CN110288607A - 分割网络的优化方法、***和计算机可读存储介质 - Google Patents
分割网络的优化方法、***和计算机可读存储介质 Download PDFInfo
- Publication number
- CN110288607A CN110288607A CN201910591448.8A CN201910591448A CN110288607A CN 110288607 A CN110288607 A CN 110288607A CN 201910591448 A CN201910591448 A CN 201910591448A CN 110288607 A CN110288607 A CN 110288607A
- Authority
- CN
- China
- Prior art keywords
- convolutional layer
- block
- volume
- key stratum
- image
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 63
- 230000000694 effects Effects 0.000 abstract description 11
- 238000003709 image segmentation Methods 0.000 abstract description 10
- 238000003475 lamination Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种分割网络的优化方法、***和计算机可读存储介质，其中分割网络的优化方法，一次迭代过程包括：S1、获取待分割图像；S2、将所述待分割图像输入至分割网络中，其中，所述分割网络中包括至少一层卷积层，利用系数对所述卷积层的第一卷积块进行放大处理，得到第二卷积块，而后利用所述第二卷积块进行所述卷积层的卷积运算，获得所述卷积层的输出数据，所述系数为预设值；S3、基于所述输出数据输出与所述待分割图像对应的分割数据。本发明可提高图像分割的效果。
Description
技术领域
本发明涉及医学成像技术，尤其涉及一种分割网络的优化方法、***和计算机可读存储介质。
背景技术
冠状动脉造影图像的分割是图像分割技术在医学领域的重要应用，冠状动脉血管的精确提取可以辅助医生诊断心血管疾病并确定合适的治疗方案，同时其也是血管三维重建的重要基础，在临床医疗中发挥着重要作用。
传统应用深度学习技术对Dicom视频文件进行分割的做法是一帧一帧的进行分割，而且没有利用到帧与帧之间的关联性，最终导致分割结果抖动比较大，效果并不理想。
发明内容
本发明提供一种分割网络的优化方法、***和计算机可读存储介质，以提高图像分割的效果。
本发明一方面提供一种分割网络的优化方法，一次迭代过程包括：
S1、获取待分割图像；
S2、将所述待分割图像输入至分割网络中，其中，所述分割网络中包括至少一层卷积层，利用系数对所述卷积层的第一卷积块进行放大处理，得到第二卷积块，而后利用所述第二卷积块进行所述卷积层的卷积运算，获得所述卷积层的输出数据，所述系数为预设值；
S3、基于所述输出数据输出与所述待分割图像对应的分割数据。
本发明另一方面提供一种分割网络的优化***，包括：
待分割图像获取模块，用于获取待分割图像；
处理模块，用于将所述待分割图像输入至分割网络中并利用系数对所述分割网络中的卷积层的第一卷积块进行放大处理以得到第二卷积块，所述系数为预设值；
运算模块，用于利用所述第二卷积块进行所述卷积层的卷积运算，以获得所述卷积层的输出数据；
输出模块，用于根据所述输出数据输出与所述待分割图像对应的分割数据。
本发明再一方面提供一种计算机可读存储介质，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行本发明所提供的分割网络的优化方法。
基于上述，本发明提供的分割网络的优化方法，通过对分割网络中的卷积层的第一卷积块进行放大处理从而能够得到优化后的第二卷积块，而后利用第二卷积块进行卷积层的卷积运算，便可获得优化后的卷积层的输出数据，最终基于该输出数据输出与待分割图像对应的分割数据，从而能够提高该分割数据的准确率和召回率，进而提高图像分割的效果，使其能够达到非常深网络的图像分割的效果，且利用本发明提供的分割网络的优化方法进行优化的分割网络相比非常深网络，卷基层更少，从而利于节省显卡空间。
附图说明
图1为本发明提供的一种分割网络的优化方法的流程图；
图2为本发明提供的一种分割网络的优化***的结构示意图。
附图标记：
101：待分割图像获取模块； 102：处理模块；
103：运算模块； 104：输出模块；
105：选取模块。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
请参考图1，本发明实施例提供分割网络的优化方法，一次迭代过程包括如下步骤：
S1，获取待分割图像；
由此，为后续进行图像分割做准备。
S2，将待分割图像输入至分割网络中，其中，分割网络中包括至少一层卷积层，利用系数对卷积层的第一卷积块进行放大处理，得到第二卷积块，而后利用第二卷积块进行卷积层的卷积运算，获得卷积层的输出数据，系数为预设值；
由此，通过对分割网络中的卷积层的第一卷积块进行放大处理从而能够得到优化后的第二卷积块，而后利用第二卷积块进行卷积层的卷积运算，便可获得优化后的卷积层的输出数据。其中，第一卷积块为卷积层的输入，第二卷积块为卷积层经过卷积的输出。
S3，基于输出数据输出与待分割图像对应的分割数据；
最终基于优化后的卷积层的输出数据输出与待分割图像对应的分割数据，从而能够提高该分割数据的准确率和召回率，进而提高图像分割的效果，使其能够达到非常深网络的图像分割的效果，且利用本实施例中的分割网络的优化方法进行优化的分割网络相比非常深网络，卷基层更少，从而利于节省显卡空间。
实施例二
在实施例一的基础上，S2包括：
将待分割图像输入至分割网络中，其中，分割网络中包括至少M层卷积层，M大于等于2；
在M层卷积层中选取关键层，关键层为一个或多个；
利用系数对每一个关键层的第一卷积块进行放大处理，从而能够得到优化后的第二卷积块，而后利用第二卷积块进行关键层的卷积运算，获得关键层的输出数据，系数为预设值。其中，第一卷积块为关键层的输入，第二卷积块为关键层经过卷积的输出。
由此，通过对每一个关键层的第一卷积块进行放大处理，得到第二卷积块，而后利用第二卷积块进行关键层的卷积运算，便可获得优化后的关键层的输出数据。通过对关键层的输出数据进行优化，能够更为有效的优化后续步骤中输出的分割数据，从而进一步提高图像分割的效果。
实施例三
在实施例一的基础上，
S2包括：将待分割图像输入至分割网络中，其中，分割网络中包括至少N+1层卷积层，其中N大于等于1，利用第N系数对第N卷积层的第一卷积块进行放大处理，得到第二卷积块，而后利用第二卷积块进行第N卷积层的卷积运算，获得第N卷积层的输出数据，第N系数为预设值；其中，第一卷积块为第N卷积层的输入，第二卷积块为第N卷积层经过卷积的输出。
同时，在下一次迭代过程中的S1包括：以第N卷积层的输出数据作为N+1卷积层的待分割图像。
由于在下一次迭代过程中，以优化后的第N卷积层的输出数据作为N+1卷积层的待分割图像，利于进一步优化后续步骤中N+1卷积层的输出数据。
实施例四
在实施例一的基础上，S2包括：
将待分割图像输入至分割网络中，其中，分割网络中包括至少M层卷积层，M大于等于2；
在M层卷积层中选取关键层，关键层为一个或多个，关键层包括第P关键层；
利用第P系数对第P关键层的第一卷积块进行放大处理，得到第二卷积块，而后利用第二卷积块进行第P关键层的卷积运算，获得第P关键层的输出数据，第P系数由第P关键层的损失或第P关键层的特征图像数或第P关键层的特征图像的尺寸确定。其中，第一卷积块为第P关键层的输入，第二卷积块为第P关键层经过卷积的输出。
由于第P系数根据第P关键层的损失或第P关键层的特征图像数或第P关键层的特征图像的尺寸确定，即各关键层所对应的系数均由各关键层的损失、特征图像数或特征图像的尺寸所确定，从而能够更为有效的提高各关键层的输出数据。
实施例五
请参考图2，本发明实施例提供一种分割网络的优化***，包括：待分割图像获取模块101，用于获取待分割图像；处理模块102，用于将待分割图像输入至分割网络中并利用系数对分割网络中的卷积层的第一卷积块进行放大处理以得到第二卷积块，系数为预设值；运算模块103，用于利用第二卷积块进行卷积层的卷积运算，以获得卷积层的输出数据；输出模块104，用于根据输出数据输出与待分割图像对应的分割数据。
本实施例中的分割网络的优化***，通过处理模块102对分割网络中的卷积层的第一卷积块进行放大处理从而能够得到优化后的第二卷积块，而后通过运算模块103利用第二卷积块进行卷积层的卷积运算，便可获得优化后的卷积层的输出数据，最终通过输出模块104基于该输出数据输出与待分割图像对应的分割数据，从而能够提高该分割数据的准确率和召回率，进而提高图像分割的效果，使其能够达到非常深网络的图像分割的效果，且利用本发明提供的分割网络的优化方法进行优化的分割网络相比非常深网络，卷基层更少，从而利于节省显卡空间。其中，第一卷积块为卷积层的输入，第二卷积块为卷积层经过卷积的输出。
实施例六
在实施例五的基础上，优化***还包括选取模块105，分割网络中包括至少M层卷积层，M大于等于2，选取模块105用于在M层卷积层中选取关键层，关键层为一个或多个；处理模块102进一步用于利用系数对每一个关键层的第一卷积块进行放大处理以得到第二卷积块；运算模块103进一步用于利用第二卷积块进行关键层的卷积运算以获得关键层的输出数据。由此，通过选取模块105选取关键层，并通过处理模块102对每一个关键层的第一卷积块进行放大处理，得到第二卷积块，而后通过运算模块103利用第二卷积块进行关键层的卷积运算，便可获得优化后的关键层的输出数据。通过对关键层的输出数据进行优化，能够更为有效的优化输出模块104输出的分割数据，从而进一步提高图像分割的效果。其中，第一卷积块为关键层的输入，第二卷积块为关键层经过卷积的输出。
实施例七
在实施例五的基础上，分割网络中包括至少N+1层卷积层，其中N大于等于1，处理模块102进一步用于利用第N系数对第N卷积层的第一卷积块进行放大处理以得到第二卷积块；运算模块103进一步用于利用第二卷积块进行第N卷积层的卷积运算以获得第N卷积层的输出数据；待分割图像获取模块101进一步用于在下一次代过程中获取第N卷积层的输出数据作为N+1卷积层的待分割图像。由于待分割图像获取模块101在下一次迭代过程中获取优化后的第N卷积层的输出数据作为N+1卷积层的待分割图像，利于进一步优化N+1卷积层的输出数据。其中，第一卷积块为第N卷积层的输入，第二卷积块为第N卷积层经过卷积的输出。
实施例八
在实施例五的基础上，优化***还包括选取模块105，分割网络中包括至少M层卷积层，M大于等于2，选取模块105用于在M层卷积层中选取关键层，关键层为一个或多个，关键层包括第P关键层；处理模块102进一步用于利用第P系数对第P关键层的第一卷积块进行放大处理以得到第二卷积块，第P系数由第P关键层的损失或第P关键层的特征图像数或第P关键层的特征图像的尺寸确定；运算模块103进一步用于利用第二卷积块进行第P关键层的卷积运算以获得第P关键层的输出数据。
由于第P系数根据第P关键层的损失或第P关键层的特征图像数或第P关键层的特征图像的尺寸确定，即各关键层所对应的系数均由各关键层的损失、特征图像数或特征图像的尺寸所确定，从而能够更为有效的提高各关键层的输出数据。其中，第一卷积块为第P关键层的输入，第二卷积块为第P关键层经过卷积的输出。
本发明实施例还提供了一种计算机可读存储介质，存储介质包括一组计算机可执行指令，当指令被执行时用于执行本发明任意实施例的血管分割图像断裂的修复方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种分割网络的优化方法，其特征在于，一次迭代过程包括：
S1、获取待分割图像；
S2、将所述待分割图像输入至分割网络中，其中，所述分割网络中包括至少一层卷积层，利用系数对所述卷积层的第一卷积块进行放大处理，得到第二卷积块，而后利用所述第二卷积块进行所述卷积层的卷积运算，获得所述卷积层的输出数据，所述系数为预设值；
S3、基于所述输出数据输出与所述待分割图像对应的分割数据。
2.根据权利要求1所述的优化方法，其特征在于，所述S2包括：
将所述待分割图像输入至分割网络中，其中，所述分割网络中包括至少M层卷积层，所述M大于等于2；
在所述M层卷积层中选取关键层，所述关键层为一个或多个；
利用系数对每一个所述关键层的第一卷积块进行放大处理，得到第二卷积块，而后利用所述第二卷积块进行所述关键层的卷积运算，获得所述关键层的输出数据，所述系数为预设值。
3.根据权利要求1所述的优化方法，其特征在于：
S2包括：将所述待分割图像输入至分割网络中，其中，所述分割网络中包括至少N+1层卷积层，其中N大于等于1，利用第N系数对第N卷积层的第一卷积块进行放大处理，得到第二卷积块，而后利用所述第二卷积块进行所述第N卷积层的卷积运算，获得所述第N卷积层的输出数据，所述第N系数为预设值；
在下一次迭代过程中的S1包括：以所述第N卷积层的输出数据作为所述N+1卷积层的待分割图像。
4.根据权利要求1所述的优化方法，其特征在于，S2包括：
将所述待分割图像输入至分割网络中，其中，所述分割网络中包括至少M层卷积层，所述M大于等于2；
在所述M层卷积层中选取关键层，所述关键层为一个或多个，所述关键层包括第P关键层；
利用第P系数对所述第P关键层的第一卷积块进行放大处理，得到第二卷积块，而后利用所述第二卷积块进行所述第P关键层的卷积运算，获得所述第P关键层的输出数据，所述第P系数由所述第P关键层的损失或所述第P关键层的特征图像数或所述第P关键层的特征图像的尺寸确定。
5.一种分割网络的优化***，其特征在于，包括：
待分割图像获取模块，用于获取待分割图像；
处理模块，用于将所述待分割图像输入至分割网络中并利用系数对所述分割网络中的卷积层的第一卷积块进行放大处理以得到第二卷积块，所述系数为预设值；
运算模块，用于利用所述第二卷积块进行所述卷积层的卷积运算，以获得所述卷积层的输出数据；
输出模块，用于根据所述输出数据输出与所述待分割图像对应的分割数据。
6.根据权利要求5所述的优化***，其特征在于，还包括选取模块，所述分割网络中包括至少M层卷积层，所述M大于等于2，所述选取模块用于在所述M层卷积层中选取关键层，所述关键层为一个或多个；
所述处理模块进一步用于利用系数对每一个所述关键层的第一卷积块进行放大处理以得到第二卷积块；
所述运算模块进一步用于利用所述第二卷积块进行所述关键层的卷积运算以获得所述关键层的输出数据。
7.根据权利要求5所述的优化***，其特征在于，所述分割网络中包括至少N+1层卷积层，其中N大于等于1，所述处理模块进一步用于利用第N系数对第N卷积层的第一卷积块进行放大处理以得到第二卷积块；
所述运算模块进一步用于利用所述第二卷积块进行所述第N卷积层的卷积运算以获得所述第N卷积层的输出数据；
所述待分割图像获取模块进一步用于在下一次代过程中获取所述第N卷积层的输出数据作为所述N+1卷积层的待分割图像。
8.根据权利要求5所述的优化***，其特征在于，还包括选取模块，所述分割网络中包括至少M层卷积层，所述M大于等于2，所述选取模块用于在所述M层卷积层中选取关键层，所述关键层为一个或多个，所述关键层包括第P关键层；
所述处理模块进一步用于利用第P系数对所述第P关键层的第一卷积块进行放大处理以得到第二卷积块，所述第P系数由所述第P关键层的损失或所述第P关键层的特征图像数或所述第P关键层的特征图像的尺寸确定；
所述运算模块进一步用于利用所述第二卷积块进行所述第P关键层的卷积运算以获得所述第P关键层的输出数据。
9.一种计算机可读存储介质，其特征在于，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行权利要求1-4中任一项所述的分割网络的优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910591448.8A CN110288607A (zh) | 2019-07-02 | 2019-07-02 | 分割网络的优化方法、***和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910591448.8A CN110288607A (zh) | 2019-07-02 | 2019-07-02 | 分割网络的优化方法、***和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110288607A true CN110288607A (zh) | 2019-09-27 |
Family
ID=68021763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910591448.8A Pending CN110288607A (zh) | 2019-07-02 | 2019-07-02 | 分割网络的优化方法、***和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110288607A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107341805A (zh) * | 2016-08-19 | 2017-11-10 | 北京市商汤科技开发有限公司 | 图像前背景分割及网络模型训练、图像处理方法和装置 |
| CN107590811A (zh) * | 2017-09-29 | 2018-01-16 | 北京奇虎科技有限公司 | 基于场景分割的风景图像处理方法、装置及计算设备 |
| CN107610146A (zh) * | 2017-09-29 | 2018-01-19 | 北京奇虎科技有限公司 | 图像场景分割方法、装置、计算设备及计算机存储介质 |
| CN107730514A (zh) * | 2017-09-29 | 2018-02-23 | 北京奇虎科技有限公司 | 场景分割网络训练方法、装置、计算设备及存储介质 |
| US20190005619A1 (en) * | 2016-11-09 | 2019-01-03 | Boe Technology Group Co., Ltd. | Image upscaling system, training method thereof, and image upscaling method |
| CN109426858A (zh) * | 2017-08-29 | 2019-03-05 | 京东方科技集团股份有限公司 | 神经网络、训练方法、图像处理方法及图像处理装置 |
-
2019
- 2019-07-02 CN CN201910591448.8A patent/CN110288607A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107341805A (zh) * | 2016-08-19 | 2017-11-10 | 北京市商汤科技开发有限公司 | 图像前背景分割及网络模型训练、图像处理方法和装置 |
| US20190005619A1 (en) * | 2016-11-09 | 2019-01-03 | Boe Technology Group Co., Ltd. | Image upscaling system, training method thereof, and image upscaling method |
| CN109426858A (zh) * | 2017-08-29 | 2019-03-05 | 京东方科技集团股份有限公司 | 神经网络、训练方法、图像处理方法及图像处理装置 |
| CN107590811A (zh) * | 2017-09-29 | 2018-01-16 | 北京奇虎科技有限公司 | 基于场景分割的风景图像处理方法、装置及计算设备 |
| CN107610146A (zh) * | 2017-09-29 | 2018-01-19 | 北京奇虎科技有限公司 | 图像场景分割方法、装置、计算设备及计算机存储介质 |
| CN107730514A (zh) * | 2017-09-29 | 2018-02-23 | 北京奇虎科技有限公司 | 场景分割网络训练方法、装置、计算设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6389907B2 (ja) | Ｇｐｕによる心電信号の並列解析方法 | |
| EP2847605B1 (en) | Segmentation of magnetic resonance imaging data | |
| CN107240102A (zh) | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 | |
| CN113506310B (zh) | 医学图像的处理方法、装置、电子设备和存储介质 | |
| CN110047080A (zh) | 一种基于V-Net的多模态脑肿瘤图像精细分割的方法 | |
| WO2022036968A1 (zh) | 心电图数据增广方法、装置、电子设备及介质 | |
| CN102096939B (zh) | 面向医学海量数据的多分辨率体绘制方法 | |
| CN104952043A (zh) | 图像滤波方法及ct *** | |
| WO2021081841A1 (zh) | 基于vrds 4d医学影像的脾脏肿瘤识别方法及相关装置 | |
| CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
| CN1681438A (zh) | 血流动态分析设备及方法和图像诊断设备 | |
| CN108172275A (zh) | 一种医学影像处理方法及装置 | |
| CN106780527B (zh) | 医学图像中血管进出口、边界条件获取方法及处理装置 | |
| Parmar et al. | Brain tumor segmentation and survival prediction using patch based modified 3D U-Net | |
| CN106169190A (zh) | 一种冠状动脉的分层显示方法 | |
| CN110288607A (zh) | 分割网络的优化方法、***和计算机可读存储介质 | |
| Chen et al. | Mu-Net: Multi-Path Upsampling Convolution Network for Medical Image Segmentation. | |
| CN112634308B (zh) | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 | |
| CN105976321A (zh) | 一种光学相干断层图像超分辨率重建方法和装置 | |
| CN101673411B (zh) | 一种虚拟玉米叶片模型可控面元划分方法 | |
| Zhu et al. | 3D pyramid pooling network for abdominal MRI series classification | |
| CN114613498B (zh) | 一种基于机器学习的辅助mdt临床决策方法、***及设备 | |
| CN109543747A (zh) | 一种基于分层随机森林的数据特征选择方法及装置 | |
| CN116030043A (zh) | 一种多模态医学图像分割方法 | |
| Wu et al. | Multi-depth boundary-aware left atrial scar segmentation network |
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 | ||
| CB02 | Change of applicant information |
Address after: 100102 No. 501 No. 12, 5th floor, No. 6, Wangjing Dongyuan District 4, Chaoyang District, Beijing Applicant after: Shukun (Beijing) Network Technology Co.,Ltd. Address before: 100102 No. 501 No. 12, 5th floor, No. 6, Wangjing Dongyuan District 4, Chaoyang District, Beijing Applicant before: SHUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Applicant after: Shukun Technology Co.,Ltd. Address before: 100102 No. 501 No. 12, 5th floor, No. 6, Wangjing Dongyuan District 4, Chaoyang District, Beijing Applicant before: Shukun (Beijing) Network Technology Co.,Ltd. |
|
| CB02 | Change of applicant information |