CN112927237A - 基于改进SCB-Unet网络的蜂窝肺病灶分割方法 - Google Patents
基于改进SCB-Unet网络的蜂窝肺病灶分割方法 Download PDFInfo
- Publication number
- CN112927237A CN112927237A CN202110262228.8A CN202110262228A CN112927237A CN 112927237 A CN112927237 A CN 112927237A CN 202110262228 A CN202110262228 A CN 202110262228A CN 112927237 A CN112927237 A CN 112927237A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- network
- scb
- image
- improved
- 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 52
- 238000000034 method Methods 0.000 title claims abstract description 37
- 210000004072 lung Anatomy 0.000 title claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 230000003902 lesion Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 10
- 230000001413 cellular effect Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical class 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000001965 increasing effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 208000029523 Interstitial Lung disease Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 206010007882 Cellulitis Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 208000005069 pulmonary fibrosis Diseases 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 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
-
- 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30061—Lung
-
- 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)
- 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)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进SCB‑Unet网络的蜂窝肺病灶分割方法，实现蜂窝征CT影像数据集的自动分割技术，属于图像处理技术领域；采用SCB和U‑Net搭建融合网络，深入挖掘信号中的特征信息提高主任务的泛化能力，更准确地提取病灶特征；同时为了提高分割精确度，利用空洞卷积解决图像在卷积和反卷积过程当中的空间分辨率的丢失问题，之后利用条件随机场通过增加计算复杂性来提高模型的整体性能，最终实现病灶区域的精准分割。
Description
技术领域
本发明属于图像处理技术领域，涉及一种基于改进SCB-Unet网络的蜂窝肺病灶分割方法。
背景技术
间质性肺病是一组以肺实质广泛纤维化为特征的疾病，蜂窝征是肺间质纤维化的关键影像学证据，其用于辅助人工诊断，因此高效率、高精度的智能诊疗技术具有重大的研究和应用价值。目前对间质性肺病蜂窝征的评估主要依靠放射科医生对CT影像的观察诊断，这种视觉评估具有较强的主观性，依赖于医生的临床经验和对该种征象的认知能力，无法做到精准定量分析，因此运用计算机辅助诊疗技术对CT影像的蜂窝征进行精准分割，并实现量化分析，能够提高诊疗的准确性和时效性。
近年来，随着卷积神经网络在医学图像分析领域的发展和应用，基于深度学习的方法已经成为医学图像分割中切实可行的方法。基于深度学习的分割方法是属于像素分类的一种，传统的基于像素分类的方法通常使用手工特征，而基于深度学习的方法能够自主学习图像特征，并且将特征提取和像素分类相结合，在训练过程中相互促进，因此分割精度也较传统算法高。
但由于蜂窝肺CT影像的病灶区域分布不均匀且形状大小不固定，导致目前的深度学习方法对其无法进行有效分割，因此本文通过基于SCB、空洞卷积和条件随机场改进Unet模型实现蜂窝征CT影像的精细分割。
发明内容
本发明克服了现有技术的不足，提出一种基于改进SCB-Unet网络的蜂窝肺病灶分割方法，通过使用深度学习技术建立蜂窝征CT影像的智能分割模型，解决蜂窝征CT影像病灶区域的分割问题，拟利用SCB-Unet网络搭建基本分割模型，通过使用空洞卷积解决图像在卷积和反卷积过程当中的空间分辨率丢失的问题，最后使用条件随机场通过增加计算复杂性来提高模型的整体性能，从而实现病灶区域的准确分割。
具体的，为了达到上述目的，本发明是通过如下技术方案实现的。
基于改进SCB-Unet网络的蜂窝肺病灶分割方法，包括以下步骤：
a）获取蜂窝肺CT影像数据，对所述影像数据进行预处理，并进行图像增强，实现数据集的扩充。
b）构建基于带子编码块(Sub Coding Block，SCB)的U-Net网络，使用上采样的方式代替全连接层和激活函数。
c）对构建的U-Net全卷积网络进行改进，改变上采样过程中的反卷积层操作，利用空洞卷积代替传统反卷积结构。
d）在全卷积网络之后，使用条件随机场对预分割图像的边缘进行像素点的概率计算，重新调整像素点构成，构建分割网络模型。
e）在所述的分割网络模型中，利用步骤a处理后的数据集进行训练，得到损失函数值和分割结果。
f）根据损失值和分割结果调整网络参数，生成并保存训练好的分割网络模型，对分割后的结果利用评价指标进行评估。
优选的，步骤b具体是对SCB编码块的三个卷积层进行特征提取，之后划分为上分支和下分支：上分支通过上采样和两个卷积操作之后再经过最大池化进行特征提取；下分支通过最大池化和两个卷积操作之后再经过上采样操作进行特征提取；最后将上分支和下分支获取的特征进行特征融合用于合并特征信息。
优选的，步骤c中设置空洞卷积的DR参数值，通过不同大小的感受野获取多尺度特征信息用于提高分割准确率。
优选的，步骤d中，使用条件随机场利用循环神经网络的迭代结构对预分割图像采用多次循环的方式进行求解；通过将条件随机场的每一个计算步骤转化到卷积神经网络中用于实现不同功能的隐藏层上，之后采用卷积神经网络的方法用于表征条件随机场的计算过程；条件随机场的建模公式为：
公式（1）中，O为观测序列，I为隐状态序列，Z(O)为归一化参数；T={T1，T2，...，Tn}为序列图像的真实标签；M={M1，M2，...，Mn}为对应序列图像的预测标签，其中n为像素点的个数；λk为在模型训练中得到的并于特征fk相关权重中的值； 
为预测标签和真实标签中位置为i和i-1标记的特征函数。
优选的，所述的预处理是对CT影像数据进行二值化处理得到病灶区域的二值化图，并对原图当中的病灶区域进行标注得到标签图。
本发明相对于现有技术所产生的有益效果为。
本发明所述的一种基于改进SCB-Unet网络的蜂窝肺病灶分割方法通过采用SCB-Unet网络、空洞卷积方法和条件随机场方法实现了网络的高效利用，提高了病灶区域的分割精度，从而使得其方法在临床上应用价值更高。
附图说明
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，结合以下附图进行说明：
图1是本发明实施改进SCB-Unet网络的蜂窝肺病灶分割方法流程图。
图2是本发明实施改进SCB-Unet网络的蜂窝肺病灶分割方法的***示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，结合实施例和附图，对本发明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仅用以解释本发明，并不用于限定本发明。下面结合实施例及附图详细说明本发明 的技术方案，但保护范围不被此限制。
本实施例提供一种基于改进SCB-Unet网络的蜂窝肺病灶分割方法，如图1和图2所示，具体按照以下步骤进行：
步骤S1：获取蜂窝肺CT影像数据，进行二值化、特征标注等预处理工作，并进行图像增强，实现数据集的扩充。
步骤S2：构建基于带子编码块的U-Net网络，使用上采样的方式代替全连接层和激活函数。
步骤S3：对构建的全卷积网络进行改进，改变上采样过程中的反卷积层操作，利用空洞卷积代替传统反卷积结构。
步骤S4：在全卷积网络之后，使用条件随机场对分割图像的边缘进行像素点的概率计算，重新调整像素点构成，构建分割网络模型。
步骤S5：在分割网络模型中，利用步骤S1处理后的数据集进行训练，得到损失函数和分割结果。
步骤S6：根据结果调整网络参数，生成并保存训练好的分割网络模型，对分割后的结果利用评价指标进行评估。
所述步骤S1中，由于原始肺部CT影像具有高噪声、对比度低、分割目标形状变化等特性，需要使用图像增强的方法对原始图片进行预处理，首先使用相关工具对初始CT影像进行二值化处理得到病灶区域的二值化图。此外还需要手动对原图当中的病灶区域进行标注得到标签图。由于CT影像数量有限，还需要在此基础上实现数据集的扩充，这里使用图像增强的手段，方法为对原数据进行处理，得到原CT图的旋转图和镜像图，实现数据量的有效扩增。
所述步骤S2中，构建基于SCB-Unet网络模型，使用上采样的方式代替全连接层和ReLu激活函数。U-net网络模型整体呈U型结构，每层都由一对编码器和解码器构成，同时具有相同大小的特征图，所述特征图的通道数随特征图尺度变小而增大；每层所述解码器接受下层解码器的上采样特征和同层编码器的输出特征进行特征融合，而每层编码器除了向同层解码器输出特征外，还通过下采样操作对下层编码器输出特征。而SCB编码块通过将每层的编码部分用一个子编码块代替，加深了编码器部分的网络深度，放大图像中的细节特征信息，提高其对病灶区域的特征表达能力和分割性能。该编码块一开始经过三个卷积层进行特征提取，之后划分为两个分支：上分支通过上采样操作和两个卷积操作之后再经过最大池化进行特征提取；而下分支通过最大池化和两个卷积操作之后在经过上采样操作进行特征提起；最后将两个分支获取的特征进行特征融合用于合并特征信息。
所述步骤S3中，使用空洞卷积扩大感受野，一方面可以更好地检测分割目标，另一方面可以精确定位病灶区域，同时还可以捕获多尺度上下文信息。空洞卷积中的DR参数值，具体含义就是在卷积核中填充DR-1个0。因此，当设置不同DR值时，可以通过不同大小的感受野获取多尺度特征信息用于提高分割准确率。
所述步骤S4中，使用条件随机场利用循环神经网络的迭代结构对输入图像采用多次循环的方式进行求解。通过将条件随机场的每一个计算步骤转化到卷积神经网络中用于实现不同功能的隐藏层上，之后采用卷积神经网络的方法用于表征条件随机场的计算过程。条件随机场的建模公式为：
公式（1）中，O为观测序列，I为隐状态序列，Z(O)为归一化参数；T={T1，T2，...，Tn}为序列图像的真实标签；M={M1，M2，...，Mn}为对应序列图像的预测标签；n为像素点的个数；λk为在模型训练中得到的并于特征fk相关权重中的值；
为预测标签和真实标签中位置为i和i-1标记的特征函数。
所述步骤S5中，利用构建好的分割网络模型对经过预处理和数据扩充后的数据集进行训练，输出损失函数值，并通过测试集对模型测试得到分割结果。
所述步骤S6中，根据损失值的大小对网络模型参数进行调整，提高模型测试的分割准确率，保存最终生成模型，并进行模型的性能评估。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。
Claims (5)
1.基于改进SCB-Unet网络的蜂窝肺病灶分割方法，其特征在于，包括以下步骤：
a）获取蜂窝肺CT影像数据，对所述影像数据进行预处理，并进行图像增强，实现数据集的扩充；
b）构建基于带子编码块的U-Net网络，使用上采样的方式代替全连接层和激活函数；
c）对构建的U-Net全卷积网络进行改进，改变上采样过程中的反卷积层操作，利用空洞卷积代替传统反卷积结构；
d）在全卷积网络之后，使用条件随机场对预分割图像的边缘进行像素点的概率计算，重新调整像素点构成，构建分割网络模型；
e）在所述的分割网络模型中，利用步骤a处理后的数据集进行训练，得到损失函数值和分割结果；
f）根据损失值和分割结果调整网络参数，生成并保存训练好的分割网络模型，对分割后的结果利用评价指标进行评估。
2.根据权利要求1所述的基于改进SCB-Unet网络的蜂窝肺病灶分割方法，其特征在于，步骤b具体是对带子编码块的三个卷积层进行特征提取，之后划分为上分支和下分支：上分支通过上采样和两个卷积操作之后再经过最大池化进行特征提取；下分支通过最大池化和两个卷积操作之后再经过上采样操作进行特征提取；最后将上分支和下分支获取的特征进行特征融合用于合并特征信息。
3.根据权利要求1所述的基于改进SCB-Unet网络的蜂窝肺病灶分割方法，其特征在于，步骤c中设置空洞卷积的DR参数值，通过不同大小的感受野获取多尺度特征信息用于提高分割准确率。
4.根据权利要求1所述的基于改进SCB-Unet网络的蜂窝肺病灶分割方法，其特征在于，步骤d中，使用条件随机场利用循环神经网络的迭代结构对预分割图像采用多次循环的方式进行求解；通过将条件随机场的每一个计算步骤转化到卷积神经网络中用于实现不同功能的隐藏层上，之后采用卷积神经网络的方法用于表征条件随机场的计算过程；条件随机场的建模公式为：
公式（1）中，O为观测序列，I为隐状态序列，Z(O)为归一化参数；T={T1，T2，...，Tn}为序列图像的真实标签；M={M1，M2，...，Mn}为对应序列图像的预测标签，其中n为像素点的个数；λk为在模型训练中得到的并于特征fk相关权重中的值； 
为预测标签和真实标签中位置为i和i-1标记的特征函数。
5.根据权利要求1所述的基于改进SCB-Unet网络的蜂窝肺病灶分割方法，其特征在于，所述的预处理是对CT影像数据进行二值化处理得到病灶区域的二值化图，并对原图当中的病灶区域进行标注得到标签图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110262228.8A CN112927237A (zh) | 2021-03-10 | 2021-03-10 | 基于改进SCB-Unet网络的蜂窝肺病灶分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110262228.8A CN112927237A (zh) | 2021-03-10 | 2021-03-10 | 基于改进SCB-Unet网络的蜂窝肺病灶分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112927237A true CN112927237A (zh) | 2021-06-08 |
Family
ID=76172487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110262228.8A Pending CN112927237A (zh) | 2021-03-10 | 2021-03-10 | 基于改进SCB-Unet网络的蜂窝肺病灶分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112927237A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114937022A (zh) * | 2022-05-31 | 2022-08-23 | 天津大学 | 一种新型冠状肺炎的疾病检测分割方法 |
| CN114972296A (zh) * | 2022-06-14 | 2022-08-30 | 中日友好医院(中日友好临床医学研究所) | 一种基于肺图的高分辨ct图像分析方法、设备及*** |
| CN115375712A (zh) * | 2022-10-25 | 2022-11-22 | 西南科技大学 | 一种基于双边学习分支实现实用的肺部病变分割方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2248765T3 (es) * | 2002-04-03 | 2006-03-16 | Itec S.R.L. | Red fija de acceso para servicios y aparatos telecomunicaciones moviles. |
| CN109285162A (zh) * | 2018-08-30 | 2019-01-29 | 杭州电子科技大学 | 一种基于局部区域条件随机场模型的图像语义分割方法 |
| CN110188696A (zh) * | 2019-05-31 | 2019-08-30 | 华南理工大学 | 一种水面无人装备多源感知方法及*** |
| CN110428428A (zh) * | 2019-07-26 | 2019-11-08 | 长沙理工大学 | 一种图像语义分割方法、电子设备和可读存储介质 |
| CN110689544A (zh) * | 2019-09-06 | 2020-01-14 | 哈尔滨工程大学 | 一种遥感图像细弱目标分割方法 |
| CN112258488A (zh) * | 2020-10-29 | 2021-01-22 | 山西三友和智慧信息技术股份有限公司 | 一种医疗影像病灶分割方法 |
-
2021
- 2021-03-10 CN CN202110262228.8A patent/CN112927237A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2248765T3 (es) * | 2002-04-03 | 2006-03-16 | Itec S.R.L. | Red fija de acceso para servicios y aparatos telecomunicaciones moviles. |
| CN109285162A (zh) * | 2018-08-30 | 2019-01-29 | 杭州电子科技大学 | 一种基于局部区域条件随机场模型的图像语义分割方法 |
| CN110188696A (zh) * | 2019-05-31 | 2019-08-30 | 华南理工大学 | 一种水面无人装备多源感知方法及*** |
| CN110428428A (zh) * | 2019-07-26 | 2019-11-08 | 长沙理工大学 | 一种图像语义分割方法、电子设备和可读存储介质 |
| CN110689544A (zh) * | 2019-09-06 | 2020-01-14 | 哈尔滨工程大学 | 一种遥感图像细弱目标分割方法 |
| CN112258488A (zh) * | 2020-10-29 | 2021-01-22 | 山西三友和智慧信息技术股份有限公司 | 一种医疗影像病灶分割方法 |
Non-Patent Citations (6)
| Title |
|---|
| 佚名: "使用条件随机场（ CRF ）来提升图像分割的表现", 《HTTP://WWW.360DOC.COM/CONTENT/20/1119/17/32196507_946738908.SHTML》 * |
| 佚名: "条件随机场（2）-概率计算", 《HTTPS://BLOG.CSDN.NET/JUANJUAN1314/ARTICLE/DETAILS/78862203》 * |
| 梁礼明: "基于改进的U-Net眼底视网膜血管分割", 《计算机应用研究》 * |
| 钱宝鑫等: "改进的卷积神经网络在肺部图像上的分割应用", 《计算机科学与探索》 * |
| 陈彦彤等: "基于深度语义分割的多源遥感图像海面溢油监测", 《光学精密工程》 * |
| 高海军: "基于U-Net改进模型的直肠肿瘤分割方法", 《计算机应用》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114937022A (zh) * | 2022-05-31 | 2022-08-23 | 天津大学 | 一种新型冠状肺炎的疾病检测分割方法 |
| CN114937022B (zh) * | 2022-05-31 | 2023-04-07 | 天津大学 | 一种新型冠状肺炎的疾病检测分割方法 |
| CN114972296A (zh) * | 2022-06-14 | 2022-08-30 | 中日友好医院(中日友好临床医学研究所) | 一种基于肺图的高分辨ct图像分析方法、设备及*** |
| CN114972296B (zh) * | 2022-06-14 | 2023-02-07 | 中日友好医院(中日友好临床医学研究所) | 一种基于肺图的高分辨ct图像分析方法、设备及*** |
| CN115375712A (zh) * | 2022-10-25 | 2022-11-22 | 西南科技大学 | 一种基于双边学习分支实现实用的肺部病变分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 | |
| CN114120102A (zh) | 边界优化的遥感图像语义分割方法、装置、设备及介质 | |
| CN111127482B (zh) | 基于深度学习的ct影像肺气管的分割方法及*** | |
| CN112927237A (zh) | 基于改进SCB-Unet网络的蜂窝肺病灶分割方法 | |
| CN113850825A (zh) | 基于上下文信息和多尺度特征融合的遥感图像道路分割方法 | |
| CN111882560B (zh) | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 | |
| CN112258488A (zh) | 一种医疗影像病灶分割方法 | |
| CN109949297B (zh) | 基于Reception和Faster R-CNN的肺结节检测方法 | |
| CN114266794B (zh) | 基于全卷积神经网络的病理切片图像癌症区域分割*** | |
| CN112734755A (zh) | 基于3d全卷积神经网络与多任务学习的肺叶分割方法 | |
| CN114898352A (zh) | 一种同时实现图像去雾与车牌检测的方法 | |
| CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能*** | |
| CN111724401A (zh) | 一种基于边界约束级联U-Net的图像分割方法和*** | |
| CN113344933B (zh) | 一种基于多层次特征融合网络的腺体细胞分割方法 | |
| CN116228792A (zh) | 一种医学图像分割方法、***及电子装置 | |
| CN116258854A (zh) | 一种基于密集连接策略和图像梯度的路面裂缝分割方法 | |
| CN114596503A (zh) | 一种基于遥感卫星影像的道路提取方法 | |
| WO2024104035A1 (zh) | 基于长短期记忆自注意力模型的三维医学图像分割方法及*** | |
| CN113888505A (zh) | 一种基于语义分割的自然场景文本检测方法 | |
| CN117727046A (zh) | 新型山洪前端仪器仪表读数自动识别方法及*** | |
| CN111210398A (zh) | 基于多尺度池化的白细胞识别*** | |
| CN111325724B (zh) | 隧道裂纹区域检测方法和装置 | |
| CN111223113B (zh) | 基于双重密集上下文感知网络的核磁共振海马体分割算法 | |
| CN115965641A (zh) | 一种基于deeplabv3+网络的咽部图像分割及定位方法 | |
| CN116797609A (zh) | 全局-局部特征关联融合的肺部ct图像分割方法 |
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 |
Application publication date: 20210608 |
|
| RJ01 | Rejection of invention patent application after publication |