CN109685819A - 一种基于特征增强的三维医学图像分割方法 - Google Patents
一种基于特征增强的三维医学图像分割方法 Download PDFInfo
- Publication number
- CN109685819A CN109685819A CN201811510480.0A CN201811510480A CN109685819A CN 109685819 A CN109685819 A CN 109685819A CN 201811510480 A CN201811510480 A CN 201811510480A CN 109685819 A CN109685819 A CN 109685819A
- Authority
- CN
- China
- Prior art keywords
- network
- characteristic pattern
- medical image
- mode
- parallel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003709 image segmentation Methods 0.000 title claims abstract description 19
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 210000005013 brain tissue Anatomy 0.000 claims 1
- 239000003814 drug Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012800 visualization 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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06T2207/20—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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于特征增强的三维医学图像分割方法,涉及图像处理领域。构造一种U型卷积神经网络,实现端到端的医学图像分割;将医学图像的多个模态的图像分别作为输入送入到并行的U型卷积神经网络中,得到不同的特征图;提取多个并行网络的特征图并融合,再进行卷积,得到不同特征图各自的权重图;将并行网络各自的体素级权重与原先的特征图相乘,完成特征增强过程;将所有并行网络末端的特征图融合,得到多张概率图,从而得到分割结果。能有效地增强特征图中有用的信息,抑制冗余信息。同时,相较于其他注意力加权方式,该加权方法考虑到了图像的多模态信息和三维信息,从而获得更好的分割效果。
Description
技术领域
本发明涉及图像处理领域,尤其是涉及一种基于特征增强的三维医学图像分割方法。
背景技术
图像分割是图像处理和计算机视觉领域中的一个基本问题,特别是医学图像分割,近来已经成为医学图像领域最热门的研究方向之一,其对于临床诊断和治疗有重要的意义。深度学习的概念由Hinton等人于2006年提出,是机器学习领域中的一系列对数据进行多层抽象的算法。近几年,深度学习的出现使图像分割的性能大幅提高,将图像分割带入了一个新的发展阶段。
对于深度学习的卷积神经网络来说,网络中的特征图包含着丰富的图像信息,但很多情况下,特征图的某些信息又是多余的,甚至有可能影响到最终的网络输出结果。于是,学术界开始尝试运用注意力机制,增强特征图中某些区域的有用的信息,抑制部分无用的信息,从而提高网络的性能。目前,注意力机制已经成功运用在一些二维的图像处理任务中,例如超分辨率重建、图像去雨去雾、人体行为识别等。然而,空间注意力机制尚未在多模态的三维图像中得到有效的运用。在医学图像分割领域,一些经典的网络如3D U-Net(Abdulkadir,A.,Lienkamp,S.S.,Brox,T.,Ronneberger,O.,2016.3D U-Net:Learning Dense Volumetric Segmentation from Sparse Annotation.SpringerInternational Publishing,Cham,pp.424-432),采用编解码网络结构,并将低层网络特征融入到高层网络中,但并没有运用到空间注意力机制。
发明内容
本发明所要解决的技术问题是提供可改善特征图的表征能力,提高图像分割效果的一种基于特征增强的三维医学图像分割方法。
本发明包括以下步骤:
1)构造一种U型卷积神经网络,实现端到端的医学图像分割;
2)将医学图像的多个模态的图像分别作为输入送入到并行的U型卷积神经网络中,得到不同的特征图;
3)提取多个并行网络的特征图并融合,再进行卷积,得到不同特征图各自的权重图;
4)将并行网络各自的体素级权重与原先的特征图相乘,完成特征增强过程;
5)将所有并行网络末端的特征图融合,得到多张概率图,从而得到分割结果。
在步骤1)中,所述构造一种U型卷积神经网络是构造单通路网络结构图,单通路网络结构借鉴医学图像领域常用的U型卷积神经网路,其中包含两次池化与上采样过程,使得网络输出图片与原输入图片尺寸大小相同;每一个卷积层都包含BN层、卷积操作以及使用激活函数激活;同时,在训练阶段,通过在网络浅层加入辅助监督层,将监督信息引入网络浅层,使网络浅层有更多的语义信息;最终网络总的损失函数设定为:
其中,X和Y表示输入的训练数据以及分割标签;Θ代表网络的各项参数;对于每一个X,都有一个Y的对应的分割标签Yc,有pc(X,Θ)代表网络输出结果中每个类别中体素级分类的概率;表示第α个辅助监督层的输出结果中每个类别中体素级分类的概率,且两个辅助监督层的权重μα均为0.5;在网络中引入正则化方法,并将正则化系数λ设定为0.0001。
在步骤2)中,所述并行的U型卷积神经网络中,可将各个模态的医学图像分别作为每条网络的输入,在网络末端再将多条网络的特征图融合,以得到最终的分割概率图,同时,在网络进行空间加权时,也将多条网络融合,使得加权后的各个模态的特征图各有侧重。
在步骤3)中,所述提取多个并行网络的特征图并融合的具体方法可为:首先对于网络中的某一层有n张特征图,对于第i张特征图,将所有多路并行网络的第i张特征图提取,如对于MR脑组织分割,其有T1、T1-IR以及T2-FLAIR三种模态,将这三种模态连接,作为三个通道,使用不同的卷积核对其卷积,各自压缩为一个通道,作为不同模态的权重图,过程的表达式为:
其中,代表所得到的不同模态的权重图,l表示其属于第l层的特征图,i表示其属于该层第i张特征图,σ代表使用Sigmoid函数进行激活,Conv3D表示三维卷积操作,其中卷积核大小为9×9×9,表示m模态网络中第l层的第i张特征图。
在步骤4)中,所述将并行网络各自的体素级权重与原先的特征图相乘的公式可为:
其中,fl T1、fl T1-IR、fl T2-FLAIR分别为各个模态第l层的所有的特征图;分别为三个模态的权重图;分别为三个模态加权后的所有的特征图;ReLU代表用ReLU函数进行激活;BN表示经过BN层;Conv3D表示三维卷积操作,其中卷积核大小为3×3×3。
在步骤5)中,所述将所有并行网络末端的特征图融合的具体方法可为:在几条并行网络的末端,将多个模态的特征图融合,再通过卷积的方式,最终得到n张概率图,其中n为分割任务中类别的个数,某一张概率图的某一个体素点的值代表其属于某一类的概率,对所有体素点取其概率最大的那一类别,即得到最终的分割结果。
本发明提出了一种基于特征增强的三维医学图像分割方法,运用空间注意力机制的思想,创造性地提出利用深度卷积求出每个三维特征图的权重,再将得到的权重图同原有的特征图一一相乘,从而达到特征增强的目的。相较于传统的分割网络,该三维特征增强的方式能有效地增强特征图中有用的信息,抑制冗余信息。同时,相较于其他注意力加权方式,该加权方法考虑到了图像的多模态信息和三维信息,从而获得更好的分割效果。
附图说明
图1为单通路网络结构图。
图2为并行网络结构图。
图3为特征增强流程图。
图4为特征增强前后对比图。在图4中,(a)为T1特征图,(b)为T1-IR特征图,(c)为T2-FLAIR特征图。
图5为有无特征增强分割结果对比图。在图5中,(a)为无特征增强(T1),(b)为有特征增强(T1-IR),(c)为图像标签(T2-FLAIR)
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述:
根据图1,构造单通路U型卷积神经网络:
该网络结构借鉴医学图像领域常用的U型卷积神经网路,其中包含两次池化与上采样过程,使得网络输出图片与原输入图片尺寸大小相同。每一个卷积层都包含BN层、卷积操作以及使用激活函数激活。同时,在训练阶段,通过在网络浅层加入辅助监督层,将监督信息引入网络浅层,使网络浅层有更多的语义信息。最终网络总的损失函数设定为:
其中,X和Y表示输入的训练数据以及分割标签;Θ代表网络的各项参数;对于每一个X,都有一个Y的对应的分割标签Yc,有pc(X,Θ)代表网络输出结果中每个类别中体素级分类的概率;表示第α个辅助监督层的输出结果中每个类别中体素级分类的概率,且两个辅助监督层的权重μα均为0.5;我们在网络中引入正则化方法,并将正则化系数λ设定为0.0001。
根据图2,以MR人脑图像为例,其包含T1、T1-IR、T2-FLAIR三个模态,以这三个模态为输入构造整个分割网络。
根据图3,三维特征增强主要有三个步骤:
步骤1:融合不同模态的特征图,表达式为:
其中,分别代表不同模态的单个通道的特征图,l代表其为第l层特征图,i代表是第i个通道的特征图,表示融合后的三通道的特征图。
步骤2:对融合后的特征图进行卷积,表达式为:
具体步骤如下:
1、对于步骤1中所得到三通道的特征图,使用不同的大小为9×9×9进行卷积,分别得到不同的卷积后的结果。
2、对步骤1得到的结果使用ReLU激活函数激活,得到属于不同模态的权重图。
步骤3:原有的特征图和权重图相乘,最终得到空间加权后的结果,如图4所示。有无特征增强分割结果对比如图5所示。
特征图的计算为:
本发明的创造性包括:首次提出了一种三维特征增强方式,通过将网络中的特征图逐通道提取,融合多个模态的特征图,再使用不同的卷积核得到针对不同模态的权重图,将权重图和对应的特征图相乘,从而得到特征增强后的特征图。该加权方法,相较于无加权的深度学习模型,能使网络中的特征图各有侧重,提高特征图的表征能力,得到更好的图像分割结果。
Claims (6)
1.一种基于特征增强的三维医学图像分割方法,其特征在于包括以下步骤:
1)构造一种U型卷积神经网络,实现端到端的医学图像分割;
2)将医学图像的多个模态的图像分别作为输入送入到并行的U型卷积神经网络中,得到不同的特征图;
3)提取多个并行网络的特征图并融合,再进行卷积,得到不同特征图各自的权重图;
4)将并行网络各自的体素级权重与原先的特征图相乘,完成特征增强过程;
5)将所有并行网络末端的特征图融合,得到多张概率图,从而得到分割结果。
2.如权利要求1所述一种基于特征增强的三维医学图像分割方法,其特征在于在步骤1)中,所述构造一种U型卷积神经网络是构造单通路网络结构图,单通路网络结构借鉴医学图像领域常用的U型卷积神经网路,其中包含两次池化与上采样过程,使得网络输出图片与原输入图片尺寸大小相同;每一个卷积层都包含BN层、卷积操作以及使用激活函数激活;同时,在训练阶段,通过在网络浅层加入辅助监督层,将监督信息引入网络浅层,使网络浅层有更多的语义信息;最终网络总的损失函数设定为:
其中,X和Y表示输入的训练数据以及分割标签;Θ代表网络的各项参数;对于每一个X,都有一个Y的对应的分割标签Yc,有pc(X,Θ)代表网络输出结果中每个类别中体素级分类的概率;表示第α个辅助监督层的输出结果中每个类别中体素级分类的概率,且两个辅助监督层的权重μα均为0.5;在网络中引入l2正则化方法,并将正则化系数λ设定为0.0001。
3.如权利要求1所述一种基于特征增强的三维医学图像分割方法,其特征在于在步骤2)中,所述并行的U型卷积神经网络中,是将各个模态的医学图像分别作为每条网络的输入,在网络末端再将多条网络的特征图融合,以得到最终的分割概率图,同时,在网络进行空间加权时,也将多条网络融合,使得加权后的各个模态的特征图各有侧重。
4.如权利要求1所述一种基于特征增强的三维医学图像分割方法,其特征在于在步骤3)中,所述提取多个并行网络的特征图并融合的具体方法为:首先对于网络中的某一层有n张特征图,对于第i张特征图,将所有多路并行网络的第i张特征图提取,对于MR脑组织分割,其有T1、T1-IR以及T2-FLAIR三种模态,将这三种模态连接,作为三个通道,使用不同的卷积核对其卷积,各自压缩为一个通道,作为不同模态的权重图,过程的表达式为:
其中,代表所得到的不同模态的权重图,l表示其属于第l层的特征图,i表示其属于该层第i张特征图,σ代表使用Sigmoid函数进行激活,Conv3D表示三维卷积操作,其中卷积核大小为9×9×9,表示m模态网络中第l层的第i张特征图。
5.如权利要求1所述一种基于特征增强的三维医学图像分割方法,其特征在于在步骤4)中,所述将并行网络各自的体素级权重与原先的特征图相乘的公式为:
其中,fl T1、fl T1-IR、fl T2-FLAIR分别为各个模态第l层的所有的特征图;分别为三个模态的权重图;分别为三个模态加权后的所有的特征图;ReLU代表用ReLU函数进行激活;BN表示经过BN层;Conv3D表示三维卷积操作,其中卷积核大小为3×3×3。
6.如权利要求1所述一种基于特征增强的三维医学图像分割方法,其特征在于在步骤5)中,所述将所有并行网络末端的特征图融合的具体方法为:在几条并行网络的末端,将多个模态的特征图融合,再通过卷积的方式,最终得到n张概率图,其中n为分割任务中类别的个数,某一张概率图的某一个体素点的值代表其属于某一类的概率,对所有体素点取其概率最大的那一类别,即得到最终的分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811510480.0A CN109685819B (zh) | 2018-12-11 | 2018-12-11 | 一种基于特征增强的三维医学图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811510480.0A CN109685819B (zh) | 2018-12-11 | 2018-12-11 | 一种基于特征增强的三维医学图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685819A true CN109685819A (zh) | 2019-04-26 |
CN109685819B CN109685819B (zh) | 2021-02-26 |
Family
ID=66187207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811510480.0A Expired - Fee Related CN109685819B (zh) | 2018-12-11 | 2018-12-11 | 一种基于特征增强的三维医学图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685819B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136122A (zh) * | 2019-05-17 | 2019-08-16 | 东北大学 | 一种基于注意力深度特征重建的脑mr图像分割方法 |
CN110211140A (zh) * | 2019-06-14 | 2019-09-06 | 重庆大学 | 基于3D残差U-Net和加权损失函数的腹部血管分割方法 |
CN110232333A (zh) * | 2019-05-23 | 2019-09-13 | 红云红河烟草(集团)有限责任公司 | 行为识别***模型训练方法、行为识别方法及*** |
CN110458833A (zh) * | 2019-08-15 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 基于人工智能的医学图像处理方法、医学设备和存储介质 |
CN110619633A (zh) * | 2019-09-10 | 2019-12-27 | 武汉科技大学 | 一种基于多路滤波策略的肝脏图像分割方法 |
CN110717913A (zh) * | 2019-09-06 | 2020-01-21 | 浪潮电子信息产业股份有限公司 | 一种图像分割方法及装置 |
CN110945564A (zh) * | 2019-08-13 | 2020-03-31 | 香港应用科技研究院有限公司 | 基于混合上下文cnn模型的医学图像分割 |
CN111028173A (zh) * | 2019-12-10 | 2020-04-17 | 北京百度网讯科技有限公司 | 图像增强方法、装置、电子设备及可读存储介质 |
CN111091044A (zh) * | 2019-10-25 | 2020-05-01 | 武汉大学 | 一种面向网约车的车内危险场景识别方法 |
CN111161269A (zh) * | 2019-12-23 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像分割方法、计算机设备和可读存储介质 |
CN111539887A (zh) * | 2020-04-21 | 2020-08-14 | 温州大学 | 一种基于混合卷积的通道注意力机制和分层学习的神经网络图像去雾方法 |
CN111614974A (zh) * | 2020-04-07 | 2020-09-01 | 上海推乐信息技术服务有限公司 | 一种视频图像修复方法和*** |
WO2021026962A1 (en) * | 2019-08-13 | 2021-02-18 | Hong Kong Applied Science and Technology Research Institute Company Limited | Medical image segmentation based on mixed context cnn model |
CN113052173A (zh) * | 2021-03-25 | 2021-06-29 | 北京百度网讯科技有限公司 | 样本数据的特征增强方法和装置 |
CN113658188A (zh) * | 2021-08-18 | 2021-11-16 | 北京石油化工学院 | 一种基于改进Unet模型的溶液结晶过程图像语义分割方法 |
CN113793326A (zh) * | 2021-09-18 | 2021-12-14 | 北京致远慧图科技有限公司 | 一种基于图像的疾病识别方法和装置 |
CN117333777A (zh) * | 2023-12-01 | 2024-01-02 | 山东元明晴技术有限公司 | 一种坝体异常识别方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20170344829A1 (en) * | 2016-05-31 | 2017-11-30 | Microsoft Technology Licensing, Llc | Skeleton -based action detection using recurrent neural network |
US20170372174A1 (en) * | 2016-06-28 | 2017-12-28 | Conduent Business Services, Llc | System and method for expanding and training convolutional neural networks for large size input images |
CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
CN108229580A (zh) * | 2018-01-26 | 2018-06-29 | 浙江大学 | 一种基于注意力机制及特征融合的眼底图中糖网特征分级装置 |
-
2018
- 2018-12-11 CN CN201811510480.0A patent/CN109685819B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170344829A1 (en) * | 2016-05-31 | 2017-11-30 | Microsoft Technology Licensing, Llc | Skeleton -based action detection using recurrent neural network |
US20170372174A1 (en) * | 2016-06-28 | 2017-12-28 | Conduent Business Services, Llc | System and method for expanding and training convolutional neural networks for large size input images |
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 |
CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
CN108229580A (zh) * | 2018-01-26 | 2018-06-29 | 浙江大学 | 一种基于注意力机制及特征融合的眼底图中糖网特征分级装置 |
Non-Patent Citations (2)
Title |
---|
OZG¨UN C¸ I¸CEK, ET AL.: "3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
秦志光等: "基于多模态卷积神经网络的脑血管提取方法研究", 《电子科技大学学报》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136122B (zh) * | 2019-05-17 | 2023-01-13 | 东北大学 | 一种基于注意力深度特征重建的脑mr图像分割方法 |
CN110136122A (zh) * | 2019-05-17 | 2019-08-16 | 东北大学 | 一种基于注意力深度特征重建的脑mr图像分割方法 |
CN110232333A (zh) * | 2019-05-23 | 2019-09-13 | 红云红河烟草(集团)有限责任公司 | 行为识别***模型训练方法、行为识别方法及*** |
CN110211140A (zh) * | 2019-06-14 | 2019-09-06 | 重庆大学 | 基于3D残差U-Net和加权损失函数的腹部血管分割方法 |
WO2021026962A1 (en) * | 2019-08-13 | 2021-02-18 | Hong Kong Applied Science and Technology Research Institute Company Limited | Medical image segmentation based on mixed context cnn model |
CN110945564B (zh) * | 2019-08-13 | 2023-04-07 | 香港应用科技研究院有限公司 | 基于混合上下文cnn模型的医学图像分割 |
CN110945564A (zh) * | 2019-08-13 | 2020-03-31 | 香港应用科技研究院有限公司 | 基于混合上下文cnn模型的医学图像分割 |
US10937158B1 (en) | 2019-08-13 | 2021-03-02 | Hong Kong Applied Science and Technology Research Institute Company Limited | Medical image segmentation based on mixed context CNN model |
CN110458833A (zh) * | 2019-08-15 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 基于人工智能的医学图像处理方法、医学设备和存储介质 |
CN110458833B (zh) * | 2019-08-15 | 2023-07-11 | 腾讯科技(深圳)有限公司 | 基于人工智能的医学图像处理方法、医学设备和存储介质 |
WO2021042641A1 (zh) * | 2019-09-06 | 2021-03-11 | 浪潮电子信息产业股份有限公司 | 一种图像分割方法及装置 |
CN110717913B (zh) * | 2019-09-06 | 2022-04-22 | 浪潮电子信息产业股份有限公司 | 一种图像分割方法及装置 |
CN110717913A (zh) * | 2019-09-06 | 2020-01-21 | 浪潮电子信息产业股份有限公司 | 一种图像分割方法及装置 |
CN110619633A (zh) * | 2019-09-10 | 2019-12-27 | 武汉科技大学 | 一种基于多路滤波策略的肝脏图像分割方法 |
CN111091044B (zh) * | 2019-10-25 | 2022-04-01 | 武汉大学 | 一种面向网约车的车内危险场景识别方法 |
CN111091044A (zh) * | 2019-10-25 | 2020-05-01 | 武汉大学 | 一种面向网约车的车内危险场景识别方法 |
CN111028173B (zh) * | 2019-12-10 | 2023-11-17 | 北京百度网讯科技有限公司 | 图像增强方法、装置、电子设备及可读存储介质 |
CN111028173A (zh) * | 2019-12-10 | 2020-04-17 | 北京百度网讯科技有限公司 | 图像增强方法、装置、电子设备及可读存储介质 |
CN111161269A (zh) * | 2019-12-23 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像分割方法、计算机设备和可读存储介质 |
CN111161269B (zh) * | 2019-12-23 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 图像分割方法、计算机设备和可读存储介质 |
CN111614974B (zh) * | 2020-04-07 | 2021-11-30 | 上海推乐信息技术服务有限公司 | 一种视频图像修复方法和*** |
CN111614974A (zh) * | 2020-04-07 | 2020-09-01 | 上海推乐信息技术服务有限公司 | 一种视频图像修复方法和*** |
CN111539887B (zh) * | 2020-04-21 | 2023-07-14 | 温州大学 | 一种基于混合卷积的通道注意力机制和分层学习的神经网络图像去雾方法 |
CN111539887A (zh) * | 2020-04-21 | 2020-08-14 | 温州大学 | 一种基于混合卷积的通道注意力机制和分层学习的神经网络图像去雾方法 |
CN113052173A (zh) * | 2021-03-25 | 2021-06-29 | 北京百度网讯科技有限公司 | 样本数据的特征增强方法和装置 |
CN113052173B (zh) * | 2021-03-25 | 2024-07-19 | 岳阳市金霖昇行科技有限公司 | 样本数据的特征增强方法和装置 |
CN113658188A (zh) * | 2021-08-18 | 2021-11-16 | 北京石油化工学院 | 一种基于改进Unet模型的溶液结晶过程图像语义分割方法 |
CN113793326A (zh) * | 2021-09-18 | 2021-12-14 | 北京致远慧图科技有限公司 | 一种基于图像的疾病识别方法和装置 |
CN117333777A (zh) * | 2023-12-01 | 2024-01-02 | 山东元明晴技术有限公司 | 一种坝体异常识别方法、装置及存储介质 |
CN117333777B (zh) * | 2023-12-01 | 2024-02-13 | 山东元明晴技术有限公司 | 一种坝体异常识别方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109685819B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685819A (zh) | 一种基于特征增强的三维医学图像分割方法 | |
CN110097550B (zh) | 一种基于深度学习的医学图像分割方法及*** | |
Zhu et al. | Rubik’s cube+: A self-supervised feature learning framework for 3d medical image analysis | |
Li et al. | Deep learning segmentation of optical microscopy images improves 3-D neuron reconstruction | |
CN110189308B (zh) | 一种基于bm3d和稠密卷积网络融合的肿瘤检测方法和装置 | |
CN109598732A (zh) | 一种基于三维空间加权的医学图像分割方法 | |
CN107506761A (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及*** | |
CN108171232A (zh) | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 | |
CN109727253A (zh) | 基于深度卷积神经网络自动分割肺结节的辅助检测方法 | |
CN107169974A (zh) | 一种基于多监督全卷积神经网络的图像分割方法 | |
CN107358626A (zh) | 一种利用条件生成对抗网络计算视差的方法 | |
CN106156793A (zh) | 结合深层特征提取和浅层特征提取的医学图像分类方法 | |
CN112465827A (zh) | 一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法 | |
CN110084318A (zh) | 一种结合卷积神经网络和梯度提升树的图像识别方法 | |
Zhang et al. | Liver tumor segmentation using 2.5 D UV-Net with multi-scale convolution | |
CN114511798B (zh) | 基于transformer的驾驶员分心检测方法及装置 | |
Xue et al. | Hypergraph membrane system based F2 fully convolutional neural network for brain tumor segmentation | |
CN107424145A (zh) | 基于三维全卷积神经网络的核磁共振图像的分割方法 | |
WO2022127500A1 (zh) | 基于多个神经网络的mri图像分割方法、装置及设备 | |
CN109190683A (zh) | 一种基于注意力机制和双模态图像的分类方法 | |
CN107845065A (zh) | 超分辨率图像重建方法和装置 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
Zhang et al. | SUNet++: A deep network with channel attention for small-scale object segmentation on 3D medical images | |
Lu et al. | GMetaNet: Multi-scale ghost convolutional neural network with auxiliary MetaFormer decoding path for brain tumor segmentation | |
Li et al. | Robust deep 3D blood vessel segmentation using structural priors |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210226 |