9.根据权利要求1所述的基于对抗学习的多尺度特征融合超声图像语义分割方法，其特征在于，所述步骤S33中，在优化目标函数上还加入有正则化项，得最终优化目标函数如下：
其中，λ2是正则化因子，Q1是θs的参数个数。
10.根据权利要求1所述的基于对抗学习的多尺度特征融合超声图像语义分割方法，其特征在于，所述步骤S34中，在优化目标函数上也加入有正则化项，得最终优化目标函数如下：
其中，λ3是正则化因子，Q2是θα的参数个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810085384.XA CN108268870B (zh) | 2018-01-29 | 2018-01-29 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810085384.XA CN108268870B (zh) | 2018-01-29 | 2018-01-29 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108268870A true CN108268870A (zh) | 2018-07-10 |
| CN108268870B CN108268870B (zh) | 2020-10-09 |
Family
ID=62776960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810085384.XA Active CN108268870B (zh) | 2018-01-29 | 2018-01-29 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108268870B (zh) |
Cited By (109)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961295A (zh) * | 2018-07-27 | 2018-12-07 | 重庆师范大学 | 基于正态分布h阈值的紫色土图像分割提取方法 |
| CN109034224A (zh) * | 2018-07-16 | 2018-12-18 | 西安电子科技大学 | 基于双分支网络的高光谱分类方法 |
| CN109064455A (zh) * | 2018-07-18 | 2018-12-21 | 清华大学深圳研究生院 | 一种基于bi-rads的乳腺超声图像多尺度融合的分类方法 |
| CN109086770A (zh) * | 2018-07-25 | 2018-12-25 | 成都快眼科技有限公司 | 一种基于精准尺度预测的图像语义分割方法及模型 |
| CN109166130A (zh) * | 2018-08-06 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种图像处理方法及图像处理装置 |
| CN109166095A (zh) * | 2018-07-11 | 2019-01-08 | 广东技术师范学院 | 一种基于生成对抗机制的眼底影像杯盘分割方法 |
| CN109241872A (zh) * | 2018-08-20 | 2019-01-18 | 电子科技大学 | 基于多级网络的图像语义快速分割方法 |
| CN109345456A (zh) * | 2018-09-30 | 2019-02-15 | 京东方科技集团股份有限公司 | 生成对抗网络训练方法、图像处理方法、设备及存储介质 |
| CN109359655A (zh) * | 2018-09-18 | 2019-02-19 | 河南大学 | 基于上下文正则化循环深度学习的图像分割方法 |
| CN109389057A (zh) * | 2018-09-22 | 2019-02-26 | 天津大学 | 一种基于多尺度高级语义融合网络的物体检测方法 |
| CN109447990A (zh) * | 2018-10-22 | 2019-03-08 | 北京旷视科技有限公司 | 图像语义分割方法、装置、电子设备和计算机可读介质 |
| CN109472799A (zh) * | 2018-10-09 | 2019-03-15 | 清华大学 | 基于深度学习的图像分割方法及装置 |
| CN109472798A (zh) * | 2018-12-10 | 2019-03-15 | 重庆理工大学 | 生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法 |
| CN109508627A (zh) * | 2018-09-21 | 2019-03-22 | 国网信息通信产业集团有限公司 | 一种层内共享参数cnn的无人机动态图像识别***与方法 |
| CN109509192A (zh) * | 2018-10-18 | 2019-03-22 | 天津大学 | 融合多尺度特征空间与语义空间的语义分割网络 |
| CN109523569A (zh) * | 2018-10-18 | 2019-03-26 | 中国科学院空间应用工程与技术中心 | 一种基于多粒度网络融合的光学遥感图像分割方法和装置 |
| CN109544555A (zh) * | 2018-11-26 | 2019-03-29 | 陕西师范大学 | 基于生成式对抗网络的细小裂缝分割方法 |
| CN109544585A (zh) * | 2018-12-19 | 2019-03-29 | 中国石油大学(华东) | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 |
| CN109583454A (zh) * | 2018-11-14 | 2019-04-05 | 天津大学 | 基于对抗神经网络的图像特征提取方法 |
| CN109598732A (zh) * | 2018-12-11 | 2019-04-09 | 厦门大学 | 一种基于三维空间加权的医学图像分割方法 |
| CN109598269A (zh) * | 2018-11-14 | 2019-04-09 | 天津大学 | 一种基于多分辨率输入与金字塔膨胀卷积的语义分割方法 |
| CN109598728A (zh) * | 2018-11-30 | 2019-04-09 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、诊断***及存储介质 |
| CN109636817A (zh) * | 2018-11-30 | 2019-04-16 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
| CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
| CN109712145A (zh) * | 2018-11-28 | 2019-05-03 | 山东师范大学 | 一种图像抠图方法及*** |
| CN109785399A (zh) * | 2018-11-19 | 2019-05-21 | 北京航空航天大学 | 合成病变图像的生成方法、装置、设备及可读存储介质 |
| CN109784380A (zh) * | 2018-12-27 | 2019-05-21 | 西安交通大学 | 一种基于生成对抗学习的多维度田间杂草识别方法 |
| CN109784194A (zh) * | 2018-12-20 | 2019-05-21 | 上海图森未来人工智能科技有限公司 | 目标检测网络构建方法和训练方法、目标检测方法 |
| CN109902809A (zh) * | 2019-03-01 | 2019-06-18 | 成都康乔电子有限责任公司 | 一种利用生成对抗网络辅助语义分割模型 |
| CN109949276A (zh) * | 2019-02-28 | 2019-06-28 | 华中科技大学 | 一种于改进SegNet分割网络的***检测方法 |
| CN109948707A (zh) * | 2019-03-20 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 模型训练方法、装置、终端及存储介质 |
| CN109978863A (zh) * | 2019-03-27 | 2019-07-05 | 北京青燕祥云科技有限公司 | 基于x射线图像的目标检测方法及计算机设备 |
| CN110008949A (zh) * | 2019-01-24 | 2019-07-12 | 华南理工大学 | 一种图像目标检测方法、***、装置和存储介质 |
| CN110033422A (zh) * | 2019-04-10 | 2019-07-19 | 北京科技大学 | 一种眼底oct图像融合方法及装置 |
| CN110074813A (zh) * | 2019-04-26 | 2019-08-02 | 深圳大学 | 一种超声图像重建方法及*** |
| CN110110617A (zh) * | 2019-04-22 | 2019-08-09 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
| CN110222578A (zh) * | 2019-05-08 | 2019-09-10 | 腾讯科技（深圳）有限公司 | 对抗测试看图说话***的方法和装置 |
| CN110232386A (zh) * | 2019-05-09 | 2019-09-13 | 杭州深睿博联科技有限公司 | 基于局部特征金字塔的肺结节分类方法及装置 |
| CN110276354A (zh) * | 2019-05-27 | 2019-09-24 | 东南大学 | 一种高分辨率街景图片语义分割训练与实时分割方法 |
| CN110288574A (zh) * | 2019-06-13 | 2019-09-27 | 南通市传染病防治院(南通市第三人民医院) | 一种超声辅助诊断肝肿块***及方法 |
| CN110348531A (zh) * | 2019-07-17 | 2019-10-18 | 沈阳亚视深蓝智能科技有限公司 | 具有分辨率适应性的深度卷积神经网络构建方法及应用 |
| CN110363168A (zh) * | 2019-07-19 | 2019-10-22 | 山东浪潮人工智能研究院有限公司 | 一种基于卷积神经网络的三维立体图识别*** |
| CN110414526A (zh) * | 2019-07-31 | 2019-11-05 | 达闼科技（北京）有限公司 | 语义分割网络的训练方法、训练装置、服务器和存储介质 |
| CN110414631A (zh) * | 2019-01-29 | 2019-11-05 | 腾讯科技（深圳）有限公司 | 基于医学图像的病灶检测方法、模型训练的方法及装置 |
| CN110490884A (zh) * | 2019-08-23 | 2019-11-22 | 北京工业大学 | 一种基于对抗的轻量级网络语义分割方法 |
| CN110599476A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 基于机器学习的疾病分级方法、装置、设备及介质 |
| CN110648311A (zh) * | 2019-09-03 | 2020-01-03 | 南开大学 | 一种基于多任务学习的痤疮图像病灶分割与计数网络模型 |
| CN110647889A (zh) * | 2019-08-26 | 2020-01-03 | 中国科学院深圳先进技术研究院 | 医学图像识别方法、医学图像识别装置、终端设备及介质 |
| CN110765844A (zh) * | 2019-09-03 | 2020-02-07 | 华南理工大学 | 一种基于对抗学习的非感应式餐盘图像数据自动标注方法 |
| CN110827255A (zh) * | 2019-10-31 | 2020-02-21 | 杨本强 | 一种基于冠状动脉ct图像的斑块稳定性预测方法及*** |
| CN110853039A (zh) * | 2019-10-16 | 2020-02-28 | 深圳信息职业技术学院 | 一种多数据融合的草图图像分割方法、***、装置及存储介质 |
| CN110879962A (zh) * | 2018-09-05 | 2020-03-13 | 斯特拉德视觉公司 | 利用多个视频帧优化cnn参数的方法和装置 |
| CN110910351A (zh) * | 2019-10-31 | 2020-03-24 | 上海交通大学 | 基于生成对抗网络的超声图像模态迁移、分类方法及终端 |
| CN111091524A (zh) * | 2018-10-08 | 2020-05-01 | 天津工业大学 | 基于深度卷积神经网络的***经直肠超声图像分割方法 |
| WO2020093782A1 (en) * | 2018-11-08 | 2020-05-14 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method, system, and computer-readable medium for improving quality of low-light images |
| CN111161279A (zh) * | 2019-12-12 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 医学图像分割方法、装置及服务器 |
| CN111160413A (zh) * | 2019-12-12 | 2020-05-15 | 天津大学 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
| CN111161273A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种基于深度学习的医学超声图像分割方法 |
| CN111179275A (zh) * | 2019-12-31 | 2020-05-19 | 电子科技大学 | 一种医学超声图像分割方法 |
| CN111259898A (zh) * | 2020-01-08 | 2020-06-09 | 西安电子科技大学 | 基于无人机航拍图像的农作物分割方法 |
| CN111275712A (zh) * | 2020-01-15 | 2020-06-12 | 浙江工业大学 | 一种面向大尺度图像数据的残差语义网络训练方法 |
| CN111292317A (zh) * | 2020-03-11 | 2020-06-16 | 四川大学华西医院 | 一种增强图像局部特征式多任务分割乳腺导管内原位癌区域的方法 |
| CN111325093A (zh) * | 2020-01-15 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 视频分割方法、装置及电子设备 |
| CN111369567A (zh) * | 2018-12-26 | 2020-07-03 | 腾讯科技（深圳）有限公司 | 三维图像中目标对象的分割方法、装置及电子设备 |
| CN111368899A (zh) * | 2020-02-28 | 2020-07-03 | 中国人民解放军南部战区总医院 | 一种基于递归聚合深度学习分割超声心动图的方法和*** |
| CN111402257A (zh) * | 2020-03-11 | 2020-07-10 | 华侨大学 | 一种基于多任务协同跨域迁移的医学图像自动分割方法 |
| CN111488964A (zh) * | 2019-01-29 | 2020-08-04 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、神经网络训练方法及装置 |
| CN111584073A (zh) * | 2020-05-13 | 2020-08-25 | 山东大学 | 基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型的诊断模型 |
| CN111640120A (zh) * | 2020-04-09 | 2020-09-08 | 之江实验室 | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 |
| CN111681166A (zh) * | 2020-06-02 | 2020-09-18 | 重庆理工大学 | 一种堆叠注意力机制编解码单元的图像超分辨率重建方法 |
| CN111723841A (zh) * | 2020-05-09 | 2020-09-29 | 北京捷通华声科技股份有限公司 | 文本检测方法、装置、电子设备及存储介质 |
| CN111784701A (zh) * | 2020-06-10 | 2020-10-16 | 深圳市人民医院 | 结合边界特征增强和多尺度信息的超声图像分割方法及*** |
| CN111784652A (zh) * | 2020-06-24 | 2020-10-16 | 西安电子科技大学 | 基于强化学习多尺度神经网络的mri分割方法 |
| CN111881768A (zh) * | 2020-07-03 | 2020-11-03 | 苏州开心盒子软件有限公司 | 一种文档版面分析方法 |
| CN111870279A (zh) * | 2020-07-31 | 2020-11-03 | 西安电子科技大学 | 超声图像左室心肌的分割方法、***及应用 |
| CN111899169A (zh) * | 2020-07-02 | 2020-11-06 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于语义分割的人脸图像的分割网络的方法 |
| CN111915622A (zh) * | 2020-07-09 | 2020-11-10 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种图像分割网络模型的训练及图像分割方法、装置 |
| CN111985549A (zh) * | 2020-08-12 | 2020-11-24 | 中国科学院光电技术研究所 | 针对给定刚体目标进行部件自动定位识别的深度学习方法 |
| CN112183203A (zh) * | 2020-08-26 | 2021-01-05 | 北京工业大学 | 一种基于多尺度像素特征融合的实时交通标志检测方法 |
| CN112215847A (zh) * | 2020-09-30 | 2021-01-12 | 武汉大学 | 基于对抗学习多尺度特征的重叠染色体自动分割方法 |
| CN112492323A (zh) * | 2019-09-12 | 2021-03-12 | 上海哔哩哔哩科技有限公司 | 直播蒙版的生成方法、可读存储介质及计算机设备 |
| CN112602088A (zh) * | 2018-09-06 | 2021-04-02 | Oppo广东移动通信有限公司 | 提高弱光图像的质量的方法、***和计算机可读介质 |
| CN112750124A (zh) * | 2021-01-22 | 2021-05-04 | 推想医疗科技股份有限公司 | 模型生成、图像分割方法、装置、电子设备及存储介质 |
| CN112750111A (zh) * | 2021-01-14 | 2021-05-04 | 浙江工业大学 | 一种牙齿全景片中疾病识别与分割方法 |
| CN112815493A (zh) * | 2021-01-11 | 2021-05-18 | 珠海格力电器股份有限公司 | 一种空调控制方法、装置、存储介质及空调 |
| CN112837270A (zh) * | 2021-01-11 | 2021-05-25 | 成都圭目机器人有限公司 | 一种自带语义注释的道面图像的合成方法和网络模型 |
| CN113077471A (zh) * | 2021-03-26 | 2021-07-06 | 南京邮电大学 | 一种基于u型网络的医学图像分割方法 |
| CN113168684A (zh) * | 2018-11-26 | 2021-07-23 | Oppo广东移动通信有限公司 | 提升低亮度图像的质量的方法、***和计算机可读介质 |
| CN113239951A (zh) * | 2021-03-26 | 2021-08-10 | 无锡祥生医疗科技股份有限公司 | 超声乳腺病灶的分类方法、装置及存储介质 |
| CN113298080A (zh) * | 2021-07-26 | 2021-08-24 | 城云科技（中国）有限公司 | 目标检测增强模型、目标检测方法、装置及电子装置 |
| CN113362360A (zh) * | 2021-05-28 | 2021-09-07 | 上海大学 | 基于流体速度场的超声颈动脉斑块分割方法 |
| CN113421270A (zh) * | 2021-07-05 | 2021-09-21 | 上海市精神卫生中心（上海市心理咨询培训中心） | 基于单中心标定数据实现医学图像域自适应分割的方法、***、装置、处理器及其存储介质 |
| CN113643310A (zh) * | 2021-05-21 | 2021-11-12 | 北京工业大学 | 一种基于上下文聚合的mri图像肝血管分割方法 |
| CN113657388A (zh) * | 2021-07-09 | 2021-11-16 | 北京科技大学 | 一种融合图像超分辨率重建的图像语义分割方法 |
| CN113703048A (zh) * | 2021-08-30 | 2021-11-26 | 中国科学院地质与地球物理研究所 | 对抗神经网络高分辨率地震断层检测方法和*** |
| CN113935928A (zh) * | 2020-07-13 | 2022-01-14 | 四川大学 | 基于Raw格式岩心图像超分辨率重建 |
| CN113989585A (zh) * | 2021-10-13 | 2022-01-28 | 北京科技大学 | 一种基于多特征融合语义分割的中厚板表面缺陷检测方法 |
| CN114387346A (zh) * | 2022-03-25 | 2022-04-22 | 阿里巴巴达摩院(杭州)科技有限公司 | 一种图像识别、预测模型处理方法、三维建模方法和装置 |
| CN114445430A (zh) * | 2022-04-08 | 2022-05-06 | 暨南大学 | 轻量级多尺度特征融合的实时图像语义分割方法及*** |
| US11348005B2 (en) | 2018-09-30 | 2022-05-31 | Boe Technology Group Co., Ltd. | Apparatus, method, and computer-readable medium for image processing, and system for training a neural network |
| CN114693967A (zh) * | 2022-03-20 | 2022-07-01 | 电子科技大学 | 基于二分类张量增强的多分类语义分割方法 |
| CN114897782A (zh) * | 2022-04-13 | 2022-08-12 | 华南理工大学 | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 |
| US20220309674A1 (en) * | 2021-03-26 | 2022-09-29 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on u-net |
| CN115393301A (zh) * | 2022-08-16 | 2022-11-25 | 中山大学附属第一医院 | 一种肝脏二维剪切波弹性图像的影像组学分析方法和装置 |
| CN115423806A (zh) * | 2022-11-03 | 2022-12-02 | 南京信息工程大学 | 一种基于多尺度跨路径特征融合的乳腺肿块检测方法 |
| CN115578360A (zh) * | 2022-10-24 | 2023-01-06 | 电子科技大学 | 一种针对超声心动图像的多目标语义分割方法 |
| CN115619641A (zh) * | 2022-10-24 | 2023-01-17 | 中山大学附属第五医院 | 基于ffdm的乳腺影像处理方法、***、终端和介质 |
| CN116030363A (zh) * | 2023-02-20 | 2023-04-28 | 北京数慧时空信息技术有限公司 | 遥感图像类激活映射图优化方法 |
| CN116563553A (zh) * | 2023-07-10 | 2023-08-08 | 武汉纺织大学 | 一种基于深度学习的无人机图像分割方法和*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050111730A1 (en) * | 2003-11-20 | 2005-05-26 | Bin Zhang | Method and system of image segmentation using regression clustering |
| US20080030497A1 (en) * | 2005-12-08 | 2008-02-07 | Yangqiu Hu | Three dimensional modeling of objects |
| US20100002925A1 (en) * | 2008-07-07 | 2010-01-07 | Siemens Corporate Research, Inc. | Fluid Dynamics Approach To Image Segmentation |
| CN106886801A (zh) * | 2017-04-14 | 2017-06-23 | 北京图森未来科技有限公司 | 一种图像语义分割方法及装置 |
| CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
| CN107346436A (zh) * | 2017-06-29 | 2017-11-14 | 北京以萨技术股份有限公司 | 一种融合图像分类的视觉显著性检测方法 |
-
2018
- 2018-01-29 CN CN201810085384.XA patent/CN108268870B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050111730A1 (en) * | 2003-11-20 | 2005-05-26 | Bin Zhang | Method and system of image segmentation using regression clustering |
| US20080030497A1 (en) * | 2005-12-08 | 2008-02-07 | Yangqiu Hu | Three dimensional modeling of objects |
| US20100002925A1 (en) * | 2008-07-07 | 2010-01-07 | Siemens Corporate Research, Inc. | Fluid Dynamics Approach To Image Segmentation |
| CN106886801A (zh) * | 2017-04-14 | 2017-06-23 | 北京图森未来科技有限公司 | 一种图像语义分割方法及装置 |
| CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
| CN107346436A (zh) * | 2017-06-29 | 2017-11-14 | 北京以萨技术股份有限公司 | 一种融合图像分类的视觉显著性检测方法 |
Cited By (184)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166095A (zh) * | 2018-07-11 | 2019-01-08 | 广东技术师范学院 | 一种基于生成对抗机制的眼底影像杯盘分割方法 |
| CN109166095B (zh) * | 2018-07-11 | 2021-06-25 | 广东技术师范学院 | 一种基于生成对抗机制的眼底影像杯盘分割方法 |
| CN109034224B (zh) * | 2018-07-16 | 2022-03-11 | 西安电子科技大学 | 基于双分支网络的高光谱分类方法 |
| CN109034224A (zh) * | 2018-07-16 | 2018-12-18 | 西安电子科技大学 | 基于双分支网络的高光谱分类方法 |
| CN109064455A (zh) * | 2018-07-18 | 2018-12-21 | 清华大学深圳研究生院 | 一种基于bi-rads的乳腺超声图像多尺度融合的分类方法 |
| CN109064455B (zh) * | 2018-07-18 | 2021-06-25 | 清华大学深圳研究生院 | 一种基于bi-rads的乳腺超声图像多尺度融合的分类方法 |
| CN109086770A (zh) * | 2018-07-25 | 2018-12-25 | 成都快眼科技有限公司 | 一种基于精准尺度预测的图像语义分割方法及模型 |
| CN109086770B (zh) * | 2018-07-25 | 2021-12-17 | 成都快眼科技有限公司 | 一种基于精准尺度预测的图像语义分割方法及模型 |
| CN108961295A (zh) * | 2018-07-27 | 2018-12-07 | 重庆师范大学 | 基于正态分布h阈值的紫色土图像分割提取方法 |
| CN109166130A (zh) * | 2018-08-06 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种图像处理方法及图像处理装置 |
| CN109166130B (zh) * | 2018-08-06 | 2021-06-22 | 北京市商汤科技开发有限公司 | 一种图像处理方法及图像处理装置 |
| CN109241872B (zh) * | 2018-08-20 | 2022-03-18 | 电子科技大学 | 基于多级网络的图像语义快速分割方法 |
| CN109241872A (zh) * | 2018-08-20 | 2019-01-18 | 电子科技大学 | 基于多级网络的图像语义快速分割方法 |
| CN110879962B (zh) * | 2018-09-05 | 2023-09-22 | 斯特拉德视觉公司 | 利用多个视频帧优化cnn参数的方法和装置 |
| CN110879962A (zh) * | 2018-09-05 | 2020-03-13 | 斯特拉德视觉公司 | 利用多个视频帧优化cnn参数的方法和装置 |
| CN112602088A (zh) * | 2018-09-06 | 2021-04-02 | Oppo广东移动通信有限公司 | 提高弱光图像的质量的方法、***和计算机可读介质 |
| CN112602088B (zh) * | 2018-09-06 | 2024-03-12 | Oppo广东移动通信有限公司 | 提高弱光图像的质量的方法、***和计算机可读介质 |
| CN109359655A (zh) * | 2018-09-18 | 2019-02-19 | 河南大学 | 基于上下文正则化循环深度学习的图像分割方法 |
| CN109359655B (zh) * | 2018-09-18 | 2021-07-16 | 河南大学 | 基于上下文正则化循环深度学习的图像分割方法 |
| CN109508627A (zh) * | 2018-09-21 | 2019-03-22 | 国网信息通信产业集团有限公司 | 一种层内共享参数cnn的无人机动态图像识别***与方法 |
| CN109389057A (zh) * | 2018-09-22 | 2019-02-26 | 天津大学 | 一种基于多尺度高级语义融合网络的物体检测方法 |
| CN109389057B (zh) * | 2018-09-22 | 2021-08-06 | 天津大学 | 一种基于多尺度高级语义融合网络的物体检测方法 |
| CN109345456A (zh) * | 2018-09-30 | 2019-02-15 | 京东方科技集团股份有限公司 | 生成对抗网络训练方法、图像处理方法、设备及存储介质 |
| US11348005B2 (en) | 2018-09-30 | 2022-05-31 | Boe Technology Group Co., Ltd. | Apparatus, method, and computer-readable medium for image processing, and system for training a neural network |
| US11449751B2 (en) | 2018-09-30 | 2022-09-20 | Boe Technology Group Co., Ltd. | Training method for generative adversarial network, image processing method, device and storage medium |
| US11361222B2 (en) | 2018-09-30 | 2022-06-14 | Boe Technology Group Co., Ltd. | System, method, and computer-readable medium for image classification |
| US11615505B2 (en) | 2018-09-30 | 2023-03-28 | Boe Technology Group Co., Ltd. | Apparatus and method for image processing, and system for training neural network |
| CN111091524A (zh) * | 2018-10-08 | 2020-05-01 | 天津工业大学 | 基于深度卷积神经网络的***经直肠超声图像分割方法 |
| CN109472799B (zh) * | 2018-10-09 | 2021-02-23 | 清华大学 | 基于深度学习的图像分割方法及装置 |
| CN109472799A (zh) * | 2018-10-09 | 2019-03-15 | 清华大学 | 基于深度学习的图像分割方法及装置 |
| CN109523569B (zh) * | 2018-10-18 | 2020-01-31 | 中国科学院空间应用工程与技术中心 | 一种基于多粒度网络融合的光学遥感图像分割方法和装置 |
| CN109509192B (zh) * | 2018-10-18 | 2023-05-30 | 天津大学 | 融合多尺度特征空间与语义空间的语义分割网络 |
| CN109523569A (zh) * | 2018-10-18 | 2019-03-26 | 中国科学院空间应用工程与技术中心 | 一种基于多粒度网络融合的光学遥感图像分割方法和装置 |
| CN109509192A (zh) * | 2018-10-18 | 2019-03-22 | 天津大学 | 融合多尺度特征空间与语义空间的语义分割网络 |
| CN109447990A (zh) * | 2018-10-22 | 2019-03-08 | 北京旷视科技有限公司 | 图像语义分割方法、装置、电子设备和计算机可读介质 |
| CN109447990B (zh) * | 2018-10-22 | 2021-06-22 | 北京旷视科技有限公司 | 图像语义分割方法、装置、电子设备和计算机可读介质 |
| WO2020093782A1 (en) * | 2018-11-08 | 2020-05-14 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method, system, and computer-readable medium for improving quality of low-light images |
| US11887280B2 (en) | 2018-11-08 | 2024-01-30 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method, system, and computer-readable medium for improving quality of low-light images |
| CN112889069A (zh) * | 2018-11-08 | 2021-06-01 | Oppo广东移动通信有限公司 | 用于提高低照度图像质量的方法、***和计算机可读介质 |
| CN112889069B (zh) * | 2018-11-08 | 2024-04-05 | Oppo广东移动通信有限公司 | 用于提高低照度图像质量的方法、***和计算机可读介质 |
| CN109598269A (zh) * | 2018-11-14 | 2019-04-09 | 天津大学 | 一种基于多分辨率输入与金字塔膨胀卷积的语义分割方法 |
| CN109583454A (zh) * | 2018-11-14 | 2019-04-05 | 天津大学 | 基于对抗神经网络的图像特征提取方法 |
| CN109785399B (zh) * | 2018-11-19 | 2021-01-19 | 北京航空航天大学 | 合成病变图像的生成方法、装置、设备及可读存储介质 |
| CN109785399A (zh) * | 2018-11-19 | 2019-05-21 | 北京航空航天大学 | 合成病变图像的生成方法、装置、设备及可读存储介质 |
| CN109544555A (zh) * | 2018-11-26 | 2019-03-29 | 陕西师范大学 | 基于生成式对抗网络的细小裂缝分割方法 |
| CN113168684B (zh) * | 2018-11-26 | 2024-04-05 | Oppo广东移动通信有限公司 | 提升低亮度图像的质量的方法、***和计算机可读介质 |
| CN113168684A (zh) * | 2018-11-26 | 2021-07-23 | Oppo广东移动通信有限公司 | 提升低亮度图像的质量的方法、***和计算机可读介质 |
| CN109712145A (zh) * | 2018-11-28 | 2019-05-03 | 山东师范大学 | 一种图像抠图方法及*** |
| CN109712145B (zh) * | 2018-11-28 | 2021-01-08 | 山东师范大学 | 一种图像抠图方法及*** |
| CN109598728A (zh) * | 2018-11-30 | 2019-04-09 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、诊断***及存储介质 |
| CN109598728B (zh) * | 2018-11-30 | 2019-12-27 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、诊断***及存储介质 |
| CN109636817B (zh) * | 2018-11-30 | 2020-10-30 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
| CN109636817A (zh) * | 2018-11-30 | 2019-04-16 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
| US11954863B2 (en) | 2018-11-30 | 2024-04-09 | Tencent Technology (Shenzhen) Company Limited | Image segmentation method and apparatus, diagnosis system, storage medium, and computer device |
| CN109472798A (zh) * | 2018-12-10 | 2019-03-15 | 重庆理工大学 | 生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法 |
| CN109598732A (zh) * | 2018-12-11 | 2019-04-09 | 厦门大学 | 一种基于三维空间加权的医学图像分割方法 |
| CN109598732B (zh) * | 2018-12-11 | 2022-06-14 | 厦门大学 | 一种基于三维空间加权的医学图像分割方法 |
| CN109544585A (zh) * | 2018-12-19 | 2019-03-29 | 中国石油大学(华东) | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 |
| CN109784194A (zh) * | 2018-12-20 | 2019-05-21 | 上海图森未来人工智能科技有限公司 | 目标检测网络构建方法和训练方法、目标检测方法 |
| CN111369567A (zh) * | 2018-12-26 | 2020-07-03 | 腾讯科技（深圳）有限公司 | 三维图像中目标对象的分割方法、装置及电子设备 |
| CN109784380A (zh) * | 2018-12-27 | 2019-05-21 | 西安交通大学 | 一种基于生成对抗学习的多维度田间杂草识别方法 |
| CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
| CN110008949A (zh) * | 2019-01-24 | 2019-07-12 | 华南理工大学 | 一种图像目标检测方法、***、装置和存储介质 |
| CN110414631B (zh) * | 2019-01-29 | 2022-02-01 | 腾讯科技（深圳）有限公司 | 基于医学图像的病灶检测方法、模型训练的方法及装置 |
| CN110414631A (zh) * | 2019-01-29 | 2019-11-05 | 腾讯科技（深圳）有限公司 | 基于医学图像的病灶检测方法、模型训练的方法及装置 |
| CN111488964A (zh) * | 2019-01-29 | 2020-08-04 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、神经网络训练方法及装置 |
| CN109949276B (zh) * | 2019-02-28 | 2021-06-11 | 华中科技大学 | 一种于改进SegNet分割网络的***检测方法 |
| CN109949276A (zh) * | 2019-02-28 | 2019-06-28 | 华中科技大学 | 一种于改进SegNet分割网络的***检测方法 |
| CN109902809A (zh) * | 2019-03-01 | 2019-06-18 | 成都康乔电子有限责任公司 | 一种利用生成对抗网络辅助语义分割模型 |
| CN109948707A (zh) * | 2019-03-20 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 模型训练方法、装置、终端及存储介质 |
| CN109948707B (zh) * | 2019-03-20 | 2023-04-18 | 腾讯科技（深圳）有限公司 | 模型训练方法、装置、终端及存储介质 |
| CN109978863A (zh) * | 2019-03-27 | 2019-07-05 | 北京青燕祥云科技有限公司 | 基于x射线图像的目标检测方法及计算机设备 |
| CN110033422A (zh) * | 2019-04-10 | 2019-07-19 | 北京科技大学 | 一种眼底oct图像融合方法及装置 |
| CN110033422B (zh) * | 2019-04-10 | 2021-03-23 | 北京科技大学 | 一种眼底oct图像融合方法及装置 |
| CN110110617B (zh) * | 2019-04-22 | 2021-04-20 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
| CN110110617A (zh) * | 2019-04-22 | 2019-08-09 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
| CN110074813A (zh) * | 2019-04-26 | 2019-08-02 | 深圳大学 | 一种超声图像重建方法及*** |
| CN110074813B (zh) * | 2019-04-26 | 2022-03-04 | 深圳大学 | 一种超声图像重建方法及*** |
| CN110222578B (zh) * | 2019-05-08 | 2022-12-27 | 腾讯科技（深圳）有限公司 | 对抗测试看图说话***的方法和装置 |
| CN110222578A (zh) * | 2019-05-08 | 2019-09-10 | 腾讯科技（深圳）有限公司 | 对抗测试看图说话***的方法和装置 |
| CN110232386B (zh) * | 2019-05-09 | 2022-04-05 | 杭州深睿博联科技有限公司 | 基于局部特征金字塔的肺结节分类方法及装置 |
| CN110232386A (zh) * | 2019-05-09 | 2019-09-13 | 杭州深睿博联科技有限公司 | 基于局部特征金字塔的肺结节分类方法及装置 |
| CN110276354A (zh) * | 2019-05-27 | 2019-09-24 | 东南大学 | 一种高分辨率街景图片语义分割训练与实时分割方法 |
| CN110276354B (zh) * | 2019-05-27 | 2023-04-07 | 东南大学 | 一种高分辨率街景图片语义分割训练与实时分割方法 |
| CN110288574A (zh) * | 2019-06-13 | 2019-09-27 | 南通市传染病防治院(南通市第三人民医院) | 一种超声辅助诊断肝肿块***及方法 |
| CN110348531B (zh) * | 2019-07-17 | 2022-12-30 | 沈阳亚视深蓝智能科技有限公司 | 具有分辨率适应性的深度卷积神经网络构建方法及应用 |
| CN110348531A (zh) * | 2019-07-17 | 2019-10-18 | 沈阳亚视深蓝智能科技有限公司 | 具有分辨率适应性的深度卷积神经网络构建方法及应用 |
| CN110363168A (zh) * | 2019-07-19 | 2019-10-22 | 山东浪潮人工智能研究院有限公司 | 一种基于卷积神经网络的三维立体图识别*** |
| CN110414526A (zh) * | 2019-07-31 | 2019-11-05 | 达闼科技（北京）有限公司 | 语义分割网络的训练方法、训练装置、服务器和存储介质 |
| CN110414526B (zh) * | 2019-07-31 | 2022-04-08 | 达闼科技（北京）有限公司 | 语义分割网络的训练方法、训练装置、服务器和存储介质 |
| CN110490884A (zh) * | 2019-08-23 | 2019-11-22 | 北京工业大学 | 一种基于对抗的轻量级网络语义分割方法 |
| CN110647889B (zh) * | 2019-08-26 | 2022-02-08 | 中国科学院深圳先进技术研究院 | 医学图像识别方法、医学图像识别装置、终端设备及介质 |
| CN110647889A (zh) * | 2019-08-26 | 2020-01-03 | 中国科学院深圳先进技术研究院 | 医学图像识别方法、医学图像识别装置、终端设备及介质 |
| CN110765844A (zh) * | 2019-09-03 | 2020-02-07 | 华南理工大学 | 一种基于对抗学习的非感应式餐盘图像数据自动标注方法 |
| CN110648311A (zh) * | 2019-09-03 | 2020-01-03 | 南开大学 | 一种基于多任务学习的痤疮图像病灶分割与计数网络模型 |
| CN110765844B (zh) * | 2019-09-03 | 2023-05-26 | 华南理工大学 | 一种基于对抗学习的非感应式餐盘图像数据自动标注方法 |
| CN112492323A (zh) * | 2019-09-12 | 2021-03-12 | 上海哔哩哔哩科技有限公司 | 直播蒙版的生成方法、可读存储介质及计算机设备 |
| CN110599476B (zh) * | 2019-09-12 | 2023-05-23 | 腾讯科技（深圳）有限公司 | 基于机器学习的疾病分级方法、装置、设备及介质 |
| CN110599476A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 基于机器学习的疾病分级方法、装置、设备及介质 |
| CN110853039A (zh) * | 2019-10-16 | 2020-02-28 | 深圳信息职业技术学院 | 一种多数据融合的草图图像分割方法、***、装置及存储介质 |
| CN110853039B (zh) * | 2019-10-16 | 2023-06-02 | 深圳信息职业技术学院 | 一种多数据融合的草图图像分割方法、***、装置及存储介质 |
| CN110827255A (zh) * | 2019-10-31 | 2020-02-21 | 杨本强 | 一种基于冠状动脉ct图像的斑块稳定性预测方法及*** |
| CN110910351A (zh) * | 2019-10-31 | 2020-03-24 | 上海交通大学 | 基于生成对抗网络的超声图像模态迁移、分类方法及终端 |
| CN110910351B (zh) * | 2019-10-31 | 2022-07-29 | 上海交通大学 | 基于生成对抗网络的超声图像模态迁移、分类方法及终端 |
| CN111161279B (zh) * | 2019-12-12 | 2023-05-26 | 中国科学院深圳先进技术研究院 | 医学图像分割方法、装置及服务器 |
| CN111160413A (zh) * | 2019-12-12 | 2020-05-15 | 天津大学 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
| CN111160413B (zh) * | 2019-12-12 | 2023-11-17 | 天津大学 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
| CN111161279A (zh) * | 2019-12-12 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 医学图像分割方法、装置及服务器 |
| CN111161273A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种基于深度学习的医学超声图像分割方法 |
| CN111179275A (zh) * | 2019-12-31 | 2020-05-19 | 电子科技大学 | 一种医学超声图像分割方法 |
| CN111179275B (zh) * | 2019-12-31 | 2023-04-25 | 电子科技大学 | 一种医学超声图像分割方法 |
| CN111259898B (zh) * | 2020-01-08 | 2023-03-24 | 西安电子科技大学 | 基于无人机航拍图像的农作物分割方法 |
| CN111259898A (zh) * | 2020-01-08 | 2020-06-09 | 西安电子科技大学 | 基于无人机航拍图像的农作物分割方法 |
| CN111325093A (zh) * | 2020-01-15 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 视频分割方法、装置及电子设备 |
| CN111275712A (zh) * | 2020-01-15 | 2020-06-12 | 浙江工业大学 | 一种面向大尺度图像数据的残差语义网络训练方法 |
| CN111368899A (zh) * | 2020-02-28 | 2020-07-03 | 中国人民解放军南部战区总医院 | 一种基于递归聚合深度学习分割超声心动图的方法和*** |
| CN111402257A (zh) * | 2020-03-11 | 2020-07-10 | 华侨大学 | 一种基于多任务协同跨域迁移的医学图像自动分割方法 |
| CN111292317B (zh) * | 2020-03-11 | 2022-06-07 | 四川大学华西医院 | 一种增强图像局部特征式多任务分割乳腺导管内原位癌区域的方法 |
| CN111292317A (zh) * | 2020-03-11 | 2020-06-16 | 四川大学华西医院 | 一种增强图像局部特征式多任务分割乳腺导管内原位癌区域的方法 |
| CN111402257B (zh) * | 2020-03-11 | 2023-04-07 | 华侨大学 | 一种基于多任务协同跨域迁移的医学图像自动分割方法 |
| CN111640120B (zh) * | 2020-04-09 | 2023-08-29 | 之江实验室 | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 |
| CN111640120A (zh) * | 2020-04-09 | 2020-09-08 | 之江实验室 | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 |
| CN111723841A (zh) * | 2020-05-09 | 2020-09-29 | 北京捷通华声科技股份有限公司 | 文本检测方法、装置、电子设备及存储介质 |
| CN111584073B (zh) * | 2020-05-13 | 2023-05-09 | 山东大学 | 构建肺结节良恶性的多种病理类型诊断模型的方法 |
| CN111584073A (zh) * | 2020-05-13 | 2020-08-25 | 山东大学 | 基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型的诊断模型 |
| CN111681166A (zh) * | 2020-06-02 | 2020-09-18 | 重庆理工大学 | 一种堆叠注意力机制编解码单元的图像超分辨率重建方法 |
| CN111784701A (zh) * | 2020-06-10 | 2020-10-16 | 深圳市人民医院 | 结合边界特征增强和多尺度信息的超声图像分割方法及*** |
| CN111784701B (zh) * | 2020-06-10 | 2024-05-10 | 深圳市人民医院 | 结合边界特征增强和多尺度信息的超声图像分割方法及*** |
| CN111784652A (zh) * | 2020-06-24 | 2020-10-16 | 西安电子科技大学 | 基于强化学习多尺度神经网络的mri分割方法 |
| CN111784652B (zh) * | 2020-06-24 | 2024-02-06 | 西安电子科技大学 | 基于强化学习多尺度神经网络的mri分割方法 |
| CN111899169B (zh) * | 2020-07-02 | 2024-01-26 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于语义分割的人脸图像的分割网络的方法 |
| CN111899169A (zh) * | 2020-07-02 | 2020-11-06 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于语义分割的人脸图像的分割网络的方法 |
| CN111881768A (zh) * | 2020-07-03 | 2020-11-03 | 苏州开心盒子软件有限公司 | 一种文档版面分析方法 |
| CN111915622A (zh) * | 2020-07-09 | 2020-11-10 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种图像分割网络模型的训练及图像分割方法、装置 |
| CN111915622B (zh) * | 2020-07-09 | 2024-01-23 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种图像分割网络模型的训练及图像分割方法、装置 |
| CN113935928B (zh) * | 2020-07-13 | 2023-04-11 | 四川大学 | 基于Raw格式岩心图像超分辨率重建 |
| CN113935928A (zh) * | 2020-07-13 | 2022-01-14 | 四川大学 | 基于Raw格式岩心图像超分辨率重建 |
| CN111870279B (zh) * | 2020-07-31 | 2022-01-28 | 西安电子科技大学 | 超声图像左室心肌的分割方法、***及应用 |
| CN111870279A (zh) * | 2020-07-31 | 2020-11-03 | 西安电子科技大学 | 超声图像左室心肌的分割方法、***及应用 |
| CN111985549A (zh) * | 2020-08-12 | 2020-11-24 | 中国科学院光电技术研究所 | 针对给定刚体目标进行部件自动定位识别的深度学习方法 |
| CN112183203A (zh) * | 2020-08-26 | 2021-01-05 | 北京工业大学 | 一种基于多尺度像素特征融合的实时交通标志检测方法 |
| CN112183203B (zh) * | 2020-08-26 | 2024-05-28 | 北京工业大学 | 一种基于多尺度像素特征融合的实时交通标志检测方法 |
| CN112215847A (zh) * | 2020-09-30 | 2021-01-12 | 武汉大学 | 基于对抗学习多尺度特征的重叠染色体自动分割方法 |
| CN112215847B (zh) * | 2020-09-30 | 2022-06-24 | 武汉大学 | 基于对抗学习多尺度特征的重叠染色体自动分割方法 |
| CN112837270A (zh) * | 2021-01-11 | 2021-05-25 | 成都圭目机器人有限公司 | 一种自带语义注释的道面图像的合成方法和网络模型 |
| CN112815493A (zh) * | 2021-01-11 | 2021-05-18 | 珠海格力电器股份有限公司 | 一种空调控制方法、装置、存储介质及空调 |
| CN112837270B (zh) * | 2021-01-11 | 2023-04-07 | 成都圭目机器人有限公司 | 一种自带语义注释的道面图像的合成方法和网络模型 |
| CN112750111B (zh) * | 2021-01-14 | 2024-02-06 | 浙江工业大学 | 一种牙齿全景片中疾病识别与分割方法 |
| CN112750111A (zh) * | 2021-01-14 | 2021-05-04 | 浙江工业大学 | 一种牙齿全景片中疾病识别与分割方法 |
| CN112750124A (zh) * | 2021-01-22 | 2021-05-04 | 推想医疗科技股份有限公司 | 模型生成、图像分割方法、装置、电子设备及存储介质 |
| CN112750124B (zh) * | 2021-01-22 | 2021-11-09 | 推想医疗科技股份有限公司 | 模型生成、图像分割方法、装置、电子设备及存储介质 |
| CN113077471A (zh) * | 2021-03-26 | 2021-07-06 | 南京邮电大学 | 一种基于u型网络的医学图像分割方法 |
| CN113239951B (zh) * | 2021-03-26 | 2024-01-30 | 无锡祥生医疗科技股份有限公司 | 超声乳腺病灶的分类方法、装置及存储介质 |
| US20220309674A1 (en) * | 2021-03-26 | 2022-09-29 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on u-net |
| US11580646B2 (en) * | 2021-03-26 | 2023-02-14 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on U-Net |
| CN113077471B (zh) * | 2021-03-26 | 2022-10-14 | 南京邮电大学 | 一种基于u型网络的医学图像分割方法 |
| CN113239951A (zh) * | 2021-03-26 | 2021-08-10 | 无锡祥生医疗科技股份有限公司 | 超声乳腺病灶的分类方法、装置及存储介质 |
| CN113643310A (zh) * | 2021-05-21 | 2021-11-12 | 北京工业大学 | 一种基于上下文聚合的mri图像肝血管分割方法 |
| CN113362360A (zh) * | 2021-05-28 | 2021-09-07 | 上海大学 | 基于流体速度场的超声颈动脉斑块分割方法 |
| CN113421270A (zh) * | 2021-07-05 | 2021-09-21 | 上海市精神卫生中心（上海市心理咨询培训中心） | 基于单中心标定数据实现医学图像域自适应分割的方法、***、装置、处理器及其存储介质 |
| CN113657388B (zh) * | 2021-07-09 | 2023-10-31 | 北京科技大学 | 一种融合图像超分辨率重建的图像语义分割方法 |
| CN113657388A (zh) * | 2021-07-09 | 2021-11-16 | 北京科技大学 | 一种融合图像超分辨率重建的图像语义分割方法 |
| CN113298080A (zh) * | 2021-07-26 | 2021-08-24 | 城云科技（中国）有限公司 | 目标检测增强模型、目标检测方法、装置及电子装置 |
| CN113703048B (zh) * | 2021-08-30 | 2022-08-23 | 中国科学院地质与地球物理研究所 | 对抗神经网络高分辨率地震断层检测方法和*** |
| CN113703048A (zh) * | 2021-08-30 | 2021-11-26 | 中国科学院地质与地球物理研究所 | 对抗神经网络高分辨率地震断层检测方法和*** |
| CN113989585A (zh) * | 2021-10-13 | 2022-01-28 | 北京科技大学 | 一种基于多特征融合语义分割的中厚板表面缺陷检测方法 |
| CN113989585B (zh) * | 2021-10-13 | 2022-08-26 | 北京科技大学 | 一种基于多特征融合语义分割的中厚板表面缺陷检测方法 |
| CN114693967B (zh) * | 2022-03-20 | 2023-10-31 | 电子科技大学 | 基于二分类张量增强的多分类语义分割方法 |
| CN114693967A (zh) * | 2022-03-20 | 2022-07-01 | 电子科技大学 | 基于二分类张量增强的多分类语义分割方法 |
| CN114387346A (zh) * | 2022-03-25 | 2022-04-22 | 阿里巴巴达摩院(杭州)科技有限公司 | 一种图像识别、预测模型处理方法、三维建模方法和装置 |
| CN114445430A (zh) * | 2022-04-08 | 2022-05-06 | 暨南大学 | 轻量级多尺度特征融合的实时图像语义分割方法及*** |
| CN114897782A (zh) * | 2022-04-13 | 2022-08-12 | 华南理工大学 | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 |
| CN114897782B (zh) * | 2022-04-13 | 2024-04-23 | 华南理工大学 | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 |
| CN115393301B (zh) * | 2022-08-16 | 2024-03-12 | 中山大学附属第一医院 | 一种肝脏二维剪切波弹性图像的影像组学分析方法和装置 |
| CN115393301A (zh) * | 2022-08-16 | 2022-11-25 | 中山大学附属第一医院 | 一种肝脏二维剪切波弹性图像的影像组学分析方法和装置 |
| CN115619641B (zh) * | 2022-10-24 | 2023-06-02 | 中山大学附属第五医院 | 基于ffdm的乳腺影像处理方法、***、终端和介质 |
| CN115578360B (zh) * | 2022-10-24 | 2023-12-26 | 电子科技大学 | 一种针对超声心动图像的多目标语义分割方法 |
| CN115578360A (zh) * | 2022-10-24 | 2023-01-06 | 电子科技大学 | 一种针对超声心动图像的多目标语义分割方法 |
| CN115619641A (zh) * | 2022-10-24 | 2023-01-17 | 中山大学附属第五医院 | 基于ffdm的乳腺影像处理方法、***、终端和介质 |
| CN115423806A (zh) * | 2022-11-03 | 2022-12-02 | 南京信息工程大学 | 一种基于多尺度跨路径特征融合的乳腺肿块检测方法 |
| CN115423806B (zh) * | 2022-11-03 | 2023-03-24 | 南京信息工程大学 | 一种基于多尺度跨路径特征融合的乳腺肿块检测方法 |
| CN116030363A (zh) * | 2023-02-20 | 2023-04-28 | 北京数慧时空信息技术有限公司 | 遥感图像类激活映射图优化方法 |
| CN116563553B (zh) * | 2023-07-10 | 2023-09-29 | 武汉纺织大学 | 一种基于深度学习的无人机图像分割方法和*** |
| CN116563553A (zh) * | 2023-07-10 | 2023-08-08 | 武汉纺织大学 | 一种基于深度学习的无人机图像分割方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108268870B (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108268870A (zh) | 基于对抗学习的多尺度特征融合超声图像语义分割方法 | |
| Zhang et al. | ME‐Net: multi‐encoder net framework for brain tumor segmentation | |
| Gecer et al. | Detection and classification of cancer in whole slide breast histopathology images using deep convolutional networks | |
| Wang et al. | Boundary-aware context neural network for medical image segmentation | |
| CN109583440B (zh) | 结合影像识别与报告编辑的医学影像辅助诊断方法及*** | |
| CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断*** | |
| CN110310281A (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
| CN109886986A (zh) | 一种基于多分支卷积神经网络的皮肤镜图像分割方法 | |
| CN109215033A (zh) | 图像分割的方法及*** | |
| CN111539930A (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
| CN111091527A (zh) | 一种病理组织切片图像中病变区域自动检测方法及*** | |
| CN109711426A (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
| CN116309650B (zh) | 基于双分支嵌入注意力机制的医学图像分割方法与*** | |
| CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
| CN109087703A (zh) | 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法 | |
| CN109363698A (zh) | 一种乳腺影像征象识别的方法及装置 | |
| Cui et al. | Bidirectional cross-modality unsupervised domain adaptation using generative adversarial networks for cardiac image segmentation | |
| CN114897780A (zh) | 一种基于mip序列的肠系膜上动脉血管重建方法 | |
| Snaauw et al. | End-to-end diagnosis and segmentation learning from cardiac magnetic resonance imaging | |
| CN114398979A (zh) | 一种基于特征解耦的超声图像甲状腺结节分类方法 | |
| Cai et al. | Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning | |
| Nizamani et al. | Advance brain tumor segmentation using feature fusion methods with deep U-Net model with CNN for MRI data | |
| Zhang et al. | Attention-guided feature extraction and multiscale feature fusion 3d resnet for automated pulmonary nodule detection | |
| CN111696042A (zh) | 基于样本学习的图像超分辨重建方法 | |
| Yu et al. | 3D Medical Image Segmentation based on multi-scale MPU-Net |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200518 Address after: 400000 No. 12 Chen Cheng Road, Shapingba District, Chongqing Applicant after: CHONGQING NORMAL University Address before: No. 69 lijiatuo Chongqing District of Banan City Road 400054 red Applicant before: Chongqing University of Technology |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |