CN113269788B - 一种x射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法 - Google Patents
一种x射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法 Download PDFInfo
- Publication number
- CN113269788B CN113269788B CN202110559572.3A CN202110559572A CN113269788B CN 113269788 B CN113269788 B CN 113269788B CN 202110559572 A CN202110559572 A CN 202110559572A CN 113269788 B CN113269788 B CN 113269788B
- Authority
- CN
- China
- Prior art keywords
- guide wire
- shortest path
- path algorithm
- convolution
- perspective 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.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000004913 activation Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013146 percutaneous coronary intervention Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G06T9/00—Image coding
-
- 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
- G06T2207/10116—X-ray image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种X射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法,该方法构建了深度分割网络OCR U‑Net以及Dijkstra最短路径算法,得到X射线透视图像下导丝分割模型。首先训练X射线透视图像导丝分割模型,得到每个像素属于导丝的概率值,然后用得到的逐像素概率值与该位置的灰度值加权求和作为距离,最终使用Dijkstra最短路径算法优化导丝分割结果。本发明能自动、完整地分割X射线透视图像下的导丝结构。
Description
技术领域
本发明属于X射线透视图像处理技术领域,具体涉及一种X射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法。
背景技术
经皮冠状动脉介入治疗是针对冠心病的主要方法。该手术是在X射线透视图像下观察导管和导丝当前的位置,因此将X射线透视图像下的导丝部分分割出来,对于后续改善X射线透视图像中导丝部分成像质量具有重要的应用价值。
近期随着深度学习技术在各领域都显示出了强大的特征学习能力,基于深度学习的X射线透视图像下的导丝分割方法采用U-Net结构作为主体,如图5所示。将X射线透视图像作为模型的输入,输出每个位置属于导丝的概率值。
该基于深度学习的分割网络算法独立判断每个像素属于导丝的概率值,容易将导丝中信噪比较低的部分漏掉,导致最终的导丝分割结果并不是连续的。
最短路径算法处理的是图结构的数据。图中有起点和终点,点和点用边连接,点和点之间的距离就是边的大小。算法的目的是找到一条从起点到终点的路径,让路径满足距离最短的条件。在常见的最短路径算法中,Dijkstra算法采用贪心的思想,从起点开始,找当前距离最短的点,循环,直到终点加入路径中。
该算法需要手动设置起点和终点,而且应用到图像领域,仅用像素作为距离容易受到噪声的干扰,导致路径泄露到非导丝的部分。
发明内容
本发明解决的技术问题有三个:一个是X射线透视图像下基于深度模型的导丝分割网络分割结果不连续的问题;一个是最短路径搜索需要手动设置起点终点的问题;最后一个是最短路径算法中距离的设置导致的路径泄露问题。于是提出将基于深度模型的导丝分割网络结果与最短路径搜索算法结合的方法。所谓算法结合的方法是指:在导丝分割网络得到结果之后,将结果与原像素值加权平均作为最短路径的距离;最短路径算法的起点终点自动设置在导丝分割网络结果断开的两端。最终得到完整的导丝分割结果。
为实现上述目的,本发明采用的技术方案是:
一种X射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法,其步骤为:
步骤1:构建并训练OCR U-Net,得到X射线透视图像导丝分割模型;
步骤2:用导丝分割模型的结果与每个位置的像素进行加权求和,作为最短路径算法的距离;
步骤3:构建Diikstra最短路径算法,得到X射线透视图像导丝分割后处理方法;
步骤4:采用训练好的X射线透视图像导丝分割模型及最短路径算法对包含导丝的X射线透视图像进行导丝分割。
进一步地,步骤1所述的OCR U-Net包括编码器和解码器;
所述编码器由五个卷积块及四个池化层组成。每个卷积块由滤波器大小为3*3的卷积层、批归一化层、非线性激活层组成,按该顺序重复两遍构成一个卷积块,池化层采用最大池化,池化层位于两个卷积块之间;
所述解码器由五个卷积块及四个OCR注意力块组成,每个卷积块由滤波器大小为3*3的卷积层、批归一化层、非线性激活层组成,按该顺序重复两遍构成一个卷积块;OCR为对象上下文表示(Object Contextual Representation),OCR块由对象区域块、卷积块、对象上下文聚合块、对象注意力块组成,所述对象区域块由1*1卷积层、批归一化层、非线性激活层、1*1卷积层组成,所述卷积块由3*3的卷积层、批归一化层、非线性激活层组成,所述对象上下文聚合块由矩阵乘法组成,将上下文特征和对象聚合,所述对象注意力块由多个1*1卷积层、批归一化层、非线性激活层组成。
进一步地,步骤1所述的OCR U-Net的损失函数为:
其中,xi为当前X射线透视图像第i个位置的像素;p(xi)为当前位置的真实概率分布;q(xi)为预测的概率分布;λ为平衡两个损失的权重,是人工设置的超参数;X为预测结果的集合;Y为真实结果的集合;|·|为当前集合内值的总和。
进一步地,步骤2的距离的计算方式为:
distancei,j=pixeli,j+α×f(xi,j)
其中,pixeli,j表示处于坐标(i,j)的像素值;f(xi,j)表示坐标(i,j)经过导丝分割网络输出的当前像素属于导丝概率值;α为手工设置的参数,用来平衡像素值和概率值。
进一步地,步骤3的最短路径算法采用Dijkstra最短路径算法。
进一步地,步骤4的X射线透视图像导丝分割模型的结构主体为OCR U-Net,模型参数经过优化器迭代更新过。步骤4的X射线透视图像导丝分割模型的后处理部分能够自动找到模型预测结果断开的部分,然后使用最短路径算法将断开的预测部分连接。
上述方案中,所构建的最短路径算法将分割模型输出图像中导丝断开的两点作为起点和终点。所构建的最短路径算法每次将当前路径中最短距离的点加入路径,直到终点被加入路径为止。
与现有技术相比,本发明具有的有益效果是:
1.本发明方法首先构建X射线透视图像下基于深度学习的OCR U-Net导丝分割网络,经过大量数据训练后得到泛化能力强的推理模型。即使新的图像与已有数据相差较大,也可以无需人工设置任何参数得到初步X光透视图像下导丝的概率分布图。
2.通过其编码器-解码器结构有效地编、解码不同尺寸下的特征图。相比于传统U-Net,其在编码层与对应的解码层之间添加了OCR注意力块,既利用深层的特征信息,又结合同尺寸编码特征,在保证确定导丝语义信息的前提下提高了导丝分割结果的精度,为基于深度学习的导丝分割提出一种新型网络。
3.将基于深度学习的导丝分割算法的结果与原像素值进行加权求和作为最短路径算法中使用的距离,结合了经过特征提取能力较强的深度学习网络的优点,让图像领域最短路径搜索算法变得鲁棒,可以减少路径泄露的问题产生。
4.将传统最短路径算法融入基于深度学习的导丝分割算法,有效利用概率分布图与原图的信息,可以将分割网络预测的导丝断开的部分连接,提升了整个导丝分割方法的精度。
5.本发明可以自动选取导丝分割网络得到的概率分布图中断开的部分作为最短路径算法起点和终点,无需传统的手工设置起点终点,是一种端到端的X射线透视图像导丝分割算法。
附图说明
图1是获取的包含导丝的X光透视图像;
图2是通过本发明得到的二值结果叠加在原图上的效果图像;
图3是OCR U-Net模型得到的概率分布图叠加在原图,并且通过搜索找到最短路径算法的起点终点示意图;
图4是最短路径算法搜索到的结果与概率分布图组成的二值分割结果叠加在原图的效果图像;
图5 OCR U-Net网络结构图,圆圈为OCR块;
图6 OCR块内部结构。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
实施例1:参见图1-图6,一种X射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法,其步骤为:
步骤1:获取包含导丝的X光透视图像;
步骤2:所述X光透视图像经过训练好的OCR U-Net网络推理,得到X射线透视图像导丝的概率分布图;
步骤3:用所述OCR U-Net网络推理的导丝概率分布图与所述X光透视图像对应位置的像素加权求和,得到与原图相同尺寸的距离矩阵;
步骤4:从上至下搜索所述导丝概率分布图中断开的两点作为Dijkstra最短路径算法的起点和终点;
步骤5:将所述距离矩阵每个点与起点对应值之差的绝对值作为距离,通过Dijkstra最短路径算法,得到断开两点之间路径坐标组;
步骤6:将所述导丝概率分布图中概率大于0.5的位置与所述最短路径算法得到的路径坐标组位置设置为1,其余位置设置为0,得到X光透视图像导丝二值分割结果。
具体实施例:本发明一种X射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法,包括步骤1-步骤6,其步骤详细描述为:
步骤1:获取包含导丝的X光透视图像。如图1所示。
步骤2:所述X光透视图像经过训练好的OCR U-Net网络推理,得到X射线透视图像导丝的概率分布图。所述概率分布图经二值化在原图上的显示结果如图3所示。所述OCR U-Net模型结构如图5所示。具体由编码器和解码器组成。所述编码器由五个卷积块及四个池化层组成。每个卷积块由滤波器大小为3*3的卷积层、批归一化层、非线性激活层组成,按该顺序重复两遍构成一个卷积块。池化层采用最大池化,池化层位于两个卷积块之间。所述解码器由四个卷积块及四个OCR注意力块组成。每个卷积块由滤波器大小为3*3的卷积层、批归一化层、非线性激活层组成,按该顺序重复两遍构成一个卷积块。OCR为对象上下文表示(Object Contextual Representation),其结构如图6所示。OCR块由对象区域块、卷积块、对象上下文聚合块、对象注意力块组成。所述对象区域块由1*1卷积层、批归一化层、非线性激活层、1*1卷积层组成。所述卷积块由3*3的卷积层、批归一化层、非线性激活层组成。所述对象上下文聚合块由矩阵乘法组成,将上下文特征和对象聚合。所述对象注意力块由多个1*1卷积层、批归一化层、非线性激活层组成。网络最后一层接一个sigmoid激活层,用于将输出映射到区间[0,1]。
步骤2中训练模型需要的标签,如图2。将成对的X射线透视图像、导丝标签数据送给OCR U-Net训练,该模型将输出与输入相同尺寸的概率图,每个像素位置都有一个表示该像素属于导丝的概率值。将概率值不为0的视为导丝。将网络输出结果和标签一起送到损失函数中:
其中,xi为当前X射线透视图像第i个位置的像素;p(xi)为当前位置的真实概率分布;q(xi)为预测的概率分布;λ为平衡两个损失的权重,是人工设置的超参数;X为预测结果的集合;Y为真实结果的集合;|·|为当前集合内值的总和。
进一步地,得到的损失值将被Adam优化器更新到网络每个参数中,所有训练数据都被遍历一次视为完成一轮训练。本模型将重复200轮上述训练过程。至此得到一个收敛的导丝分割模型。
步骤3:用所述OCR U-Net网络推理的导丝概率分布图与所述X光透视图像对应位置的像素加权求和,得到与原图相同尺寸的距离矩阵。
其中,步骤3的距离的计算方式为:
distancei,j=pixeli,j+α×f(xi,j)
其中,pixeli,j表示处于坐标(i,j)的像素值;f(xi,j)表示坐标(i,j)经过导丝分割网络输出的当前像素属于导丝概率值;α为手工设置的参数,用来平衡像素和概率值。
步骤4:从上至下搜索所述导丝概率分布图中断开的两点作为Dijkstra最短路径算法的起点和终点。
具体地,步骤4的X射线透视图像导丝分割模型的后处理部分通过从上至下搜索概率值大于0.5,且八邻域内超过四个位置概率值小于0.5的点作为起点,下一个概率值大于0.5的点作为终点,如图3中所示的两点,自动找到模型预测结果断开的部分。然后使用Dijkstra最短路径算法将断开的预测部分连接。
步骤5:将所述距离矩阵每个点与起点对应值之差的绝对值作为距离,通过Dijkstra最短路径算法,得到断开两点之间路径坐标组。
具体地,Dijkstra最短路径算法将起点加入路径列表,遍历列表中每个点到周围点(八连通域)的距离,挑选距离最小的点作为下一个加入路径的点,然后重复遍历列表中每个点到周围点的距离,到终点被加入到路径中为止。此时得到了网络结果中断开的导丝部分,将该路径与网络输出结果合并,得到完整的导丝,如图4所示。
步骤6:将所述导丝概率分布图中概率大于0.5的位置与所述最短路径算法得到的路径坐标组位置设置为1,其余位置设置为0,得到X光透视图像导丝二值分割结果。
效果评估:
一种X射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法,为经皮冠状动脉手术(PCI)医师在成像设备上更好地观察导丝位置提供了一种有效的检测方法。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种X射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法,其特征在于,使用OCR U-Net作为分割模型,使用Dijkstra最短路径算法,所述方法步骤包括:
步骤1:获取包含导丝的X光透视图像;
步骤2:所述X光透视图像经过训练好的OCR U-Net网络推理,得到X射线透视图像导丝的概率分布图;
步骤3:用所述OCR U-Net网络推理的导丝概率分布图与所述X光透视图像对应位置的像素加权求和,得到与原图相同尺寸的距离矩阵;
步骤4:从上至下搜索所述导丝概率分布图中断开的两点作为Dijkstra最短路径算法的起点和终点;
步骤5:将所述距离矩阵每个点与起点对应值之差的绝对值作为距离,通过Dijkstra最短路径算法,得到断开两点之间路径坐标组;
步骤6:将所述导丝概率分布图中概率大于0.5的位置与所述最短路径算法得到的路径坐标组位置设置为1,其余位置设置为0,得到X光透视图像导丝二值分割结果。
2.根据权利要求1所述的一种X射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法,其特征在于,步骤1中的OCR U-Net包括编码器和解码器;
其中编码器由五个卷积块及四个池化层组成;每个卷积块由滤波器大小为3*3的卷积层、批归一化层、非线性激活层组成,按该顺序重复两遍构成一个卷积块,池化层采用最大池化,池化层位于两个卷积块之间;
所述解码器由五个卷积块及四个OCR注意力块组成,每个卷积块由滤波器大小为3*3的卷积层、批归一化层、非线性激活层组成,按该顺序重复两遍构成一个卷积块;OCR为对象上下文表示(Object Contextual Representation),OCR块由对象区域块、卷积块、对象上下文聚合块、对象注意力块组成,所述对象区域块由1*1卷积层、批归一化层、非线性激活层、1*1卷积层组成,所述卷积块由3*3的卷积层、批归一化层、非线性激活层组成,所述对象上下文聚合块由矩阵乘法组成,将上下文特征和对象聚合,所述对象注意力块由多个1*1卷积层、批归一化层、非线性激活层组成。
3.根据权利要求1所述的一种X射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法,其特征在于,步骤1所述的OCR U-Net的损失函数为:
其中,xi为当前X射线透视图像第i个位置的像素;p(xi)为当前位置的真实概率分布;q(xi)为预测的概率分布;λ为平衡两个损失的权重,是人工设置的超参数;X为预测结果的集合;Y为真实结果的集合;|·|为当前集合内值的总和。
4.根据权利要求1所述的一种X射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法,其特征在于,步骤2的距离的计算方式为:
distancei,j=pixeli,j+α×f(xi,j)
其中,pixeli,j表示处于坐标(i,j)的像素值;f(xi,j)表示坐标(i,j)经过导丝分割网络输出的当前像素属于导丝概率值;α为手工设置的参数,用来平衡像素值和概率值。
5.根据权利要求1所述的一种X射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法,其特征在于,步骤3的最短路径算法采用Dijkstra最短路径算法。
6.根据权利要求1所述的一种X射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法,其特征在于,步骤4的X射线透视图像导丝分割模型的结构主体为OCR U-Net,模型参数经过优化器迭代更新过。
7.根据权利要求1所述的一种X射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法,其特征在于,步骤4的X射线透视图像导丝分割模型的后处理部分能够自动找到模型预测结果断开的部分,然后使用最短路径算法将断开的预测部分连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110559572.3A CN113269788B (zh) | 2021-05-21 | 2021-05-21 | 一种x射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110559572.3A CN113269788B (zh) | 2021-05-21 | 2021-05-21 | 一种x射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269788A CN113269788A (zh) | 2021-08-17 |
CN113269788B true CN113269788B (zh) | 2024-03-29 |
Family
ID=77232443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110559572.3A Active CN113269788B (zh) | 2021-05-21 | 2021-05-21 | 一种x射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269788B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612987A (zh) * | 2022-03-17 | 2022-06-10 | 深圳集智数字科技有限公司 | 一种表情识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
CN111192266A (zh) * | 2019-12-27 | 2020-05-22 | 北京理工大学 | 一种2d导丝尖端分割方法及装置 |
CN111798451A (zh) * | 2020-06-16 | 2020-10-20 | 北京理工大学 | 基于血管3d/2d匹配的3d导丝跟踪方法及装置 |
CN112348821A (zh) * | 2020-11-24 | 2021-02-09 | 中国科学院自动化研究所 | 基于x光图像的导丝分割和尖端点定位方法、***和装置 |
-
2021
- 2021-05-21 CN CN202110559572.3A patent/CN113269788B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
CN111192266A (zh) * | 2019-12-27 | 2020-05-22 | 北京理工大学 | 一种2d导丝尖端分割方法及装置 |
CN111798451A (zh) * | 2020-06-16 | 2020-10-20 | 北京理工大学 | 基于血管3d/2d匹配的3d导丝跟踪方法及装置 |
CN112348821A (zh) * | 2020-11-24 | 2021-02-09 | 中国科学院自动化研究所 | 基于x光图像的导丝分割和尖端点定位方法、***和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113269788A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740652B (zh) | 一种病理图像分类方法和计算机设备 | |
CN113240580A (zh) | 一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法 | |
CN110070091B (zh) | 用于街景理解的基于动态插值重建的语义分割方法及*** | |
CN112258488A (zh) | 一种医疗影像病灶分割方法 | |
CN110363068B (zh) | 一种基于多尺度循环生成式对抗网络的高分辨行人图像生成方法 | |
CN111242959B (zh) | 基于卷积神经网络的多模态医学图像的目标区域提取方法 | |
CN112132959A (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
CN111080591A (zh) | 基于编码解码结构结合残差模块的医学图像分割方法 | |
CN113706545A (zh) | 一种基于双分支神经判别降维的半监督图像分割方法 | |
CN112419271A (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
CN113192062A (zh) | 一种基于图像复原的动脉斑块超声图像自监督分割方法 | |
CN112085705B (zh) | 一种基于改进樽海鞘群算法的图像分割方法及装置 | |
CN116228792A (zh) | 一种医学图像分割方法、***及电子装置 | |
CN115620010A (zh) | 一种rgb-t双模态特征融合的语义分割方法 | |
CN113269788B (zh) | 一种x射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法 | |
CN113344933A (zh) | 一种基于多层次特征融合网络的腺体细胞分割方法 | |
CN108550111B (zh) | 一种基于多级字典学习的残差实例回归超分辨重建方法 | |
CN113947538A (zh) | 一种多尺度高效卷积自注意力单幅图像除雨方法 | |
CN117437423A (zh) | 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置 | |
Ling et al. | Quality assessment for synthesized view based on variable-length context tree | |
CN114332489A (zh) | 基于不确定性感知的图像显著目标检测方法与*** | |
Li et al. | A Multi-Category Brain Tumor Classification Method Bases on Improved ResNet50. | |
CN112836708B (zh) | 一种基于Gram矩阵和F范数的图像特征检测方法 | |
CN115272165B (zh) | 图像的特征提取方法、图像分割模型的训练方法和装置 | |
CN112686906B (zh) | 基于均匀分布迁移引导的图像分割方法及*** |
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 |