CN108346154B - 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 - Google Patents

基于Mask-RCNN神经网络的肺结节分割装置的建立方法 Download PDF

Info

Publication number
CN108346154B
CN108346154B CN201810091696.1A CN201810091696A CN108346154B CN 108346154 B CN108346154 B CN 108346154B CN 201810091696 A CN201810091696 A CN 201810091696A CN 108346154 B CN108346154 B CN 108346154B
Authority
CN
China
Prior art keywords
feature extraction
lung
layer
extraction group
network
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.)
Active
Application number
CN201810091696.1A
Other languages
English (en)
Other versions
CN108346154A (zh
Inventor
吴健
陆逸飞
余柏翰
吴边
陈为
吴福理
吴朝晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810091696.1A priority Critical patent/CN108346154B/zh
Publication of CN108346154A publication Critical patent/CN108346154A/zh
Application granted granted Critical
Publication of CN108346154B publication Critical patent/CN108346154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于Mask‑RCNN神经网络的肺结节分割装置的建立方法，包括：建立训练样本：对采集的三维肺部CT图像依次进行裁剪、数据增强以及难分负样本挖掘处理，获得训练样本集；建立肺结节分割网络：网络包括依次连接的输入层、第一最大池化层、64*64*64卷积层、第二最大池化层、32*32*32稠密块层、第三最大池化层、16*16*16稠密块层，16*16*16稠密块层输出的特征图经过上采样与32*32*32稠密块层输出的特征图进行特征融合，特征融合后的特征图经POL池化层后，输入到RPN网络；训练肺结节分割网络：利用训练样本对肺结节分割网络进行训练，获得肺结节分割装置。

Description

基于Mask-RCNN神经网络的肺结节分割装置的建立方法
技术领域
本发明属于图像处理领域，具体涉及一种基于Mask-RCNN神经网络的肺结节分割装置的建立方法。
背景技术
现有采用深度学习算法检测肺部CT图中肺结节的方法很多，但是检测精度不高。造成精度不高的主要原因为：
(1)检测阶段的召回率较低于某些特殊类型的肺结节，造成漏检的情况，使得检测精度不高。
(2)肺结节的尺寸不均衡，较小的肺结节容易被忽视。
基于上述两个原因，使得采用深度学习算法检测和分割出来的肺结节典型性和代表性不足。
因此，提高肺结节检测的准确性和训练网络分割出更具代表性的结节成为了急需解决的问题。
发明内容
本发明的目的是提供一种基于Mask-RCNN神经网络的肺结节分割装置的建立方法。该方法建立的装置能够更加准确、快速地检测和确定肺部 CT中的肺结节的三维图像。
为实现上述发明目的，本发明具有有益效果为：
一种基于Mask-RCNN神经网络的肺结节分割装置的建立方法，所述建立方法包括：
建立训练样本：首先，将采集的三维肺部CT图像裁剪成大量的立方体小块，然后，采用数据增强方法处理立方体小块，最后，采用难分负样本挖掘方法对增强处理后的立方体小块进行处理，获得最难区分的2n个负样本和n个正样本组成训练样本集；
建立肺结节分割网络：所述肺结节分割网络包括依次连接的输入层、第一最大池化层、64*64*64卷积层、第二最大池化层、32*32*32稠密块层、第三最大池化层、16*16*16稠密块层，16*16*16稠密块层输出的 16*16*16特征图经过上采样与32*32*32稠密块层输出的32*32*32特征图进行特征融合，特征融合后的32*32*32特征图经POL池化层后，输入到RPN网络，实现对32*32*32特征图的肺结节预测和分割；
训练肺结节分割网络：以2倍采样频率对训练样本集中的肺结节大于 30mm的小块进行采样，以6倍采样频率对训练样集本中的肺结节大于 40mm的小块进行采样，其他尺寸的肺结节以正常采样频率采样，将采样后的训练样本输入到肺结节分割网络，以肺结节分割网络的预测输出与真实输出的误差收敛为目标，对肺结节分割网络进行训练，获得肺结节分割装置。
本发明在Mask-RCNN神经网络的基础上进行改进，建立肺结节分割网络，该网格能够丰富地提取训练样本中的肺结节特征，进而能够提升对肺结节的预测准确度。
其中，所述将采集的三维肺部CT图像裁剪成大量的立方体小块包括：
根据以下条件对三维肺部CT图像进行裁剪：
条件一：70％立方体小块中至少包含一个肺结节目标；
条件二：30％立方体小块中从整个肺部中随机选取；
若立方体小块包含的区域超过了肺部，则用CT图像中无意义值170 填充非肺部区域；
以肺结节区域的像素作为正样本，其他区域的像素作为负样本。
其中，采用难分负样本挖掘方法对增强处理后的立方体小块进行处理，获得最难区分的2n个负样本和n个正样本组成训练样本集包括：
首先，采用肺结节分割网络对增强处理后的立方体小块进行计算，输出每个像素的分类置信度，分类置信度越接近1，表示立方体小块中含有肺结节的概率越高，分类置信度越接近0，表示立方体小块中不含有肺结节的概率越高；
然后，计算分类置信度与真值标签之差的绝对值，该绝对值越大，表示该负样本越难被网络区分；
最后，选择最难以被区分的2n个负样本和n个正样本组成训练样本集。
其中，所述32*32*32稠密块层包括依次连接的4个特征提取组，每个特征提取组包括依次连接的BN层、RELU函数、CONV层、BN层、 RELU函数、CONV层，每个特征提取组的输出除了作为与其相邻的特征提取组的输入外，还连接到其后的所有特征提取组的输出，使最后一个特征提取组的输出融合了所有特征提取组的所有输出。
所述16*16*16稠密块层包括依次连接的4个特征提取组，每个特征提取组包括依次连接的BN层、RELU函数、CONV层、BN层、RELU 函数、CONV层，每个特征提取组的输出除了作为与其相邻的特征提取组的输入外，还连接到其后的所有特征提取组的输出，使最后一个特征提取组的输出融合了所有特征提取组的所有输出。
其中，所述RPN网络的损失函数为交叉熵损失函数。交叉熵损失函数的收敛条件为：连续3个epoch的交叉熵损失函数C的平均值均低于前一个epoch的损失函数值。
与现有技术相比，本发明具有的有益效果为：
该方法建立的装置能够更加准确地捕捉到经典fast-RCNN容易漏掉的小结节块，提高了检测的精准程度；全新框架的引入使得网络在该特定问题上速度更快，更能满足医生的实际需求；分割出的三维肺结节图像更加典型。
附图说明
图1是实施例提供的肺结节分割装置的建立方法的流程图；
图2是实施例提供的肺结节分割网络的结构示意图；
图3是实施例提供的32*32*32稠密块层的结构示意图。
图4是图3中每个特征提取组的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
图1是实施例提供的肺结节分割装置的建立方法的流程图。如图1所示，本实施例提供的肺结节分割装置的建立方法包括以下步骤：
S101，建立训练样本。
一般情况下，将整张图像作为物体检测模型的输入。但是，对于3维的CT图像，由于CT图像过于庞大，现有的GPU显存容量无法满足这一需求，不能将CT图像直接作为物体检测模型的输入。为保证良好的分辨率，本实施例也不能随意地对CT进行压缩，以免丢失很多重要信息，不利于检测结果。因此，将采集的三维肺部CT图像裁剪成大量的立方体小块。将立方体小块作为模型的输入。具体地，根据以下条件对三维肺部 CT图像裁剪128×128×128(像素)的立方体小块：
条件一：70％立方体小块中至少包含一个肺结节目标；
条件二：30％立方体小块中从整个肺部中随机选取；
若立方体小块包含的区域超过了肺部，则用CT图像中无意义值170 填充非肺部区域；
以肺结节区域的像素作为正样本，其他区域的像素作为负样本。
需要注意的是，肺结节并不一定处于立方体小块的中心，只要存在于立方体小块中，该肺结节区域的像素即为正样本。
裁剪完毕后，采用数据增强方法处理立方体小块，以增加训练样本的鲁棒性和缓解过拟合问题。
由于负样本的数目远超过正样本，并且分布高度不平衡，所以出现大多数样本很容易被区分开，但是其中有一些拥有相似外观的疑似结节的负样本。本实施例采用了难分样本挖掘方法解决这一问题。具体过程为：
首先，采用本发明提出的肺结节分割网络对增强处理后的立方体小块进行计算，输出每个像素的分类置信度，分类置信度越接近1，表示立方体小块中含有肺结节的概率越高，分类置信度越接近0，表示立方体小块中不含有肺结节的概率越高；
然后，计算分类置信度与真值标签之差的绝对值，该绝对值越大，表示该负样本越难被网络区分；
最后，选择最难以被区分的2n个负样本和n个正样本组成训练样本集。
S102，建立肺结节分割网络。
如图2所示，肺结节分割网络包括依次连接的输入层201、第一最大池化层202、64*64*64卷积层203、第二最大池化层204、32*32*32稠密块层205、第三最大池化层206、16*16*16稠密块层207，16*16*16稠密块层207输出的16*16*16特征图210经过上采样与32*32*32稠密块层205 输出的32*32*32特征图211进行特征融合，特征融合后的32*32*32特征图经POL池化层208后，输入到RPN网络209，实现对32*32*32特征图的肺结节预测和分割。
第一最大池化层202、第二最大池化层204以及第三最大池化层206 均用于对输入图进行降维处理。64*64*64卷积层203、32*32*32稠密块层 205、16*16*16稠密块层207均用于对输入图进行特征提取。POL池化层 208经输入层201输入图的肺结节区域对应到融合后特征图中相应的特征点处，这样处理能够结合低层的空间特征和高层的语义特征，使最终得到的结果更加精确可靠。
如图3所示，32*32*32稠密块层205的具体结构包括依次连接的特征提取组A、B、C、D，每个特征提取组如图4所示，均包括依次连接的 BN层401、RELU函数402、CONV层403、BN层404、RELU函数405、 CONV层406，每个特征提取组的输出除了作为与其相邻的特征提取组的输入外，还连接到其后的所有特征提取组的输出，使最后一个特征提取组的输出融合了所有特征提取组的所有输出。
对于特征提取组A，特征提取组A的输出除了作为特征提取组B的输入外，还连接到特征提取组B、C、D的输出，如图3中的实线所示。对于特征提取组B，特征提取组B的输出除了作为特征提取组C的输入外，还连接到特征提取组C、D的输出，如图3中的虚线所示。对于特征提取组C，特征提取组C的输出除了作为特征提取组D的输入外，还连接到特征提取组D的输出，如图3中的点划线所示。
16*16*16稠密块层207的结构与32*32*32稠密块层205的结构相同。
本实施例中，RELU函数作为激活函数，具体为f(x)＝max(0,x)。
选择交叉熵损失函数C作为RPN网络的损失函数，交叉熵损失函数 C具体为：
Figure BDA0001563886760000071
其中，y为期望输出，也就是真值标签，a为网络的实际输出，a＝σ(z)， z＝∑Wj×Xj+b，Wj和b为网路参数。
S103，训练肺结节分割网络，得到肺结节分割装置。
对于训练样本集中，虽然，该训练样本集中的训练样本中去除了非常小的结节目标，但仍然存在结节尺寸及其不平衡的问题，小结节的数目远超过大结节。如果使用统一采样，网络的学习会更加倾向小结节的检测，与此同时牺牲大结节检测的准确性，这是与本发明的发明目的相悖。故为了解决这个问题，本实施例中，对训练样本集中加大了大结节的采样频率。具体如下：
以2倍采样频率对训练样本集中的肺结节大于30mm的小块进行采样，以6倍采样频率对训练样集本中的肺结节大于40mm的小块进行采样，其他尺寸的肺结节以正常采样频率采样，将采样后的训练样本输入到肺结节分割网络，以肺结节分割网络的预测输出与真实输出的误差收敛为目标，对肺结节分割网络进行训练，获得肺结节分割装置。
在训练的过程中，采用链式法则求网络参数的梯度。得到误差对每个参数的导数值时，即得到了当前的梯度值。根据梯度下降算法，参数向量减去梯度向量与学***均值均低于前一个epoch的损失函数值为收敛目标，经过多次参数迭代，得到最终的参数向量，即得到肺结节分割装置。
在获得肺结节分割装置后，对待测样本(待测肺部CT图)按照S101 所述的内容进行预处理后，输入到肺结节分割装置，经计算获得待测样本的肺结节概率、坐标、直径以及待测样本的三维分割结果。
表1为不同数目稠密块层对整个肺结节分割网络的影响对比。
表1
Figure BDA0001563886760000081
从这个表1可得，稠密块层越多，最终得到的Dice系数越大(结果越好)，收敛需要的迭代数也越少。但如果稠密块层过多，会造成过拟合现象，使得结果有所下降，收敛需要的迭代数目变多。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于Mask-RCNN神经网络的肺结节分割装置的建立方法，其特征在于，所述建立方法包括：
建立训练样本：首先，将采集的三维肺部CT图像裁剪成大量的立方体小块，然后，采用数据增强方法处理立方体小块，最后，采用难分负样本挖掘方法对增强处理后的立方体小块进行处理，获得最难区分的2n个负样本和n个正样本组成训练样本集；
建立肺结节分割网络：所述肺结节分割网络包括依次连接的输入层、第一最大池化层、64*64*64卷积层、第二最大池化层、32*32*32稠密块层、第三最大池化层、16*16*16稠密块层，16*16*16稠密块层输出的16*16*16特征图经过上采样与32*32*32稠密块层输出的32*32*32特征图进行特征融合，特征融合后的32*32*32特征图经POL池化层后，输入到RPN网络，实现对32*32*32特征图的肺结节预测和分割；
其中，16*16*16稠密块层的结构与32*32*32稠密块层的结构相同，包括依次连接的特征提取组A、B、C、D，每个特征提取组均包括依次连接的BN层、RELU函数、CONV层、BN层、RELU函数、CONV层，每个特征提取组的输出除了作为与其相邻的特征提取组的输入外，还连接到其后的所有特征提取组的输出，使最后一个特征提取组的输出融合了所有特征提取组的所有输出；
对于特征提取组A，特征提取组A的输出除了作为特征提取组B的输入外，还连接到特征提取组B、C、D的输出；对于特征提取组B，特征提取组B的输出除了作为特征提取组C的输入外，还连接到特征提取组C、D的输出；对于特征提取组C，特征提取组C的输出除了作为特征提取组D的输入外，还连接到特征提取组D的输出；
训练肺结节分割网络：以2倍采样频率对训练样本集中的肺结节大于30mm的小块进行采样，以6倍采样频率对训练样集本中的肺结节大于40mm的小块进行采样，其他尺寸的肺结节以正常采样频率采样，将采样后的训练样本输入到肺结节分割网络，以肺结节分割网络的预测输出与真实输出的误差收敛为目标，对肺结节分割网络进行训练，获得肺结节分割装置。
2.如权利要求1所述的基于Mask-RCNN神经网络的肺结节分割装置的建立方法，其特征在于，所述将采集的三维肺部CT图像裁剪成大量的立方体小块包括：
根据以下条件对三维肺部CT图像进行裁剪：
条件一：70％立方体小块中至少包含一个肺结节目标；
条件二：30％立方体小块中从整个肺部中随机选取；
若立方体小块包含的区域超过了肺部，则用CT图像中无意义值170填充非肺部区域；
以肺结节区域的像素作为正样本，其他区域的像素作为负样本。
3.如权利要求2所述的基于Mask-RCNN神经网络的肺结节分割装置的建立方法，其特征在于，采用难分负样本挖掘方法对增强处理后的立方体小块进行处理，获得最难区分的2n个负样本和n个正样本组成训练样本集包括：
首先，采用肺结节分割网络对增强处理后的立方体小块进行计算，输出每个像素的分类置信度，分类置信度越接近1，表示立方体小块中含有肺结节的概率越高，分类置信度越接近0，表示立方体小块中不含有肺结节的概率越高；
然后，计算分类置信度与真值标签之差的绝对值，该绝对值越大，表示该负样本越难被网络区分；
最后，选择最难以被区分的2n个负样本和n个正样本组成训练样本集。
4.如权利要求1所述的基于Mask-RCNN神经网络的肺结节分割装置的建立方法，其特征在于，所述RPN网络的损失函数为交叉熵损失函数。
5.如权利要求4所述的基于Mask-RCNN神经网络的肺结节分割装置的建立方法，其特征在于，交叉熵损失函数的收敛条件为：连续3个epoch的交叉熵损失函数C的平均值均低于前一个epoch的损失函数值。
CN201810091696.1A 2018-01-30 2018-01-30 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 Active CN108346154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810091696.1A CN108346154B (zh) 2018-01-30 2018-01-30 基于Mask-RCNN神经网络的肺结节分割装置的建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810091696.1A CN108346154B (zh) 2018-01-30 2018-01-30 基于Mask-RCNN神经网络的肺结节分割装置的建立方法

Publications (2)

Publication Number Publication Date
CN108346154A CN108346154A (zh) 2018-07-31
CN108346154B true CN108346154B (zh) 2021-09-07

Family

ID=62961021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810091696.1A Active CN108346154B (zh) 2018-01-30 2018-01-30 基于Mask-RCNN神经网络的肺结节分割装置的建立方法

Country Status (1)

Country Link
CN (1) CN108346154B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145769A (zh) * 2018-08-01 2019-01-04 辽宁工业大学 融合图像分割特征的目标检测网络设计方法
CN109215091B (zh) * 2018-08-02 2021-09-14 浙江理工大学 一种基于图表示的服装流行色彩自动提取方法
CN109191446B (zh) * 2018-08-30 2020-12-29 杭州深睿博联科技有限公司 用于肺结节分割的图像处理方法及装置
CN109446961B (zh) 2018-10-19 2020-10-30 北京达佳互联信息技术有限公司 姿势检测方法、装置、设备及存储介质
CN109427060A (zh) * 2018-10-30 2019-03-05 腾讯科技（深圳）有限公司 一种影像识别的方法、装置、终端设备和医疗***
CN109493330A (zh) * 2018-11-06 2019-03-19 电子科技大学 一种基于多任务学习的细胞核实例分割方法
CN109584248B (zh) * 2018-11-20 2023-09-08 西安电子科技大学 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN109978004B (zh) * 2019-02-21 2024-03-29 平安科技（深圳）有限公司 图像识别方法及相关设备
CN110310281B (zh) * 2019-07-10 2023-03-03 重庆邮电大学 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
CN110853041A (zh) * 2019-11-12 2020-02-28 东南大学 一种基于深度学习与声呐成像的水下桥墩构件分割方法
CN110956255B (zh) * 2019-11-26 2023-04-07 中国医学科学院肿瘤医院 难样本挖掘方法、装置、电子设备及计算机可读存储介质
CN111127431A (zh) * 2019-12-24 2020-05-08 杭州求是创新健康科技有限公司 一种基于区域自适应多任务神经网络的干眼症分级评估***
CN111341438B (zh) * 2020-02-25 2023-04-28 中国科学技术大学 图像处理方法、装置、电子设备及介质
CN114037709B (zh) * 2021-11-05 2023-06-16 复旦大学附属肿瘤医院 一种磨玻璃肺结节分割方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009150004A1 (en) * 2008-05-27 2009-12-17 Telefonaktiebolaget L M Ericsson (Publ) Index-based pixel block processing
CN104408767A (zh) * 2014-11-20 2015-03-11 浙江大学 一种建立一致性三维人脸网格的稀疏变形模型的方法
CN106875425A (zh) * 2017-01-22 2017-06-20 北京飞搜科技有限公司 一种基于深度学习的多目标追踪***及实现方法
CN107590797A (zh) * 2017-07-26 2018-01-16 浙江工业大学 一种基于三维残差神经网络的ct影像肺结节检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009150004A1 (en) * 2008-05-27 2009-12-17 Telefonaktiebolaget L M Ericsson (Publ) Index-based pixel block processing
CN104408767A (zh) * 2014-11-20 2015-03-11 浙江大学 一种建立一致性三维人脸网格的稀疏变形模型的方法
CN106875425A (zh) * 2017-01-22 2017-06-20 北京飞搜科技有限公司 一种基于深度学习的多目标追踪***及实现方法
CN107590797A (zh) * 2017-07-26 2018-01-16 浙江工业大学 一种基于三维残差神经网络的ct影像肺结节检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Learning Deep Appearance Feature for Multi-target Tracking;Li, HX 等;《2017 INTERNATIONAL CONFERENCE ON VIRTUAL REALITY AND VISUALIZATION (ICVRV 2017)》;20171022;摘要 *

Also Published As

Publication number Publication date
CN108346154A (zh) 2018-07-31

Similar Documents

Publication Publication Date Title
CN108346154B (zh) 基于Mask-RCNN神经网络的肺结节分割装置的建立方法
CN108257128B (zh) 一种基于3d卷积神经网络的肺结节检测装置的建立方法
CN108230323B (zh) 一种基于卷积神经网络的肺结节假阳性筛选方法
CN109840556B (zh) 一种基于孪生网络的图像分类识别方法
CN107016665B (zh) 一种基于深度卷积神经网络的ct肺结节检测方法
CN108960135B (zh) 基于高分辨遥感图像的密集舰船目标精确检测方法
CN112597985B (zh) 一种基于多尺度特征融合的人群计数方法
CN109344845B (zh) 一种基于Triplet深度神经网络结构的特征匹配方法
CN111815564B (zh) 一种检测丝锭的方法、装置及丝锭分拣***
CN114581782B (zh) 一种基于由粗到精检测策略的细微缺陷检测方法
CN110399840B (zh) 一种快速的草坪语义分割及边界检测方法
CN111369623B (zh) 一种基于深度学习3d目标检测的肺部ct图像识别方法
CN110070574B (zh) 一种基于改进PSMNet的双目视觉立体匹配方法
KR101618996B1 (ko) 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN110909615A (zh) 基于多尺度输入混合感知神经网络的目标检测方法
CN115937626A (zh) 基于实例分割的半虚拟数据集自动生成方法
CN104881668B (zh) 一种基于代表性局部模式的图像指纹提取方法及***
CN112364881A (zh) 一种进阶采样一致性图像匹配算法
CN109615610B (zh) 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法
CN112232249B (zh) 一种基于深度特征的遥感图像变化检测方法及装置
CN111179278B (zh) 一种图像检测的方法、装置、设备和存储介质
CN117788810A (zh) 一种无监督语义分割的学习***
CN112200766A (zh) 基于区域关联神经网络的工业产品表面缺陷检测方法
CN114119577B (zh) 高铁隧道漏缆卡扣检测方法

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
GR01 Patent grant
GR01 Patent grant