CN108492309B - 基于迁移卷积神经网络的磁共振图像中静脉血管分割方法 - Google Patents
基于迁移卷积神经网络的磁共振图像中静脉血管分割方法 Download PDFInfo
- Publication number
- CN108492309B CN108492309B CN201810056397.4A CN201810056397A CN108492309B CN 108492309 B CN108492309 B CN 108492309B CN 201810056397 A CN201810056397 A CN 201810056397A CN 108492309 B CN108492309 B CN 108492309B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- convolutional neural
- function
- multiplied
- 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
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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于迁移卷积神经网络的磁共振图像中静脉血管分割方法,主要解决现有技术中静脉血管分割不精确以及泛化能力较差的问题。其实现过程是:从一个病例的图像库中取70%的图像作为训练图像,30%作为测试图像;构建成对卷积神经网络,并使用训练图像对该网络进行训练;用训练好的网络对测试图像进行粗分割,得到粗分割图像;将粗分割图像作为DRLSE模型的初始轮廓图像;初始轮廓图像进行演化,得到静脉血管的分割结果图像;针对不同病例,将已训练好的网络的参数迁移到该病例的网络中,用于完成不同病例的静脉血管分割。本发明能有效地将核磁共振图像中的静脉血管分割出来,提高了泛化能力,可用于对核磁共振医学图像的静脉血管识别。
Description
技术领域
本发明属于图像处理技术领域,特别是涉及一种静脉血管的分割方法,可用于对磁共振医学图像的静脉血管识别。
背景技术
随着计算机技术的飞速发展,大量医学成像技术纷纷涌现,比如磁共振图像MRI、计算机断层扫描CT、脑磁图MEG、三维超声成像,正电子发射断层照相PET、单光子发射计算机断层SPECT、漫射加权成像DWI、功能磁共振FMRI等。在临床医学中,医学影像发挥的作用越来越大,尤其是磁共振、脑部CT和脑电波等。医学图像已成为医生诊断和治疗病人的重要工具和手段。
由于磁共振成像技术对软组织有较好的成像效果,因此临床上多采用磁共振技术来检测胰腺。胰腺周围存在有静脉血管,当医生需要对患者实施胰腺外科手术时,有误伤静脉血管的风险。因此,准确定位和分割出胰腺周围的静脉血管具有重要意义。从磁共振图像中可以发现,不同于其他组织,静脉血管在磁共振图像中占比很小。此外,由于磁共振图像并没有加血管增强剂,所以目标很不显著,主要存在以下问题:首先,在同一序列的MRI图像中静脉血管的形状和大小不同;其次,MRI图像中静脉血管通常很模糊;最后,MRI图像中具有与静脉血管相似影像的组织。这些问题对MRI图像中静脉血管的分割提出了严峻的挑战。
在图像分割领域中,目前较为流行的是水平集方法,分为基于边缘的水平集方法和基于区域的水平集方法。基于边缘的水平集模型主要利用边缘信息来分割图像,该模型对初始化条件和噪声较为敏感,当图像边缘比较模糊时其分割效果便不尽人意。由于磁共振图像中静脉血管的边缘很模糊,初始曲线距离目标较远且形状与目标相差较大时,基于边缘的水平集方法并不能使曲线演化到目标边界。基于区域的水平集分割模型所虽对噪声不敏感,但容易过分割。由于静脉血管周围存在有其他组织,基于区域的水平集方法将导致分割边界不理想。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于迁移卷积神经网络的磁共振图像中静脉血管分割方法,以减少静脉血管的过分割,提高分割精度。
为实现上述目的,本发明的技术方案包括:
1)从一个病例的磁共振图像库中取百分之七十的图像作为训练图像,百分之三十作为测试图像;
2)构建出成对的卷积神经网络:
设计两个作用不同的卷积神经网络,其中第一个卷积神经网络1用于定位出静脉血管的位置,第二个卷积神经网络2用于对定位出的静脉血管区域做粗分割;将网络1和网络2进行层间的串联连接,构建出成对的卷积神经网络;
3)对成对的卷积神经网络进行:
将训练图像中属于目标的大小为25×25的图像小块作为第一卷积神经网络1的正类样本,不属于目标的大小为25×25图像小块作为第一卷积神经网络1的负类样本,用正类样本和负类样本对第一卷积神经网络网络1进行训练;
将训练图像中属于目标的大小为5×5的图像小块作为第二卷积神经网络2的正类样本,将不属于目标的大小为5×5图像小块作第二卷积神经网络网络2的负类样本,用正类样本和负类样本对第二卷积神经网络网络2进行训练,最终得到训练好的成对卷积神经网络;
4)在测试图像上进行滑窗,将得到的每一个图像小块输入到训练好的成对卷积神经网络中,判断是否属于正类样本,得到的二值图作为粗分割图像;
5)采用形态学方法对步骤4)得到的粗分割图像进行闭运算处理,并将运算处理后的结果作为基于距离正则水平集模型的初始轮廓图像;
6)对初始轮廓图像进行距离正则下的演化,得到最终静脉血管的分割结果;
7)针对不同的病例,采用参数迁移学习的方法,将已训练好的成对卷积神经网络的参数迁移到该病例的成对卷积神经网络中,取三张该病例中有标记的图像作为训练图像,构造出正类样本和负类样本,对迁移后的成对卷积神经网络进行微调,得到该病例的成对卷积神经网络,执行步骤4)至步骤6),完成对不同病例的静脉血管分割处理。
本发明与现有技术相比具有以下优点:
1、本发明通过成对卷积神经网络中的两个网络分别学习了静脉血管的整体轮廓特征和细节纹理特征,可实现对磁共振图像中静脉血管的自动定位以及粗分割。
2、本发明利用粗分割图像作为基于距离正则水平集模型的初始轮廓图像,使得初始轮廓图像可有效地演化为目标边界轮廓图,避免了手动设置初始轮廓图像的人力损耗以及因初始轮廓图像不佳而导致无法演化为目标边界轮廓图的问题。
3、本发明针对不同的病例,采用参数迁移学习的方法,将已训练好的成对卷积神经网络的参数迁移到该病例的成对卷积神经网络中,对迁移后的成对卷积神经网络进行微调,有效减少了迁移后的成对卷积神经网络的训练时间。
附图说明
图1是本发明的实现流程图;
图2是本发明中第一卷积神经网络的结构示意图;
图3是本发明中第二卷积神经网络的结构示意图;
图4是本发明中的成对卷积神经网络示意图;
图5是一个病例中的一幅磁共振图像;
图6是用本发明对图5进行静脉血管分割后得到的结果图;
图7是将图6的分割结果标记到图5上的示意图;
图8是另一病例中的一幅磁共振图像;
图9是用本发明对图8进行静脉血管分割后得到的结果图。
具体实施方式
以下结合附图对本发明的实施力和效果做进一步说明。
参照图1,本发明磁共振图像中静脉血管的分割方法,包括如下步骤:
步骤1:选取图像。
从一个病例的磁共振图像库中取百分之七十的图像作为训练图像,百分之三十的图像作为测试图像。
步骤2:构建成对卷积神经网络。
2a)设计第一卷积神经网络1:
参照图2,本步骤设计的第一卷积神经网络1包括有如下9层结构:
第一层为图像输入层,输入图像大小为25×25;
第二层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第三层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第四层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第五层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第六层为池化层,采用最大池化方法对上层的输出结果进行池化;
第七层为全连接层,输出结点个数为2;
第八层为Softmax层,对上层的输出结果进行归一化;
第九层为输出层,输出类标;
2b)设计第二卷积神经网络2
参照图3,本步骤设计的第二卷积神经网络2包括如下8层结构,其中:
第1层为图像输入层,输入图像小块大小为5×5;
第2层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第3层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第4层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第5层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第6层为全连接层,输出节点个数为2;
第7层为Softmax层,对上层的输出结果进行归一化;
第8层为输出层,输出类标;
2c)根据第一卷积神经网络1和第二卷积神经网络2,构建出成对卷积神经网络:
参照图4,本步骤将第一卷积神经网络1中第九层的正类输出接口与第二卷积神经网络2中第一层的输入接口进行连接,得到成对卷积神经网络,该成对卷积神经网络包括有16层,各层参数如下:
第1层为像输入层,输入图像小块大小为25×25;
第2层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第3层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第4层为卷积层,卷积个数为16,卷积核大小为3×3,滑动步长为1;
第5层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第6层为池化层,采用最大池化方法对上层的输出结果进行池化;
第7层为全连接层,输出结点个数为2;
第8层为Softmax层,对上层的输出结果进行归一化;
第9层为连接层,
第10层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第11层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第12层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第13层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第14层为全连接层,输出节点个数为2;
第15层为Softmax层,对上层的输出结果进行归一化;
第16层为输出层,输出类标。
步骤3:训练成对卷积神经网络。
3a)将训练图像中属于目标的大小为25×25的图像小块作为第一卷积神经网络1的正类样本,将不属于目标的大小为25×25图像小块作为第一卷积神经网络1的负类样本,用该正类样本和负类样本对第一卷积神经网络网络1进行训练;
3b)将训练图像中属于目标的大小为5×5的图像小块作为第二卷积神经网络2的正类样本,将不属于目标的大小为5×5图像小块作第二卷积神经网络2的负类样本,用正类样本和负类样本对第二卷积神经网络网络2进行训练,最终得到训练好的成对卷积神经网络。
步骤4:对测试图像进行粗分割。
4a)在测试图像上进行滑窗,得到的每一个图像小块;
4b)将每一个图像小块输入到训练好的成对卷积神经网络中,判断是否属于正类样本:
若属于正类样本,则将该图像小块标记为1;
否则,将该图像小块标记为0;
4c)处理完成测试图像中的每个图像小块后,将最终得到的二值图作为粗分割结果图像。
步骤5:对粗分割图像做闭运算处理,初始化基于距离正则水平集模型。
5a)采用形态学方法对步骤4得到的粗分割图像进行闭运算处理,得到结果图像:
close(X)=E(D(X)),
其中X为粗分割图像,close(X)表示对X进行闭运算后的结果图像,D为膨胀操作,E为腐蚀操作;
5b)将5a)得到的结果图像作为基于距离正则水平集模型的初始轮廓图像。
步骤6:对初始轮廓图像进行演化,得到静脉血管的分割结果。
6a)由初始轮廓图像中的闭合曲线生成水平集函数,根据水平集函数得到能量函数:
ε(φ)=μRp(φ)+λL(φ)+αA(φ)
其中φ是水平集函数;ε(φ)表示能量函数;Rp(φ)表示距离正则函数;μ为距离正则函数的系数;L(φ)表示加权长度函数,λ为加权长度函数的系数;A(φ)为加权面积函数;α为加权面积函数的系数;
6b)设置模型参数μ为0.067,λ为3,α为0.2,迭代次数为20;
6c)极小化能量函数,得到水平集函数的迭代方程:
其中,φk为第k轮水平集函数;φk+1为第k+1轮水平集函数;μk为第k轮距离正则函数的系数;λk为第k轮加权长度函数的系数;αk为第k轮加权面积函数的系数;τ为时间步长;δ为Dirac函数;g为边缘指示函数;dp为双势井函数的一阶导数函数;▽为梯度算子;div为散度算子;
当达到迭代次数时,终止迭代,输出最终水平集函数,最终水平集函数映射为最终结果图像。
步骤7:针对不同病例,采用迁移学习方法来做静脉血管分割。
7a)针对不同病例,将已训练好的成对卷积神经网络的参数迁移到该病例的成对卷积神经网络中,即将已经训练好的成对卷积神经网络的参数,赋值给该病例的成对卷积神经网络,得到迁移后的成对卷积神经网络;
7b)从该病例中取出三张有标记的图像作为训练图像,将训练图像中属于目标的大小为25×25的图像小块作为迁移后的成对卷积神经网络中网络1的正类样本,将不属于目标的大小为25×25图像小块作为迁移后的成对卷积神经网络中网络1的负类样本,用该正类样本和负类样本对迁移后的成对卷积神经网络中的网络1进行训练;
7c)将训练图像中属于目标的大小为5×5的图像小块作为迁移后的成对卷积神经网络中网络2的正类样本,将不属于目标的大小为5×5图像小块作为迁移后的成对卷积神经网络中网络2的负类样本,用该正类样本和负类样本对迁移后的成对卷积神经网络中网络2进行训练,最终得到训练好的迁移后的成对卷积神经网络;
7d)执行步骤4至步骤6,完成对不同病例的静脉血管分割处理。
本发明的效果通过以下仿真实现。
仿真1,用本发明对图5所示的病人编号为1387的腹部磁共振图像进行静脉血管分割处理,结果如图6。
仿真2,将图6的分割结果标记到图5上,结果如图7。从图7可以发现,本发明可以有效地将磁共振图像中的静脉血管分割出来。
仿真3,用本发明对图8所示的病人编号为1407的腹部磁共振图像进行静脉血管分割处理,结果如图9。从图9可以发现,本发明具有良好的泛化能力,即可以在不同病例中得到较好的分割结果。
Claims (9)
1.一种基于迁移卷积神经网络的磁共振图像中静脉血管分割方法,包括:
1)从一个病例的磁共振图像库中取百分之七十的图像作为训练图像,百分之三十作为测试图像;
2)构建出成对的卷积神经网络:
设计两个作用不同的卷积神经网络,其中第一个卷积神经网络1用于定位出静脉血管的位置,第二个卷积神经网络2用于对定位出的静脉血管区域做粗分割;将网络1和网络2进行层间的串联连接,具体是将第一卷积神经网络1中第九层的正类输出接口与第二卷积神经网络2中第一层的输入接口进行连接,构建出成对的卷积神经网络;
3)对成对的卷积神经网络进行:
将训练图像中属于目标的大小为25×25的图像小块作为第一卷积神经网络1的正类样本,不属于目标的大小为25×25图像小块作为第一卷积神经网络1的负类样本,用正类样本和负类样本对第一卷积神经网络网络1进行训练;
将训练图像中属于目标的大小为5×5的图像小块作为第二卷积神经网络2的正类样本,将不属于目标的大小为5×5图像小块作第二卷积神经网络网络2的负类样本,用正类样本和负类样本对第二卷积神经网络网络2进行训练,最终得到训练好的成对卷积神经网络;
4)在测试图像上进行滑窗,将得到的每一个图像小块输入到训练好的成对卷积神经网络中,判断是否属于正类样本,得到的二值图作为粗分割图像;
5)采用形态学方法对步骤4)得到的粗分割图像进行闭运算处理,并将运算处理后的结果作为基于距离正则水平集模型的初始轮廓图像;
6)对初始轮廓图像进行距离正则下的演化,得到最终静脉血管的分割结果;
7)针对不同的病例,采用参数迁移学习的方法,将已训练好的成对卷积神经网络的参数迁移到该病例的成对卷积神经网络中,取三张该病例中有标记的图像作为训练图像,构造出正类样本和负类样本,对迁移后的成对卷积神经网络进行微调,得到该病例的成对卷积神经网络,执行步骤4)至步骤6),完成对不同病例的静脉血管分割处理。
2.根据权利要求1所述的方法,其中步2)中的第一卷积神经网络1,包括有如下9层结构:
第一层为图像输入层,输入图像大小为25×25;
第二层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第三层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第四层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第五层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第六层为池化层,采用最大池化方法对上层的输出结果进行池化;
第七层为全连接层,输出结点个数为2;
第八层为Softmax层,对上层的输出结果进行归一化;
第九层为输出层,输出类标。
3.根据权利要求1所述的方法,其中步2)中的第二卷积神经网络2,包括有如下8层结构:
第1层为图像输入层,输入图像小块大小为5×5;
第2层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第3层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第4层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第5层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第6层为全连接层,输出节点个数为2;
第7层为Softmax层,对上层的输出结果进行归一化;
第8层为输出层,输出类标。
4.根据权利要求1所述的方法,其中步2)中将网络1和网络2进行层间的串联连接,是将网络1中第九层的正类输出接口与网络2中第一层的输入接口进行连接,构建出成对卷积神经网络。
5.根据权利要求4所述的方法,其中所述的成对卷积神经网络,包括有16层,各层参数如下:
第1层为像输入层,输入图像小块大小为25×25;
第2层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第3层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第4层为卷积层,卷积个数为16,卷积核大小为3×3,滑动步长为1;
第5层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第6层为池化层,采用最大池化方法对上层的输出结果进行池化;
第7层为全连接层,输出结点个数为2;
第8层为Softmax层,对上层的输出结果进行归一化;
第9层为连接层;
第10层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第11层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第12层为卷积层,卷积核个数为16,卷积核大小为3×3,滑动步长为1;
第13层为激励层,激励函数为修正线性单元函数,对上层的输出结果进行激励;
第14层为全连接层,输出节点个数为2;
第15层为Softmax层,对上层的输出结果进行归一化;
第16层为输出层,输出类标。
6.根据权利要求1所述的方法,其中步5)中用形态学方法对步骤4)得到的粗分割图像进行闭运算处理,通过如下公式进行:
close(X)=E(D(X))
其中X为粗分割图像,close(X)表示对X进行闭运算,D为膨胀操作,E为腐蚀操作。
7.根据权利要求1所述的方法,其中步骤6)中对初始轮廓图像进行距离正则下的演化,按如下步骤进行:
6a)由初始轮廓图像中的闭合曲线生成水平集函数,根据水平集函数得到能量函数:
ε(φ)=μRp(φ)+λL(φ)+αA(φ)
其中φ是水平集函数;ε(φ)表示能量函数;Rp(φ)表示距离正则函数;μ为距离正则函数的系数;L(φ)表示加权长度函数,λ为加权长度函数的系数;A(φ)为加权面积函数;α为加权面积函数的系数;
6b)设置模型参数μ为0.067,λ为3,α为0.2,迭代次数为20;
6c)极小化能量函数,得到水平集函数的迭代方程:
其中,φk为第k轮水平集函数;φk+1为第k+1轮水平集函数;μk为第k轮距离正则函数的系数;λk为第k轮加权长度函数的系数;αk为第k轮加权面积函数的系数;τ为时间步长;δ为Dirac函数;g为边缘指示函数;dp为双势井函数的一阶导数函数;为梯度算子;div为散度算子;
当达到迭代次数时,终止迭代,输出最终水平集函数,最终水平集函数映射为最终结果图像。
8.据权利要求1所述的方法,其中步骤7)中的参数迁移学习,是将已训练好的成对卷积神经网络的参数迁移到需要做磁共振图像中静脉血管分割的另一个病例的成对卷积神经网络中,即将已经训练好的成对卷积神经网络的参数,赋值给需要做磁共振图像中静脉血管分割的另一个病例的成对卷积神经网络。
9.根据权利要求1所述的方法,其中步骤7)对迁移后的成对卷积神经网络进行微调,按如下步骤进行:
7a)从需要做磁共振图像中静脉血管分割的另一个病例中取出三张有标记的图像作为训练图像,将训练图像中属于目标的大小为25×25的图像小块作为迁移后的成对卷积神经网络中第一个网络1的正类样本,将不属于目标的大小为25×25的图像小块作为迁移后的成对卷积神经网络中第一个网络1的负类样本,用该正类样本和负类样本对迁移后的成对卷积神经网络中第一个网络1进行训练;
7b)将训练图像中属于目标的大小为5×5的图像小块作为迁移后的成对卷积神经网络中第二个网络2的正类样本,将不属于目标的大小为5×5图像小块作为迁移后的成对卷积神经网络中第二个网络2的负类样本,用该正类样本和负类样本对迁移后的成对卷积神经网络中第二个网络2进行训练,最终得到训练好的迁移后成对卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810056397.4A CN108492309B (zh) | 2018-01-21 | 2018-01-21 | 基于迁移卷积神经网络的磁共振图像中静脉血管分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810056397.4A CN108492309B (zh) | 2018-01-21 | 2018-01-21 | 基于迁移卷积神经网络的磁共振图像中静脉血管分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492309A CN108492309A (zh) | 2018-09-04 |
CN108492309B true CN108492309B (zh) | 2022-03-04 |
Family
ID=63343641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810056397.4A Active CN108492309B (zh) | 2018-01-21 | 2018-01-21 | 基于迁移卷积神经网络的磁共振图像中静脉血管分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492309B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360208A (zh) * | 2018-09-27 | 2019-02-19 | 华南理工大学 | 一种基于单程多任务卷积神经网络的医学图像分割方法 |
CN109754400B (zh) * | 2019-01-21 | 2020-12-29 | 数坤(北京)网络科技有限公司 | 静脉去除方法 |
CN111161280B (zh) * | 2019-12-18 | 2022-10-04 | 浙江大学 | 一种基于神经网络的轮廓演化分割方法 |
CN113052850B (zh) * | 2019-12-26 | 2022-09-27 | 南京理工大学 | 距离正则水平集与卷积神经网络的左心室mri图像分割方法 |
CN112785551A (zh) * | 2020-12-30 | 2021-05-11 | 杭州电子科技大学 | 一种基于深度学习的冠状动脉分割方法 |
CN112785605B (zh) * | 2021-01-26 | 2023-07-28 | 西安电子科技大学 | 基于语义迁移的多时相ct图像肝肿瘤分割方法 |
CN113763330B (zh) * | 2021-08-17 | 2022-06-10 | 北京医准智能科技有限公司 | 一种血管分割方法、装置、存储介质及电子设备 |
CN116777935B (zh) * | 2023-08-16 | 2023-11-10 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 基于深度学习自动分割***全腺体方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
CN107180426A (zh) * | 2017-06-06 | 2017-09-19 | 西北工业大学 | 基于可迁移的多模型集成的计算机辅助肺结节分类方法 |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10803143B2 (en) * | 2015-07-30 | 2020-10-13 | Siemens Healthcare Gmbh | Virtual biopsy techniques for analyzing diseases |
US20170337682A1 (en) * | 2016-05-18 | 2017-11-23 | Siemens Healthcare Gmbh | Method and System for Image Registration Using an Intelligent Artificial Agent |
-
2018
- 2018-01-21 CN CN201810056397.4A patent/CN108492309B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
CN107180426A (zh) * | 2017-06-06 | 2017-09-19 | 西北工业大学 | 基于可迁移的多模型集成的计算机辅助肺结节分类方法 |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
Non-Patent Citations (5)
Title |
---|
Atlas registration and ensemble deep convolutional neural network-based prostate segmentation using magnetic resonance imaging;Haozhe Jia 等;《Neurocomputing》;20171005(第(2018)275期);1358-1369 * |
Distance regularized level set evolution and its application to image segmentation;Chunming Li 等;《IEEE Transactions on Image Processing》;20100826;第19卷(第2期);3243-3254 * |
Multi-stage segmentation of the fovea in retinal fundus images using fully convolutional neural networks;Suman Sedai 等;《2017 IEEE 14th International Symposium on Biomedical Imaging》;20170619;1083-1086 * |
基于多尺度区域块的糖尿病性视网膜病变级联检测;马文婷 等;《北京交通大学学报》;20171215;第41卷(第6期);13-20 * |
基于深度学习的MRI***分割;付文;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315(第(2017)3期);I138-4756 * |
Also Published As
Publication number | Publication date |
---|---|
CN108492309A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492309B (zh) | 基于迁移卷积神经网络的磁共振图像中静脉血管分割方法 | |
Zhuang | Multivariate mixture model for cardiac segmentation from multi-sequence MRI | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
CN109636811B (zh) | Ct影像的肺叶段分割的整合方法、装置 | |
Zhou et al. | Active contours driven by localizing region and edge-based intensity fitting energy with application to segmentation of the left ventricle in cardiac CT images | |
Ayed et al. | Embedding overlap priors in variational left ventricle tracking | |
CN109754387A (zh) | 医学图像病灶检测定位方法、装置、电子设备及存储介质 | |
CN108629785B (zh) | 基于自步学习的三维磁共振胰腺图像分割方法 | |
CN106504245A (zh) | 一种多模态脑影像损伤性病变组织图像分割方法 | |
CN113450397B (zh) | 基于深度学习的图像形变配准方法 | |
Jung et al. | Deep learning for medical image analysis: Applications to computed tomography and magnetic resonance imaging | |
CN109191468B (zh) | 一种血管提取的方法、装置及存储介质 | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
CN110444294B (zh) | 一种基于感知神经网络的***癌辅助分析方法及设备 | |
CN110751651A (zh) | 基于多尺度迁移学习的mri胰腺图像分割方法 | |
US20230129957A1 (en) | Deep learning network for the analysis of body tissue composition on body-torso-wide ct images | |
Zhu et al. | Automated myocardial T2 and extracellular volume quantification in cardiac MRI using transfer learning–based myocardium segmentation | |
Liu et al. | ABCNet: A new efficient 3D dense‐structure network for segmentation and analysis of body tissue composition on body‐torso‐wide CT images | |
Li et al. | Automatic liver segmentation using statistical prior models and free-form deformation | |
Qiao et al. | Fully automated left atrium cavity segmentation from 3D GE-MRI by multi-atlas selection and registration | |
Chen et al. | Advanced level set segmentation of the right atrium in MR | |
Liu et al. | Pseudo-3D network for multi-sequence cardiac MR segmentation | |
Sekaran et al. | 3D brain slice classification and feature extraction using Deformable Hierarchical Heuristic Model | |
Sun et al. | Automatic thoracic anatomy segmentation on CT images using hierarchical fuzzy models and registration | |
Elazab et al. | Content based modified reaction-diffusion equation for modeling tumor growth of low grade glioma |
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 |