CN110428426A - 一种基于改进随机森林算法的mri图像自动分割方法 - Google Patents
一种基于改进随机森林算法的mri图像自动分割方法 Download PDFInfo
- Publication number
- CN110428426A CN110428426A CN201910596726.9A CN201910596726A CN110428426A CN 110428426 A CN110428426 A CN 110428426A CN 201910596726 A CN201910596726 A CN 201910596726A CN 110428426 A CN110428426 A CN 110428426A
- Authority
- CN
- China
- Prior art keywords
- mri image
- super
- pixel
- image
- segmentation
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种基于改进随机森林算法的MRI图像自动分割方法,包括获取多模态MRI图像并预处理;对预处理后的多模态MRI图像进行超像素预分割,并根据预设的特征提取项进行特征提取,得到超像素特征图像;构建第一随机森林分类器并导入超像素特征图像进行训练,得到初始分割结果图;在第一随机森林分类器中引入全连接条件随机场来构建两层级联的第二随机森林分类器,并导入初始分割结果图进行训练,在第一层训练后,导入第一层的全连接条件随机场的结果概率图与初始分割结果图在第二层训练,得到最终分割结果图并输出。实施本发明,充分利用像素周围结构性的邻域信息及改进的随机森林算法来提高图像后续分析的精确度,省时省力。
Description
技术领域
本发明涉及MRI图像处理技术领域,尤其涉及一种基于改进随机森林算法的MRI(Magnetic Resonance Imaging,磁共振成像)图像自动分割方法。
背景技术
在过去二十多年里,MRI作为最常用的神经影像学技术之一,已被广泛用于临床分析,手术规划和治疗效果评估。这种图像采集技术可以提供人体解剖学的高分辨率图像,同时完全无创且无痛。它提供了大量参数,可以产生各种视图(轴向,矢状,冠状)和模态(T1,T2,Flair,T1C)的图像,且每个模态的MRI图像都反映了研究对象的特定方面。
MRI图像的分割是指从MRI提取勾画出特定区域以获得定量,准确和可重复的信息。通常,MRI图像分割是由专家根据解剖知识,利用计算机辅助软件通过识别,划界和标记构成图像的各种组织来完成,但是这样的任务非常困难,它涉及到高度的主观性,结果可能因操作者而异,而同一个操作者也可能因为不同光照和对比度的屏幕或环境得到不同的分割结果,再加上如今MRI的广泛使用和图像数量的增加,这样的分割方法也难以适用于大规模的图像数据。所以计算机自动分割算法开始被广泛研究,用于改善和辅助MRI分析的时间和准确性,这其中随机森林作为一个高效的机器学习分类算法已经被应用于各种医学图像分割。
然而,现有技术中的MRI图像在特征提取阶段大多只考虑到像素级别的图像统计学特征,未充分利用像素周围结构性的邻域信息,导致图像特征不完整而影响图像后续分析的精确度;在分类阶段,由于随机森林本身就是基于每个像素,独立预测各自的标签,虽然所获得的预测是合理的,但其并不能充分地利用上下文信息,且随机森林中个体树的***本质上都是嘈杂的,结果中往往会带有噪声,通常还需要对分割结果进行后处理,如二元形态学处理,不仅费时费力,还影响图像后续分析精度。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于改进随机森林算法的MRI图像自动分割方法,充分利用像素周围结构性的邻域信息及改进的随机森林算法来提高图像后续分析的精确度,省时省力。
为了解决上述技术问题,本发明实施例提供了一种MRI图像自动分割方法,包括以下步骤:
获取多模态MRI图像,并对所获取到的多模态MRI图像进行预处理;
对预处理后的多模态MRI图像进行超像素预分割,并根据预设的特征提取项,对超像素预分割后的多模态MRI图像均进行特征提取,得到多模态MRI图像各自分别对应每一特征提取项的超像素特征图像;
构建第一随机森林分类器,将所得到的超像素特征图像均导入所述第一随机森林分类器中进行训练,得到多模态MRI图像的初始分割结果图;
在所述第一随机森林分类器中引入全连接条件随机场来构建两层级联的第二随机森林分类器,且将所得到的初始分割结果图作为目标分割区域特征图像导入所述第二随机森林分类器的第一层进行训练后,将第一层训练输出的全连接条件随机场所得的结果概率图与所述目标分割区域特征图像共同导入所述第二随机森林分类器的第二层训练直至结束,则第二层训练输出的全连接条件随机场所得的结果图为多模态MRI图像的最终分割结果图。
其中,所述获取多模态MRI图像,并对所获取到的多模态MRI图像进行预处理的具体步骤包括:
获取T1,T1c,T2和Flair四个模态的MRI图像,并提取T1模态中单独的3D MRI图像的掩模作为初始化感兴趣区域来实现四个模态的MRI图像的配准;
对配准处理后的四个模态的MRI图像进行像素偏差校正处理;
运用图像归一化技术将校正处理后的四个模态的MRI图像的体素强度值均调整至0-255。
其中,所述对预处理后的多模态MRI图像进行超像素预分割,并根据预设的特征提取项,对超像素预分割后的多模态MRI图像均进行特征提取,得到多模态MRI图像各自分别对应每一特征提取项的超像素特征图像的具体步骤包括:
采用超像素分割SLIC算法对预处理后的多模态MRI图像进行超像素预分割,分割出不规则的超像素块,得到超像素预分割后的多模态MRI图像;
根据预设的特征提取项,对超像素预分割后的多模态MRI图像均进行特征提取,得到多模态MRI图像各自分别对应每一特征提取项的超像素特征图像。
其中,所述预设的特征提取项包括方差、偏度、峰度、熵、标准偏差、最大值、最小值及中位数。
实施本发明实施例,具有如下有益效果:
1、本发明采用超像素方法预分割图像并提取特征,通过与上下文特征信息的结合,改进级联随机森林算法,将全连接的条件随机场融入到级联随机森林算法中,充分利用邻域信息提高框架的分割精度,从而能提高图像后续分析的精确度,省时省力
2、本发明提出的级联随机森林算法,区别于现有技术中级联随机森林算法需要九层迭代构建才能得到分割结果,只要两层就能收敛得到最佳的分割结果,更加高效及快速,降低算法难度,减少了运算时间;
3、本发明引入的全连接条件随机场取代了二元形态学等后处理方法,并在构建级联随机森林分类器过程中起到优化改进作用,更适用于MRI图像的分割。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提出的一种基于改进随机森林算法的MRI图像自动分割方法的流程图;
图2为本发明实施例提出的一种基于改进随机森林算法的MRI图像自动分割方法中四个模态的MRI图像预处理之前的应用场景图;
图3为图2中四个模态的MRI图像经校正操作后的应用场景图;
图4为图3中四个模态的MRI图像经超像素预分割后的应用场景图;
图5为图4中四个模态的MRI图像采用特征提取项为中位数进行特征提取后的应用场景图;
图6为本发明实施例提出的一种MRI图像自动分割方法中引入全连接条件随机场训练随机森林分类器与现有技术中未引用全连接条件随机场训练随机森林分类器及使用人工标注各自输出的最终分割结果对比图;其中,A为现有技术中未引用全连接条件随机场训练随机森林分类器输出的最终分割结果图;B为本发明实施例中引入全连接条件随机场训练随机森林分类器输出的最终分割结果图;C为使用人工标注输出的最终分割结果图。
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作进一步地详细描述。
如图1所示,为本发明实施例中,提出的一种基于改进随机森林算法的MRI图像自动分割方法,包括以下步骤:
步骤S1、获取多模态MRI图像,并对所获取到的多模态MRI图像进行预处理;
具体过程为,获取T1,T1c,T2和Flair四个模态的MRI图像,如图2所示,并提取T1模态中单独的3D MRI图像的掩模作为初始化感兴趣区域来实现四个模态的MRI图像的配准;
采用偏差场校正技术对配准处理后的四个模态的MRI图像进行像素偏差校正处理,如图3所示;
运用图像归一化技术将校正处理后的四个模态的MRI图像的体素强度值均调整至0-255。
步骤S2、对预处理后的多模态MRI图像进行超像素预分割,并根据预设的特征提取项,对超像素预分割后的多模态MRI图像均进行特征提取,得到多模态MRI图像各自分别对应每一特征提取项的超像素特征图像;
具体过程为,采用超像素分割SLIC算法对预处理后的多模态MRI图像进行超像素预分割,分割出不规则的超像素块,得到超像素预分割后的多模态MRI图像。如图4所示;
根据预设的特征提取项,对超像素预分割后的多模态MRI图像均进行特征提取,得到多模态MRI图像各自分别对应每一特征提取项的超像素特征图像;其中,预设的特征提取项包括方差、偏度、峰度、熵、标准偏差、最大值、最小值及中位数。在一个例子中,特征提取项为中位数,得到四个模态的MRI图像各自分别对应中位数的超像素特征图像,如图5所示。
步骤S3、构建第一随机森林分类器,将所得到的超像素特征图像均导入所述第一随机森林分类器中进行训练,得到多模态MRI图像的初始分割结果图;
具体过程为,对于训练第一随机森林分类器的初始训练集,有T0={(yi,X(fi)),i=1,2,...,n},其中X(fi)表示上述特征提取后的超像素特征图像,y表示对应的分类标签,在训练过程中,通过训练集T0训练第一随机森林分类器,可以得到目标图像的初始分割结果。由此可见,使用提取出的超像素特征图像,训练第一随机森林分类器,可以得到初始分割结果图。
进一步的,可以将初始分割结果图进行分割后处理,将能够体现目标区域初略定位的结果图作为初始分割结果图。
步骤S4、使用自动上下文方法来构建两层级联的级联随机森林框架,在所述第一随机森林分类器中引入全连接条件随机场来构建两层级联的第二随机森林分类器,且将所得到的初始分割结果图作为目标分割区域特征图像导入所述第二随机森林分类器的第一层进行训练后,将第一层训练输出的全连接条件随机场所得的结果概率图与所述目标分割区域特征图像共同导入所述第二随机森林分类器的第二层训练直至结束,则第二层训练输出的全连接条件随机场所得的结果图为多模态MRI图像的最终分割结果图。
具体过程为,在随机森林的分类阶段,由于随机森林本身就是基于每个像素,独立预测各自的标签。这就意味着步骤S3中第一随机森林分类器的分割结果一般都会带有噪声,即分类错误的小区域。因此通常还需要对步骤S3中第一随机森林分类器的分割结果进行后处理,如二元形态学处理。
因此,在步骤S3中第一随机森林分类器中融入了Dense CRFs,即全连接条件随机场来改进模型,得到两层级联的第二随机森林分类器。
条件随机场CRFs作为一种概率图模型,对于输入图像X与其对应的标签y,CRFs构建了条件概率模型P(y|X),可以利用体素x周围邻近结点的信息对x进行标签预测。作为CRFs的扩展,全连接条件随机场Dense CRFs能够基于任意大小的体素邻域构建模型,且该CRFs的能量函数为:
其中,y是每个体素的标签,ψu(yi)被定义成ψu(yi)=-log P(yi|X),其中P(yi|X)是通过随机森林的输出结果计算得到的。
在3D版本的全连接条件随机场模型中ψp(yi,yj)=μ(yi,yj)k(fi,fj),且为了将模型应用于多模态的MRI图像,提出了两个高斯算子,平滑高斯算子k(1)(fi,fj)和外观高斯算子k(2)(fi,fj),它们由不同模态图像的体素i的强度和体素坐标来确定。
其中,k(fi,fj)=ω1k(1)(fi,fj)+ω2k(2)(fi,fj); θa,r和θβ,r作为参数控制邻域体素在多么相似时可以被赋予相同的标签,在输入模态的A通道中,θγ,r被定义为出现强制均匀外观的程度,ω1和ω2时两个内核的组合权重。
将随机森林的分类结果概率图输入到全连接条件随机场CRFs中,通过优化提出的能量函数,在经过CRFs处理后的图像中具有相似颜色和位置的像素有更大的概率被分配相同的标签,从而确保分割结果能够去除预测错误的小的隔离区域或孔,效果如下图6所示。
因此,在第一随机森林分类器中引入全连接条件随机场来构建两层级联的第二随机森林分类器,并将初始分割结果图作为目标分割区域特征图像,训练第二随机森林分类器。
具体来说,在第二随机森林分类器的第一层训练中,将作为目标分割区域特征图像的初始分割结果图设置为第二随机森林分类器的第一层输入,并将结果作为先验输入到全连接条件随机场中。然后,将第一层的全连接条件随机场得到的结果概率图作为输入,再融合原来已经提取的特征(即目标分割区域特征图像),训练第二随机森林分类器的第二层直至收敛结束。通过不断学习之前得到的概率图结果,能够将高维上下文信息与图像外观统计特征结合,从而不断增强分类器的性能,并更加充分地利用体素周围的邻域信息,从而改进分割结果。
具体来说,对于训练两层级联的第二随机森林分类器的初始训练集,在第一层中可以得到训练集的分割结果和概率图像p(y|X(fi)),然后将得到的概率图像p作为新的特征加入到训练集中,得到新的训练集利用这个新的训练集训练第二随机森林分类器的第二层,逐渐提高分类器的分类效果,最终使分割结果接近人工标注的结果。
实施本发明实施例,具有如下有益效果:
1、本发明采用超像素方法预分割图像并提取特征,通过与上下文特征信息的结合,改进级联随机森林算法,将全连接的条件随机场融入到级联随机森林算法中,充分利用邻域信息提高框架的分割精度,从而能提高图像后续分析的精确度,省时省力
2、本发明提出的级联随机森林算法,区别于现有技术中级联随机森林算法需要九层迭代构建才能得到分割结果,只要两层就能收敛得到最佳的分割结果,更加高效及快速,降低算法难度,减少了运算时间;
3、本发明引入的全连接条件随机场取代了二元形态学等后处理方法,并在构建级联随机森林分类器过程中起到优化改进作用,更适用于MRI图像的分割。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (4)
1.一种基于改进随机森林算法的MRI图像自动分割方法,其特征在于,包括以下步骤:
获取多模态MRI图像,并对所获取到的多模态MRI图像进行预处理;
对预处理后的多模态MRI图像进行超像素预分割,并根据预设的特征提取项,对超像素预分割后的多模态MRI图像均进行特征提取,得到多模态MRI图像各自分别对应每一特征提取项的超像素特征图像;
构建第一随机森林分类器,将所得到的超像素特征图像均导入所述第一随机森林分类器中进行训练,得到多模态MRI图像的初始分割结果图;
在所述第一随机森林分类器中引入全连接条件随机场来构建两层级联的第二随机森林分类器,且将所得到的初始分割结果图作为目标分割区域特征图像导入所述第二随机森林分类器的第一层进行训练后,将第一层训练输出的全连接条件随机场所得的结果概率图与所述目标分割区域特征图像共同导入所述第二随机森林分类器的第二层训练直至结束,则第二层训练输出的全连接条件随机场所得的结果图为多模态MRI图像的最终分割结果图。
2.如权利要求1所述的基于改进随机森林算法的MRI图像自动分割方法,其特征在于,所述获取多模态MRI图像,并对所获取到的多模态MRI图像进行预处理的具体步骤包括:
获取T1,T1c,T2和Flair四个模态的MRI图像,并提取T1模态中单独的3D MRI图像的掩模作为初始化感兴趣区域来实现四个模态的MRI图像的配准;
对配准处理后的四个模态的MRI图像进行像素偏差校正处理;
运用图像归一化技术将校正处理后的四个模态的MRI图像的体素强度值均调整至0-255。
3.如权利要求1所述的基于改进随机森林算法的MRI图像自动分割方法,其特征在于,所述对预处理后的多模态MRI图像进行超像素预分割,并根据预设的特征提取项,对超像素预分割后的多模态MRI图像均进行特征提取,得到多模态MRI图像各自分别对应每一特征提取项的超像素特征图像的具体步骤包括:
采用超像素分割SLIC算法对预处理后的多模态MRI图像进行超像素预分割,分割出不规则的超像素块,得到超像素预分割后的多模态MRI图像;
根据预设的特征提取项,对超像素预分割后的多模态MRI图像均进行特征提取,得到多模态MRI图像各自分别对应每一特征提取项的超像素特征图像。
4.如权利要求1或3所述的基于改进随机森林算法的MRI图像自动分割方法,其特征在于,所述预设的特征提取项包括方差、偏度、峰度、熵、标准偏差、最大值、最小值及中位数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910596726.9A CN110428426A (zh) | 2019-07-02 | 2019-07-02 | 一种基于改进随机森林算法的mri图像自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910596726.9A CN110428426A (zh) | 2019-07-02 | 2019-07-02 | 一种基于改进随机森林算法的mri图像自动分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110428426A true CN110428426A (zh) | 2019-11-08 |
Family
ID=68410224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910596726.9A Pending CN110428426A (zh) | 2019-07-02 | 2019-07-02 | 一种基于改进随机森林算法的mri图像自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428426A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325739A (zh) * | 2020-02-28 | 2020-06-23 | 北京推想科技有限公司 | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 |
CN112150478A (zh) * | 2020-08-31 | 2020-12-29 | 温州医科大学 | 一种构建半监督图像分割框架的方法及*** |
CN112734723A (zh) * | 2021-01-08 | 2021-04-30 | 温州医科大学 | 一种面向多源数据的乳腺肿瘤图像分类预测方法及装置 |
CN112785377A (zh) * | 2021-01-22 | 2021-05-11 | 华南理工大学 | 基于数据分布的订单完工期预测模型构建方法及预测方法 |
CN114862799A (zh) * | 2022-05-10 | 2022-08-05 | 同心医联科技(北京)有限公司 | 一种用于flair-mri序列的全自动脑体积分割算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600571A (zh) * | 2016-11-07 | 2017-04-26 | 中国科学院自动化研究所 | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 |
CN106651874A (zh) * | 2016-12-08 | 2017-05-10 | 温州医科大学 | 基于多模态mri数据的脑瘤术后空间域分割方法 |
CN108830326A (zh) * | 2018-06-21 | 2018-11-16 | 河南工业大学 | 一种mri图像的自动分割方法及装置 |
-
2019
- 2019-07-02 CN CN201910596726.9A patent/CN110428426A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600571A (zh) * | 2016-11-07 | 2017-04-26 | 中国科学院自动化研究所 | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 |
CN106651874A (zh) * | 2016-12-08 | 2017-05-10 | 温州医科大学 | 基于多模态mri数据的脑瘤术后空间域分割方法 |
CN108830326A (zh) * | 2018-06-21 | 2018-11-16 | 河南工业大学 | 一种mri图像的自动分割方法及装置 |
Non-Patent Citations (3)
Title |
---|
NICHOLAS J.,ET AL: "Optimal Symmetric Multimodal Templates and Concatenated Random Forests for Supervised Brain Tumor Segmentation (Simplified) with ANTsR", 《NEUROINFORMATICS》 * |
邓燕子 等: "采用多层图模型推理的道路场景分割算法", 《西安交通大学学报》 * |
郭妍等: "一种优化随机森林模型的室内定位方法", 《激光杂志》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325739A (zh) * | 2020-02-28 | 2020-06-23 | 北京推想科技有限公司 | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 |
CN112150478A (zh) * | 2020-08-31 | 2020-12-29 | 温州医科大学 | 一种构建半监督图像分割框架的方法及*** |
CN112734723A (zh) * | 2021-01-08 | 2021-04-30 | 温州医科大学 | 一种面向多源数据的乳腺肿瘤图像分类预测方法及装置 |
CN112734723B (zh) * | 2021-01-08 | 2023-06-30 | 温州医科大学 | 一种面向多源数据的乳腺肿瘤图像分类预测方法及装置 |
CN112785377A (zh) * | 2021-01-22 | 2021-05-11 | 华南理工大学 | 基于数据分布的订单完工期预测模型构建方法及预测方法 |
CN112785377B (zh) * | 2021-01-22 | 2022-05-24 | 华南理工大学 | 基于数据分布的订单完工期预测模型构建方法及预测方法 |
CN114862799A (zh) * | 2022-05-10 | 2022-08-05 | 同心医联科技(北京)有限公司 | 一种用于flair-mri序列的全自动脑体积分割算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428426A (zh) | 一种基于改进随机森林算法的mri图像自动分割方法 | |
Yuan | Hierarchical convolutional-deconvolutional neural networks for automatic liver and tumor segmentation | |
Liang et al. | MCFNet: Multi-layer concatenation fusion network for medical images fusion | |
Li et al. | Accurate retinal vessel segmentation in color fundus images via fully attention-based networks | |
Tang et al. | An augmentation strategy for medical image processing based on statistical shape model and 3D thin plate spline for deep learning | |
CN110084318B (zh) | 一种结合卷积神经网络和梯度提升树的图像识别方法 | |
US20190026897A1 (en) | Brain tumor automatic segmentation method by means of fusion of full convolutional neural network and conditional random field | |
CN108364294B (zh) | 基于超像素的腹部ct图像多器官分割方法 | |
Casamitjana et al. | 3d convolutional networks for brain tumor segmentation | |
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 | |
CN110472530B (zh) | 基于小波变换和迁移学习的视网膜oct图像分类方法 | |
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 | |
CN111080592B (zh) | 一种基于深度学习的肋骨提取方法及装置 | |
CN106651875B (zh) | 基于多模态mri纵向数据的脑瘤时空协同分割方法 | |
Liang et al. | Residual convolutional neural networks with global and local pathways for classification of focal liver lesions | |
Soleymanifard et al. | Segmentation of whole tumor using localized active contour and trained neural network in boundaries | |
Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
Micallef et al. | A nested U-net approach for brain tumour segmentation | |
Saraswathi et al. | Brain tumor segmentation and classification using self organizing map | |
Carmo et al. | Extended 2D consensus hippocampus segmentation | |
Pareek et al. | Clustering based segmentation with 1D-CNN model for grape fruit disease detection | |
CN110176021B (zh) | 结合亮度校正的显著性信息的水平集图像分割方法及*** | |
Hognon et al. | Contrastive image adaptation for acquisition shift reduction in medical imaging | |
CN114627136B (zh) | 一种基于特征金字塔网络的舌象分割与对齐方法 | |
CN115311182A (zh) | 一种基于深度学习的mri图像合成ct图像的方法及*** |
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 |