CN110991408B - 基于深度学习方法分割脑白质高信号的方法和装置 - Google Patents
基于深度学习方法分割脑白质高信号的方法和装置 Download PDFInfo
- Publication number
- CN110991408B CN110991408B CN201911319391.2A CN201911319391A CN110991408B CN 110991408 B CN110991408 B CN 110991408B CN 201911319391 A CN201911319391 A CN 201911319391A CN 110991408 B CN110991408 B CN 110991408B
- Authority
- CN
- China
- Prior art keywords
- image
- white matter
- brain
- high signal
- matter high
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开提供了一种基于深度学习方法分割脑白质高信号的方法,构建原始输入图像;对所述原始输入图像进行预处理操作,所述预处理操作包括图像配准、第一次提取脑轮廓、第二次提取脑轮廓、图像数据标准化以及图像尺寸统一化;对预处理操作后的所述原始输入图像进行脑白质高信号分割处理;将分割处理后生成的脑白质高信号概率图通过预先设置的阈值进行二值化处理,获取脑白质高信号图,并将所述脑白质高信号图恢复至原始尺寸大小。该方法对输入图像尺寸没有限制,分割速度极快,泛化性强,具有易用性。本公开还提供了一种基于深度学习方法分割脑白质高信号的装置。
Description
技术领域
本公开涉及生物计算机技术领域,具体而言,涉及一种基于深度学习方法分割脑白质高信号的方法和装置。
背景技术
现有技术中,脑白质高信号是表现在液体衰减反转恢复序列(FLAIR)上的一种白质多发的点状、斑片状或融合性高信号,常见于老年人和脑卒中患者,尤其常见于小血管病变所致的皮质下缺血性脑血管病。脑白质高信号是一种衡量脑白质异常的重要影像表征,是卒中、痴呆、抑郁等疾病发生的高危风险因素。此外,还有研究表明白质高信号体积、部位与认知功能损害存在紧密联系。因此对脑白质高信号体积和部位的评估对于脑缺血病理的深入研究起着至关重要的作用。
现有方案以及存在的技术问题:目前以影像学技术测定脑白质高信号,主要可分为定性和定量两种。定性方法是根据脑白质高信号的程度由评定者给予不同的视觉分级评分,如Fazekas量表。此方法方便易行,其缺点在于分级的主观性强、效能低,不能精确定量地对白质高信号进行评估。
定量技术以计算机技术为基础,根据病变信号的不同,结合多种模态图像,能准确地分割脑白质高信号,得到脑白质高信号体积和解剖位置的对应关系。其中人工标记方法较为费时,且由于人工干预,将使结果受到较高的主观因素影响。
全自动定量方法比人工标记方法省时、精确。目前在全自动分割白质高信号领域,主要分为传统的机器学习和深度学习两种。传统的机器学习方法分割速度较慢,依赖于人工设计的数据特征,对于不同扫描仪和不同参数的样本分割效果相差很大。而深度学习通过模拟大脑神经网络的连接模式进行建模,能够自动地学习得到层次化的特征表示,学习得到的特征对数据有更本质的刻画和更强的表示能力。目前大多数白质高信号分割方法是为了特定研究或者针对特定参数样本而设计的,尚未在具有不同参数的样本中进行评估,不能作为对用户友好的软件包公开获得,而且通常不会提供不同脑区白质高信号的详细信息。
发明内容
为了解决现有技术中的技术问题,本公开实施例提供了一种基于深度学习方法分割脑白质高信号的方法和装置,该方法对输入图像尺寸没有限制,分割速度极快,泛化性强,具有易用性。
第一方面,本公开实施例提供了一种基于深度学习方法分割脑白质高信号的方法,包括以下步骤:构建原始输入图像;对所述原始输入图像进行预处理操作,所述预处理操作包括图像配准、第一次提取脑轮廓、第二次提取脑轮廓、图像数据标准化以及图像尺寸统一化;对预处理操作后的所述原始输入图像进行脑白质高信号分割处理;将分割处理后生成的脑白质高信号概率图通过预先设置的阈值进行二值化处理,获取脑白质高信号图,并将所述脑白质高信号图恢复至原始尺寸大小。
在其中一个实施例中,所述构建原始输入图像包括:以FLAIR图像和T1图像构建原始输入图像。
在其中一个实施例中,所述图像配准包括:以FLAIR图像为参考,将T1图像作为源图像执行配准。
在其中一个实施例中,所述第一次提取脑轮廓包括:通过预先设定阈值获取以T1图像作为源图像执行配准后的大脑轮廓图像。
在其中一个实施例中,所述第二次提取脑轮廓包括:对第一次提取脑轮廓后的图像通过图像空洞填充操作,获取大脑轮廓图像。
在其中一个实施例中,所述图像数据标准化包括:计算经过第二次提取脑轮廓后的大脑轮廓内体素的平均值和标准差,将大脑轮廓内体素进行高斯标准化;再将大脑外背景设置为大脑轮廓内体素最小值。
在其中一个实施例中,所述图像尺寸统一化包括:将图像数据标准化后的图像进行尺寸统一操作,其中,所述尺寸统一操作包括:图像修剪和图像填补。
第二方面,本公开实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的方法的步骤。
第三方面,本公开实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的方法的步骤。
第四方面,本公开实施例提供了一种基于深度学习方法分割脑白质高信号的装置,所述装置包括:构建模块,用于构建原始输入图像;预处理模块,用于对所述原始输入图像进行预处理操作,所述预处理操作包括图像配准、第一次提取脑轮廓、第二次提取脑轮廓、图像数据标准化以及图像尺寸统一化;分割模块,用于对预处理操作后的所述原始输入图像进行脑白质高信号分割处理;二值化处理与恢复模块,用于将分割处理后生成的脑白质高信号概率图通过预先设置的阈值进行二值化处理,获取脑白质高信号图,并将所述脑白质高信号图恢复至原始尺寸大小。
本发明提供的一种基于深度学习方法分割脑白质高信号的方法和装置,构建原始输入图像;对所述原始输入图像进行预处理操作,所述预处理操作包括图像配准、第一次提取脑轮廓、第二次提取脑轮廓、图像数据标准化以及图像尺寸统一化;对预处理操作后的所述原始输入图像进行脑白质高信号分割处理;将分割处理后生成的脑白质高信号概率图通过预先设置的阈值进行二值化处理,获取脑白质高信号图,并将所述脑白质高信号图恢复至原始尺寸大小。该方法对输入图像尺寸没有限制,分割速度极快,泛化性强,具有易用性。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面对实施例描述中所需要使用的附图作简单地介绍:
图1为本发明一个实施例中的一种基于深度学习方法分割脑白质高信号的方法的步骤流程示意图;
图2为本发明一个实施例中的一种基于深度学习方法分割脑白质高信号的方法的示例示意图;
图3为本发明一个实施例中的一种基于深度学习方法分割脑白质高信号的方法中涉及的搭建深度学习模型的示意图;
图4为本发明另一个实施例中的一种基于深度学习方法分割脑白质高信号的方法中涉及的搭建深度学习模型的示意图;
图5为本发明又一个实施例中的一种基于深度学习方法分割脑白质高信号的方法中涉及的搭建深度学习模型的示意图;以及
图6为本发明一个实施例中的一种基于深度学习方法分割脑白质高信号的装置的结构示意图。
具体实施方式
下面结合附图和实施例对本申请进行进一步的详细介绍。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本公开的多个实施例,不同实施例之间可以替换或者合并组合,因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
为了使本发明的目的、技术方案及优点更加清楚明白,以下通过实施例,并结合附图,对本发明一种基于深度学习方法分割脑白质高信号的方法和装置的具体实施方式进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
首先,需要说明的是,本公开涉及的一种基于深度学习方法分割脑白质高信号的方法,优选适用于脑白质高信号的分割。具体的,本公开涉及的一种基于深度学习方法分割脑白质高信号的方法首先将图像进行预处理,使其满足公开方法所涉及的深度学习模型的输入需求,例如图像尺寸等;再通过模型将图像进行特征提取、特征融合以及采样等计算操作,获取脑白质高信号概率图。
如图1所示,为一个实施例中的一种基于深度学习方法分割脑白质高信号的方法的流程示意图,具体包括以下步骤:
步骤102,构建原始输入图像。具体的,构建原始输入图像包括:以FLAIR图像和T1图像构建原始输入图像。
步骤104,对原始输入图像进行预处理操作,所述预处理操作包括图像配准、第一次提取脑轮廓、第二次提取脑轮廓、图像数据标准化以及图像尺寸统一化。
具体的,图像配准包括:以FLAIR图像为参考,将T1图像作为源图像执行配准。此外,第一次提取脑轮廓包括:通过预先设定阈值获取以T1图像作为源图像执行配准后的大脑轮廓图像。如公式1所示。
其中,x为图像像素的灰度值,threshold为选取的阈值.
进一步地,第二次提取脑轮廓包括:对第一次提取脑轮廓后的图像通过图像孔洞填充操作,获取大脑轮廓图像,如公式2和公式3所示。公式2为:
公式3为:
B=A∪Mn
其中,B为孔洞填充后的脑轮廓,Mn为空洞内部膨胀最后的结果,当Mn与Mn-1相同即不再发生变化时停止膨胀。
更进一步地,图像数据标准化包括:计算经过第二次提取脑轮廓后的大脑轮廓内体素的平均值和标准差,将大脑轮廓内体素进行高斯标准化;再将大脑外背景设置为大脑轮廓内体素最小值。如公式4所示。
更进一步地,图像尺寸统一化包括:将图像数据标准化后的图像进行尺寸统一操作,其中,所述尺寸统一操作包括:图像修剪和图像填补。由此,提高了基于深度学习方法分割脑白质高信号的速度,具有高效性与易用性。
步骤106,对预处理操作后的所述原始输入图像进行脑白质高信号分割处理。
步骤108,将分割处理后生成的脑白质高信号概率图通过预先设置的阈值进行二值化处理,获取脑白质高信号图,并将所述脑白质高信号图恢复至原始尺寸大小。
为了更加清晰准确地理解并应用本公开提出的基于深度学习方法分割脑白质高信号的方法,进行以下示例,需要说明的是本公开所保护的范围不限于以下示例。
结合图2-3所示,具体的,首先构建原始输入,及由于本发明需要FLAIR图像和T1图像作为原始输入,因此用户需准备好FLAIR和T1图像;再进行图像预处理,需要说明的是,由于不同来源的MRI图像灰度值上下限不同和尺寸不同,需要对数据进行标准化处理;再进行图像配准,可以理解的是,由于脑白质高信号在FLAIR图像具有显著特征,因此本发明以FLAIR图像为参考,将T1图像作为源图像执行配准。
进一步地,初步提取脑轮廓,需要说明的是,由于MRI图像存在着大量的黑色背景,会极大影响数据标准化效果,因此本发明首先通过设定阈值得到粗糙的大脑轮廓;更进一步地,进一步提取脑轮廓,需要说明的是,由于脑脊液的影响,上一步提取的大脑轮廓中可能存在着部分空洞,通过图像空洞填充,得到精准的大脑轮廓。
再进行数据标准化,此处可以理解的是,计算大脑轮廓内体素的平均值和标准差,将脑部体素进行高斯标准化。之后将大脑外背景设置为脑部体素最小值;最终尺寸统一化,简单来说,由于深度学习模型训练,需要训练数据保持固定的尺寸输入,因此将标准化后的图像进行尺寸统一包括修剪和填补。
脑白质高信号分割,即选取软件中合适的深度学习模型对输入图像进行脑白质高信号分割,得到脑白质高信号概率图;再通过图像后处理,即将脑白质高信号概率图通过阈值,此处优选阈值为0.5进行二值化处理,得到脑白质高信号图,并将其恢复到原始尺寸大小。其中,需要说明的是,对脑白质高信号模型的训练包括:首先构建训练集,即将不同来源的MRI图像包括FLAIR和T1图像组成训练集,便于之后的模型训练;再进行数据预处理,即本操作与上述分割步骤中图像预处理所用方法一致;再进行构建深度学习模型,即利用Keras框架,搭建多种深度学习模型,方便用户选取效果最好的模型。具体模型如图3所示。该模型主要包含了5个主要操作。
其中操作一包含卷积和ReLU激活,卷积公式5,ReLU激活公式6。
公式5为:
f=g(w1·x+b)
公式6为:
其中,w1为一个3*3的卷积核,x为对应图像,b为偏置参数。
操作二包含填补、卷积和Sigmoid激活,其中填补是将最后的分割结果扩充至输入图像的尺寸大小,在分割结果四周填补0,卷积公式7,Sigmoid激活公式8:
公式7为:
f=g(w2·x+b)
公式8为:
其中,w2为一个1*1的卷积核,x为对应图像,b为偏置参数。
操作三包含卷积层裁剪和合并。其中,裁剪是将两个卷积块裁剪至相同尺寸。合并公式9为:
操作四为池化,选取的是2*2的池化核。在整幅图像上,依次选取尺寸为2*2的图像像素块,之后选择四个灰度值中的最大值,图像尺寸变为原来的一半。公式10为:
x=max(xij)
操作五为上采样,采取的最近邻插值,即将插值等于距离最近的像素灰度值,图像尺寸变为原来的两倍。
进一步地,需要说明的是,图4所示的模型在图3的模型的基础上,多了操作六的步骤。
其中操作六包括最大池化和合并。将输入图像池化为合适的尺寸,再和卷积层合并。
更进一步地,需要说明的是,图5所示的模型在图4的模型的基础上,多了操作七的步骤。
其中操作七将每一层最后的卷积层进行上采样,然后合并在一起,送入分割前的卷积层中。起到深层监督的作用,充分利用每一层的信息,进一步优化分割结果。
再次进行模型训练,即通过反向传播算法和训练数据,对模型进行有监督学习,选取泛化性较强的模型进行保存;最终进行模型嵌入软件操作,即通过MATLAB调用python,将已经训练好的模型嵌入本公开方法中的软件中,方便之后用户调用。
不难看出,本公开涉及的一种基于深度学习方法分割脑白质高信号的方法相对于现有技术具有因为方法集成在软件中,具有简单易用,对用户友好的特点;此外,基于深度学习算法,能够自动地学习得到层次化的特征,相比市面上已有的脑白质高信号分割软件,具有更强的泛化性的特点;进一步地,能够很好的利用深度学习算法训练速度慢,分割速度快的特点,单个样本分割仅需几秒,相比市面上已有的脑白质高信号软件,分割速度可快上几十倍;更进一步地,本公开涉及的方法嵌入了多种深入学习模型,便于用户灵活选择最优模型,具有选择的灵活性与易用性。
本发明提供的一种基于深度学习方法分割脑白质高信号的方法,构建原始输入图像;对所述原始输入图像进行预处理操作,所述预处理操作包括图像配准、第一次提取脑轮廓、第二次提取脑轮廓、图像数据标准化以及图像尺寸统一化;对预处理操作后的所述原始输入图像进行脑白质高信号分割处理;将分割处理后生成的脑白质高信号概率图通过预先设置的阈值进行二值化处理,获取脑白质高信号图,并将所述脑白质高信号图恢复至原始尺寸大小。该方法对输入图像尺寸没有限制,分割速度极快,泛化性强,具有易用性。
基于同一发明构思,还提供了一种基于深度学习方法分割脑白质高信号的装置。由于此装置解决问题的原理与前述一种基于深度学习方法分割脑白质高信号的方法相似,因此,该装置的实施可以按照前述方法的具体步骤实现,重复之处不再赘述。
如图6所示,为一个实施例中的一种基于深度学习方法分割脑白质高信号的的装置的结构示意图。该基于深度学习方法分割脑白质高信号的装置10包括:构建模块200、预处理模块400、分割模块600和二值化处理与恢复模块800。
其中,构建模块200用于构建原始输入图像;预处理模块400用于对所述原始输入图像进行预处理操作,所述预处理操作包括图像配准、第一次提取脑轮廓、第二次提取脑轮廓、图像数据标准化以及图像尺寸统一化;分割模块600用于对预处理操作后的所述原始输入图像进行脑白质高信号分割处理;二值化处理与恢复模块800用于将分割处理后生成的脑白质高信号概率图通过预先设置的阈值进行二值化处理,获取脑白质高信号图,并将所述脑白质高信号图恢复至原始尺寸大小。
本发明提供的一种基于深度学习方法分割脑白质高信号的装置,首先构建模块构建原始输入图像;再通过预处理模块对原始输入图像进行预处理操作,所述预处理操作包括图像配准、第一次提取脑轮廓、第二次提取脑轮廓、图像数据标准化以及图像尺寸统一化;再通过分割模块对预处理操作后的所述原始输入图像进行脑白质高信号分割处理;最终通过二值化与恢复模块将分割处理后生成的脑白质高信号概率图通过预先设置的阈值进行二值化处理,获取脑白质高信号图,并将所述脑白质高信号图恢复至原始尺寸大小。该装置对输入图像尺寸没有限制,分割速度极快,泛化性强,具有易用性。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该程序被图1中处理器执行。
本发明实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时,使得计算机执行上述图1的方法。
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流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、***的方框图仅作为示例性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
另外,如在此使用的,在以“至少一个”开始的项的列举中使用的“或”指示分离的列举,例如“A、B或C的至少一个”的列举意味着A或B或C,或AB或AC或BC,或ABC(即A和B和C)。此外,措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
为了示例和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (1)
1.一种基于深度学习方法分割脑白质高信号的方法,其特征在于,包括以下步骤:
构建原始输入图像,其中,所述构建原始输入图像包括:以FLAIR图像和T1图像构建原始输入图像;
对所述原始输入图像进行预处理操作,所述预处理操作包括图像配准、第一次提取脑轮廓、第二次提取脑轮廓、图像数据标准化以及图像尺寸统一化,其中,所述图像配准包括:以FLAIR图像为参考,将T1图像作为源图像执行配准;
其中,所述第一次提取脑轮廓包括:通过预先设定阈值获取以T1图像作为源图像执行配准后的大脑轮廓图像;
其中,所述第二次提取脑轮廓包括:对第一次提取脑轮廓后的图像通过图像空洞填充操作,获取大脑轮廓图像;
其中,所述图像数据标准化包括:计算经过第二次提取脑轮廓后的大脑轮廓内体素的平均值和标准差,将大脑轮廓内体素进行高斯标准化;再将大脑外背景设置为大脑轮廓内体素最小值;
其中,所述图像尺寸统一化包括:将图像数据标准化后的图像进行尺寸统一操作,其中,所述尺寸统一操作包括:图像修剪和图像填补;
对预处理操作后的所述原始输入图像进行脑白质高信号分割处理;
将分割处理后生成的脑白质高信号概率图通过预先设置的阈值进行二值化处理,获取脑白质高信号图,并将所述脑白质高信号图恢复至原始尺寸大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319391.2A CN110991408B (zh) | 2019-12-19 | 2019-12-19 | 基于深度学习方法分割脑白质高信号的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319391.2A CN110991408B (zh) | 2019-12-19 | 2019-12-19 | 基于深度学习方法分割脑白质高信号的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991408A CN110991408A (zh) | 2020-04-10 |
CN110991408B true CN110991408B (zh) | 2022-09-06 |
Family
ID=70065744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911319391.2A Active CN110991408B (zh) | 2019-12-19 | 2019-12-19 | 基于深度学习方法分割脑白质高信号的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991408B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951279B (zh) * | 2020-08-05 | 2024-04-23 | 中国科学院深圳先进技术研究院 | 颅脑超声图像的脑白质区域分割方法、装置及电子设备 |
CN113256654B (zh) * | 2021-05-26 | 2023-09-12 | 西安交通大学 | 一种基于病变扩散算法的白质高信号提取方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160196644A1 (en) * | 2015-01-05 | 2016-07-07 | Huan-Cheng Chang | Magnetic resonance imaging white matter hyperintensities region recognizing method and system |
CN108171697A (zh) * | 2018-01-05 | 2018-06-15 | 北京航空航天大学 | 一种基于簇的wmh自动提取*** |
CN108937934A (zh) * | 2018-05-07 | 2018-12-07 | 武汉科技大学 | 一种基于深度学习的人脑mri海马体检测与分割方法 |
CN109222902A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 基于核磁共振的帕金森预测方法、***、存储介质及设备 |
CN109859215A (zh) * | 2019-01-30 | 2019-06-07 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割***及其方法 |
CN110120051A (zh) * | 2019-05-10 | 2019-08-13 | 上海理工大学 | 一种基于深度学习的右心室自动分割方法 |
CN110136145A (zh) * | 2019-05-17 | 2019-08-16 | 东北大学 | 基于多通道可分离卷积神经网络的mr脑部图像分割方法 |
CN110475505A (zh) * | 2017-01-27 | 2019-11-19 | 阿特瑞斯公司 | 利用全卷积网络的自动分割 |
-
2019
- 2019-12-19 CN CN201911319391.2A patent/CN110991408B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160196644A1 (en) * | 2015-01-05 | 2016-07-07 | Huan-Cheng Chang | Magnetic resonance imaging white matter hyperintensities region recognizing method and system |
CN110475505A (zh) * | 2017-01-27 | 2019-11-19 | 阿特瑞斯公司 | 利用全卷积网络的自动分割 |
CN108171697A (zh) * | 2018-01-05 | 2018-06-15 | 北京航空航天大学 | 一种基于簇的wmh自动提取*** |
CN108937934A (zh) * | 2018-05-07 | 2018-12-07 | 武汉科技大学 | 一种基于深度学习的人脑mri海马体检测与分割方法 |
CN109222902A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 基于核磁共振的帕金森预测方法、***、存储介质及设备 |
CN109859215A (zh) * | 2019-01-30 | 2019-06-07 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割***及其方法 |
CN110120051A (zh) * | 2019-05-10 | 2019-08-13 | 上海理工大学 | 一种基于深度学习的右心室自动分割方法 |
CN110136145A (zh) * | 2019-05-17 | 2019-08-16 | 东北大学 | 基于多通道可分离卷积神经网络的mr脑部图像分割方法 |
Non-Patent Citations (3)
Title |
---|
Ensembles of Multiple Models and Architectures for Robust Brain Tumour Segmentation;K. Kamnitsas 等;《International MICCAI Brainlesion Workshop》;20171104;第929-939页 * |
Mohsen Ghafoorian 等.Location Sensitive Deep Convolutional Neural Networks for Segmentation of white Matter Hyperintensities.《Scientific Reports》.2017, * |
深度学习在生物医学数据中的应用;洪浩 等;《医学信息学杂志》;20180325;第39卷(第3期);第2-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110991408A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及*** | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像*** | |
Kumar et al. | Brain tumor detection using SVM classifier | |
CN107194937B (zh) | 一种开放环境下中医舌象图像分割方法 | |
CN103632361B (zh) | 一种图像分割方法和*** | |
WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
US20180165305A1 (en) | Systems and methods for image search | |
CN111028923B (zh) | 数字病理图像染色归一化方法、电子装置及存储介质 | |
CN104484886B (zh) | 一种mr图像的分割方法及装置 | |
CN109241867B (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
CN110991408B (zh) | 基于深度学习方法分割脑白质高信号的方法和装置 | |
CN113706564A (zh) | 基于多种监督方式的睑板腺分割网络的训练方法及装置 | |
CN114841947A (zh) | 肺腺癌h&e染色病理图像肿瘤区域多尺度特征提取与预后分析方法、装置 | |
CN112233132A (zh) | 一种基于无监督学习的脑磁共振图像分割方法及装置 | |
CN110838094A (zh) | 病理切片染色风格转换方法和电子设备 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
CN111079807B (zh) | 一种地物分类方法及装置 | |
JP2018206260A (ja) | 画像処理システム、評価モデル構築方法、画像処理方法及びプログラム | |
CN110827963A (zh) | 针对病理图像的语义分割方法和电子设备 | |
CN112927235A (zh) | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 | |
CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 |
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 |