CN111340812A - 基于深度神经网络的交互式肝脏图像分割方法 - Google Patents
基于深度神经网络的交互式肝脏图像分割方法 Download PDFInfo
- Publication number
- CN111340812A CN111340812A CN202010104060.3A CN202010104060A CN111340812A CN 111340812 A CN111340812 A CN 111340812A CN 202010104060 A CN202010104060 A CN 202010104060A CN 111340812 A CN111340812 A CN 111340812A
- Authority
- CN
- China
- Prior art keywords
- network
- segmentation
- image
- data
- segmentation result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 27
- 210000004185 liver Anatomy 0.000 title claims abstract description 27
- 238000003709 image segmentation Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 58
- 230000008439 repair process Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000001131 transforming effect Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012958 reprocessing Methods 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 239000012535 impurity Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度神经网络的交互式肝脏图像分割方法，包括采用LITS数据集作为训练数据并预处理；选定预分割网络和修复网络并优化；对预处理后的数据再处理；在空间域上对特征图中需要加强相应的像素进行增强并得到初步分割结果；对初步分割结果进行变换并得到输入数据；采用修复网络对初步分割结果进行进一步修复得到最终的肝脏图像分割结果。本发明本发明方法的可靠性高、准确性好且速度较快。
Description
技术领域
本发明属于图像处理领域，具体涉及一种基于深度神经网络交互式肝脏图像分割方法。
背景技术
随着经济技术的发展和人们生活水平的提高，人们对于自身健康的关注程度也越来越高。而随着智能算法的普及，计算机辅助诊断技术也逐步开始应用于医疗领域。
肝脏图像中，肝脏分割是实现肝脏疾病计算机辅助诊断和肝脏移植术前规划的前提。利用分割并重建得到的肝脏模型可以辅助肝脏病灶分析、体积测量、血管分析、肝脏分段、疾病诊断和评估等工作。由于三维成像使用的图像切片数量很大，人工分割每个切片很耗时且分割结果有很大的主观性。肝脏(图像)分割旨在利用较少的时间代价，获得极高精度的分割结果，减少医生诊断负担。
现存的图像分割方法一般采用的是自动分割方法。自动分割的代表方法是神经网络，这类方法利用强大的机器学习能力，学习数据的特征，可以直接进行像素级别端到端的语义分割。
但是，由于医学图像的复杂性，特别是针对复杂器官的提取，使得自动分割方法的使用受到了局限，并且其分割结果的准确性也不能满足目前的医学要求。
发明内容
本发明的目的在于提供一种可靠性高、准确性好且速度较快的基于深度神经网络的交互式肝脏图像分割方法。
本发明提供的这种基于深度神经网络的交互式肝脏图像分割方法，包括如下步骤：
S1.采用LITS数据集作为训练数据，并对LITS数据集中的数据进行预处理；
S2.选定预分割网络和修复网络，并对选定的网络模型进行优化；
S3.对步骤S1中预处理后的数据进行再处理，从而解决数据不均衡的问题；
S4.在空间域上对特征图中需要加强相应的像素进行增强并得到初步分割结果，从而突出特征提取结果，进而提升分割精度；
S5.对步骤S4得到的初步分割结果进行变换，从而将交互式操作信息转换为能够进行多通道融合的图像，并将所述的能够进行多通道融合的图像、原图和初步分割结果一同作为修复网络的输入数据；
S6.采用修复网络对初步分割结果进行进一步修复，从而得到最终的肝脏图像分割结果。
步骤S1所述的对LITS数据集中的数据进行预处理，具体为获取的肝脏图像数据信息，剪切出感兴趣的区域，然后统一图像数据的分辨率，最后对统一分辨率后的图像重采样至设定体素，从而得到一个序列图像。
步骤S2所述的选定预分割网络和修复网络，具体为选定DenseVnet网络作为预分割网络和修复网络。
步骤S3所述的对步骤S1中预处理后的数据进行再处理，具体为利用NVIDIA聚合通信库NCCL2.x中的算法，实现跨GPU同步BatchNormalization，扩大Mini batchsize，解决正负样本比例严重不均衡等问题。
步骤S4所述的在空间域上对特征图中需要加强相应的像素进行增强，具体为利用注意力机制，在空间域上，对特征图中越需要加强响应的像素赋以越大的权重。
步骤S5所述的对步骤S4得到的初步分割结果进行变换，从而将交互式操作信息转换为能够进行多通道融合的图像，具体为对步骤S4得到的初步分割结果，采用测地距离变换将交互式操作信息转换为能够进行多通道融合的图像。
所述的测地距离变换，具体为采用如下算式作为测地距离变换公式：
式中min为取最小值操作；Ωi为用户交互的前景点或背景点；x为图像中的任意一个体素点；l为体素点坐标；F为前景点坐标集合；B为前景点坐标集合；d(s,x)的计算公式为
其中Cs,x(p)表示连接s和x的路径，W为融入交互信息的权重。
在训练阶段，将交互式操作的种子点设定为预分割结果与GroundTruth差别区域的随机位置，且种子点个数与差别区域像素个数之间满足如下算式：
式中N为种子点个数，n为差别区域的像素个数。
步骤S6所述的采用修复网络对初步分割结果进行进一步修复，具体使用DenseCRF算法，对分割结果中出现的空洞和杂质区域进行优化。
所述的Dense CRF算法，具体为采用如下算式作为能量函数表达式：
式中
为每一个体素只与自身类别相关的Unary能量函数；
为每一个体素的类别信息与其他所有体素的类别信息的相关信息。
本发明提供的这种基于深度神经网络的交互式肝脏图像分割方法，在神经网络模型中使用注意力机制，学习一组参数，作为网络生成器的参数，将图像中的空间域信息做空间变换，从而将关键的特征加强响应；利用跨GPU同步归一化的操作，扩充Mini batchsize，解决正负样本比例严重不均衡等问题，加快网络训练速度，提高模型效果；将交互式操作融入神经网络当中，实现以较小的时间代价，得到较高精度的分割结果；以Dense CRF作为后处理算法，有效减少个别数据分割结果出现的空洞和杂质，完善分割效果；因此，本发明方法的可靠性高、准确性好且速度较快。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法中的基础网络DenseVnet的网络结构示意图。
图3为本发明方法中的跨GPU同步BatchNormalization的流程示意图。
图4为本发明方法中的注意力机制的流程示意图。
图5为本发明方法的效果示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种基于深度神经网络的交互式肝脏图像分割方法，包括如下步骤：
S1.采用LITS数据集作为训练数据(如图5a所示)，并对LITS数据集中的数据进行预处理；具体为获取的肝脏图像数据信息，剪切出感兴趣的区域(比如肋骨以下、髋骨以上的腹部区域)，然后统一图像数据的分辨率，最后对统一分辨率后的图像重采样至设定体素(比如1443个体素)，从而得到一个序列图像(如图5b所示)；
S2.选定预分割网络和修复网络，并对选定的网络模型进行优化；具体为选定DenseVnet网络作为预分割网络和修复网络；
DenseVnet网络针对腹部CT序列图像分割具有以下3点优势：使用channelwisedropout减少运算参数的同时，防止过拟合；使用空洞卷积，增加感受野；使用DenseBlock作为特征提取模块，减少运算参数的同时，实现特征复用；其网络结构如图2所示
S3.对步骤S1中预处理后的数据进行再处理，从而解决数据不均衡的问题；具体为利用NVIDIA聚合通信库NCCL2.x中的算法，实现跨GPU同步BatchNormalization，扩大Minibatchsize，解决正负样本比例严重不均衡等问题；
在具体实施时，利用跨GPU同步BatchNormalization，解决三维语义分割问题中，小Mini batchsize的问题：首先，如果使用小Mini batchsize训练，必须花费更长的训练时间，其次，使用小Mini batchsize训练无法为batch normalization提供准确的统计信息，最后，正负样本的比例可能非常不平衡，这可能会伤害最终的准确性；对Mini batchsize的扩充要实现跨GPU的批量归一化，需要计算所有设备上汇总的均值/方差统计；大多数现有的深度学***均来自所有设备的和值，获得当前Mini-batch的平均值μb；这一步需要一个AllReduce操作；然后计算每个设备的方差并得到
在向所有设备广播
之后，可以通过如下公式实现归一化：
使用NVIDIA聚合通信库(NCCL)来有效地执行AllReduce操作的接收和广播；实现流程如图3所示；
S4.在空间域上对特征图中需要加强相应的像素进行增强并得到初步分割结果(如图5c所示)，从而突出特征提取结果，进而提升分割精度；具体为利用注意力机制，在空间域上，对特征图中越需要加强响应的像素赋以越大的权重；
注意力门可以在直观上理解为常见的级联式CNN中的定位网络，能学习到一组参数，作为网络生成器的参数，图片中的空间域信息做对应的空间变换，从而能将关键的信息提取出来，但是与级联CNN的模型不同，注意力门逐步抑制无关背景区域的特征响应，不需要在网络之间裁剪ROI，具体如图4所示；
其中，注意系数α∈[0,1]识别显著的图像区域，修剪特征响应，只保留与特定任务相关的信息，输入特性xl与注意力系数α做点乘计算。空间区域是通过分析门控信号g所提供的激活和上下文信息来选择的，门控信号g是从一个较粗糙的尺度收集的；采用三线性插值法对注意系数进行图像重采样；
S5.对步骤S4得到的初步分割结果进行变换，从而将交互式操作信息转换为能够进行多通道融合的图像，并将所述的能够进行多通道融合的图像、原图和初步分割结果一同作为修复网络的输入数据；具体为对步骤S4得到的初步分割结果，采用测地距离变换将交互式操作信息转换为能够进行多通道融合的图像；
在具体实施时，测地距离变换采用如下算式作为测地距离变换公式：
式中min为取最小值操作；Ωi为用户交互的前景点或背景点；x为图像中的任意一个体素点；l为体素点坐标；F为前景点坐标集合；B为前景点坐标集合；d(s,x)的计算公式为
其中Cs,x(p)表示连接s和x的路径，W为融入交互信息的权重；
在训练阶段，将交互式操作的种子点设定为预分割结果与GroundTruth差别区域的随机位置，且种子点个数与差别区域像素个数之间满足如下算式：
式中N为种子点个数，n为差别区域的像素个数；
本发明使用了两个CNN,其网路结构及优化均如上述步骤所述；其中第一个CNN得到一个自动分割结果，用户在此基础上提供交互点或者短线标记错误分割的区域。其中，在训练阶段，将交互式操作的种子点设定为预分割结果与GroundTruth差别区域的随机位置；种子点个数与差别区域像素个数相关；再将其作为第二个CNN的输入得到修正的结果；并将用户交互转化为距离图像作为CNN的输入，并使用了测地线距离；
S6.采用修复网络对初步分割结果进行进一步修复，从而得到最终的肝脏图像分割结果；具体使用Dense CRF算法，对分割结果中出现的空洞和杂质区域进行优化(如图5d所示)；
在具体实施时，采用如下算式作为Dense CRF算法的能量函数表达式：
式中
为每一个体素只与自身类别相关的Unary能量函数；
为每一个体素的类别信息与其他所有体素的类别信息的相关信息。
Claims (10)
1.一种基于深度神经网络的交互式肝脏图像分割方法，包括如下步骤：
S1.采用LITS数据集作为训练数据，并对LITS数据集中的数据进行预处理；
S2.选定预分割网络和修复网络，并对选定的网络模型进行优化；
S3.对步骤S1中预处理后的数据进行再处理，从而解决数据不均衡的问题；
S4.在空间域上对特征图中需要加强相应的像素进行增强并得到初步分割结果，从而突出特征提取结果，进而提升分割精度；
S5.对步骤S4得到的初步分割结果进行变换，从而将交互式操作信息转换为能够进行多通道融合的图像，并将所述的能够进行多通道融合的图像、原图和初步分割结果一同作为修复网络的输入数据；
S6.采用修复网络对初步分割结果进行进一步修复，从而得到最终的肝脏图像分割结果。
2.根据权利要求1所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于步骤S1所述的对LITS数据集中的数据进行预处理，具体为获取的肝脏图像数据信息，剪切出感兴趣的区域，然后统一图像数据的分辨率，最后对统一分辨率后的图像重采样至设定体素，从而得到一个序列图像。
3.根据权利要求2所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于步骤S2所述的选定预分割网络和修复网络，具体为选定DenseVnet网络作为预分割网络和修复网络。
4.根据权利要求3所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于步骤S3所述的对步骤S1中预处理后的数据进行再处理，具体为利用NVIDIA聚合通信库NCCL2.x中的算法，实现跨GPU同步BatchNormalization，扩大Mini batchsize，解决正负样本比例严重不均衡等问题。
5.根据权利要求4所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于步骤S4所述的在空间域上对特征图中需要加强相应的像素进行增强，具体为利用注意力机制，在空间域上，对特征图中越需要加强响应的像素赋以越大的权重。
6.根据权利要求5所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于步骤S5所述的对步骤S4得到的初步分割结果进行变换，从而将交互式操作信息转换为能够进行多通道融合的图像，具体为对步骤S4得到的初步分割结果，采用测地距离变换将交互式操作信息转换为能够进行多通道融合的图像。
7.根据权利要求6所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于所述的测地距离变换，具体为采用如下算式作为测地距离变换公式：
式中min为取最小值操作；Ωi为用户交互的前景点或背景点；x为图像中的任意一个体素点；l为体素点坐标；F为前景点坐标集合；B为前景点坐标集合；d(s,x)的计算公式为
其中Cs,x(p)表示连接s和x的路径，W为融入交互信息的权重。
8.根据权利要求7所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于在训练阶段，将交互式操作的种子点设定为预分割结果与GroundTruth差别区域的随机位置，且种子点个数与差别区域像素个数之间满足如下算式：
式中N为种子点个数，n为差别区域的像素个数。
9.根据权利要求8所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于步骤S6所述的采用修复网络对初步分割结果进行进一步修复，具体使用Dense CRF算法，对分割结果中出现的空洞和杂质区域进行优化。
10.根据权利要求9所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于所述的Dense CRF算法，具体为采用如下算式作为能量函数表达式：
式中
为每一个体素只与自身类别相关的Unary能量函数；
为每一个体素的类别信息与其他所有体素的类别信息的相关信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010104060.3A CN111340812A (zh) | 2020-02-20 | 2020-02-20 | 基于深度神经网络的交互式肝脏图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010104060.3A CN111340812A (zh) | 2020-02-20 | 2020-02-20 | 基于深度神经网络的交互式肝脏图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111340812A true CN111340812A (zh) | 2020-06-26 |
Family
ID=71181726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010104060.3A Pending CN111340812A (zh) | 2020-02-20 | 2020-02-20 | 基于深度神经网络的交互式肝脏图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340812A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102336A (zh) * | 2020-09-16 | 2020-12-18 | 湖南大学 | 一种基于用户交互与深度神经网络的图像分割方法 |
| CN112419320A (zh) * | 2021-01-22 | 2021-02-26 | 湖南师范大学 | 基于sam与多层uda的跨模态心脏分割方法 |
| CN112418205A (zh) * | 2020-11-19 | 2021-02-26 | 上海交通大学 | 基于专注误分割区域的交互式图像分割方法和*** |
| CN112488115A (zh) * | 2020-11-23 | 2021-03-12 | 石家庄铁路职业技术学院 | 一种基于two-stream架构的语义分割方法 |
| CN112508966A (zh) * | 2020-10-27 | 2021-03-16 | 北京科技大学 | 一种交互式图像分割方法及*** |
| CN113436127A (zh) * | 2021-03-25 | 2021-09-24 | 上海志御软件信息有限公司 | 基于深度学习的自动化肝脏分段模型的构建方法、装置、计算机设备和存储介质 |
| CN113538415A (zh) * | 2021-08-16 | 2021-10-22 | 深圳市旭东数字医学影像技术有限公司 | 医学图像中肺部血管的分割方法、装置及电子设备 |
| CN113555109A (zh) * | 2021-07-08 | 2021-10-26 | 南通罗伯特医疗科技有限公司 | 基于改良pct神经网络的手术术前规划装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102099829A (zh) * | 2008-05-23 | 2011-06-15 | 微软公司 | 测地图像和视频处理 |
| CN107590813A (zh) * | 2017-10-27 | 2018-01-16 | 深圳市唯特视科技有限公司 | 一种基于深层交互式测地距离的图像分割方法 |
| US20190026897A1 (en) * | 2016-11-07 | 2019-01-24 | Institute Of Automation, Chinese Academy Of Sciences | Brain tumor automatic segmentation method by means of fusion of full convolutional neural network and conditional random field |
| US20190080456A1 (en) * | 2017-09-12 | 2019-03-14 | Shenzhen Keya Medical Technology Corporation | Method and system for performing segmentation of image having a sparsely distributed object |
-
2020
- 2020-02-20 CN CN202010104060.3A patent/CN111340812A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102099829A (zh) * | 2008-05-23 | 2011-06-15 | 微软公司 | 测地图像和视频处理 |
| US20190026897A1 (en) * | 2016-11-07 | 2019-01-24 | Institute Of Automation, Chinese Academy Of Sciences | Brain tumor automatic segmentation method by means of fusion of full convolutional neural network and conditional random field |
| US20190080456A1 (en) * | 2017-09-12 | 2019-03-14 | Shenzhen Keya Medical Technology Corporation | Method and system for performing segmentation of image having a sparsely distributed object |
| CN107590813A (zh) * | 2017-10-27 | 2018-01-16 | 深圳市唯特视科技有限公司 | 一种基于深层交互式测地距离的图像分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| 廖苗、刘毅志等: "基于非线性增强和图割的CT 序列肝脏肿瘤自动分割", vol. 31, no. 6, pages 1 - 1 * |
| 赵薇: "基于卷积神经网络的三维脑肿瘤医学图像分割研究", 硕士学位论文, 30 November 2019 (2019-11-30) * |
| 高扬;滕奇志;熊淑华;何海波;: "基于模糊距离变换的岩心图像颗粒分割算法", no. 04, pages 51 - 54 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102336A (zh) * | 2020-09-16 | 2020-12-18 | 湖南大学 | 一种基于用户交互与深度神经网络的图像分割方法 |
| CN112508966A (zh) * | 2020-10-27 | 2021-03-16 | 北京科技大学 | 一种交互式图像分割方法及*** |
| CN112418205A (zh) * | 2020-11-19 | 2021-02-26 | 上海交通大学 | 基于专注误分割区域的交互式图像分割方法和*** |
| CN112488115A (zh) * | 2020-11-23 | 2021-03-12 | 石家庄铁路职业技术学院 | 一种基于two-stream架构的语义分割方法 |
| CN112488115B (zh) * | 2020-11-23 | 2023-07-25 | 石家庄铁路职业技术学院 | 一种基于two-stream架构的语义分割方法 |
| CN112419320A (zh) * | 2021-01-22 | 2021-02-26 | 湖南师范大学 | 基于sam与多层uda的跨模态心脏分割方法 |
| CN112419320B (zh) * | 2021-01-22 | 2021-04-27 | 湖南师范大学 | 基于sam与多层uda的跨模态心脏分割方法 |
| CN113436127A (zh) * | 2021-03-25 | 2021-09-24 | 上海志御软件信息有限公司 | 基于深度学习的自动化肝脏分段模型的构建方法、装置、计算机设备和存储介质 |
| CN113555109A (zh) * | 2021-07-08 | 2021-10-26 | 南通罗伯特医疗科技有限公司 | 基于改良pct神经网络的手术术前规划装置 |
| CN113538415A (zh) * | 2021-08-16 | 2021-10-22 | 深圳市旭东数字医学影像技术有限公司 | 医学图像中肺部血管的分割方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340812A (zh) | 基于深度神经网络的交互式肝脏图像分割方法 | |
| US11101033B2 (en) | Medical image aided diagnosis method and system combining image recognition and report editing | |
| CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
| CN112465827B (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 | |
| US11501435B2 (en) | Unsupervised content-preserved domain adaptation method for multiple CT lung texture recognition | |
| CN110599528A (zh) | 一种基于神经网络的无监督三维医学图像配准方法及*** | |
| CN108364294A (zh) | 基于超像素的腹部ct图像多器官分割方法 | |
| CN110889852A (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
| CN109447998A (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
| Feixas et al. | Information theory tools for image processing | |
| CN111415352B (zh) | 一种基于深度级联网络的癌转移全景病理切片分析方法 | |
| CN101317196A (zh) | 用于分割图像中与参考结构相关的结构的方法、***和计算机程序 | |
| CN112820399A (zh) | 自动诊断甲状腺结节良恶性的方法及装置 | |
| CN115880720A (zh) | 一种基于置信度分享的无标注场景自适应人体姿态和外形估计方法 | |
| CN113537357A (zh) | 一种基于深度残差网络的甲状腺癌ct影像分类*** | |
| CN110033448B (zh) | 一种aga临床图像的ai辅助雄秃汉密尔顿分级预测分析方法 | |
| CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
| Ananth et al. | CLG for Automatic Image Segmentation | |
| Susomboon et al. | Automatic single-organ segmentation in computed tomography images | |
| CN114419309A (zh) | 一种基于大脑T1-w磁共振影像的高维特征自动提取方法 | |
| CN114627136A (zh) | 一种基于特征金字塔网络的舌象分割与对齐方法 | |
| CN114565762A (zh) | 基于roi和***融合策略的弱监督肝脏肿瘤分割 | |
| CN106709921A (zh) | 一种基于空间Dirichlet混合模型的彩色图像分割方法 | |
| CN116883397B (zh) | 一种应用于解剖病理学的自动精益方法及*** | |
| Rossignac et al. | Pearling: 3D interactive extraction of tubular structures from volumetric images |
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 |