CN111724397A - 一种颅脑ct图像出血区域自动分割方法 - Google Patents
一种颅脑ct图像出血区域自动分割方法 Download PDFInfo
- Publication number
- CN111724397A CN111724397A CN202010559693.3A CN202010559693A CN111724397A CN 111724397 A CN111724397 A CN 111724397A CN 202010559693 A CN202010559693 A CN 202010559693A CN 111724397 A CN111724397 A CN 111724397A
- Authority
- CN
- China
- Prior art keywords
- image
- craniocerebral
- training
- convolution
- layers
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000000740 bleeding effect Effects 0.000 title claims abstract description 23
- 230000011218 segmentation Effects 0.000 title claims abstract description 19
- 210000004556 brain Anatomy 0.000 claims abstract description 35
- 238000005070 sampling Methods 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 230000002008 hemorrhagic effect Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000003321 amplification Effects 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims 2
- 208000032843 Hemorrhage Diseases 0.000 abstract description 25
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 48
- 208000006011 Stroke Diseases 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 2
- 208000032382 Ischaemic stroke Diseases 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000004958 brain cell Anatomy 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种颅脑CT图像出血区域自动分割方法:S1获取需要进行出血区域自动分割的颅脑CT图像;S2:将颅脑CT图像依次通过预先构建并训练的改进U‑Net卷积神经网络,网络整体结构为三层下采样层三层上采样层,在跳跃连接过程中将下采样获取的特征图分别经复制、卷积、裁剪后,与各自对应的上采样层后的特征图进行拼接,对应的上采样层对拼接后的特征图进行上采样和卷积。改进U‑Net卷积神经网络一共包括七层,保证特征提取的同时减少信息的丢失,节省时间提升整体效率;在跳跃连接步骤中对下采样的特征图增加了卷积操作,可以在不改变模型层数的同时为上采样层提供更多的信息,从而提高后续对颅脑出血CT图像的图像分割。
Description
技术领域
本发明属于医学图像处理领域,尤其涉及一种颅脑CT图像出血区域自动分割方法。
背景技术
根据《全球疾病负担》了解到中风是第二大最常见的死亡原因,也是全球致残的主要原因之一。中风发生在血液流向大脑特定区域时的中断,发生这种情况时,脑细胞将被剥夺氧气并死亡。当中风导致脑细胞死亡时,由大脑该区域控制的功能(例如记忆力和肌肉控制力)就会丧失。出血性中风发生在血管的破裂,而缺血性中风则发生在血管的阻塞,与缺血性中风相比,出血性中风所造成的损害更大。
在医学领域中,为了满足病情诊断、治疗方案制定等需求,常常需要对病人进行扫描,从而确定各内部器官的情况。计算机断层扫描CT比其他检查更快更便宜,是评估可疑中风患者最常用的检查方法。通过此项检查,专家可以通过视觉评估来检查损坏的严重程度。现有技术中通过传统U-Net卷积神经网络对颅脑CT图像的出血部位进行分割以方便识别,然而传统的U-Net卷积神经网络对图像处理时间长,图像丢失信息多从而导致精度低等技术缺陷。
发明内容
本发明的技术目的是提供一种颅脑CT图像出血区域自动分割方法,以解决图像识别速度慢、精度低的技术问题。
为解决上述问题,本发明的技术方案为:
一种颅脑CT图像出血区域自动分割方法,包括如下步骤:
S1:获取需要进行出血区域自动分割的颅脑CT图像;
S2:将颅脑CT图像输入预先构建的改进U-Net卷积神经网络的模型中,改进U-Net卷积神经网络的结构依次为三层下采层和三层上采层,以对出血区域进行自动分割,得到分割结果,其中,下采样层与上采样层一一对应,三次下采样获取的特征图分别经复制、卷积、裁剪后,与各自对的上采样层前一层输出的特征图进行拼接,对应的上采样层对拼接后的特征图进行上采样和卷积。
进一步优选地,步骤S1之前还包括步骤S0:
S01:构建改进U-Net卷积神经网络;
S02:收集颅脑CT训练图像,并通过颅脑CT训练图像对改进U-Net卷积神经网络进行训练。
具体地,步骤S02进一步包括:
A1:对颅脑CT训练图像进行收集;
A2:对收集的颅脑CT训练图像进行筛选,获取图像清晰的颅脑CT训练图像;
A3:对筛选后的颅脑CT训练图像进行预处理,得到颅脑CT标准化数据;
A4:将颅脑CT标准化数据输入改进U-Net卷积神经网络进行训练。
具体地,在步骤A3中,对筛选后的颅脑CT训练图像进行预处理进一步包括:
A31:对筛选后的颅脑CT训练图像进行取图像块操作,得到数据量增大的颅脑CT扩增图像;
A32:对颅脑CT扩增图像进行对比度受限的自适应直方图均衡化,其中,将颅脑CT扩增图像归一化映射到[0,1],得到颅脑CT标准化数据。
具体地,步骤A4进一步包括:
对颅脑CT标准化数据进行划分,得到训练集数据、测试集数据,训练集数据的数量大于测试集数据的数量;
将训练集数据输入改进U-Net卷积神经网络,得到若干个训练模型,选取并保留训练性能最佳的训练模型,得到最优训练模型;
将测试集数据输入最优训练模型进行出血区域自动分割操作,得到最优训练模型的自动分割性能指标,并获取测试集数据的出血区域的分割结果。
具体地,步骤S2进一步包括:
S21:颅脑CT图像依次通过改进U-Net卷积神经网络的三次下采样,三次下采样均包括两次卷积和一次最大池化;
S22:对步骤S21的最后一次下采样输出的特征图进行两次卷积;
S23:对三次下采样获取的特征图分别经复制、卷积、裁剪后,与各自对应的上采样层前一层输出的特征图进行拼接,并且对应的上采样层对拼接后的特征图进行一次上采样和两次卷积。
其中,步骤S21中的卷积的卷积核大小均为3×3,最大池化操作的池化层大小均为2×2,下采样层的激活函数均为relu,下采样层的填充模式均为nopadding。
其中,步骤S22中的卷积的卷积核大小均为3×3,跳跃连接层的激活函数均为relu,跳跃连接层的填充模式均为nopadding。
其中,步骤S23中的卷积操作的卷积核大小均为3×3,上采样的卷积核大小均为2×2,上采样层的激活函数均为relu,上采样层的填充模式均为nopadding。
本发明由于采用以上技术方案,使其与现有技术相比具有以下的优点和积极效果:
(1)本发明中采用改进的U-Net卷积神经网络,与现有技术中的经典U-Net神经网络模型结构不同,具体包括:模型层数的不同以及上采样具体实施不同。
其中,本发明改进的U-Net卷积神经网络一共包括七层,而经典U-Net神经网络模型则为十层结构,由于神经网络的层数越多即网络越深,其参数越多,计算所花费的时间也就越多。层数越多其所要进行的卷积和池化也越多,虽然卷积可以提取特征点但是池化却会丢失更多信息,所以七层的网络结构相较于传统的十层可以在保证特征提取的同时减少信息的丢失,并节省时间提升整体效率;
其中,在上采样的步骤中对下采样的特征图增加了卷积操作,即通过复制、卷积、裁剪等一系列操作,而不仅仅是现有技术中对特征图的复制与裁剪操作,可以在不改变模型层数的同时更好的提取图像特征,为上采样层提供更多的信息,从而提高后续对颅脑出血CT图像的图像分割;此外,本发明还通过数据预处理来增加数据量,适用于样本数据集较小的医学图像。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本发明的一种颅脑CT图像出血区域自动分割方法流程示意图;
图2为本发明的构建及训练改进U-Net卷积神经网络流程示意图;
图3为本发明的一种颅脑CT图像出血区域自动分割方法的改进U-Net卷积神经网络结构示意图;
图4为传统U-Net卷积神经网络结构示意图。
具体实施方式
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,下面将对照附图说明本发明的具体实施方式。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的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
以下结合附图和具体实施例对本发明提出的一种颅脑CT图像出血区域自动分割方法作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。
参看图1,一种颅脑CT图像出血区域自动分割方法,包括如下步骤:
S1:获取需要进行出血区域自动分割的颅脑CT图像;S2:将颅脑CT图像输入预先构建的改进U-Net卷积神经网络的模型中,改进U-Net卷积神经网络的结构依次为三层下采层和三层上采层,以对出血区域进行自动分割,得到分割结果,其中,下采样层与上采样层一一对应,三次下采样获取的特征图分别经复制、卷积、裁剪后,与各自对的上采样层前一层输出的特征图进行拼接,对应的上采样层对拼接后的特征图进行上采样和卷积。
参看图2和图3,较优地,在本实施例实施之前需要预先构建改进U-Net卷积神经网络并进行训练。
具体地,参看图3,在本实施例中,构建改进U-Net卷积神经网络,其结构主要由左半边的压缩通道和右半边扩展通道组成。压缩通道是典型的卷积神经网络结构,它重复采用2个卷积层和1个最大池化层的结构,每进行一次池化操作后特征图的维数就增加1倍。在扩展通道,先进行1次反卷积即上采样,使特征图的维数减半,然后对应压缩通道得到的特征图进行拼接,该压缩通道得到的特征图为与该上采样对应的下采样的特征图经过复制、卷积、裁剪后得到的,重新组成一个2倍大小的特征图,再经过2次卷积进行特征提取,并重复这一结构。在最后的输出层,用2个卷积层将64维的特征图映射成2维的输出图。
具体地,改进U-Net卷积神经网络其七层具体结构如下:
第一层,用于输入训练集数据的输入层,以及对训练集数据进行连续两次卷积、一次最大池化,得到第一输出数据,具体地,两次卷积的卷积核大小为3×3、卷积核数量为64,最大池化的池化层大小为2×2,第一层的激活函数为relu、填充模式为nopadding;在本层下采样的过程中,经过连续两次卷积得到第一特征图数据;
第二层,对第一输出数据进行连续两次卷积、一次最大池化,得到第二输出数据,具体地,两次卷积的卷积核大小为3×3、卷积核数量为128,最大池化的池化层大小为2×2,第二层的激活函数为relu、填充模式为nopadding;在本层下采样的过程中,经过连续两次卷积得到第二特征图数据;
第三层,对第二输出数据进行连续两次卷积、一次最大池化,得到第三输出数据,具体地,两次卷积的卷积核大小为3×3、卷积核数量为256,最大池化的池化层大小为2×2,第三层的激活函数为relu、填充模式为nopadding;在本层下采样的过程中,经过连续两次卷积得到第三特征图数据;
第四层,根据第三层中得到的第三输出数据,对第三输出数据进行连续两次卷积,得到第四输出数据,两次卷积的卷积核大小为3×3、卷积核数量为512、激活函数为relu;
第五层,对第三特征图数据进行复制、卷积核大小为3×3卷积、剪裁后与第四输出数据进行拼接得到结合图像,对该结合图像进行上采样,以及连续两次卷积,得到第五输出数据,连续两次卷积的卷积核大小为3×3,卷积核数量为256;该层上采样的卷积核大小为2×2、第五层的激活函数为relu、填充模式为nopadding;
第六层,对第二特征图数据进行复制、卷积核大小为3×3卷积、剪裁后与第五输出数据进行拼接得到结合图像,对该结合图像进行上采样操作并连续两次卷积,得到第六输出数据,连续两次卷积的卷积核大小为3×3,卷积核数量为128;该层上采样的卷积核大小为2×2、第五层的激活函数为relu、填充模式为nopadding;
第七层,对第一特征图数据进行复制、卷积核大小为3×3卷积、剪裁后与第六输出数据进行拼接得到结合图像,对该结合图像进行上采样操作后并进行连续两次卷积,得到第七输出数据,连续两次卷积的卷积核大小为3×3,卷积核数量为64;该层上采样的卷积核大小为2×2、第五层的激活函数为relu、填充模式为nopadding;
最后,对第七层输出数据进行卷积,得到最终的输出数据,卷积块大小为1×1,卷积核数量为2,激活函数为relu。
具体地,参看图2,训练改进U-Net卷积神经网络的具体步骤如下:首先在步骤A1中,收集颅脑带出血区域的CT图像,作为颅脑CT训练图像;其次在步骤A2中,检查每张颅脑CT训练图像的清晰度得到图像清晰的颅脑CT训练图像,排除或减少模糊的颅脑CT训练图像对后续模型训练干扰,从而提升模型生成的准确率,并提高训练完成后的模型对颅脑CT图像分割的精度。接着在步骤A3,由于卷积神经网路需要大量的图像数据用于训练,而单纯靠收集到的颅脑出血CT图像的数量是不足的,样本数据量过少会导致卷积神经网络得到的特征点过少,对出血区域分割精度大大减少,因此根据之前得到的清晰度符合训练的颅脑出血CT图像进行预处理:具体地,对筛选后的实验数据进行取图像块操作,按顺序从左到右,从上到下在数据范围内随机滑动窗口,得到数据量增大的颅脑CT扩增图像;对颅脑CT扩增图像进行对比度受限的自适应直方图均衡化实现数据标准化,具体地,将扩增实验数据归一化处理映射到[0,1],得到颅脑CT标准化数据;最后在步骤A4中,对预处理结束后的颅脑CT标准化数据进行划分,随机选取一定比例标准化实验数据当做训练集数据,其余为测试集数据,训练集数据的数量大于测试集数据的数量,在本实施例中训练集数据占标准化实验数据的80%,测试集数据占标准化实验数据的20%,将训练集数据训练放入改进U-Net卷积神经网络进行模型训练,根据训练参数调整,得到若干个训练模型,选取并保留训练性能最佳的训练模型,得到最优训练模型。
将测试集数据输入最优训练模型,得到最优训练模型的性能指标,并获取测试集数据的出血区域的分割结果。待测试集测试完成后,若准确性未达到要求,则继续更改训练参数,得到性能更为优异的训练模型;若准确性足够高,则采用外源数据集即需要进行出血区域自动分割的颅脑CT图像进行测试,即异于测试集数据、训练集数据的颅脑出血CT图像,进一步确定该最优训练模型的性能,若最后得到能够精确分割出颅脑CT图像的出血区域,则该训练模型将运用到本实施例中步骤S2中对颅脑CT图像出血区域进行自动分割。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式。即使对本发明作出各种变化,倘若这些变化属于本发明权利要求及其等同技术的范围之内,则仍落入在本发明的保护范围之中。
Claims (9)
1.一种颅脑CT图像出血区域自动分割方法,其特征在于,包括如下步骤:
S1:获取需要进行出血区域自动分割的颅脑CT图像;
S2:将所述颅脑CT图像输入预先构建的改进U-Net卷积神经网络的模型中,所述改进U-Net卷积神经网络的结构依次为三层下采层和三层上采层,以对出血区域进行自动分割,得到分割结果,其中,所述下采样层与所述上采样层一一对应,三次下采样获取的特征图分别经复制、卷积、裁剪后,与各自对的所述上采样层前一层输出的特征图进行拼接,对应的所述上采样层对拼接后的特征图进行上采样和卷积。
2.根据权利要求1所述颅脑CT图像出血区域自动分割方法,其特征在于,所述步骤S1之前还包括步骤S0:
S01:构建所述改进U-Net卷积神经网络;
S02:收集颅脑CT训练图像,并通过所述颅脑CT训练图像对所述改进U-Net卷积神经网络进行训练。
3.根据权利要求2所述的颅脑CT图像出血区域自动分割方法,其特征在于,所述步骤S02进一步包括:
A1:对所述颅脑CT训练图像进行收集;
A2:对收集的所述颅脑CT训练图像进行筛选,获取图像清晰的颅脑CT训练图像;
A3:对所述筛选后的颅脑CT训练图像进行预处理,得到颅脑CT标准化数据;
A4:将所述颅脑CT标准化数据输入所述改进U-Net卷积神经网络进行训练。
4.根据权利要求3所述的颅脑CT图像出血区域自动分割方法,其特征在于,在所述步骤A3中,所述对所述筛选后的颅脑CT训练图像进行预处理进一步包括:
A31:对所述筛选后的颅脑CT训练图像进行取图像块操作,得到数据量增大的颅脑CT扩增图像;
A32:对所述颅脑CT扩增图像进行对比度受限的自适应直方图均衡化,其中,将所述颅脑CT扩增图像归一化映射到[0,1],得到所述颅脑CT标准化数据。
5.根据权利要求3所述的颅脑CT图像出血区域自动分割方法,其特征在于,所述步骤A4进一步包括:
对所述颅脑CT标准化数据进行划分,得到训练集数据、测试集数据,所述训练集数据的数量大于所述测试集数据的数量;
将所述训练集数据输入所述改进U-Net卷积神经网络,得到若干个训练模型,选取并保留训练性能最佳的训练模型,得到最优训练模型;
将所述测试集数据输入所述最优训练模型进行出血区域自动分割操作,得到所述最优训练模型的自动分割性能指标,并获取所述测试集数据的出血区域的分割结果。
6.根据权利要求1所述的颅脑CT图像出血区域自动分割方法,其特征在于,所述步骤S2进一步包括:
S21:所述颅脑CT图像依次通过所述改进U-Net卷积神经网络的三次所述下采样,三次所述下采样均包括两次卷积和一次最大池化;
S22:对所述步骤S21的最后一次所述下采样输出的特征图进行两次卷积;
S23:对三次所述下采样获取的特征图分别经复制、卷积、裁剪后,与各自对应的所述上采样层前一层输出的特征图进行拼接,并且对应的所述上采样层对拼接后的特征图进行一次上采样和两次卷积。
7.根据权利要求6所述的颅脑CT图像出血区域自动分割方法,其特征在于,所述步骤S21中的卷积的卷积核大小均为3×3,最大池化操作的池化层大小均为2×2,所述下采样层的激活函数均为relu,所述下采样层的填充模式均为nopadding。
8.根据权利要求6所述的颅脑CT图像出血区域自动分割方法,其特征在于,所述步骤S22中的卷积的卷积核大小均为3×3,所述跳跃连接层的激活函数均为relu,所述跳跃连接层的填充模式均为nopadding。
9.根据权利要求6所述的颅脑CT图像出血区域自动分割方法,其特征在于,所述步骤S23中的卷积操作的卷积核大小均为3×3,所述上采样的卷积核大小均为2×2,所述上采样层的激活函数均为relu,所述上采样层的填充模式均为nopadding。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010559693.3A CN111724397B (zh) | 2020-06-18 | 2020-06-18 | 一种颅脑ct图像出血区域自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010559693.3A CN111724397B (zh) | 2020-06-18 | 2020-06-18 | 一种颅脑ct图像出血区域自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724397A true CN111724397A (zh) | 2020-09-29 |
CN111724397B CN111724397B (zh) | 2024-04-16 |
Family
ID=72567460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010559693.3A Active CN111724397B (zh) | 2020-06-18 | 2020-06-18 | 一种颅脑ct图像出血区域自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724397B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348796A (zh) * | 2020-11-06 | 2021-02-09 | 上海应用技术大学 | 基于多模型结合的脑出血分割方法和*** |
CN113298830A (zh) * | 2021-06-22 | 2021-08-24 | 西南大学 | 一种基于自监督的急性颅内ich区域图像分割方法 |
CN113538348A (zh) * | 2021-06-29 | 2021-10-22 | 沈阳东软智能医疗科技研究院有限公司 | 一种颅脑磁共振弥散加权图像的处理方法及相关产品 |
WO2022111546A1 (en) * | 2020-11-25 | 2022-06-02 | The University Of Hong Kong | Dissimilar-paired neural network architecture for data segmentation |
CN115187600A (zh) * | 2022-09-13 | 2022-10-14 | 杭州涿溪脑与智能研究所 | 一种基于神经网络的脑部出血体积计算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087327A (zh) * | 2018-07-13 | 2018-12-25 | 天津大学 | 一种级联全卷积神经网络的甲状腺结节超声图像分割方法 |
CN110097545A (zh) * | 2019-04-29 | 2019-08-06 | 南京星程智能科技有限公司 | 基于深度学习的眼底图像生成方法 |
WO2019200753A1 (zh) * | 2018-04-17 | 2019-10-24 | 平安科技(深圳)有限公司 | 病变监测方法、装置、计算机设备和存储介质 |
CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
CN111292338A (zh) * | 2020-01-22 | 2020-06-16 | 苏州大学 | 一种从眼底oct图像中分割脉络膜新生血管的方法及*** |
-
2020
- 2020-06-18 CN CN202010559693.3A patent/CN111724397B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019200753A1 (zh) * | 2018-04-17 | 2019-10-24 | 平安科技(深圳)有限公司 | 病变监测方法、装置、计算机设备和存储介质 |
CN109087327A (zh) * | 2018-07-13 | 2018-12-25 | 天津大学 | 一种级联全卷积神经网络的甲状腺结节超声图像分割方法 |
CN110097545A (zh) * | 2019-04-29 | 2019-08-06 | 南京星程智能科技有限公司 | 基于深度学习的眼底图像生成方法 |
CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
CN111292338A (zh) * | 2020-01-22 | 2020-06-16 | 苏州大学 | 一种从眼底oct图像中分割脉络膜新生血管的方法及*** |
Non-Patent Citations (1)
Title |
---|
龙法宁;朱晓姝;甘井中;: "基于卷积神经网络的臂丛神经超声图像分割方法", 合肥工业大学学报(自然科学版), no. 09 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348796A (zh) * | 2020-11-06 | 2021-02-09 | 上海应用技术大学 | 基于多模型结合的脑出血分割方法和*** |
CN112348796B (zh) * | 2020-11-06 | 2024-01-30 | 上海应用技术大学 | 基于多模型结合的脑出血分割方法和*** |
WO2022111546A1 (en) * | 2020-11-25 | 2022-06-02 | The University Of Hong Kong | Dissimilar-paired neural network architecture for data segmentation |
CN113298830A (zh) * | 2021-06-22 | 2021-08-24 | 西南大学 | 一种基于自监督的急性颅内ich区域图像分割方法 |
CN113538348A (zh) * | 2021-06-29 | 2021-10-22 | 沈阳东软智能医疗科技研究院有限公司 | 一种颅脑磁共振弥散加权图像的处理方法及相关产品 |
CN113538348B (zh) * | 2021-06-29 | 2024-03-26 | 沈阳东软智能医疗科技研究院有限公司 | 一种颅脑磁共振弥散加权图像的处理方法及相关产品 |
CN115187600A (zh) * | 2022-09-13 | 2022-10-14 | 杭州涿溪脑与智能研究所 | 一种基于神经网络的脑部出血体积计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111724397B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111724397B (zh) | 一种颅脑ct图像出血区域自动分割方法 | |
CN112508864B (zh) | 基于改进UNet++的视网膜血管图像分割方法 | |
CN111754520B (zh) | 一种基于深度学习的脑血肿分割方法及*** | |
CN112258488A (zh) | 一种医疗影像病灶分割方法 | |
CN110706233A (zh) | 一种视网膜眼底图像分割方法及装置 | |
CN111275712B (zh) | 一种面向大尺度图像数据的残差语义网络训练方法 | |
CN112381164B (zh) | 一种基于多分支注意力机制的超声图像分类方法和装置 | |
CN113793348B (zh) | 一种视网膜血管分割方法和装置 | |
CN111696126B (zh) | 一种基于多视角的多任务肝脏肿瘤图像分割方法 | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能*** | |
CN114742802B (zh) | 基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法 | |
CN111461233A (zh) | 一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置 | |
CN113012163A (zh) | 一种基于多尺度注意力网络的视网膜血管分割方法、设备及存储介质 | |
CN115471470A (zh) | 一种食管癌ct图像分割方法 | |
CN115035127A (zh) | 一种基于生成式对抗网络的视网膜血管分割方法 | |
CN116188485A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN112348839A (zh) | 一种基于深度学习的图像分割方法及*** | |
CN114565601A (zh) | 基于DeepLabV3+改进的肝脏CT图像分割算法 | |
CN115147404A (zh) | 一种双重特征融合mra图像的颅内动脉瘤分割方法 | |
CN113808085A (zh) | 脑部ct图像的分割模型的训练方法、分割方法和训练装置 | |
CN112348796B (zh) | 基于多模型结合的脑出血分割方法和*** | |
CN116563224A (zh) | 基于深度语义特征的影像组学胎盘植入预测方法及装置 | |
CN116416452A (zh) | 基于二阶段深度学习模型的肺腺癌浸润性智能分类*** | |
CN113139627B (zh) | 纵隔肿物识别方法、***及装置 | |
CN115049682A (zh) | 一种基于多尺度密集网络的视网膜血管分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |