CN109308477A - 一种基于粗分类的医学影像自动分割方法、设备和存储介质 - Google Patents
一种基于粗分类的医学影像自动分割方法、设备和存储介质 Download PDFInfo
- Publication number
- CN109308477A CN109308477A CN201811110633.2A CN201811110633A CN109308477A CN 109308477 A CN109308477 A CN 109308477A CN 201811110633 A CN201811110633 A CN 201811110633A CN 109308477 A CN109308477 A CN 109308477A
- Authority
- CN
- China
- Prior art keywords
- medical image
- organ
- neural network
- rough sort
- interest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于医学影像和计算机技术领域,涉及一种医学影像的自动分割方法、设备和存储介质。该方法包括如下步骤:将医学影像中的器官划分成若干类;训练用于对人体医学影像进行粗分类的深度学习神经网络,使医学影像输入到粗分类深度学习神经网络后判断出其所属的分类类别;将待分类的医学影像输入到训练好的粗分类深度学习神经网络进行粗分类,输出包含感兴趣器官的医学影像层;将包含感兴趣器官的医学影像层输入到与之相匹配的用于对特定感兴趣器官进行分割的精细分割神经网络中,完成对医学影像上的感兴趣器官的精确分割。本发明使放疗结构的自动分割过程能节省分割预测的时间;本发明提供的方法不依赖特定的神经网络,具有很强的普适性。
Description
技术领域
本发明属于医学影像和计算机技术领域,涉及一种医学影像的自动分割方法、设备和存储介质。
背景技术
在医院对病人进行放射治疗的过程中,往往涉及到目标靶区的分割,目前医生主要是采用手工分割的方式,手工分割费时费力,影响医生的工作效率,更影响病人的及时治疗。
现有技术中已经开发完成了人体多部位危及器官和靶区的自动分割方法及器官的神经网络模型的训练。然而人体的器官有很多,如何判断所输入的医学影像包括哪些人体器官并将其输送到与之匹配的神经网络中进行精确分割(勾画),则需要对输入的医学影像所包含的器官进行分类。但是,不可能针对每一个器官单独训练一个定位的分类网络,主要原因在于很多目标类占总体的比重太低,当遇到一些比较短小的器官,这种情况会变得越加严重;并且单独训练定位分类网络的另一个缺点是预测时耗时会增加。
发明内容
本发明的目的在于为克服现有技术的缺陷而提供一种基于粗分类的医学影像自动分割方法、设备和存储介质。
为实现上述目的,本发明采用以下技术方案:将人体器官从上到下(或从下到上)根据界限明显的器官依次粗分成若干类,根据上述分类方法通过训练好的粗分类神经网络首先确定医学层上目标器官所属的分类;然后根据粗分类结果,在含有目标器官的医学层上使用与该层对应的3D U型分割神经网络实现器官的精准分割。
一种基于粗分类的医学影像自动分割方法,适于在计算设备中执行,包括如下步骤:
(1)、将医学影像中的器官按照其所处的高低位置依次划分成若干类;
(2)、基于步骤(1)中的器官分类方式训练用于对人体医学影像进行粗分类的深度学习神经网络,使医学影像输入到粗分类深度学习神经网络后判断出其所属的分类类别;
(3)、将待分类的医学影像输入到训练好的粗分类深度学习神经网络进行粗分类,输出包含感兴趣器官的医学影像层;
(4)、将包含感兴趣器官的医学影像层输入到与之相匹配的用于对特定感兴趣器官进行分割的精细分割神经网络中,完成对医学影像上的感兴趣器官的精确分割。
本发明进一步优选地,所述的医学影像为CT影像、MR影像或超声波影像等多种医学影像。
步骤(1)中,所述的粗分类神经网络为2D多分类卷积神经网络,是通过人体的明显特征器官训练的。
步骤(1)中,将人体医学影像按照人体器官的位置分为十类,分别为从第一张开始到头顶、从头顶到眼睛上顶层、从眼睛上顶层到眼睛下顶层、从眼睛下顶层到小脑下顶层、从小脑下顶层到下颌最后一层、从下颌最后一层到肺顶层、肺顶层到胃顶层、胃顶层到肾底、肾底到膀胱顶、膀胱顶到脚。
步骤(4)中,所述的精细分割神经网络为带有膨胀卷积的3D U型神经网络,利用该神经网络在人体Z轴上的分辨能力对医学影像上的感兴趣器官进行精确分割,其中Z轴为人体器官的上下方向,该网络的训练数据为包含若干张连续医学影像的数据块。
本发明还提供一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行,所述的一个或多个程序包括执行基于粗分类的医学影像自动分割方法的指令。
本发明还提供一种存储一个或多个程序的计算机可读存储介质,所述的一个或多个程序包括指令,所述指令适于由存储器加载并执行上述基于粗分类的医学影像自动分割方法。
本发明具有以下有益结果:
本发明根据界限明显的人体器官先训练一个粗定位网络,来确定目标器官的大致分类(位置),然后根据定位再进行精细分割。因此,通过本发明提供的方法:(1)使放疗结构的自动分割过程中器官所属类别间的准确度有保障(因为类别间是以界限明显的器官区分的)而且适用于全身器官,可作为全身器官分割第一步粗定位的公共算法,且节省分割预测的时间;(2)粗分类后,输入3D U型神经网络的数据因为不必考虑所属类别外器官的医学影像,这就大幅度提高了目标器官所占整体的比重,无论对训练还是预测都是非常有利的;(3)本发明提供的方法不依赖特定的神经网络,具有很强的普适性。
附图说明
图1为本发明一个示例实施例中人体从上到下分类(共10类)示意图。
图2为本发明一个示例实施例中基于粗分类的医学影像自动分割方法对食管上部开始端的分割结果示意图。
图3为本发明一个示例实施例中基于粗分类的医学影像自动分割方法对食管下部结束段的分割结果示意图。
图4为本发明一个优选的实施例中基于粗分类的医学影像自动分割方法流程图。
具体实施方式
以下结合附图和实施例进一步说明本发明。
一种基于粗分类的医学影像自动分割方法(如图4所示),适于在计算设备中执行,包括如下步骤:
步骤210,将医学影像中的器官按照其所处的高低位置依次划分成若干类;
优选地,医学影像可以选自CT影像、MR影像或超声波影像等多种医学影像。
本实施例优选地,以CT影像中人体界限明显的器官作为粗分类神经网络中人体器官分类的依据,将人体CT影像从上到下或从下到上分成十类;其中在一个示例中,本实施例将人体CT影像从上到下依次分割成十类,如表1和图1所示。
表1
步骤220,跟据步骤210中的分类方法训练用于对人体CT影像进行粗分类的十分类深度学习神经网络,使医学影像输入到粗分类深度学习神经网络后判断出其所属的分类类别;本实施例中优选地,粗分类网络使用的是深度卷积神经网络;
步骤230,将待分类的CT影像,输入到训练好的粗分类深度学习神经网络进行分类;输出包含感兴趣器官的医学影像层;
步骤240,将包含感兴趣器官的医学影像层输入到与之相匹配的用于对特定感兴趣器官进行分割的精细分割神经网络中,完成对医学影像上的感兴趣器官的精确分割。在一个示例实施例中,精细分割神经网络为带有膨胀卷积的3D U型神经网络,利用该神经网络在人体Z轴上的分辨能力对医学影像上的感兴趣器官进行精确分割,其中Z轴为人体器官的上下方向,该网络的训练数据为包含若干张连续医学影像的数据块。与2D的多分类卷积神经网络相比,3D U型神经网络考虑了Z轴上的信息。例如食管的Z轴方向为上接咽部,下与胃的贲门相连。训练2D多分类卷积神经网络时输入网络的是每一张医学影像,并且每一张医学影像之间相互打散,所以就没有了Z轴信息;训练3D的U型神经网络时输入网络的医学影像是成块的,每一块有若干张医学影像,如32张,块与块之间是相互打散的,所以3D的U-net网络在每一块内就保存了Z轴信息,所以训练的结果就是对Z轴有一定的分辨能力。
在一个优选的实施例中,以CT影像中的食管(Esophagus)的自动分割为例说明本发明提供的基于粗分类的医学影像自动分割方法,包括如下步骤:
将医学影像中的器官按照其所处的高低位置依次划分成若干类;
基于上述器官分类方式训练用于对人体医学影像进行粗分类的深度学习神经网络,使医学影像输入到粗分类深度学习神经网络后判断出其所属的分类类别,其中粗分类神经网络为如图1和表1所示的十分类神经网络;
将患者的CT影像输入到粗分类神经网络中,通过粗分类神经网络,可以便于从大量的CT训练数据中获得感兴趣器官的CT图像,比如食管位于粗分类网络的第【6,7】类,那么用于精细分割神经网络的训练数据只取位于【6,7】类的CT影像即可。例如现有73套CT(共有5731张CT影像),而含有食道的CT影像有3906张,那么上述73套CT中包含大量的无关CT影像(1825张)通过粗分类神经网络的筛选即可去除,从而提升了目标数据占整体数据的比重;
再用一个固定窗口大小的矩形框去剪切每张医学影像在表1中【6,7】类中目标器官的CT影像,将包含感兴趣器官的医学影像层输入到与之相匹配的用于对特定感兴趣器官进行分割的精细分割神经网络中,完成对医学影像上的感兴趣器官的精确分割。图2和图3分别为食管上部开始端的分割效果与食管下部结束段的分割效果示意图。如果只依赖于粗分类网络的结果,则食管的勾画会从第【6】类下颌最后一层开始,这就有可能多勾几层引起假阳;结束是第【7】的末尾胃顶层,这里密布着各种腹脏器官,HU值相近,也很容易勾画不准,引起假阳。而采用本发明提供的方法,完成粗分类后,在第【6,7】中使用3D U型神经网络,首先可以保证输入的数据大部分是目标数据,信噪比大幅度得到提升;其次对于目标器官的勾画的开始、结束,3D U型神经网络也会学习相应的信息,这对于交接处的勾画是十分必要的。
本发明还提供一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行,上述一个或多个程序包括用于人体器官医学影像自动分割的定位方法的指令,该方法包括如下步骤:
将医学影像中的器官按照其所处的高低位置依次划分成若干类;
基于上述器官分类方式训练用于对人体医学影像进行粗分类的深度学习神经网络,使医学影像输入到粗分类深度学习神经网络后判断出其所属的分类类别;
将待分类的医学影像输入到训练好的粗分类深度学习神经网络进行粗分类,输出包含感兴趣器官的医学影像层;
将包含感兴趣器官的医学影像层输入到与之相匹配的用于对特定感兴趣器官进行分割的精细分割神经网络中,完成对医学影像上的感兴趣器官的精确分割。
本发明还提供一种存储一个或多个程序的计算机可读存储介质,上述的一个或多个程序包括指令,该指令适于由存储器加载并执行上述用于人体器官医学影像自动分割的定位方法,该方法包括如下步骤:
将医学影像中的器官按照其所处的高低位置依次划分成若干类;
基于上述器官分类方式训练用于对人体医学影像进行粗分类的深度学习神经网络,使医学影像输入到粗分类深度学习神经网络后判断出其所属的分类类别;
将待分类的医学影像输入到训练好的粗分类深度学习神经网络进行粗分类,输出包含感兴趣器官的医学影像层;
将包含感兴趣器官的医学影像层输入到与之相匹配的用于对特定感兴趣器官进行分割的精细分割神经网络中,完成对医学影像上的感兴趣器官的精确分割。
应当理解,这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被该机器执行时,该机器变成实践本发明的设备。
以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
本领域的技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于这里的实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (7)
1.一种基于粗分类的医学影像自动分割方法,适于在计算设备中执行,其特征在于:包括如下步骤:
(1)、将医学影像中的器官按照其所处的高低位置依次划分成若干类;
(2)、基于步骤(1)中的器官分类方式训练用于对人体医学影像进行粗分类的深度学习神经网络,使医学影像输入到粗分类深度学习神经网络后判断出其所属的分类类别;
(3)、将待分类的医学影像输入到训练好的粗分类深度学习神经网络进行粗分类,输出包含感兴趣器官的医学影像层;
(4)、将包含感兴趣器官的医学影像层输入到与之相匹配的用于对特定感兴趣器官进行分割的精细分割神经网络中,完成对医学影像上的感兴趣器官的精确分割。
2.根据权利要求1所述的基于粗分类的医学影像自动分割方法,其特征在于:所述的医学影像为CT影像、MR影像或超声波影像。
3.根据权利要求1所述的基于粗分类的医学影像自动分割方法,其特征在于:步骤(1)中,所述的粗分类神经网络为2D多分类卷积神经网络。
4.根据权利要求1所述的基于粗分类的医学影像自动分割方法,其特征在于:步骤(1)中,将人体医学影像依次分为十类:分别为从第一张开始到头顶、从头顶到眼睛上顶层、从眼睛上顶层到眼睛下顶层、从眼睛下顶层到小脑下顶层、从小脑下顶层到下颌最后一层、从下颌最后一层到肺顶层、肺顶层到胃顶层、胃顶层到肾底、肾底到膀胱顶、膀胱顶到脚。
5.根据权利要求1所述的基于粗分类的医学影像自动分割方法,其特征在于:步骤(4)中,所述的精细分割神经网络为带有膨胀卷积的三维U型神经网络,利用该神经网络在人体Z轴上的分辨能力对医学影像上的感兴趣器官进行精确分割,其中Z轴为人体器官的上下方向,该神经网络的训练数据为包含若干张连续医学影像的数据块。
6.一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行,所述的一个或多个程序包括执行权利要求1-5中任一所述的基于粗分类的医学影像自动分割方法的指令。
7.一种存储一个或多个程序的计算机可读存储介质,所述的一个或多个程序包括指令,所述指令适于由存储器加载并执行上述权利要求1-5中任一所述的基于粗分类的医学影像自动分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811110633.2A CN109308477A (zh) | 2018-09-21 | 2018-09-21 | 一种基于粗分类的医学影像自动分割方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811110633.2A CN109308477A (zh) | 2018-09-21 | 2018-09-21 | 一种基于粗分类的医学影像自动分割方法、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109308477A true CN109308477A (zh) | 2019-02-05 |
Family
ID=65224137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811110633.2A Pending CN109308477A (zh) | 2018-09-21 | 2018-09-21 | 一种基于粗分类的医学影像自动分割方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308477A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047577A (zh) * | 2019-04-23 | 2019-07-23 | 杭州依图医疗技术有限公司 | 影像分配装置及影像分配方法 |
CN110197716A (zh) * | 2019-05-20 | 2019-09-03 | 广东技术师范大学 | 医学影像的处理方法、装置及计算机可读存储介质 |
CN111127444A (zh) * | 2019-12-26 | 2020-05-08 | 广州柏视医疗科技有限公司 | 基于深度语义网络的ct影像中自动识别放疗危及器官的方法 |
CN111462086A (zh) * | 2020-03-31 | 2020-07-28 | 北京推想科技有限公司 | 图像分割方法及装置、神经网络模型的训练方法及装置 |
CN111724893A (zh) * | 2019-03-20 | 2020-09-29 | 宏碁股份有限公司 | 医疗影像辨识装置及医疗影像辨识方法 |
CN115761221A (zh) * | 2022-09-21 | 2023-03-07 | 阿里巴巴(中国)有限公司 | 图像处理方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2157905A1 (en) * | 2007-05-15 | 2010-03-03 | Val-Chum, S.E.C. | A method for tracking 3d anatomical and pathological changes in tubular-shaped anatomical structures |
JP2011092677A (ja) * | 2009-09-30 | 2011-05-12 | Fujifilm Corp | 肝臓造影像を用いた医用画像診断装置および方法、並びにプログラム |
CN105447872A (zh) * | 2015-12-03 | 2016-03-30 | 中山大学 | 一种在超声影像中自动识别肝脏肿瘤类型的方法 |
CN105719278A (zh) * | 2016-01-13 | 2016-06-29 | 西北大学 | 一种基于统计形变模型的器官辅助定位分割方法 |
CN107705305A (zh) * | 2017-10-20 | 2018-02-16 | 上海联影医疗科技有限公司 | 一种医学图像处理的方法及装置 |
CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
-
2018
- 2018-09-21 CN CN201811110633.2A patent/CN109308477A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2157905A1 (en) * | 2007-05-15 | 2010-03-03 | Val-Chum, S.E.C. | A method for tracking 3d anatomical and pathological changes in tubular-shaped anatomical structures |
JP2011092677A (ja) * | 2009-09-30 | 2011-05-12 | Fujifilm Corp | 肝臓造影像を用いた医用画像診断装置および方法、並びにプログラム |
CN105447872A (zh) * | 2015-12-03 | 2016-03-30 | 中山大学 | 一种在超声影像中自动识别肝脏肿瘤类型的方法 |
CN105719278A (zh) * | 2016-01-13 | 2016-06-29 | 西北大学 | 一种基于统计形变模型的器官辅助定位分割方法 |
CN107705305A (zh) * | 2017-10-20 | 2018-02-16 | 上海联影医疗科技有限公司 | 一种医学图像处理的方法及装置 |
CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
Non-Patent Citations (2)
Title |
---|
REZA MORADI RAD 等: "Multi-Resolutional Ensemble of Stacked Dilated U-Net for Inner Cell Mass Segmentation in Human Embryonic Images", 《2018 25TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
金春兰 等: "基于多重分形的医学图像分割方法", 《中国组织工程研究》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724893A (zh) * | 2019-03-20 | 2020-09-29 | 宏碁股份有限公司 | 医疗影像辨识装置及医疗影像辨识方法 |
CN111724893B (zh) * | 2019-03-20 | 2024-04-09 | 宏碁股份有限公司 | 医疗影像辨识装置及医疗影像辨识方法 |
CN110047577A (zh) * | 2019-04-23 | 2019-07-23 | 杭州依图医疗技术有限公司 | 影像分配装置及影像分配方法 |
CN110197716A (zh) * | 2019-05-20 | 2019-09-03 | 广东技术师范大学 | 医学影像的处理方法、装置及计算机可读存储介质 |
CN111127444A (zh) * | 2019-12-26 | 2020-05-08 | 广州柏视医疗科技有限公司 | 基于深度语义网络的ct影像中自动识别放疗危及器官的方法 |
CN111127444B (zh) * | 2019-12-26 | 2021-06-04 | 广州柏视医疗科技有限公司 | 基于深度语义网络的ct影像中自动识别放疗危及器官的方法 |
CN111462086A (zh) * | 2020-03-31 | 2020-07-28 | 北京推想科技有限公司 | 图像分割方法及装置、神经网络模型的训练方法及装置 |
CN111462086B (zh) * | 2020-03-31 | 2024-04-26 | 推想医疗科技股份有限公司 | 图像分割方法及装置、神经网络模型的训练方法及装置 |
CN115761221A (zh) * | 2022-09-21 | 2023-03-07 | 阿里巴巴(中国)有限公司 | 图像处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308477A (zh) | 一种基于粗分类的医学影像自动分割方法、设备和存储介质 | |
CN109410188B (zh) | 用于对医学图像进行分割的***和方法 | |
CN103180878B (zh) | 用于医学图像的分割的*** | |
CN106204587A (zh) | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 | |
CN109872333A (zh) | 医学影像分割方法、装置、计算机设备和存储介质 | |
CN109447976A (zh) | 一种基于人工智能的医学图像分割方法及*** | |
CN109285200A (zh) | 一种基于人工智能的多模态医学影像的转换方法 | |
CN109636811A (zh) | Ct影像的肺叶段分割的整合方法、装置 | |
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 | |
CN109074500A (zh) | 用于分割同一患者的医学图像的***和方法 | |
CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
CN110544264A (zh) | 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法 | |
CN110310287A (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
CN103562960B (zh) | 用于生成图像的图像区域与元素类之间的分配的装置 | |
CN110047082A (zh) | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及*** | |
CN109727235A (zh) | 一种基于深度学习的器官自动勾画算法 | |
CN108986115A (zh) | 医学图像分割方法、装置及智能终端 | |
Aygün et al. | Multi modal convolutional neural networks for brain tumor segmentation | |
Liu et al. | Automatic segmentation algorithm of ultrasound heart image based on convolutional neural network and image saliency | |
CN109215040A (zh) | 一种基于多尺度加权学习的乳腺肿瘤分割方法 | |
Snaauw et al. | End-to-end diagnosis and segmentation learning from cardiac magnetic resonance imaging | |
CN113192069A (zh) | 三维断层扫描图像中树状结构的语义分割方法和装置 | |
CN111127487B (zh) | 一种实时多组织医学图像的分割方法 | |
Zimmer et al. | A multi-task approach using positional information for ultrasound placenta segmentation | |
CN110415252A (zh) | 一种基于cnn的眼周器官分割方法、设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190205 |