CN112446890A - 基于空洞卷积和多尺度融合的黑色素瘤分割方法 - Google Patents
基于空洞卷积和多尺度融合的黑色素瘤分割方法 Download PDFInfo
- Publication number
- CN112446890A CN112446890A CN202011094831.1A CN202011094831A CN112446890A CN 112446890 A CN112446890 A CN 112446890A CN 202011094831 A CN202011094831 A CN 202011094831A CN 112446890 A CN112446890 A CN 112446890A
- Authority
- CN
- China
- Prior art keywords
- layer
- training
- convolution
- channel
- image
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 26
- 201000001441 melanoma Diseases 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000011800 void material Substances 0.000 title claims abstract description 13
- 230000004927 fusion Effects 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000002776 aggregation Effects 0.000 claims abstract description 20
- 238000004220 aggregation Methods 0.000 claims abstract description 20
- 230000003993 interaction Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000010304 firing Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 1
- 208000000453 Skin Neoplasms Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 201000000849 skin cancer Diseases 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 206010040882 skin lesion Diseases 0.000 description 1
- 231100000444 skin lesion Toxicity 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/30088—Skin; Dermal
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
基于空洞卷积和多尺度融合的黑色素瘤分割方法，包括：步骤1)医学图像预处理；步骤2)构建具有灵活感受野的多尺度聚合网络模型；步骤3)将训练集数据输入模型中进行训练；步骤4)皮肤镜图像病灶区域分割。本发明提出的通道注意空洞卷积模块可以根据图像特征自适应的扩大感受野，获取更加紧密的上下文信息，缓解固定感受野引起的特征不充分问题；聚合交互模块可以将编码层输出的特征与相邻编码层的特征进行聚合，获得多尺度信息，并且降低了编码层和对应的解码层之间的语义差距，抑制直接聚合引起的噪声。本发明能够分割精确的皮肤镜图像，起到辅助作用。
Description
技术领域
本发明涉及皮肤癌黑色素瘤的分割方法
背景技术
黑色素瘤是最危险的皮肤病之一。通过早期研究发现，最致病的黑色素瘤的5年生存率可高达99％；但是，延迟诊断会导致生存率下降至23％。皮肤镜检查是用皮肤镜检查皮肤病变的手段，通常用来诊断黑色素瘤。但是，即使是专业的皮肤科医生，手动检查皮肤镜图像是一项容易出错和耗时的工作。
因此，有必要开发一种协助皮肤科医生准确地分割黑色素瘤的计算支持***。由于黑色素瘤存在不同的大小，形状和纹理，这项任务仍然具有挑战性。而且，一些皮肤镜图像可能包含干扰物，例如头发，标尺标记和颜色校准。卷积神经网络被大量用来解决语义分割任务。其中，U-Net广泛应用于医学图像分割，采用编码器(下采样)和解码器(上采样)结构，用跳跃连接将低级纹理特征和对应的高级语义特征整合在一起。由于浅层特征未经过处理，直接和深层特征整合在一起，会导致信息冗余，进而影响分割精度结果。
由于黑色素瘤区域存在边界模糊、形状各异，对于一般的分割网络难以精确分割出黑色素瘤。医学图像中大范围像素之间可能具有很强的联系，然而一般的分割网络通常采用固定大小的卷积核对图像进行下采样，这样导致网络只能捕获到局部的上下文信息。关于提出的空洞空间卷积池化金字塔(ASPP)在下采样之后也只能提取到部分的上下文信息，无法产生紧密的多尺度特征。
发明内容
本发明要克服现有技术的上述缺点，提供一种基于空洞卷积和多尺度融合的黑色素瘤分割方法。
本发明为了应对皮肤镜图像中存在的干扰导致神经网络无法获得较好分割精度，对传统U-Net中的下采样结构和简单跳跃连接做相应的改变，有效地扩大感受野以及抑制浅层特征和深层特征直接融合带来的噪声，提供一种基于空洞卷积和多尺度融合的黑色素瘤分割方法。
为使本发明的目的、技术方案和优点更加清晰，下面就对本发明的技术方案作进一步描述。基于空洞卷积和多尺度融合的黑色素瘤分割方法，包括以下步骤：
步骤1)预处理医学图像；
对采集到的皮肤镜图像的数据按照7：1：2划分为训练集，验证集和测试集，对用于网络训练的训练集图像做数据增广处理；
步骤2)构建具有灵活感受野的多尺度聚合网络模型；
2.1构建通道注意空洞卷积模块用于特征提取；
以通道注意空洞卷积层代替U-Net中的编码层，将步骤1)中的皮肤镜图像作为输入，输出提取到的特征图featuremap为后续网络提供输入；每一层都使用三个平行的空洞卷积提取特征，每个空洞卷积的扩张率都不同；然后对提取到的特征图进行全局平均池化操作，通过考虑每个通道及其k个邻居通道，捕获跨通道交互信息，为特征图的每个通道重新分配权重，然后将三个特征图相加得到这一层的输出特征图；浅层通常学习到简单的纹理信息，随着层数越深，将捕获到复杂的抽象信息；
2.2构建聚合交互模块，即AIM；
聚合交互模块的提出是为了弥补编码层和对应的解码层的特征图之间的语义差距，抑制跳跃连接可能引起的噪声；U-Net中将两者直接聚合，由于两者之间的语义信息相差较大，会产生信息冗余的噪声，因此会影响最终的分割结果；AIM从相邻的编码层接收特征图，通过一个3*3的卷积层降低特征的通道数以减少计算量，接着再用卷积层获得多尺度信息聚合成最终的特征图；
2.3构建解码层；
解码层将编码层得到的特征图进行上采样操作，然后与聚合交互模块输出的特征图进行系数相加，经过两次3*3的卷积层操作后得到输出特征图；在最后一解码层后接一个1*1的卷积层以及Sigmoid函数处理得到最终的分割结果；
步骤3)将训练集数据输入模型中进行训练；
将步骤1)中的处理好的训练集输入到步骤2)中构建好的网络模型中，采用随机初始化和Adam优化方法；设置初始化学习率、动量、迭代次数，根据设置好的训练策略进行训练。首先将输入的训练集进行数据增广处理然后进行训练，然后将验证集在训练后的网络模型上得到验证结果，之后按梯度更新一次，重复这样的步骤直到达到迭代次数；
步骤4)皮肤镜图像病灶区域分割；
将测试集数据输入步骤3)中训练好的预测模型中，得到分割结果，根据评价指标说明本发明能够辅助分割皮肤镜图像；
本发明提出了一种基于空洞卷积和多尺度融合的黑色素瘤分割方法。通过三个平行的空洞卷积相加，且为每个空洞卷积产生的特征图分配不同的权重达到灵活扩大感受野的效果；通过对相邻下采样层得到的特征信息进行融合，抑制跳跃连接中信息冗余造成的噪声干扰。提高对大小差异大的黑色素瘤区域的适应性，提升对黑色素瘤分割的精确度。
本发明具有以下优点：
本发明提出具有灵活感受野的多尺度聚合网络用于分割黑色素瘤，其中通道注意空洞卷积模块可以根据图像特征自适应的扩大感受野，获取更加紧密的上下文信息，缓解固定感受野引起的特征不充分问题；聚合交互模块可以将编码层输出的特征与相邻编码层的特征进行聚合，获得多尺度信息，并且降低了编码层和对应的解码层之间的语义差距，抑制跳跃连接结构引起的信息冗余噪声。
附图说明
图1是实现本发明方法的***的整体网络框架结构示意。
图2是实现本发明方法的***的网络中通道注意空洞卷积模块示意图。
图3是实现本发明方法的***的网络中通道关注模块示意图。
图4是实现本发明方法的***的网络中聚合交互模块示意图。
具体实施方式
以下结合附图对本发明做进一步说明：
本发明的基于空洞卷积和多尺度融合的黑色素瘤分割方法，包括以下步骤：
步骤1)预处理医学图像；
对采集到的皮肤镜图像的数据按照7：1：2划分为训练集，验证集和测试集，并将图像像素大小设置为128*128；对用于网络训练的训练集图像做数据增广处理，在-30°至30°范围随机旋转，随机水平翻转和随机缩放至原图0.8和1.2倍之间；
步骤2)构建具有灵活感受野的多尺度聚合网络模型；
2.1构建通道注意空洞卷积模块用于特征提取；
以通道注意空洞卷积层代替U-Net中的编码层，将步骤1)中的皮肤镜图像作为输入，输出提取到的特征图featuremap为后续网络提供输入；每一层都使用三个平行的空洞卷积提取特征，每个空洞卷积的扩张率都不同；然后对提取到的特征图进行全局平均池化操作，通过考虑每个通道及其k个邻居通道，捕获跨通道交互信息，为特征图的每个通道重新分配权重，然后将三个特征图相加得到这一层的输出特征图；浅层通常学习到简单的纹理信息，随着层数越深，将捕获到复杂的抽象信息；
下采样共采用5个通道注意空洞卷积层，每层使用三个平行的空洞卷积的卷积核大小均为3*3，扩张率分别设置为1、2、3，步长stride＝1，填充padding与各自的扩张率相同，池化pooling操作均采用2*2最大池化；输入128*128*3的图片，同时经过64个卷积核的三个空洞卷积得到三个通道数为64的特征图featuremap，之后经过通道关注模块全局平均池化操作得到1*1*C大小的向量，然后采用卷积核大小为3的1*1卷积获得跨通道信息，之后用Sigmoid函数激活，与原先特征图系数相乘为每个通道分配各自的权重，最后相加得到128*128*64的特征图，采用一个pooling操作作为下一层编码层的输入；重复这样的五次操作，编码层分别得到通道数为64、128、256、512、1024的特征图；模块可以描述为：
其中D表示空洞卷积，k表示扩张率，C表示通道关注模块，f表示输入的特征；
2.2构建聚合交互模块，即AIM；
聚合交互模块的提出是为了弥补编码层和对应的解码层的特征图之间的语义差距，抑制跳跃连接可能引起的噪声；U-Net中将两者直接聚合，由于两者之间的语义信息相差较大，会产生信息冗余的噪声，因此会影响最终的分割结果；AIM从相邻的编码层接收特征图fi-1、fi、fi+1，通过一个3*3的卷积层降低特征的通道数以减少计算量；接着每一分支B采用池化或插值操作缩放至相邻分支特征图大小，每个分支融合采用系数相加；最后，所有分支被整合到一个卷积层中，为了训练更容易优化，输出加入了残差模块；整个模块过程可以写成：
其中I和M分别表示残差映射和分支合并，Bi表示i分支的操作，f表示输入的特征；
2.3构建解码层；
解码层将编码层得到的特征图进行上采样操作，然后与聚合交互模块输出的特征图进行系数相加，经过两次3*3的卷积层操作后得到输出特征图；在最后一解码层后接一个1*1的卷积层以及Sigmoid函数处理得到最终的分割结果；Sigmoid函数定义如下：
步骤3)将训练集数据输入模型中进行训练；
将步骤1)中的处理好的训练集输入到步骤2)中构建好的网络模型中，采用随机初始化和Adam优化方法；设置初始化学习率、动量、迭代次数，根据设置好的训练策略进行训练；首先将输入的训练集进行数据增广处理然后进行训练，然后将验证集在训练后的网络模型上得到验证结果，之后按梯度更新一次，重复这样的步骤直到达到迭代次数；
批次大小为12，epoch为80，初始学习率为0.0001，动量为0.9；对训练得到的prediction与groundtruth采用tverskyloss+consistency-enhancedloss进行训练，损失函数可以写成：
Ltotal＝Ltver(p，g，α，β)+Lcel(p，g) (7)
其中α设置为0.3，β设置为0.7，p和g分别表示预测图和标定好的标准图；
步骤4)皮肤镜图像病灶区域分割；
将测试集数据输入步骤3)中训练好的预测模型中，得到分割结果，由评估指标评价分割结果好坏，包括精确度(AC)，骰子系数(DI)，雅卡尔指标(JA)，灵敏度(SE)，评估指标计算方式如下：
其中，TP为真阳性，TN为真阴性，FP为假阳性，FN为假阴性；根据评价指标说明本发明能够辅助分割皮肤镜图像。
本发明提出的通道注意空洞卷积模块可以根据图像特征自适应的扩大感受野，获取更加紧密的上下文信息，缓解固定感受野引起的特征不充分问题；聚合交互模块可以将编码层输出的特征与相邻编码层的特征进行聚合，获得多尺度信息，并且降低了编码层和对应的解码层之间的语义差距，抑制直接聚合引起的噪声。本发明能够分割精确的皮肤镜图像，起到辅助作用。
Claims (1)
1.基于空洞卷积和多尺度融合的黑色素瘤分割方法，包括以下步骤：
步骤1)预处理医学图像；
对采集到的皮肤镜图像的数据按照7：1：2划分为训练集，验证集和测试集，并将图像像素大小设置为128*128；对用于网络训练的训练集图像做数据增广处理，在-30°至30°范围随机旋转，随机水平翻转和随机缩放至原图0.8和1.2倍之间；
步骤2)构建具有灵活感受野的多尺度聚合网络模型；
2.1构建通道注意空洞卷积模块用于特征提取；
以通道注意空洞卷积层代替U-Net中的编码层，将步骤1)中的皮肤镜图像作为输入，输出提取到的特征图feature map为后续网络提供输入；每一层都使用三个平行的空洞卷积提取特征，每个空洞卷积的扩张率都不同；然后对提取到的特征图进行全局平均池化操作，通过考虑每个通道及其k个邻居通道，捕获跨通道交互信息，为特征图的每个通道重新分配权重，然后将三个特征图相加得到这一层的输出特征图；浅层通常学习到简单的纹理信息，随着层数越深，将捕获到复杂的抽象信息；
下采样共采用5个通道注意空洞卷积层，每层使用三个平行的空洞卷积的卷积核大小均为3*3，扩张率分别设置为1、2、3，步长stride＝1，填充padding与各自的扩张率相同，池化pooling操作均采用2*2最大池化；输入128*128*3的图片，同时经过64个卷积核的三个空洞卷积得到三个通道数为64的特征图feature map，之后经过通道关注模块全局平均池化操作得到1*1*C大小的向量，然后采用卷积核大小为3的1*1卷积获得跨通道信息，之后用Sigmoid函数激活，与原先特征图系数相乘为每个通道分配各自的权重，最后相加得到128*128*64的特征图，采用一个pooling操作作为下一层编码层的输入；重复这样的五次操作，编码层分别得到通道数为64、128、256、512、1024的特征图；模块可以描述为：
其中D表示空洞卷积，k表示扩张率，C表示通道关注模块，f表示输入的特征；
2.2构建聚合交互模块，即AIM；
聚合交互模块的提出是为了弥补编码层和对应的解码层的特征图之间的语义差距，抑制跳跃连接可能引起的噪声；U-Net中将两者直接聚合，由于两者之间的语义信息相差较大，会产生信息冗余的噪声，因此会影响最终的分割结果；AIM从相邻的编码层接收特征图fi-1、fi、fi+1，通过一个3*3的卷积层降低特征的通道数以减少计算量；接着每一分支B采用池化或插值操作缩放至相邻分支特征图大小，每个分支融合采用系数相加；最后，所有分支被整合到一个卷积层中，为了训练更容易优化，输出加入了残差模块；整个模块过程可以写成：
其中I和M分别表示残差映射和分支合并，Bi表示i分支的操作，f表示输入的特征；
2.3构建解码层；
解码层将编码层得到的特征图进行上采样操作，然后与聚合交互模块输出的特征图进行系数相加，经过两次3*3的卷积层操作后得到输出特征图；在最后一解码层后接一个1*1的卷积层以及Sigmoid函数处理得到最终的分割结果；Sigmoid函数定义如下：
步骤3)将训练集数据输入模型中进行训练；
将步骤1)中的处理好的训练集输入到步骤2)中构建好的网络模型中，采用随机初始化和Adam优化方法；设置初始化学习率、动量、迭代次数，根据设置好的训练策略进行训练；首先将输入的训练集进行数据增广处理然后进行训练，然后将验证集在训练后的网络模型上得到验证结果，之后按梯度更新一次，重复这样的步骤直到达到迭代次数；
批次大小为12，epoch为80，初始学习率为0.0001，动量为0.9；对训练得到的prediction与groundtruth采用tversky loss+consistency-enhanced loss进行训练，损失函数可以写成：
Ltotal＝Ltver(p，g，α，β)+Lcel(p，g) (7)
其中α设置为0.3，β设置为0.7，p和g分别表示预测图和标定好的标准图；
步骤4)皮肤镜图像病灶区域分割；
将测试集数据输入步骤3)中训练好的预测模型中，得到分割结果，由评估指标评价分割结果好坏，包括精确度(AC)，骰子系数(DI)，雅卡尔指标(JA)，灵敏度(SE)，评估指标计算方式如下：
其中，TP为真阳性，TN为真阴性，FP为假阳性，FN为假阴性。根据评价指标说明本发明能够辅助分割皮肤镜图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011094831.1A CN112446890A (zh) | 2020-10-14 | 2020-10-14 | 基于空洞卷积和多尺度融合的黑色素瘤分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011094831.1A CN112446890A (zh) | 2020-10-14 | 2020-10-14 | 基于空洞卷积和多尺度融合的黑色素瘤分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112446890A true CN112446890A (zh) | 2021-03-05 |
Family
ID=74736181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011094831.1A Pending CN112446890A (zh) | 2020-10-14 | 2020-10-14 | 基于空洞卷积和多尺度融合的黑色素瘤分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112446890A (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112967294A (zh) * | 2021-03-11 | 2021-06-15 | 西安智诊智能科技有限公司 | 一种肝脏ct图像分割方法及*** |
| CN113033570A (zh) * | 2021-03-29 | 2021-06-25 | 同济大学 | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 |
| CN113077471A (zh) * | 2021-03-26 | 2021-07-06 | 南京邮电大学 | 一种基于u型网络的医学图像分割方法 |
| CN113129295A (zh) * | 2021-04-28 | 2021-07-16 | 桂林电子科技大学 | 全尺度连接的深度学习相位展开方法 |
| CN113256641A (zh) * | 2021-07-08 | 2021-08-13 | 湖南大学 | 一种基于深度学习的皮肤病灶图像分割方法 |
| CN113298825A (zh) * | 2021-06-09 | 2021-08-24 | 东北大学 | 一种基于MSF-Net网络的图像分割方法 |
| CN113436114A (zh) * | 2021-07-26 | 2021-09-24 | 北京富通东方科技有限公司 | 一种面向医学图像的数据增强方法 |
| CN113554668A (zh) * | 2021-07-27 | 2021-10-26 | 深圳大学 | 一种皮肤镜图像黑色素瘤分割方法、装置及相关组件 |
| CN113592878A (zh) * | 2021-06-29 | 2021-11-02 | 中国人民解放军陆军工程大学 | 一种紧致的多尺度视频前景分割方法 |
| CN113781410A (zh) * | 2021-08-25 | 2021-12-10 | 南京邮电大学 | 一种基于MEDU-Net+网络的医学图像分割方法和*** |
| CN113936006A (zh) * | 2021-10-29 | 2022-01-14 | 天津大学 | 一种处理高噪低质医学图像的分割方法及装置 |
| CN113940635A (zh) * | 2021-11-25 | 2022-01-18 | 南京邮电大学 | 基于深度残差金字塔的皮肤病变分割与特征提取方法 |
| CN114119516A (zh) * | 2021-11-14 | 2022-03-01 | 北京工业大学 | 基于迁移学习和级联自适应空洞卷积的病毒病灶分割方法 |
| CN114119637A (zh) * | 2021-11-29 | 2022-03-01 | 大连大学 | 基于多尺度融合和拆分注意力的脑白质高信号分割方法 |
| CN114299053A (zh) * | 2021-12-31 | 2022-04-08 | 陕西科技大学 | 一种并行多分辨率编解码网络模型及医学图像分割方法 |
| CN114359202A (zh) * | 2021-12-29 | 2022-04-15 | 电子科技大学 | 一种基于交互式半监督的胎儿胼胝体分割***及方法 |
| CN114359214A (zh) * | 2021-12-30 | 2022-04-15 | 三峡大学 | 一种基于拆分注意力的网络结合trw-s算法的息肉分割方法 |
| CN114549394A (zh) * | 2021-11-22 | 2022-05-27 | 北京知见生命科技有限公司 | 一种基于深度学习的肿瘤病灶区域语义分割方法及*** |
| CN115019068A (zh) * | 2022-05-26 | 2022-09-06 | 杭州电子科技大学 | 一种基于编解码架构的渐进式显著目标识别方法 |
| CN117078692A (zh) * | 2023-10-13 | 2023-11-17 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于自适应特征融合的医疗超声图像分割方法及*** |
| CN117115668A (zh) * | 2023-10-23 | 2023-11-24 | 安徽农业大学 | 一种作物冠层表型信息提取方法、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510502A (zh) * | 2018-03-08 | 2018-09-07 | 华南理工大学 | 基于深度神经网络的黑色素瘤图片组织分割方法和*** |
| KR20190119261A (ko) * | 2018-04-12 | 2019-10-22 | 가천대학교 산학협력단 | 멀티 스케일 이미지와 멀티 스케일 확장된 컨볼루션 기반의 완전 컨볼루션 뉴럴 네트워크를 이용한 시맨틱 이미지 세그먼테이션 장치 및 그 방법 |
| CN111681252A (zh) * | 2020-05-30 | 2020-09-18 | 重庆邮电大学 | 一种基于多路径注意力融合的医学图像自动分割方法 |
-
2020
- 2020-10-14 CN CN202011094831.1A patent/CN112446890A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510502A (zh) * | 2018-03-08 | 2018-09-07 | 华南理工大学 | 基于深度神经网络的黑色素瘤图片组织分割方法和*** |
| KR20190119261A (ko) * | 2018-04-12 | 2019-10-22 | 가천대학교 산학협력단 | 멀티 스케일 이미지와 멀티 스케일 확장된 컨볼루션 기반의 완전 컨볼루션 뉴럴 네트워크를 이용한 시맨틱 이미지 세그먼테이션 장치 및 그 방법 |
| CN111681252A (zh) * | 2020-05-30 | 2020-09-18 | 重庆邮电大学 | 一种基于多路径注意力融合的医学图像自动分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| QILONG WANG 等: ""ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks"", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, 5 August 2020 (2020-08-05), pages 11531 - 11539 * |
| YOUWEI PANG 等: ""Multi-scale Interactive Network for Salient Object Detection"", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, 5 August 2020 (2020-08-05), pages 9410 - 9419 * |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112967294A (zh) * | 2021-03-11 | 2021-06-15 | 西安智诊智能科技有限公司 | 一种肝脏ct图像分割方法及*** |
| CN113077471B (zh) * | 2021-03-26 | 2022-10-14 | 南京邮电大学 | 一种基于u型网络的医学图像分割方法 |
| CN113077471A (zh) * | 2021-03-26 | 2021-07-06 | 南京邮电大学 | 一种基于u型网络的医学图像分割方法 |
| CN113033570A (zh) * | 2021-03-29 | 2021-06-25 | 同济大学 | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 |
| CN113033570B (zh) * | 2021-03-29 | 2022-11-11 | 同济大学 | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 |
| CN113129295A (zh) * | 2021-04-28 | 2021-07-16 | 桂林电子科技大学 | 全尺度连接的深度学习相位展开方法 |
| CN113298825A (zh) * | 2021-06-09 | 2021-08-24 | 东北大学 | 一种基于MSF-Net网络的图像分割方法 |
| CN113298825B (zh) * | 2021-06-09 | 2023-11-14 | 东北大学 | 一种基于MSF-Net网络的图像分割方法 |
| CN113592878A (zh) * | 2021-06-29 | 2021-11-02 | 中国人民解放军陆军工程大学 | 一种紧致的多尺度视频前景分割方法 |
| CN113256641B (zh) * | 2021-07-08 | 2021-10-01 | 湖南大学 | 一种基于深度学习的皮肤病灶图像分割方法 |
| CN113256641A (zh) * | 2021-07-08 | 2021-08-13 | 湖南大学 | 一种基于深度学习的皮肤病灶图像分割方法 |
| CN113436114A (zh) * | 2021-07-26 | 2021-09-24 | 北京富通东方科技有限公司 | 一种面向医学图像的数据增强方法 |
| CN113554668A (zh) * | 2021-07-27 | 2021-10-26 | 深圳大学 | 一种皮肤镜图像黑色素瘤分割方法、装置及相关组件 |
| CN113554668B (zh) * | 2021-07-27 | 2022-02-22 | 深圳大学 | 一种皮肤镜图像黑色素瘤分割方法、装置及相关组件 |
| CN113781410B (zh) * | 2021-08-25 | 2023-10-13 | 南京邮电大学 | 一种基于MEDU-Net+网络的医学图像分割方法和*** |
| CN113781410A (zh) * | 2021-08-25 | 2021-12-10 | 南京邮电大学 | 一种基于MEDU-Net+网络的医学图像分割方法和*** |
| CN113936006A (zh) * | 2021-10-29 | 2022-01-14 | 天津大学 | 一种处理高噪低质医学图像的分割方法及装置 |
| CN114119516A (zh) * | 2021-11-14 | 2022-03-01 | 北京工业大学 | 基于迁移学习和级联自适应空洞卷积的病毒病灶分割方法 |
| CN114549394A (zh) * | 2021-11-22 | 2022-05-27 | 北京知见生命科技有限公司 | 一种基于深度学习的肿瘤病灶区域语义分割方法及*** |
| CN113940635B (zh) * | 2021-11-25 | 2023-09-26 | 南京邮电大学 | 基于深度残差金字塔的皮肤病变分割与特征提取方法 |
| CN113940635A (zh) * | 2021-11-25 | 2022-01-18 | 南京邮电大学 | 基于深度残差金字塔的皮肤病变分割与特征提取方法 |
| CN114119637A (zh) * | 2021-11-29 | 2022-03-01 | 大连大学 | 基于多尺度融合和拆分注意力的脑白质高信号分割方法 |
| CN114119637B (zh) * | 2021-11-29 | 2024-05-31 | 大连大学 | 基于多尺度融合和拆分注意力的脑白质高信号分割方法 |
| CN114359202A (zh) * | 2021-12-29 | 2022-04-15 | 电子科技大学 | 一种基于交互式半监督的胎儿胼胝体分割***及方法 |
| CN114359214A (zh) * | 2021-12-30 | 2022-04-15 | 三峡大学 | 一种基于拆分注意力的网络结合trw-s算法的息肉分割方法 |
| CN114299053A (zh) * | 2021-12-31 | 2022-04-08 | 陕西科技大学 | 一种并行多分辨率编解码网络模型及医学图像分割方法 |
| CN115019068A (zh) * | 2022-05-26 | 2022-09-06 | 杭州电子科技大学 | 一种基于编解码架构的渐进式显著目标识别方法 |
| CN115019068B (zh) * | 2022-05-26 | 2024-02-23 | 杭州电子科技大学 | 一种基于编解码架构的渐进式显著目标识别方法 |
| CN117078692A (zh) * | 2023-10-13 | 2023-11-17 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于自适应特征融合的医疗超声图像分割方法及*** |
| CN117078692B (zh) * | 2023-10-13 | 2024-02-06 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于自适应特征融合的医疗超声图像分割方法及*** |
| CN117115668A (zh) * | 2023-10-23 | 2023-11-24 | 安徽农业大学 | 一种作物冠层表型信息提取方法、电子设备及存储介质 |
| CN117115668B (zh) * | 2023-10-23 | 2024-01-26 | 安徽农业大学 | 一种作物冠层表型信息提取方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112446890A (zh) | 基于空洞卷积和多尺度融合的黑色素瘤分割方法 | |
| CN113077471B (zh) | 一种基于u型网络的医学图像分割方法 | |
| CN111627019B (zh) | 一种基于卷积神经网络的肝脏肿瘤分割方法及*** | |
| CN110033410B (zh) | 图像重建模型训练方法、图像超分辨率重建方法及装置 | |
| CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
| CN112150425A (zh) | 一种基于神经网络的无监督血管内超声图像配准方法 | |
| CN115457021A (zh) | 基于联合注意卷积神经网络的皮肤病图像分割方法及*** | |
| CN114037714B (zh) | 一种面向******穿刺的3d mr与trus图像分割方法 | |
| CN110136122B (zh) | 一种基于注意力深度特征重建的脑mr图像分割方法 | |
| CN112419153A (zh) | 图像超分辨率重建方法、装置、计算机设备和存储介质 | |
| CN113393469A (zh) | 基于循环残差卷积神经网络的医学图像分割方法和装置 | |
| EP3555850A1 (en) | System and method for image segmentation using a joint deep learning model | |
| CN113436237B (zh) | 一种基于高斯过程迁移学习的复杂曲面高效测量*** | |
| CN111046893B (zh) | 图像相似性确定方法和装置、图像处理方法和装置 | |
| CN115375711A (zh) | 基于多尺度融合的全局上下文关注网络的图像分割方法 | |
| CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及*** | |
| CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| CN112529886A (zh) | 一种基于Attention DenseUNet的MRI神经胶质瘤分割方法 | |
| CN110533663B (zh) | 一种图像视差确定方法、装置、设备及*** | |
| CN117392153B (zh) | 一种基于局部补偿和多尺度自适应变形的胰腺分割方法 | |
| CN117333750A (zh) | 空间配准与局部全局多尺度的多模态医学图像融合方法 | |
| CN116309429A (zh) | 一种基于深度学习的芯片缺陷检测方法 | |
| CN113327221B (zh) | 融合roi区域的图像合成方法、装置、电子设备及介质 | |
| CN113298827B (zh) | 一种基于DP-Net网络的图像分割方法 | |
| CN113920099B (zh) | 一种基于非局部信息提取的息肉分割方法及相关组件 |
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 |