CN109242860A - 基于深度学习及权重空间集成的脑肿瘤图像分割方法 - Google Patents
基于深度学习及权重空间集成的脑肿瘤图像分割方法 Download PDFInfo
- Publication number
- CN109242860A CN109242860A CN201810952440.5A CN201810952440A CN109242860A CN 109242860 A CN109242860 A CN 109242860A CN 201810952440 A CN201810952440 A CN 201810952440A CN 109242860 A CN109242860 A CN 109242860A
- Authority
- CN
- China
- Prior art keywords
- network model
- image
- brain tumor
- network
- weight
- 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
- 208000003174 Brain Neoplasms Diseases 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000005192 partition Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 13
- 230000017105 transposition Effects 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 14
- 230000003902 lesion Effects 0.000 abstract description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 38
- 230000008901 benefit Effects 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 208000006274 Brain Stem Neoplasms Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101150073762 arl2bp gene Proteins 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000004454 trace mineral analysis Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/20081—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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于深度学***均权重;对其进行训练,将训练后的权重平均值存入第一网络模型;S4、将待测试的多模态MRI图像输入至第一网络模型中,输出脑肿瘤图像分割结果。本发明中的分割方法有利于提高脑肿瘤分割结果的准确性和可靠性,并行网络可以在分割病灶的同时得到定位信息,同时融入权重空间集合的方法,提高了脑肿瘤分割的效率以及准确率。
Description
技术领域
本发明属于医学图像分割技术领域,具体涉及一种基于深度学习及权重空间集成的脑肿瘤图像分割方法。
背景技术
医学图像分割是图像分析处理中的一项关键技术,根据图像内区域的相似性以及特异性将感兴趣的有关组织分离出来,对于临床诊断和治疗过程具有重要意义,是一切后续工作的主要前提,分割效果的好坏程度会直接影响到信息处理工作的顺利进行。关于脑肿瘤的医学图像分割作为图像分割领域的一个重要分支,脑肿瘤的分割技术在脑肿瘤的临床诊断和治疗过程中起着重要的作用,通过对脑肿瘤的分割结果,医生可以测量肿瘤的大小位置、制定手术计划、病情跟踪分析等等,并且随着MRI(Magnetic Resonance Imaging)技术日渐应用广泛,脑肿瘤的检出率大大增加。
多模态MRI图像即是指利用不同的MRI脉冲序列对同一人体进行磁共振成像,由于成像条件有所不同所以得到的图像就有一定的区别,这样的一组图像被称为多模态MRI图像(Flair、T1、T2、T1C等模态),其中Flair模态MRI图像中包含着最大限度的病变组织信息,T1模态MRI图像可以突出组织T1弛豫(纵向弛豫)差别,在观察解剖结构方面有较好的应用价值,T2模态MRI图像在确定病变范围上有重要的作用,T1C模态MRI图像是在T1WI模态的基础上增强对比度的图像,可以更加明显的观察脑部结构,多模态MRI图像可以显示更多的信息,相对于单模态MRI图像来讲,利用多模态MRI图像对病灶的准确提取分割更有成效。
近年来,MICCAI连续多年举办脑肿瘤分割竞赛,推动脑肿瘤图像分割技术的发展,与此同时,深度学***均方法来确定集成模型的最终预测,当集成方法与深度学习相结合时,可以通过组合多个神经网络的预测来产生最终的预测结果。
基于MRI图像的脑肿瘤分割,随着深度学习技术的引入,传统的分割方法产生了根本性的变化,为这一重要领域增添新的活力。
发明内容
针对现有技术中的上述不足,本发明提供的深度学***衡的问题。
为了达到上述发明目的,本发明采用的技术方案为:基于深度学习及权重空间集成的脑肿瘤图像分割方法,包括以下步骤,
S1、采集脑肿瘤的多模态MRI图像,并对采集到的多模态MRI图像进行预处理操作;
S2、构建基于Fast-rcnn网络的第一网络模型和第二网络模型;
S3、将预处理后的多模态MRI图像输入第二网络模型,穿过权重空间,更新平均权重,对第二网络模型进行训练,将训练后的第二网络模型的权重平均值存入第一网络模型;
S4、将待测试的多模态MRI图像输入至第一网络模型中,输出脑肿瘤图像分割结果。
进一步地,所述步骤S1中,采集脑肿瘤的多模态图像包括Flair模态图像、T1模态图像、T2模态图像和T1C模态图像;
对所述多模态MRI图像进行预处理操作包括:
对Flair模态图像和T2模态图像均通过N4ITK进行偏场矫正,对T1C模态图像和T1模态图像进行对比度调整,对不同患者不同个体之间的多模态MRI图像进行灰度标准化。
进一步地,其特征在于,所述步骤S2中,第一网络模型和第二网络模型均包括卷积神经网络模块、区域建议网络模块和转置卷积模块;
所述卷积神经网络模块的输出端与区域建议网络模块的输入端连接,所述区域建议网络模块与转置卷积模块连接;
所述卷积神经网络模块包括顺次连接的16个残差网络单元,每个所述残差网络单元包括Batch Normalization层、ReLu层、一个3×3×3的卷积层和dropout层;
所述区域建议网络模块包括一个3×3×3的卷积层、两个1×1×1的卷积层、感兴趣区域池化层、一个7×7×7的卷积层、两个全连接层;所述3×3×3的卷积层分别与两个1×1×1的卷积层连接,两个1×1×1的卷积层均与所述感兴趣区域池化层连接,所述感兴趣区域池化层的第一输出端与7×7×7的卷积层、两个所述全连接层顺次连接;所述感兴趣池化层的第二输出端与转置卷积模块连接;
所述转置卷积模块包括四个顺次连接的转置卷积层。
进一步地,其特征在于,所述步骤S3中,更新第二网络模型的平均权重的方法具体为:
将预处理后的多模态MRI图像输入至第二网络模型,将第二网络模型穿过权重空间,使用循环学***均权重之间进行加权平均处理来更新第二网络模型的平均权重;
所述平均权重的更新方程为:
式中,ωswa为权重平均值;
ρmodels为模型训练次数;
ω为当次训练所得权重。
进一步地,其特征在于,所述步骤S3中,对第二网络模型进行训练的方法具体为:
将输入的多模态MRI图像的每一像素的d系数和作为损失函数,使用随机梯度下降法,将初始学习率设置为0.001,并根据Loss的下降效果降低学习率,当loss下降到训练结果图满足要求时,结束第二网络模型的训练;
所述d系数的表达式为:
式中,N为像素点数;
qi为标注图像当前像素点的真实值;
pi为输入图像当前像素点的预测值;
所述Loss的表达式为:
式中,K为类别总数;
k为当前类别;
qi,k为标注图像当前像素点i在当前类k中的真实值;
pi,k为输入图像当前像素点i在当前类k中的预测值。
本发明的有益效果为:本发明可以实现对中以及内部结构端到端的分割,准确率有所提升,加之引入多模态MRI图像的优势,可以提升肿瘤的可识别性,由于构建的网络模型内部使用3d卷积模块,可使图像的处理环节时间大大缩短、使图像预处理操作更加便捷,在图像分割过程中使用基于d系数的loss函数可以有效的解决类别不平衡的问题;结合集成方法,能够最大化地提升构建模型的最终性能。解决了现有技术中脑肿瘤分割图像效果较为粗糙,类别不平衡以及图像预处理等技术问题,并提高一定的分割效率及精度。
附图说明
图1为本发明提供的实施例中基于深度学习及权重空间集成的脑肿瘤图像分割方法实现流程图。
图2为本发明提供的实施例中第一网络模型和第二网络模型结构框架图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,基于深度学习及权重空间集成的脑肿瘤图像分割方法,包括以下步骤,
S1、采集脑肿瘤的多模态MRI图像,并对采集到的多模态MRI图像进行预处理操作;
上述步骤S1中,采集脑肿瘤的多模态图像包括Flair模态图像、T1模态图像、T2模态图像和T1C模态图像;Flair模态MRI图像中包含着最大限度的病变组织信息,T1模态MRI图像在观察解剖结构方面有较好的应用价值,T2模态MRI图像在确定病变范围上有重要的作用,T1C模态MRI图像可以更加明显的观察脑部结构。
对所述多模态MRI图像进行预处理操作包括:
对Flair模态图像和T2模态图像均通过N4ITK进行偏场矫正,对T1C模态图像和T1模态图像进行对比度调整,由于不同患者采集到的图像存在灰度不均匀的问题,对不同患者之间的多模态MRI图像进行灰度标准化;
在对不同个体之间的多模态MRI图像进行灰度标准化时,首先减去整个图像的平均值并除以大脑区域的标准偏差对每个患者的每个模态进行标准化,将所有图像的像素值均调整到[-5,5]区间内,小于-5的像素值赋值-5,大于5的像素值赋值5,最后再进行归一化,将整个图像归一化至[0,1],非脑区域设置为0;最后对已预处理的数据进行平移转换、扭曲增强以及弹性形变,在转换过程中,由于是3d图像,需要以质心坐标点对称的每个体素,每个轴向在做90、180度旋转,与此同时标签图像需要做相同的步骤。
S2、构建基于Fast-rcnn网络的第一网络模型和第二网络模型;
如图2所示,上述步骤S2中,第一网络模型和第二网络模型均包括卷积神经网络模块、区域建议网络模块和转置卷积模块;
所述卷积神经网络模块的输出端与区域建议网络模块的输入端连接,所述区域建议网络模块与转置卷积模块连接;
所述卷积神经网络模块的基本结构是基于ResNet-50修改而来,包括顺次连接的16个残差网络单元,每个所述残差网络单元包括Batch Normalization层、ReLu层、3×3×3的卷积层和dropout层;3×3×3的卷积层用于提取输入图像的特征,dropout层以稀疏特征图避免过拟合;
所述区域建议网络模块包括3×3×3的卷积层、两个1×1×1的卷积层、感兴趣区域池化层、7×7×7的卷积层、两个全连接层;所述3×3×3的卷积层分别与两个1×1×1的卷积层连接,两个所述1×1×1的卷积层均与所述感兴趣区域池化层连接,所述感兴趣区域池化层的第一输出端与7×7×7的卷积层、两个所述全连接层顺次连接;所述感兴趣池化层的第二输出端与转置卷积模块连接;
所述转置卷积模块包括四个顺次连接的转置卷积层。
上述3×3×3的卷积层进行3×3×3的卷积操作再次提取图像特征,两个1×1×1的卷积层均进行1×1×1的卷积操作,对图像进行大小调整,建议出候选区域,并经过感兴趣区域池化层操作后分两路并行输出,其中第一路经过7×7×7的卷积层和两个全连接层,7×7×7的卷积层进行7×7×7的卷积操作,其中的特征图的个数为256个,之后的两个全连接层的特征图个数均为1024个,然后输出边框坐标参数用以图像边框回归,同时输出目标分类结果;另一路连接转置卷积模块的四个转置卷积层,以提高图像的分辨率,增添更多图像信息,最终输出脑肿瘤图像分割结果。
S2、将预处理后的多模态MRI图像输入第二网络模型,穿过权重空间,更新平均权重,对第二网络模型进行训练,将训练后的第二网络模型的权重平均值存入第一网络模型;
上述步骤S3中,更新第二网络模型的平均权重的方法具体为:
将预处理后的多模态MRI图像输入至第二网络模型,将第二网络模型穿过权重空间,使用循环学***均权重之间进行加权平均处理来更新第二网络模型的平均权重;
上述平均权重的更新方程为:
式中,ωswa为权重平均值;
ρmodels为模型训练次数;
ω为当次训练所得权重。
在每个学***均权重和第二个网络模型的权重集合之间进行加权平均值来更新第二网络模型的平均权重:
对第二网络模型进行训练的方法具体为:
将输入的多模态MRI图像的每一像素的d系数和作为损失函数,使用随机梯度下降法,将初始学习率设置为0.001,并根据Loss的下降效果降低学习率,通过人为观察训练结果图,当loss下降到训练结果图满足要求时,结束第二网络模型的训练;
上述d系数的表达式为:
式中,N为像素点数;
qi为标注图像当前像素点的真实值;
pi为输入图像当前像素点的预测值;
所述Loss的表达式为:
式中,K为类别总数;
k为当前类别;
qi,k为标注图像当前像素点i在当前类k中的真实值;
pi,k为输入图像当前像素点i在当前类k中的预测值。
S4、将待测试的多模态MRI图像输入至第一网络模型中,输出脑肿瘤图像分割结果。
当将待测试的多模态MRI图像输入至第一网络模型后,得出的脑肿瘤图像的预测分割结果,可用相应的评价指标对分割结果进行评价,以便更好地改进构建的第一网络模型和第二网络模型,上述评价指标为MICCAI BarTs中的评价标准,主要以dice、spec和sens三个指标来评价分割结果的优劣,对模型参数进行调整。
本发明的有益效果为:本发明可以实现对中以及内部结构端到端的分割,准确率有所提升,加之引入多模态MRI图像的优势,可以提升肿瘤的可识别性,由于构建的网络模型内部使用3d卷积模块,可使图像的处理环节时间大大缩短、使图像预处理操作更加便捷,在图像分割过程中使用基于d系数的loss函数可以有效的解决类别不平衡的问题;结合集成方法,能够最大化地提升构建模型的最终性能。解决了现有技术中脑肿瘤分割图像效果较为粗糙,类别不平衡以及图像预处理等技术问题,并提高一定的分割效率及精度。
Claims (5)
1.基于深度学习及权重空间集成的脑肿瘤图像分割方法,其特征在于,包括以下步骤,
S1、采集脑肿瘤的多模态MRI图像,并对采集到的多模态MRI图像进行预处理操作;
S2、构建基于Fast-rcnn网络的第一网络模型和第二网络模型;
S3、将预处理后的多模态MRI图像输入第二网络模型,穿过权重空间,更新平均权重,对第二网络模型进行训练,将训练后的第二网络模型的权重平均值存入第一网络模型;
S4、将待测试的多模态MRI图像输入至第一网络模型中,输出脑肿瘤图像分割结果。
2.根据权利要求1所述的基于深度学习及权重空间集成的脑肿瘤图像分割方法,其特征在于,所述步骤S1中,采集脑肿瘤的多模态图像包括Flair模态图像、T1模态图像、T2模态图像和T1C模态图像;
对所述多模态MRI图像进行预处理操作包括:
对Flair模态图像和T2模态图像均通过N4ITK进行偏场矫正,对T1C模态图像和T1模态图像进行对比度调整,对不同患者不同个体之间的多模态MRI图像进行灰度标准化。
3.根据权利要求1所述的基于深度学习及权重空间集成的脑肿瘤图像分割方法,其特征在于,所述步骤S2中,第一网络模型和第二网络模型均包括卷积神经网络模块、区域建议网络模块和转置卷积模块;
所述卷积神经网络模块的输出端与区域建议网络模块的输入端连接,所述区域建议网络模块与转置卷积模块连接;
所述卷积神经网络模块包括顺次连接的16个残差网络单元,每个所述残差网络单元包括Batch Normalization层、ReLu层、一个3×3×3的卷积层和dropout层;
所述区域建议网络模块包括一个3×3×3的卷积层、两个1×1×1的卷积层、感兴趣区域池化层、一个7×7×7的卷积层、两个全连接层;所述3×3×3的卷积层分别与两个1×1×1的卷积层连接,两个1×1×1的卷积层均与所述感兴趣区域池化层连接,所述感兴趣区域池化层的第一输出端与7×7×7的卷积层、两个所述全连接层顺次连接;所述感兴趣池化层的第二输出端与转置卷积模块连接;
所述转置卷积模块包括四个顺次连接的转置卷积层。
4.根据权利要求1所述的基于深度学***均权重的方法具体为:
将预处理后的多模态MRI图像输入至第二网络模型,将第二网络模型穿过权重空间,使用循环学***均权重之间进行加权平均处理来更新第二网络模型的平均权重;
所述平均权重的更新方程为:
式中,ωswa为权重平均值;
ρmodels为模型训练次数;
ω为当次训练所得权重。
5.根据权利要求4所述的基于深度学习及权重空间集成的脑肿瘤图像分割方法,其特征在于,所述步骤S3中,对第二网络模型进行训练的方法具体为:
将输入的多模态MRI图像的每一像素的d系数和作为损失函数,使用随机梯度下降法,将初始学习率设置为0.001,并根据Loss的下降效果降低学习率,当loss下降到训练结果图满足要求时,结束第二网络模型的训练;
所述d系数的表达式为:
式中,N为像素点数;
qi为标注图像当前像素点的真实值;
pi为输入图像当前像素点的预测值;
所述Loss的表达式为:
式中,K为类别总数;
k为当前类别;
qi,k为标注图像当前像素点i在当前类k中的真实值;
pi,k为输入图像当前像素点i在当前类k中的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810952440.5A CN109242860B (zh) | 2018-08-21 | 2018-08-21 | 基于深度学习及权重空间集成的脑肿瘤图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810952440.5A CN109242860B (zh) | 2018-08-21 | 2018-08-21 | 基于深度学习及权重空间集成的脑肿瘤图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242860A true CN109242860A (zh) | 2019-01-18 |
CN109242860B CN109242860B (zh) | 2021-10-08 |
Family
ID=65069902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810952440.5A Expired - Fee Related CN109242860B (zh) | 2018-08-21 | 2018-08-21 | 基于深度学习及权重空间集成的脑肿瘤图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242860B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829443A (zh) * | 2019-02-23 | 2019-05-31 | 重庆邮电大学 | 基于图像增强与3d卷积神经网络的视频行为识别方法 |
CN109882996A (zh) * | 2019-01-25 | 2019-06-14 | 珠海格力电器股份有限公司 | 一种控制的方法及设备 |
CN109949288A (zh) * | 2019-03-15 | 2019-06-28 | 上海联影智能医疗科技有限公司 | 肿瘤类型确定***、方法及存储介质 |
CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
CN110378881A (zh) * | 2019-07-05 | 2019-10-25 | 北京航空航天大学 | 一种基于深度学习的肿瘤定位*** |
CN110415253A (zh) * | 2019-05-06 | 2019-11-05 | 南京大学 | 一种基于深度神经网络的点交互式医学图像分割方法 |
CN111563903A (zh) * | 2020-04-26 | 2020-08-21 | 北京航空航天大学 | 一种基于深度学习的mri全脑组织分割方法 |
CN111667483A (zh) * | 2020-07-03 | 2020-09-15 | 腾讯科技(深圳)有限公司 | 多模态图像的分割模型的训练方法、图像处理方法和装置 |
CN112037171A (zh) * | 2020-07-30 | 2020-12-04 | 西安电子科技大学 | 基于多模态特征融合的多任务mri脑瘤图像分割方法 |
CN112365980A (zh) * | 2020-11-16 | 2021-02-12 | 复旦大学附属华山医院 | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及*** |
CN112435261A (zh) * | 2020-11-16 | 2021-03-02 | 辽宁师范大学 | 基于超体素的多模态mri脑肿瘤分割方法 |
CN113139964A (zh) * | 2020-01-20 | 2021-07-20 | 上海微创医疗器械(集团)有限公司 | 多模态图像分割方法、装置、电子设备和存储介质 |
CN113269764A (zh) * | 2021-06-04 | 2021-08-17 | 重庆大学 | 颅内动脉瘤自动分割方法、***、样本处理及模型训练方法 |
CN117409019A (zh) * | 2023-09-15 | 2024-01-16 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于集成学习的多模态脑肿瘤图像分割方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130182931A1 (en) * | 2011-12-21 | 2013-07-18 | Institute of Automation, Chinese Academy of Scienc | Method for brain tumor segmentation in multi-parametric image based on statistical information and multi-scale struture information |
CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
CN106780515A (zh) * | 2017-01-04 | 2017-05-31 | 南京审计大学 | 一种脑部核磁共振图像中脑胶质瘤区域提取方法 |
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 |
CN107506797A (zh) * | 2017-08-25 | 2017-12-22 | 电子科技大学 | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 |
-
2018
- 2018-08-21 CN CN201810952440.5A patent/CN109242860B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130182931A1 (en) * | 2011-12-21 | 2013-07-18 | Institute of Automation, Chinese Academy of Scienc | Method for brain tumor segmentation in multi-parametric image based on statistical information and multi-scale struture information |
CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
CN106780515A (zh) * | 2017-01-04 | 2017-05-31 | 南京审计大学 | 一种脑部核磁共振图像中脑胶质瘤区域提取方法 |
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 |
CN107506797A (zh) * | 2017-08-25 | 2017-12-22 | 电子科技大学 | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 |
Non-Patent Citations (5)
Title |
---|
FAUSTO MILLETARI 等: "V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation", 《2016 FOURTH INTERNATIONAL CONFERENCE ON 3D VISION》 * |
JIACHI ZHANG 等: "Brain Tumor Segmentation Based on Refined Fully Convolutional Neural Networks with A Hierarchical Dice Loss", 《ARXIV:1712.09093》 * |
刘瑞: "基于多模态MRI图像的脑肿瘤分割方法", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
罗蔓: "结合MRI多模态信息与3D_CNNS特征提取的脑肿瘤分割研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
黄奕晖 等: "基于三维全卷积DenseNet的脑胶质瘤MRI分割", 《南方科技大学学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109882996A (zh) * | 2019-01-25 | 2019-06-14 | 珠海格力电器股份有限公司 | 一种控制的方法及设备 |
CN109829443B (zh) * | 2019-02-23 | 2020-08-14 | 重庆邮电大学 | 基于图像增强与3d卷积神经网络的视频行为识别方法 |
CN109829443A (zh) * | 2019-02-23 | 2019-05-31 | 重庆邮电大学 | 基于图像增强与3d卷积神经网络的视频行为识别方法 |
CN109949288A (zh) * | 2019-03-15 | 2019-06-28 | 上海联影智能医疗科技有限公司 | 肿瘤类型确定***、方法及存储介质 |
CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
CN110415253A (zh) * | 2019-05-06 | 2019-11-05 | 南京大学 | 一种基于深度神经网络的点交互式医学图像分割方法 |
CN110378881A (zh) * | 2019-07-05 | 2019-10-25 | 北京航空航天大学 | 一种基于深度学习的肿瘤定位*** |
CN113139964A (zh) * | 2020-01-20 | 2021-07-20 | 上海微创医疗器械(集团)有限公司 | 多模态图像分割方法、装置、电子设备和存储介质 |
CN111563903B (zh) * | 2020-04-26 | 2021-05-28 | 北京航空航天大学 | 一种基于深度学习的mri全脑组织分割方法及*** |
CN111563903A (zh) * | 2020-04-26 | 2020-08-21 | 北京航空航天大学 | 一种基于深度学习的mri全脑组织分割方法 |
CN111667483B (zh) * | 2020-07-03 | 2022-08-30 | 腾讯科技(深圳)有限公司 | 多模态图像的分割模型的训练方法、图像处理方法和装置 |
CN111667483A (zh) * | 2020-07-03 | 2020-09-15 | 腾讯科技(深圳)有限公司 | 多模态图像的分割模型的训练方法、图像处理方法和装置 |
CN112037171A (zh) * | 2020-07-30 | 2020-12-04 | 西安电子科技大学 | 基于多模态特征融合的多任务mri脑瘤图像分割方法 |
CN112037171B (zh) * | 2020-07-30 | 2023-08-15 | 西安电子科技大学 | 基于多模态特征融合的多任务mri脑瘤图像分割方法 |
CN112435261A (zh) * | 2020-11-16 | 2021-03-02 | 辽宁师范大学 | 基于超体素的多模态mri脑肿瘤分割方法 |
CN112365980A (zh) * | 2020-11-16 | 2021-02-12 | 复旦大学附属华山医院 | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及*** |
CN112435261B (zh) * | 2020-11-16 | 2023-06-16 | 辽宁师范大学 | 基于超体素的多模态mri脑肿瘤分割方法 |
CN112365980B (zh) * | 2020-11-16 | 2024-03-01 | 复旦大学附属华山医院 | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及*** |
CN113269764A (zh) * | 2021-06-04 | 2021-08-17 | 重庆大学 | 颅内动脉瘤自动分割方法、***、样本处理及模型训练方法 |
CN117409019A (zh) * | 2023-09-15 | 2024-01-16 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于集成学习的多模态脑肿瘤图像分割方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109242860B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242860A (zh) | 基于深度学习及权重空间集成的脑肿瘤图像分割方法 | |
CN109035263B (zh) | 基于卷积神经网络的脑肿瘤图像自动分割方法 | |
CN111047594B (zh) | 肿瘤mri弱监督学习分析建模方法及其模型 | |
CN111833359B (zh) | 基于生成对抗网络的脑瘤分割数据增强方法 | |
US11430140B2 (en) | Medical image generation, localizaton, registration system | |
CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
CN106296699A (zh) | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 | |
CN110288609A (zh) | 一种注意力机制引导的多模态全心脏图像分割方法 | |
CN109192305B (zh) | 一种基于深度循环神经网络的心功能自动分析方法 | |
CN110464353A (zh) | 一种基于深度卷积神经网络的伪ct合成方法及应用 | |
CN108629816A (zh) | 基于深度学习进行薄层磁共振图像重建的方法 | |
US8634614B2 (en) | System and method for volumetric analysis of medical images | |
CN110120051A (zh) | 一种基于深度学习的右心室自动分割方法 | |
CN106023194A (zh) | 基于静息态功能连接的杏仁核谱聚类分割方法 | |
WO2022121100A1 (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
CN110363772B (zh) | 基于对抗网络的心脏mri分割方法及*** | |
CN107967686B (zh) | 一种联合动态脑网络和长短时记忆网络的癫痫识别装置 | |
CN111563903B (zh) | 一种基于深度学习的mri全脑组织分割方法及*** | |
CN106952285B (zh) | 基于先验统计运动模型及自适应配准的肺部运动估计方法 | |
JP2024035070A (ja) | マルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム | |
CN110321827A (zh) | 一种基于人脸疼痛表***的疼痛水平评估方法 | |
CN109727197A (zh) | 一种医学图像超分辨率重建方法 | |
Wang et al. | Deep transfer learning-based multi-modal digital twins for enhancement and diagnostic analysis of brain mri image | |
Parekh et al. | Radiomic synthesis using deep convolutional neural networks | |
CN109741439A (zh) | 一种二维mri胎儿图像的三维重建方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211008 |