CN109919948A - 基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法 - Google Patents
基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法 Download PDFInfo
- Publication number
- CN109919948A CN109919948A CN201910141261.8A CN201910141261A CN109919948A CN 109919948 A CN109919948 A CN 109919948A CN 201910141261 A CN201910141261 A CN 201910141261A CN 109919948 A CN109919948 A CN 109919948A
- Authority
- CN
- China
- Prior art keywords
- nasopharyngeal carcinoma
- convolution
- residual error
- segmentation
- obtains
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法,其中,分割方法包括以下步骤:I.将训练好的分割模型加载到卷积神经网络模型中;II.读取鼻咽癌MRI原始图像;III.对鼻咽癌MRI原始图像进行归一化,得到鼻咽癌MRI图像;IV.将鼻咽癌MRI图像输入卷积神经网络模型,得到鼻咽癌MRI图像的病灶概率图;V.将鼻咽癌MRI图像的病灶概率图进行二值化,得到病灶分割图。本发明还提供一种鼻咽癌病灶分割模型训练方法。本发明通过基于深度学习的鼻咽癌病灶分割模型训练方法得到的模型应用于病灶分割方法中,可有效解决鼻咽癌MRI图像中小图像分割导致效果不好的问题,从而提高目标小图像的分割效果,更加准确的自动分割鼻咽癌病灶。
Description
技术领域
本发明涉及医疗图像处理技术领域,更具体地说,涉及一种基于深度学习的鼻咽癌病灶的自动分割模型训练方法及分割方法。
背景技术
磁共振成像(Magnetic Resonance Imaging,简称MRI)采用静磁场和射频磁场使人体组织成像,在成像过程中,既不用电子离辐射、也不用造影剂就可获得高对比度的清晰图像。它能够从人体分子内部反映出人体器官失常和早期病变。磁共振成像能够提供人体器官的生理状态信息,它有能力将同样密度的不同组织和同一组织的不同化学结构通过影像显示表征出来。
鼻咽癌(nasopharyngeal carcinoma,NPC)是指发生于鼻咽腔顶部和侧壁的恶性肿瘤。是我国高发恶性肿瘤之一,发病率为耳鼻咽喉恶性肿瘤之首。病因主要有:遗传因素、EB病毒、环境因素。因为鼻咽癌细胞对放射线敏感,所以放射治疗是目前公认且有效的治疗手段,其治疗后5年总生存率大约为74.9%。鼻咽癌的放射治疗依赖于对鼻咽癌病灶区域(放射靶区)进行准确勾画(即病灶分割)。
传统鼻咽癌的靶区勾画主要来源于医生手工操作,这严重依赖于医生的经验以及工作状态,对于同样的病例,不同的医生可能会给出不同的勾画,不仅如此,目前国内的医生工作量很大,巨大的工作压力使勾画很容易出错,这将给患者的后续治疗带来严重后果。因此,现阶段采用了一种机器学习的自动化的方式来完成这项工作,提高勾画的一致性,减轻医生的工作压力。
现有的用于鼻咽癌自动分割的方法主要都是传统机器学习的方法,这些方法具有以下缺点:第一,流程复杂;第二,效果不够好,医疗图像中经常会出现相比全图来说目标太小的问题,鼻咽癌MRI图像也不例外,鼻咽癌MRI图像中,病灶像素点仅占全部像素点的不到1%,通用的深度学习方法无法很好的处理这个问题。
发明内容
本发明的目的在于克服现有技术中的缺点与不足,提供一种基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法,通过分割模型训练方法得到的模型应用于该分割方法中,可有效解决鼻咽癌MRI图像中小图像分割导致效果不好的问题,从而提高目标小图像的分割效果,更加准确的自动分割鼻咽癌病灶。
为了达到上述目的,本发明通过下述技术方案予以实现:
一种基于深度学习的鼻咽癌病灶分割模型训练方法,其特征在于:首先,将鼻咽癌MRI图片及鼻咽癌病灶分割图片集划作为训练集;其次,建立卷积神经网络模型;最后,采用训练集对卷积神经网络模型进行训练,得到训练好的分割模型;
其中,所述采用训练集对卷积神经网络模型进行训练,得到训练好的分割模型是指:包括以下步骤:
第一步,将训练集的样本进行归一化,得到归一化后的样本;
第二步,将归一化后的样本输入模型,得到分割概率图;
第三步,使用分割概率图与归一化后样本的鼻咽癌病灶分割图片进行计算,得到dice损失;使用dice损失,反向传播更新模型参数;判断是否达到设定的轮数,是则得到训练好的分割模型,否则返回第一步。
在上述方案中,本发明通过分割模型训练方法得到的模型可应用于鼻咽癌病灶分割方法中,以提高鼻咽癌病灶分割方法的准确性和分割效果。
所述卷积神经网络模型包括用于提取抽象特征以扩大感受野的下采样层、用于恢复细节信息的上采样层和用于使用低层特征为高层特征补充细节信息的跳跃连接层。
所述下采样层包括残差卷积模块;所述上采样层包括金字塔池化模块。
第二步中,所述将归一化后的样本输入模型,得到分割概率图是指:包括以下步骤:
(1)将归一化后的样本输入模型;
(2)对归一化后的样本执行一次倍数为2的下采样;
(3)通过残差卷积模块执行四次残差卷积;
(4)输入金字塔池化模块;
(5)拼接金字塔池化模块的输出与第四次残差卷积的输出;
(6)执行第五次残差卷积;
(7)拼接第五次残差卷积的输出与第三次残差卷积的输出;
(8)执行第六次残差卷积;
(9)拼接第六次残差卷积的输出与第二次残差卷积的输出;
(10)执行第七次残差卷积;
(11)拼接第七次残差卷积的输出与第一次残差卷积的输出;
(12)执行一次倍数为2的上采样;
(13)拼接上采样的输出与归一化后的样本;
(14)执行第八次残差卷积,得到分割概率图。
所述残差卷积是指将输入分别通过两条路径,将两条路径的结果相加后输入线性整流激活函数,输出残差卷积的结果;其中,第一条路径依次对输入执行一次卷积、批归一化和线性整流激活函数;第二条路径对输入执行一次卷积。残差卷积模块中的卷积次数、激活函数以及卷积通道数可以根据实际需要灵活选取,本发明的残差卷积模块中使用的激活函数均为线性整流激活函数。
所述金字塔池化模块中有四条路径,拼接四条路径的输出后,将拼接结果输入一个线性整流激活函数,最后将线性整流激活函数的输出执行一次卷积、批归一化和线性整流激活函数,得到金字塔池化模块的输出;
其中,四条路径结构分别如下:
第一条路径中含有一个大小为6的全局池化、一次卷积和一次上采样;
第二条路径中含有一个大小为3的全局池化、一次卷积和一次上采样;
第三条路径中含有一个大小为2的全局池化、一次卷积和一次上采样;
第四条路径中含有一个大小为1的全局池化、一次卷积和一次上采样;
四条路径中的上采样输出均为归一化后的样本输入图像大小。
本发明将四条路径的结果拼接起来,进行一次激活,然后再使用一个一乘一大小的卷积操作,将通道数压缩到指定数量。四条路径中的不同大小的全局池化将带来不同大小的感受野,为了让每一个像素点都获取不同大小的感受野,每一条路径中都将使用一个上采样,上采样将把每一个池化结果都放大到输入特征块的大小,使输入特征块中的每一个位置的像素点都能获得不同大小的感受野,最终的一乘一的卷积将融合输入特征与新生成的感受野特征,同时压缩通道数量。金字塔池化模块中的路径数量、池化大小、激活函数、卷积次数以及通道数可以根据实际需要灵活选取。
本发明下采样层包含多个残差卷积模块,残差卷积模块包含两次卷积,在将输入通过两次卷积之后,将输入加到卷积之后的结果上。对于图像中的小目标而言,相比高层次的特征,低层次的特征包含更多的小目标信息,而残差卷积模块能够更有效地利用低层次的特征,因此此处选择残差卷积模块来提取鼻咽癌病灶的语义特征。通用深度学习模型中通常包含多个下采样层,用于获取更大的感受野,然而下采样层操作将损失大量的局部细节特征,不利于小目标的分割,因此在本发明中,下采样层路径中将仅执行一次下采样,这样可以保留更多的局部细节信息,同时为了获取更大的感受野和全局信息,在下采样层路径的末尾添加金字塔池化模块。金字塔池化模块包含若干个不同大小的池化,用于获取不同大小的感受野信息,使用金字塔池化模块将弥补下采样层路径中仅进行一次下采样时所带来的感受野的不足。
第三步中,dice损失作为卷积神经网络模型的损失函数,其计算公式为:
其中,p为模型输出的分割概率图,g为图像的真实分割图。
一种基于深度学习的鼻咽癌病灶分割方法,其特征在于:包括以下步骤:
I.将第三步训练好的分割模型加载到卷积神经网络模型中;
II.读取鼻咽癌MRI原始图像;所述鼻咽癌MRI原始图像是单通道的灰度图;
III.对鼻咽癌MRI原始图像进行归一化,得到鼻咽癌MRI图像;
IV.将鼻咽癌MRI图像输入卷积神经网络模型,得到鼻咽癌MRI图像的病灶概率图;
V.将鼻咽癌MRI图像的病灶概率图进行二值化,得到病灶分割图。
在上述方案中,本发明病灶分割方法可有效解决鼻咽癌MRI图像中小图像分割导致效果不好的问题,从而提高目标小图像的分割效果,更加准确的自动分割鼻咽癌病灶。
所述将鼻咽癌MRI图像的病灶概率图进行二值化,得到病灶分割图是指:设定阈值,并依次判断病灶概率图中的每一个像素点,当像素点的值大于所述阈值时则认为该点是病灶,否则认为不是病灶,得到病灶分割图。
所述对鼻咽癌MRI原始图像进行归一化,得到鼻咽癌MRI图像是指:计算鼻咽癌MRI原始图像的最大值与最小值,依次对每个像素点执行以下操作得到鼻咽癌MRI图像:使用像素点的值减去最小值,再除以最大值与最小值的差,得到新的像素点值。
与现有技术相比,本发明具有如下优点与有益效果:本发明通过基于深度学习的鼻咽癌病灶分割模型训练方法得到的模型应用于病灶分割方法中,可有效解决鼻咽癌MRI图像中小图像分割导致效果不好的问题,从而提高目标小图像的分割效果,更加准确的自动分割鼻咽癌病灶。
附图说明
图1是本发明基于深度学习的鼻咽癌病灶分割方法的流程图;
图2是本发明基于深度学习的鼻咽癌病灶分割模型训练方法的流程图;
图3是本发明卷积神经网络模型结构示意图;
图4是本发明残差卷积模块示意图;
图5是本发明金字塔池化模块的示意图;
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例
如图1至图5所示,本发明一种基于深度学习的鼻咽癌病灶分割方法包括以下步骤:
I.将训练好的分割模型加载到卷积神经网络模型中;
II.读取鼻咽癌MRI原始图像,该鼻咽癌MRI原始图像是单通道的灰度图;
III.对鼻咽癌MRI原始图像进行归一化,得到鼻咽癌MRI图像;
IV.将鼻咽癌MRI图像输入卷积神经网络模型,得到鼻咽癌MRI图像的病灶概率图;
V.将鼻咽癌MRI图像的病灶概率图进行二值化,得到病灶分割图。
其中,将鼻咽癌MRI图像的病灶概率图进行二值化,得到病灶分割图是指:设定阈值0.5,并依次判断病灶概率图中的每一个像素点,当像素点的值大于阈值0.5时则认为该点是病灶,否则认为不是病灶,得到病灶分割图。
上述对鼻咽癌MRI原始图像进行归一化,得到鼻咽癌MRI图像是指:计算鼻咽癌MRI原始图像的最大值与最小值,依次对每个像素点执行以下操作得到鼻咽癌MRI图像:使用像素点的值减去最小值,再除以最大值与最小值的差,得到新的像素点值。
本发明是通过下述方法得到训练好的分割模型的:首先,将鼻咽癌MRI图片及鼻咽癌病灶分割图片集划作为训练集;其次,建立卷积神经网络模型;最后,采用训练集对卷积神经网络模型进行训练,得到训练好的分割模型;
其中,所述采用训练集对卷积神经网络模型进行训练,得到训练好的分割模型是指:包括以下步骤:
第一步,将训练集的样本进行归一化,得到归一化后的样本;
第二步,将归一化后的样本输入模型,得到分割概率图;
第三步,使用分割概率图与归一化后样本的鼻咽癌病灶分割图片进行计算,得到dice损失;使用dice损失,反向传播更新模型参数;判断是否达到设定的轮数,是则得到训练好的分割模型,否则返回第一步。
第二步中,卷积神经网络模型包括用于提取抽象特征以扩大感受野的下采样层、用于恢复细节信息的上采样层和用于使用低层特征为高层特征补充细节信息的跳跃连接层。该下采样层包括残差卷积模块,上采样层包括金字塔池化模块。
第二步中,将归一化后的样本输入模型,得到分割概率图是指:包括以下步骤:
(1)将归一化后的样本输入模型;
(2)对归一化后的样本执行一次倍数为2的下采样;
(3)通过残差卷积模块执行四次残差卷积;
(4)输入金字塔池化模块;
(5)拼接金字塔池化模块的输出与第四次残差卷积的输出;
(6)执行第五次残差卷积;
(7)拼接第五次残差卷积的输出与第三次残差卷积的输出;
(8)执行第六次残差卷积;
(9)拼接第六次残差卷积的输出与第二次残差卷积的输出;
(10)执行第七次残差卷积;
(11)拼接第七次残差卷积的输出与第一次残差卷积的输出;
(12)执行一次倍数为2的上采样;
(13)拼接上采样的输出与归一化后的样本;
(14)执行第八次残差卷积,得到分割概率图。
具体为:输入归一化后的样本的图像;
执行一次步长为2,输入通道为1,输出通道为28的卷积和激活作为下采样;
执行一次输入通道为28,输出通道为32的残差卷积;
执行一次输入通道为32,输出通道为36的残差卷积;
执行一次输入通道为36,输出通道为40的残差卷积;
输入金字塔池化模块,模块的输入通道为40,输出通道为40。
残差卷积是指将输入分别通过两条路径,将两条路径的结果相加后输入线性整流激活函数,输出残差卷积的结果;其中,第一条路径依次对输入执行一次卷积、批归一化和线性整流激活函数;第二条路径对输入执行一次卷积。残差卷积模块中的卷积次数、激活函数以及卷积通道数可以根据实际需要灵活选取,本发明的残差卷积模块中使用的激活函数均为线性整流激活函数。
金字塔池化模块中有四条路径,拼接四条路径的输出后,将拼接结果输入一个线性整流激活函数,最后将线性整流激活函数的输出执行一次卷积、批归一化和线性整流激活函数,得到金字塔池化模块的输出;
其中,四条路径结构分别如下:
第一条路径中含有一个大小为6的全局池化、一次卷积和一次上采样;
第二条路径中含有一个大小为3的全局池化、一次卷积和一次上采样;
第三条路径中含有一个大小为2的全局池化、一次卷积和一次上采样;
第四条路径中含有一个大小为1的全局池化、一次卷积和一次上采样;
四条路径中的上采样输出均为归一化后的样本输入图像大小。
本发明将四条路径的结果拼接起来,进行一次激活,然后再使用一个一乘一大小的卷积操作,将通道数压缩到指定数量。四条路径中的不同大小的全局池化将带来不同大小的感受野,为了让每一个像素点都获取不同大小的感受野,每一条路径中都将使用一个上采样,上采样将把每一个池化结果都放大到输入特征块的大小,使输入特征块中的每一个位置的像素点都能获得不同大小的感受野,最终的一乘一的卷积将融合输入特征与新生成的感受野特征,同时压缩通道数量。金字塔池化模块中的路径数量、池化大小、激活函数、卷积次数以及通道数可以根据实际需要灵活选取。
在经过下采样层路径后,模型可获取丰富的全局信息以及深层特征,可这些特征太过于抽象以及特征图像太小,因此还需要通过上采样层路径,将特征图像恢复到原始大小,最终得到和输入图像相同大小的病灶分割概率图。上采样层路径中包含多层残差卷积模块,除了最后一个残差卷积模块以外,上采样层路径中的残差卷积模块与所述下采样层路径中的残差卷积模块相同,不再赘述,最后一个残差卷积模块将直接输出病灶分割概率图像,因此最后一个残差卷积模块的最后一个激活函数必须要是sigmoid函数。下采样层路径中仅有一次下采样,与其对应的是,上采样层路径中仅包含一次上采样,上采样层有多种形式,可根据需要灵活选取,本发明中上采样层均使用双线性插值采样。上采样层路径具体结构如下所述:
执行一次输出通道为40的残差卷积;
执行一次输出通道为36的残差卷积;
执行一次输出通道为32的残差卷积;
执行一次步长为2的上采样;
执行一次输出通道为1的残差卷积,得到分割概率图。
在通过上采样路径之后,模型将获得粗略的分割图像,可是由于下采样所损失的位置信息是无法恢复的,因此还需要使用跳跃连接,将下采样路径中的每一次残差卷积后的特征图像拼接到上采样路径中对应的残差卷积前的特征图像,将拼接的结果一起进行接下来的操作,这样可以结合上采样过程中的深层语义特征以及下采样路径中的浅层位置特征,实现对鼻咽癌病灶的精确分割。
第三步中,dice损失作为卷积神经网络模型的损失函数,其计算公式为:
其中,p为模型输出的分割概率图,g为图像的真实分割图。
本发明通过基于深度学习的鼻咽癌病灶分割模型训练方法得到的模型应用于病灶分割方法中,可有效解决鼻咽癌MRI图像中小图像分割导致效果不好的问题,从而提高目标小图像的分割效果,更加准确的自动分割鼻咽癌病灶。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的鼻咽癌病灶分割模型训练方法,其特征在于:首先,将鼻咽癌MRI图片及鼻咽癌病灶分割图片集划作为训练集;其次,建立卷积神经网络模型;最后,采用训练集对卷积神经网络模型进行训练,得到训练好的分割模型;
其中,所述采用训练集对卷积神经网络模型进行训练,得到训练好的分割模型是指:包括以下步骤:
第一步,将训练集的样本进行归一化,得到归一化后的样本;
第二步,将归一化后的样本输入模型,得到分割概率图;
第三步,使用分割概率图与归一化后样本的鼻咽癌病灶分割图片进行计算,得到dice损失;使用dice损失,反向传播更新模型参数;判断是否达到设定的轮数,是则得到训练好的分割模型,否则返回第一步。
2.根据权利要求1所述的基于深度学习的鼻咽癌病灶分割模型训练方法,其特征在于:所述卷积神经网络模型包括用于提取抽象特征以扩大感受野的下采样层、用于恢复细节信息的上采样层和用于使用低层特征为高层特征补充细节信息的跳跃连接层。
3.根据权利要求2所述的基于深度学习的鼻咽癌病灶分割模型训练方法,其特征在于:所述下采样层包括残差卷积模块;所述上采样层包括金字塔池化模块。
4.根据权利要求3所述的基于深度学习的鼻咽癌病灶分割模型训练方法,其特征在于:第二步中,所述将归一化后的样本输入模型,得到分割概率图是指:包括以下步骤:
(1)将归一化后的样本输入模型;
(2)对归一化后的样本执行一次倍数为2的下采样;
(3)通过残差卷积模块执行四次残差卷积;
(4)输入金字塔池化模块;
(5)拼接金字塔池化模块的输出与第四次残差卷积的输出;
(6)执行第五次残差卷积;
(7)拼接第五次残差卷积的输出与第三次残差卷积的输出;
(8)执行第六次残差卷积;
(9)拼接第六次残差卷积的输出与第二次残差卷积的输出;
(10)执行第七次残差卷积;
(11)拼接第七次残差卷积的输出与第一次残差卷积的输出;
(12)执行一次倍数为2的上采样;
(13)拼接上采样的输出与归一化后的样本;
(14)执行第八次残差卷积,得到分割概率图。
5.根据权利要求4所述的基于深度学习的鼻咽癌病灶分割模型训练方法,其特征在于:所述残差卷积是指将输入分别通过两条路径,将两条路径的结果相加后输入线性整流激活函数,输出残差卷积的结果;其中,第一条路径依次对输入执行一次卷积、批归一化和线性整流激活函数;第二条路径对输入执行一次卷积。
6.根据权利要求4所述的基于深度学习的鼻咽癌病灶分割模型训练方法,其特征在于:所述金字塔池化模块中有四条路径,拼接四条路径的输出后,将拼接结果输入一个线性整流激活函数,最后将线性整流激活函数的输出执行一次卷积、批归一化和线性整流激活函数,得到金字塔池化模块的输出;
其中,四条路径结构分别如下:
第一条路径中含有一个大小为6的全局池化、一次卷积和一次上采样;
第二条路径中含有一个大小为3的全局池化、一次卷积和一次上采样;
第三条路径中含有一个大小为2的全局池化、一次卷积和一次上采样;
第四条路径中含有一个大小为1的全局池化、一次卷积和一次上采样;
四条路径中的上采样输出均为归一化后的样本输入图像大小。
7.根据权利要求3所述的基于深度学习的鼻咽癌病灶分割模型训练方法,其特征在于:第三步中,dice损失作为卷积神经网络模型的损失函数,其计算公式为:
其中,p为模型输出的分割概率图,g为图像的真实分割图。
8.一种基于深度学习的鼻咽癌病灶分割方法,其特征在于:包括以下步骤:
I.将第三步训练好的分割模型加载到卷积神经网络模型中;
II.读取鼻咽癌MRI原始图像;所述鼻咽癌MRI原始图像是单通道的灰度图;
III.对鼻咽癌MRI原始图像进行归一化,得到鼻咽癌MRI图像;
IV.将鼻咽癌MRI图像输入卷积神经网络模型,得到鼻咽癌MRI图像的病灶概率图;
V.将鼻咽癌MRI图像的病灶概率图进行二值化,得到病灶分割图。
9.根据权利要求8所述的基于深度学习的鼻咽癌病灶分割方法,其特征在于:所述将鼻咽癌MRI图像的病灶概率图进行二值化,得到病灶分割图是指:设定阈值,并依次判断病灶概率图中的每一个像素点,当像素点的值大于所述阈值时则认为该点是病灶,否则认为不是病灶,得到病灶分割图。
10.根据权利要求8所述的基于深度学习的鼻咽癌病灶分割方法,其特征在于:所述对鼻咽癌MRI原始图像进行归一化,得到鼻咽癌MRI图像是指:计算鼻咽癌MRI原始图像的最大值与最小值,依次对每个像素点执行以下操作得到鼻咽癌MRI图像:使用像素点的值减去最小值,再除以最大值与最小值的差,得到新的像素点值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910141261.8A CN109919948A (zh) | 2019-02-26 | 2019-02-26 | 基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910141261.8A CN109919948A (zh) | 2019-02-26 | 2019-02-26 | 基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919948A true CN109919948A (zh) | 2019-06-21 |
Family
ID=66962274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910141261.8A Pending CN109919948A (zh) | 2019-02-26 | 2019-02-26 | 基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919948A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942453A (zh) * | 2019-11-21 | 2020-03-31 | 山东众阳健康科技集团有限公司 | 一种基于神经网络的ct影像肺叶识别方法 |
CN111260664A (zh) * | 2020-01-15 | 2020-06-09 | 华南理工大学 | 鼻咽癌的病灶图像分割装置、设备及计算机可读存储介质 |
CN111653365A (zh) * | 2020-07-23 | 2020-09-11 | 中山大学附属第一医院 | 一种鼻咽癌辅助诊断模型构建和辅助诊断方法及*** |
CN111798462A (zh) * | 2020-06-30 | 2020-10-20 | 电子科技大学 | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 |
CN111860537A (zh) * | 2020-07-17 | 2020-10-30 | 中南民族大学 | 基于深度学习的绿色柑橘识别方法、设备及装置 |
CN111985409A (zh) * | 2020-08-21 | 2020-11-24 | 四川省人工智能研究院(宜宾) | 一种用于实时街道场景分割的方法 |
CN112016477A (zh) * | 2020-08-31 | 2020-12-01 | 电子科技大学 | 一种基于深度学习的测井沉积微相识别方法 |
CN112270660A (zh) * | 2020-09-30 | 2021-01-26 | 四川大学 | 基于深度神经网络的鼻咽癌放疗靶区自动分割方法 |
CN112348839A (zh) * | 2020-10-27 | 2021-02-09 | 重庆大学 | 一种基于深度学习的图像分割方法及*** |
CN112634308A (zh) * | 2020-12-25 | 2021-04-09 | 南方医科大学 | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 |
CN112950639A (zh) * | 2020-12-31 | 2021-06-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于SA-Net的MRI医学图像分割方法 |
CN113052810A (zh) * | 2021-03-17 | 2021-06-29 | 浙江工业大学 | 一种适用于移动应用的小巧医学影像病灶分割方法 |
CN114155215A (zh) * | 2021-11-24 | 2022-03-08 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及*** |
CN114332128A (zh) * | 2021-12-30 | 2022-04-12 | 推想医疗科技股份有限公司 | 医学图像处理方法及其装置、电子设备和计算机存储介质 |
CN114445421A (zh) * | 2021-12-31 | 2022-05-06 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种鼻咽癌***区域的识别分割方法、装置及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8670630B1 (en) * | 2010-12-09 | 2014-03-11 | Google Inc. | Fast randomized multi-scale energy minimization for image processing |
CN107644426A (zh) * | 2017-10-12 | 2018-01-30 | 中国科学技术大学 | 基于金字塔池化编解码结构的图像语义分割方法 |
CN108062756A (zh) * | 2018-01-29 | 2018-05-22 | 重庆理工大学 | 基于深度全卷积网络和条件随机场的图像语义分割方法 |
CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和*** |
-
2019
- 2019-02-26 CN CN201910141261.8A patent/CN109919948A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8670630B1 (en) * | 2010-12-09 | 2014-03-11 | Google Inc. | Fast randomized multi-scale energy minimization for image processing |
CN107644426A (zh) * | 2017-10-12 | 2018-01-30 | 中国科学技术大学 | 基于金字塔池化编解码结构的图像语义分割方法 |
CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和*** |
CN108062756A (zh) * | 2018-01-29 | 2018-05-22 | 重庆理工大学 | 基于深度全卷积网络和条件随机场的图像语义分割方法 |
Non-Patent Citations (3)
Title |
---|
HENGSHUANG ZHAO ET AL.: ""Pyramid Scene Parsing Network"", 《ARXIV:1612.01105V2》 * |
OLAF RONNEBERGER ET AL.: ""U-Net: Convolutional Networks for Biomedical Image Segmentation"", 《ARXIV:1505.04597V1》 * |
QIAO ZHANG ET AL.: ""Image Segmentation with Pyramid Dilated Convolution Based on ResNet and U-Net"", 《INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942453A (zh) * | 2019-11-21 | 2020-03-31 | 山东众阳健康科技集团有限公司 | 一种基于神经网络的ct影像肺叶识别方法 |
CN111260664A (zh) * | 2020-01-15 | 2020-06-09 | 华南理工大学 | 鼻咽癌的病灶图像分割装置、设备及计算机可读存储介质 |
CN111260664B (zh) * | 2020-01-15 | 2023-04-25 | 华南理工大学 | 鼻咽癌的病灶图像分割装置、设备及计算机可读存储介质 |
CN111798462A (zh) * | 2020-06-30 | 2020-10-20 | 电子科技大学 | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 |
CN111798462B (zh) * | 2020-06-30 | 2022-10-14 | 电子科技大学 | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 |
CN111860537B (zh) * | 2020-07-17 | 2021-07-02 | 中南民族大学 | 基于深度学习的绿色柑橘识别方法、设备及装置 |
CN111860537A (zh) * | 2020-07-17 | 2020-10-30 | 中南民族大学 | 基于深度学习的绿色柑橘识别方法、设备及装置 |
CN111653365A (zh) * | 2020-07-23 | 2020-09-11 | 中山大学附属第一医院 | 一种鼻咽癌辅助诊断模型构建和辅助诊断方法及*** |
CN111985409A (zh) * | 2020-08-21 | 2020-11-24 | 四川省人工智能研究院(宜宾) | 一种用于实时街道场景分割的方法 |
CN112016477A (zh) * | 2020-08-31 | 2020-12-01 | 电子科技大学 | 一种基于深度学习的测井沉积微相识别方法 |
CN112270660A (zh) * | 2020-09-30 | 2021-01-26 | 四川大学 | 基于深度神经网络的鼻咽癌放疗靶区自动分割方法 |
CN112348839A (zh) * | 2020-10-27 | 2021-02-09 | 重庆大学 | 一种基于深度学习的图像分割方法及*** |
CN112348839B (zh) * | 2020-10-27 | 2024-03-15 | 重庆大学 | 一种基于深度学习的图像分割方法及*** |
CN112634308A (zh) * | 2020-12-25 | 2021-04-09 | 南方医科大学 | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 |
CN112634308B (zh) * | 2020-12-25 | 2023-07-25 | 南方医科大学 | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 |
CN112950639A (zh) * | 2020-12-31 | 2021-06-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于SA-Net的MRI医学图像分割方法 |
CN112950639B (zh) * | 2020-12-31 | 2024-05-10 | 山西三友和智慧信息技术股份有限公司 | 一种基于SA-Net的MRI医学图像分割方法 |
CN113052810A (zh) * | 2021-03-17 | 2021-06-29 | 浙江工业大学 | 一种适用于移动应用的小巧医学影像病灶分割方法 |
CN113052810B (zh) * | 2021-03-17 | 2024-03-22 | 浙江工业大学 | 一种适用于移动应用的小巧医学影像病灶分割方法 |
CN114155215A (zh) * | 2021-11-24 | 2022-03-08 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及*** |
CN114155215B (zh) * | 2021-11-24 | 2023-11-10 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及*** |
CN114332128B (zh) * | 2021-12-30 | 2022-07-26 | 推想医疗科技股份有限公司 | 医学图像处理方法及其装置、电子设备和计算机存储介质 |
CN114332128A (zh) * | 2021-12-30 | 2022-04-12 | 推想医疗科技股份有限公司 | 医学图像处理方法及其装置、电子设备和计算机存储介质 |
CN114445421A (zh) * | 2021-12-31 | 2022-05-06 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种鼻咽癌***区域的识别分割方法、装置及*** |
CN114445421B (zh) * | 2021-12-31 | 2023-09-29 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种鼻咽癌***区域的识别分割方法、装置及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919948A (zh) | 基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法 | |
Zhang et al. | ME‐Net: multi‐encoder net framework for brain tumor segmentation | |
Trullo et al. | Segmentation of organs at risk in thoracic CT images using a sharpmask architecture and conditional random fields | |
CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
CN109410219A (zh) | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 | |
CN109035160A (zh) | 医学影像的融合方法及基于融合医学影像学习的图像检测方法 | |
CN110298383A (zh) | 基于多模态深度学习的病理分类方法及*** | |
CN110070540A (zh) | 图像生成方法、装置、计算机设备及存储介质 | |
CN114022491B (zh) | 基于改进空间金字塔模型的小数据集食管癌肿瘤靶区影像自动勾画方法 | |
CN110717518A (zh) | 基于3d卷积神经网络的持续性肺结节识别方法及装置 | |
CN111784706A (zh) | 鼻咽癌原发肿瘤图像自动识别方法及*** | |
CN116188479B (zh) | 基于深度学习的髋关节图像分割方法及*** | |
Liu et al. | Automatic segmentation algorithm of ultrasound heart image based on convolutional neural network and image saliency | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
CN111932512B (zh) | 一种基于cnn和nlstm神经网络应用于ct影像的颅内出血检测方法 | |
CN113223005A (zh) | 一种甲状腺结节自动分割及分级的智能*** | |
CN116563533A (zh) | 基于目标位置先验信息的医学图像分割方法及*** | |
CN115512110A (zh) | 一种涉及跨模态注意力机制的医学图像肿瘤分割方法 | |
CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
CN117036380A (zh) | 一种基于级联Transformer的脑肿瘤分割方法 | |
CN116805318A (zh) | 一种基于动态可变形卷积与滑窗自适应互补注意力机制的医学图像分割方法 | |
CN113889261A (zh) | 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法 | |
Xu et al. | Application of artificial intelligence technology in medical imaging | |
Lu et al. | Fine-grained calibrated double-attention convolutional network for left ventricular segmentation |
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 |
Application publication date: 20190621 |
|
RJ01 | Rejection of invention patent application after publication |