CN111415359A - 一种自动化分割医学影像多器官的方法 - Google Patents
一种自动化分割医学影像多器官的方法 Download PDFInfo
- Publication number
- CN111415359A CN111415359A CN202010213088.0A CN202010213088A CN111415359A CN 111415359 A CN111415359 A CN 111415359A CN 202010213088 A CN202010213088 A CN 202010213088A CN 111415359 A CN111415359 A CN 111415359A
- Authority
- CN
- China
- Prior art keywords
- data
- resolution
- full convolution
- segmentation
- processing
- 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
- 210000000056 organ Anatomy 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012952 Resampling Methods 0.000 claims abstract description 7
- 238000012805 post-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000002372 labelling Methods 0.000 description 5
- 206010002329 Aneurysm Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 210000000496 pancreas Anatomy 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000001198 duodenum Anatomy 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000003462 vein Anatomy 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
- G06T7/11—Region-based segmentation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种自动化分割医学影像多器官的方法,涉及医学图像处理技术领域,包括数据预处理:将原始CT图像在进行归一化,然后以各向同性的空间体进行重采样到低分辨率,输入低分辨率全卷积网络;数据处理:低分辨率全卷积网络输出一个粗分割的感兴趣体积区域,并以各向同性的空间体进行重采样,得到一个感兴趣体积区域的高分辨数据,使用该数据作为训练数据分别输入到高分辨率的2D与3D全卷积网络进行训练;数据后处理:融合2D与3D全卷积网络的结果并输出,对输出的结果进行后处理,得到各个器官的分割结果。本发明能对医生提供像素级高精度的自动化的智能多器官分割,减少医生的工作负担,提升效率,提高分割的准确率。
Description
技术领域
本发明涉及一种自动化分割医学影像多器官的方法,属于医学图像处理技术领域。
背景技术
近年来,人工智能领域在医疗健康领域的应用越来越广泛,人工智能已经在医学的很多核心领域展开了应用,也有越来越多的医院来采用这一先进的技术来改善患者的就医体验,降低医生的工作负担,提升医疗效率。随着我国60岁及以上老年人口的增加,确诊慢病患者近3亿,且两者数量都在逐年上升,但职业医师数量远远供不应求,我国280万职业医师远远无法应对2000万日均门诊量。供需缺口持续加剧、催生医疗智能化,为此引入大数据、人工智能、云计算、区块链等技术,以有效提升医疗服务效率、扩大医疗服务供给。人工智能在医疗领域应用不断探索发展,将为医生带来一个更强的大脑,为百姓提供更智慧的服务,也将为缓解医疗资源供需失衡等问题而助力。
在医疗诊断过程中,医生通常需要按照CT拍摄诊断,手动逐张逐个勾画各个器官或病灶的标记轮廓线。这一过程增加了医生的工作负担,耗费大量的时间,并且技术含量相对较低,降低了医疗效率。而增加医疗过程时间有可能使得确诊时的病灶发生病变,难以准确定位。同时加上医疗水平的差别,以及不同医生对解剖结构的理解上的差异等,不同医生的标注***工作上耗费数个小时,并且具有很大的操作上的不确定性,可能会影响后续的治疗过程。
这些年由于运算能力持续加强,经过标注的可用数据的增加以及基于深度学习的高级算法的涌现,使得人工智能近年发展迅速。随着人工智能渗透到各行各业,它不仅带来技术变革,也会对社会造成深远影响。尤其是近些年兴起的深度学习技术表现了惊人的能力,也让这项技术应用到医疗图像处理上成为可能。其中器官自动分割的算法可以有效地降低医生的工作负担,提供像素级的精准分割,有着广阔的应用前景。
器官分割旨在识别并将不同的器官自动地在CT图像中分割出来,从而减少医生的标注工作。在传统图像处理上,通过阈值处理,区域生长等各种算法,对于部分器官有着不错的表现,但是对于大部分的软组织器官,由于HU值变化小,边界不明显以及形变严重的特点,医生也要通过解剖结构与长年积累的经验,才能大致标注出器官组织的轮廓线。并且CT图像张数多,图像大,会耗费巨大的时间。并且自动化分割多个器官时,尽管使用了深度学习模型进行预测,但是由于模型结构设计的问题,使得现有的模型在器官分割任务上的表现并不令人满意。
目前对于多器官分割,相关专利都是使用全卷积的深度学习网络进行推理预测,但在精度上,尤其是不同病例中形变较大,边界不清晰的器官(如胰腺),分割效果不够满意。
换言之,现有技术主要分别存在以下缺陷:
1、在传统方法中,很大程度上医生手动逐张逐个器官进行器官标注,医生需要持续密集地同时对多个器官进行标注,不仅工作量大且效率较低。此外不同患者的目标器官通常在形状和位置上差异很大,并且CT影像中的轮廓对比度相对较低,也给器官的分割标注带来了困难。
2、在基于深度学习的人工智能方法中,建立的深度学习模型的效果,在部分器官上精度较低,仍然影响了医生的诊断。
基于此,做出本申请。
发明内容
为了解决现有技术中存在的上述缺陷,本发明提供了一种自动化分割医学影像多器官的方法,能够有效地整合原始的图像数据预处理流程、优化的模型训练流程,能对医生提供像素级高精度的自动化的智能多器官分割,减少医生的工作负担,提升效率,提高分割的准确率。
为了实现上述目的,本发明采取的技术方案如下:
一种自动化分割医学影像多器官的方法,包括如下步骤:
(1)数据预处理:将原始CT图像在进行归一化,然后以各向同性的空间体进行重采样到低分辨率,输入低分辨率全卷积网络;
(2)数据处理:低分辨率全卷积网络输出一个粗分割的感兴趣体积区域,并以各向同性的空间体进行重采样,得到一个感兴趣体积区域的高分辨数据,使用该数据作为训练数据分别输入到高分辨率的2D与3D全卷积网络进行训练;
(3)数据后处理:融合2D与3D全卷积网络的结果并输出,对输出的结果进行后处理,提取最大连通区域以去除噪声,得到各个器官的分割结果。
所述步骤(1)中,归一化具体过程为,首先设定窗宽窗位,并且分别设定灰度值区间,然后将图像在这个区间内的灰度值线性归一化到[-1,1]之间。
所述步骤(2)中,在训练过程中,采用多类的Dice损失函数作为网络的损失函数。
本发明从数据预处理方法,深度学习模型的构建上对现有方法进行了改进,实现了一个提升了分割准确度的自动化的多器官分割方法。
本发明的工作原理:本发明提出一种改进的数据预处理以及多分辨率的基于Vnet的全卷积分割模型的方法,针对分割效果一般的器官,实现了提升其分割准确度的自动化方法,在此提出了一种多分辨率策略,针对不同的图像分辨率,训练多个不同分辨率输入的全卷积网络。在低分辨率的CT图像为输入训练得到的全卷积网络模型,用来粗略定位每个器官的VOI(Volume of Interest,VOI),再将这个VOI重采样得到一个基于该VOI的高分辨率的图像,用来训练2D与3D的全卷积分割网络,最后融合两个网络的结果得到一个更精准的器官分割结果。
本发明能实现如下技术效果:
(1)本发明能够有效地整合原始的图像数据预处理流程、优化的模型训练流程,能对医生提供像素级高精度的自动化的智能多器官分割,减少医生的工作负担,提升效率,提高分割的准确率。
(2)本发明针对训练的数据医学数据,进行多重分辨率的重采样,缩小资源占用,提升性能。
(3)本发明使用经过改进的多个分辨率网络混合训练的模型进行训练,可以提升器官分割的预测精度。
(4)本发明训练2D与3D的两个全卷积网络,同时拥有2D与3D网络的优点,通过融合两个网络的结果,调整融合权重,可以获得更好的分割效果,达到更高的准确度。
附图说明
图1为本实施例一种自动化分割医学影像多器官的方法流程图。
具体实施方式
为了使本发明的技术手段及其所能达到的技术效果,能够更清楚更完善的披露,兹提供了一个实施例,并结合附图作如下详细说明:
目前多器官分割通常是对胸腹部CT图像中的器官,心脏,肝脏,左右肾,胃,脾,主动脉,结肠,十二指肠,小肠,静脉,胆囊,胰腺等器官进行分割。类似胰腺这类边界不清晰,形变较大的器官,普遍使用的全卷积分割模型的分割结果表现不如人意。
本发明提出一种改进的数据预处理以及多分辨率的基于Vnet的全卷积分割模型的方法,针对分割效果一般的器官,实现了提升其分割准确度的自动化方法,方法框架图如图1所示。根据图1所示,在此提出了一种多分辨率策略,针对不同的图像分辨率,训练多个不同分辨率输入的全卷积网络。在低分辨率的CT图像为输入训练得到的全卷积网络模型,用来粗略定位每个器官的感兴趣体积区域VOI(Volume of Interest,VOI)。再将这个VOI重采样得到一个基于该VOI的高分辨率的图像,用来训练2D与3D的全卷积分割网络,最后融合两个网络的结果得到一个更精准的器官分割结果。
首先在数据处理阶段,通过改变预处理的方式来加速网络训练时的收敛速度。首先对原数据进行统一的图像预处理,首先设定窗宽窗位,并且分别设定灰度值区间,然后将图像在这个区间内的灰度值线性归一化到[-1,1]之间。完成预处理CT图像后,使用CT图像作为模型的训练数据,但由于CT图像尺寸都比较大,比如512×512×300,如果让整个3D图像体积作为网络的输入无疑要占用很多的计算资源。原有的解决方法就是降低图像的分辨率,重新对图像进行采样,但是这样做会使得分割的边界线和图像的细节被破坏。另一种方法是使用滑动窗口将图像切分为一些子图像块,这种方法会耗费大量的时间,影响训练和预测效率。本发明改进了预处理的方法,使用jmm(本实施例选6mm)的各向同性的空间体在整个图像上进行重采样,以此降低分辨率,作为低分辨率的全卷积网络的输入。这样可以在占用少量计算资源的情况下,快速训练模型并粗略定位得到每个器官的VOI区域。
接下来,基于低分辨率全卷积网络粗略预测VOI区域,进行以kmm(本实施例选1mm)的空间体重新采样,这样可以在精确的定位区域的同时,得到高分辨率的图像数据作为高分辨率全卷积网络的训练数据。用这种方式处理VOI,则高分辨率网络会更加侧重于器官的边界。由于2D与3D网络都拥有各自的优势,3D网络可以对3D数据从三个方向上进行编码,在某些器官或病理上2D上特征不过于明显,比如动脉瘤的检测,由于血管和动脉瘤在CTA上都是高信号,无法根据灰度值去判断动脉瘤,而是根据3D上血管的走向,发现3D形状上的一些异常,从而进行动脉瘤的诊断,因此使用3D网络更为准确。而对于切片数少,不连贯的器官和病例,或层厚较厚,数据量较少的图像,2D全卷积网络会更为准确。为了获得更好的分割效果,同时拥有2D与3D网络的优点,本实施例训练2D与3D的两个全卷积网络,通过融合两个网络的结果,调整融合权重以达到更高的准确度。
本实施例在训练过程中,使用多类的Dice损失函数作为网络的损失函数,Dice损失函数相比交叉熵损失函数,它更加关注器官的表现。最后通过后处理,提取最大连通区域来去除孤立的噪声区域,得到模型最终输出的图像所对应的每个器官掩模(Mask)。通过多分辨率网络,可以提升分割效果。表1为多分辨率模型与单分辨率模型的表现对比。本实施例使用Dice分数作为网络的损失函数和评价指标,使用Dice的优点是Dice损失函数相比交叉熵损失函数,它更加关注器官的表现。同时,由表2所示,多器官分割与单器官分割相比,能够有效的提升效率,降低资源占用。
表1、多分辨率方法与单分辨率方法在Dice评价分数上的对比图表
表2、多器官分割与单个器官分割时间与显存占用对比
以上内容是结合本发明的优选实施方式对所提供技术方案所作的进一步详细说明,不能认定本发明具体实施只局限于上述这些说明,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (3)
1.一种自动化分割医学影像多器官的方法,包括如下步骤:
(1)数据预处理:将原始CT图像在进行归一化,然后以各向同性的空间体进行重采样到低分辨率,输入低分辨率全卷积网络;
(2)数据处理:低分辨率全卷积网络输出一个粗分割的感兴趣体积区域,并以各向同性的空间体进行重采样,得到一个感兴趣体积区域的高分辨数据,使用该数据作为训练数据分别输入到高分辨率的2D与3D全卷积网络进行训练;
(3)数据后处理:融合2D与3D全卷积网络的结果并输出,对输出的结果进行后处理,提取最大连通区域以去除噪声,得到各个器官的分割结果。
2.如权利要求1所述的一种自动化分割医学影像多器官的方法,其特征在于:所述步骤(1)中,归一化具体过程为,首先设定窗宽窗位,并且分别设定灰度值区间,然后将图像在这个区间内的灰度值线性归一化到[-1,1]之间。
3.如权利要求1所述的一种自动化分割医学影像多器官的方法,其特征在于:所述步骤(2)中,在训练过程中,采用多类的Dice损失函数作为网络的损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010213088.0A CN111415359A (zh) | 2020-03-24 | 2020-03-24 | 一种自动化分割医学影像多器官的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010213088.0A CN111415359A (zh) | 2020-03-24 | 2020-03-24 | 一种自动化分割医学影像多器官的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111415359A true CN111415359A (zh) | 2020-07-14 |
Family
ID=71491645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010213088.0A Pending CN111415359A (zh) | 2020-03-24 | 2020-03-24 | 一种自动化分割医学影像多器官的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111415359A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116989A (zh) * | 2020-09-11 | 2020-12-22 | 海创时代(深圳)医疗科技有限公司 | 一种多器官勾画方法及装置 |
CN112465827A (zh) * | 2020-12-09 | 2021-03-09 | 北京航空航天大学 | 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 |
CN112598634A (zh) * | 2020-12-18 | 2021-04-02 | 燕山大学 | 基于3d cnn和迭代搜索的ct影像器官定位方法 |
CN112651929A (zh) * | 2020-12-09 | 2021-04-13 | 浙江明峰智能医疗科技有限公司 | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及*** |
CN113808146A (zh) * | 2021-10-18 | 2021-12-17 | 山东大学 | 一种医学图像多器官分割方法及*** |
CN115375626A (zh) * | 2022-07-25 | 2022-11-22 | 浙江大学 | 基于物理分辨率的医学图像分割方法、***、介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727537A (zh) * | 2009-11-16 | 2010-06-09 | 杭州电子科技大学 | 基于双视角信息融合的乳腺cr图像的计算机确定方法 |
CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
CN109754394A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 三维医学图像处理装置及方法 |
CN110097550A (zh) * | 2019-05-05 | 2019-08-06 | 电子科技大学 | 一种基于深度学习的医学图像分割方法及*** |
CN110705555A (zh) * | 2019-09-17 | 2020-01-17 | 中山大学 | 基于fcn的腹部多器官核磁共振图像分割方法、***及介质 |
-
2020
- 2020-03-24 CN CN202010213088.0A patent/CN111415359A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727537A (zh) * | 2009-11-16 | 2010-06-09 | 杭州电子科技大学 | 基于双视角信息融合的乳腺cr图像的计算机确定方法 |
CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
CN109754394A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 三维医学图像处理装置及方法 |
CN110097550A (zh) * | 2019-05-05 | 2019-08-06 | 电子科技大学 | 一种基于深度学习的医学图像分割方法及*** |
CN110705555A (zh) * | 2019-09-17 | 2020-01-17 | 中山大学 | 基于fcn的腹部多器官核磁共振图像分割方法、***及介质 |
Non-Patent Citations (3)
Title |
---|
HAOFU LIAO 等: "More Knowledge Is Better: Cross-Modality Volume Completion and 3D+2D Segmentation for Intracardiac Echocardiography Contouring", 《MICCAI2018》 * |
孙涛 等: "《光学遥感影像复原与超分辨重建》", 30 June 2012, 国防工业出版社 * |
查宇飞 等: "《视频目标跟踪方法》", 31 July 2015, 国防工业出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116989A (zh) * | 2020-09-11 | 2020-12-22 | 海创时代(深圳)医疗科技有限公司 | 一种多器官勾画方法及装置 |
CN112465827A (zh) * | 2020-12-09 | 2021-03-09 | 北京航空航天大学 | 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 |
CN112651929A (zh) * | 2020-12-09 | 2021-04-13 | 浙江明峰智能医疗科技有限公司 | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及*** |
CN112651929B (zh) * | 2020-12-09 | 2022-06-10 | 浙江明峰智能医疗科技有限公司 | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及*** |
CN112465827B (zh) * | 2020-12-09 | 2022-07-26 | 北京航空航天大学 | 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 |
CN112598634A (zh) * | 2020-12-18 | 2021-04-02 | 燕山大学 | 基于3d cnn和迭代搜索的ct影像器官定位方法 |
CN112598634B (zh) * | 2020-12-18 | 2022-11-25 | 燕山大学 | 基于3d cnn和迭代搜索的ct影像器官定位方法 |
CN113808146A (zh) * | 2021-10-18 | 2021-12-17 | 山东大学 | 一种医学图像多器官分割方法及*** |
CN113808146B (zh) * | 2021-10-18 | 2023-08-18 | 山东大学 | 一种医学图像多器官分割方法及*** |
CN115375626A (zh) * | 2022-07-25 | 2022-11-22 | 浙江大学 | 基于物理分辨率的医学图像分割方法、***、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415359A (zh) | 一种自动化分割医学影像多器官的方法 | |
CN108198184B (zh) | 造影图像中血管分割的方法和*** | |
CN113344951B (zh) | 一种边界感知双重注意力引导的肝段分割方法 | |
Vesal et al. | A 2D dilated residual U-Net for multi-organ segmentation in thoracic CT | |
Zhao et al. | M $^{2} $ SNet: Multi-scale in multi-scale subtraction network for medical image segmentation | |
CN110265141B (zh) | 一种肝脏肿瘤ct影像计算机辅助诊断方法 | |
CN113420826B (zh) | 一种肝脏病灶图像处理***及图像处理方法 | |
CN110751636B (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
CN108664976B (zh) | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 | |
CN113436173B (zh) | 基于边缘感知的腹部多器官分割建模、分割方法及*** | |
CN114972362A (zh) | 一种基于RMAU-Net网络的医学图像自动分割方法与*** | |
CN110991254A (zh) | 超声图像视频分类预测方法及*** | |
Liang et al. | Coronary angiography video segmentation method for assisting cardiovascular disease interventional treatment | |
CN113160120A (zh) | 基于多模态融合与深度学习的肝脏血管分割方法及*** | |
CN112990344A (zh) | 一种肺结节多视图分类方法 | |
CN112862783A (zh) | 一种基于神经网络的甲状腺ct图像结节自动诊断*** | |
CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
LU500798B1 (en) | Full-Automatic Segmentation Method for Coronary Artery Calcium Lesions Based on Non-Contrast Chest CT | |
Ruan et al. | An efficient tongue segmentation model based on u-net framework | |
CN117523204A (zh) | 面向医疗场景的肝脏肿瘤图像分割方法、装置和可读存储介质 | |
CN111275720B (zh) | 一种基于深度学习的全端到端小器官图像识别方法 | |
Baima et al. | Dense Swin Transformer for Classification of Thyroid Nodules | |
CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 | |
CN111598870B (zh) | 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法 | |
CN114359308A (zh) | 一种基于边缘响应与非线性损失的主动脉夹层分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200714 |