CN113538363A - 一种基于改进U-Net的肺部医学影像分割方法及装置 - Google Patents

一种基于改进U-Net的肺部医学影像分割方法及装置 Download PDF

Info

Publication number
CN113538363A
CN113538363A CN202110789538.5A CN202110789538A CN113538363A CN 113538363 A CN113538363 A CN 113538363A CN 202110789538 A CN202110789538 A CN 202110789538A CN 113538363 A CN113538363 A CN 113538363A
Authority
CN
China
Prior art keywords
net
network
improved
adopting
image segmentation
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
Application number
CN202110789538.5A
Other languages
English (en)
Inventor
陈思哲
杨欣
曹云依
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110789538.5A priority Critical patent/CN113538363A/zh
Publication of CN113538363A publication Critical patent/CN113538363A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于改进U‑Net的肺部医学影像分割方法及装置，对预先获取的原始CT图像进行归一化及阈值法二值化处理；采用瓶颈残差模块优化U‑Net下采样部分以构建U‑Net优化网络；对U‑Net优化网络采用Dice损失函数；采用NADAM优化算法，训练原U‑Net网络及U‑Net优化网络，并采用平均交并比MIoU指标衡量分割准确性。本发明采用残差块结构改进传统U‑Net网络结构，有效提升收敛速度，提高准确率；同时优化使用Dice损失函数以评判预估与真实间差别程度；本发明能够有效的提升图像细节质量，两肺边界、细小空洞与肺内各级支气管周围血管更精准，可以指导图像分割的研究以及进一步将前沿技术投入临床应用中去。

Description

一种基于改进U-Net的肺部医学影像分割方法及装置
技术领域
本发明属于医学图像分割技术领域，具体涉及一种基于改进U-Net的肺部医学影像分割方法及装置。
背景技术
新型冠状病毒疫情蔓延于世界,存在大量无征兆及轻度感染者，且具有较长潜在期，判断疑似病例较困难。而对肺部成像进行分析可以作为一种重要的辅助手段。高分辨率的医学影像能够清晰呈现肺叶、气管等组织部位情况，是临床研究、疾病诊断和功能检测的最佳标准。
图像语义分割，即对像素等级的分类和信息标记，从而诠释全局内容。在医学领域可提供人体组织部分的信息用于肿瘤、胎儿脑部检测等。在计算机视觉范畴内有可观运用前景。其难度主要有类别档次、物体层次和配景层次。为建立从像素到语义的映射，深度学习构造被运用在图像分割中。
在计算机视觉图像处理中，图像分割大致标记图像中各个像素，使图像信息从简而容易解析。标记一致的像素通常有类似特性，在直观上表现为定位对象的边界。最简单的图像分割以阈值法为基础，将灰阶图像转换为二进制图像，如直方图方法、固定阈值法等。其他传统分割方法有使用微分算子法等由边线入手的图像分割手段，利用区域生长法等的由整块入手的图像分割手段，使用Graph Cut、Grab Cut等由图为研究对象的分割手段，使用Mean Shift算法等由多对象组成类的分割手段，使用几何形变模型等受外力发生形状区别的分割手段。
随着FCN的提出并完成图像由输入直接向输出分割，目前大范围运用、性能最好的方法是基于CNN的图像分割。用图片输入的该种网络，运用卷积、池化等向下采样得到特点，再运用反卷积上采样实现图像像素级标注。通常意义上分割步骤为数据整合操作、ROI提炼、网络结构分割、分割结果末操作。
尽管FCN解决了实现端到端像素标注的问题，但FCN-8s得到的结果仍然不够平滑和精细。U-Net于2015年在MICCAI颁布，该网络基于FCN进行改进，在EM堆栈中神经元构造的分割超越以往网络，并在之后的ISBI细胞追踪挑战赛中的光镜细胞图像分割里获胜。U-Net可以在极少的数据集上由端到端，为众多投入医学运用的语义分割算法奠定。U型网络有2部分：收缩路径及对称扩展路径，前者对应前后、后者精准确定。且其仅需要较少的数据集便可产生较精准分类。在其架构中，上采样方面的众多特性通道使信息能传播到更高分辨率层。回观人体器官结构稳定，语义讯息较易，而U-Net结合了高层语义信息和低层特性，这在医学影像语义分割范围内起到关键意义。再者U-Net有较强的可解释性，以辅助医生做出诊断。当下的U-Net网络构造存在如下弊端：虽然在医学影像分割范畴内具有良好性能，但由于网络层数较浅参数不多，对影像细节部分敏感度有待提升；且伴随网络层数加深而来的梯度弥散问题，可导致准确率可能降低。
发明内容
发明目的：本发明针对目前肺部CT影像分割算法存在的边界模糊、非连通区域丢失等问题提出一种基于改进U-Net的肺部医学影像分割方法及装置。
技术方案：本发明提供一种基于改进U-Net的肺部医学影像分割方法，具体包括以下步骤：
(1)对预先获取的原始CT图像进行归一化及阈值法二值化处理；
(2)采用瓶颈残差模块优化U-Net下采样部分以构建U-Net优化网络；
(3)对步骤(2)构建的U-Net优化网络采用Dice损失函数；
(4)采用NADAM优化算法，训练原U-Net网络及U-Net优化网络，并采用平均交并比MIoU指标衡量分割准确性。
进一步地，所述步骤(2)实现如下：
在常规残差模块基础上，改良使用瓶颈残差模块，引入1乘1卷积，对通道数起降维作用，在保证特征图的大小同时，可多特征图线性组合；每个残差模块使用两个ReLU函数，引入诸多非线性映射；再引入1乘1卷积降低运算维度；
增加瓶颈残差的U-Net网络优化构造中，U型结构体现为左侧一条下采样途径以及右侧为一条上采样途径；下采样收缩路径含五个卷积结构，在改良网络结构加入瓶颈残差：
Figure BDA0003160330640000021
第一层：7乘7卷积层；随后是3乘3最大池化操作；之后为四个分别包含3个、4个、23个、3个瓶颈残差的卷积模块层；并将输出特征图经平均池化和softmax操作；
下方上采样扩张路径进行反卷积操作，同时与上方特征图有四次叠加操作以补充细节得到高分辨率特征图；卷积过程中，特征图的大小逐级降低，上下路径不绝对对称，叠加操作时采用Crop操作，对上方特征图裁剪。
进一步地，所述步骤(3)通过以下公式实现：
Figure BDA0003160330640000031
其中，|A∩B|：A、B集合相交部分，可近似看作点乘预测图和标注，并相加矩阵中元素；|A|：A中元素；|B|：B中元素，计算时也采用元素相加。
进一步地，步骤(4)所述MIoU指标为：
Figure BDA0003160330640000032
其中，K为影像像素类别数；ti为i类像素总合；nij为真实类别i、预估类别j的像素总合；njj为真实类别j、预估类别i的像素总合。
基于相同的发明构思，本发明还提供一种基于改进U-Net的肺部医学影像分割装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现是上述的基于改进U-Net的肺部医学影像分割方法。
有益效果：与现有技术相比，本发明的有益效果：本发明给出的肺部影像分割优化算法能够有效的提升图像细节质量，两肺边界、细小空洞与肺内各级支气管周围血管更精准，可以指导图像分割的研究以及进一步将前沿技术投入临床应用中去。
附图说明
图1为加入瓶颈残差后U-Net优化网络结构图；
图2为瓶颈残差模块结构图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种基于改进U-Net的肺部医学影像分割方法，对原医学影像归一化和阈值法二值化操作后，输入预处理后图像；采用瓶颈残差模块优化U-Net下采样部分以构建更深网络结构；改良运用损失函数；训练原U-Net网络及改良网络，做对照组。本发明采用残差块结构改进传统U-Net网络结构，有效提升收敛速度，提高准确率；同时优化使用Dice损失函数以评判预估与真实间差别程度。具体包括以下步骤：
步骤1：对预先获取的原始CT图像进行归一化及阈值法二值化处理。
CT影像存在诸多噪声干扰，包含泊松、高斯、乘性噪声等。因拍摄设备技术受限，图像，有时可能具有重影、模糊等。因此对数据进行归一化处理，以使前景和背景区分度增强。于标注集，阈值法二值化处理，在某种程度上可升高精度，增快收敛速度。
步骤2：采用瓶颈残差模块优化U-Net下采样部分以构建U-Net优化网络，如图1所示。
为改善随加深网络层数呈现的梯度弥散问题，引入残差模块。常规残差模块构建恒等映射如下：
设输入初值x，望输出H(x)；若令：
H(x)＝F(x)+x
通过把学习目标由输出H(x)转化成残差F(x)，得图像特征较易。残差块的实现，是将输入数据分为两路相加经ReLU函数输出，一路为两次3乘3卷积层，第一层卷积输出为H(x)，第二层卷积的输出为H(x)+x；另一路直接由输入短接输出，在反馈过程中，由该条分支可将后一层网络梯度反馈到一层网络，改善由于网络层数更深情况下的梯度弥散弊端。
本发明在上述惯常残差模块基础上，改良使用瓶颈残差模块，引入1乘1卷积，一来，对通道数起降维作用，在保证特征图的大小同时，可多特征图线性组合；其次，比较上述3乘3卷积堆叠只有一个ReLU函数，改进网络结构每个残差块两个ReLU函数，可引入诸多非线性映射；再者相比任意其他卷积核，引入1乘1卷积极大降低运算维度，如图2瓶颈残差模块结构图所示。设对维数256的影像，计算比较参数量可得：惯常残差模块两个3乘3卷积的参数量为：
32×2562+32×2562＝1179648
瓶颈残差模块降维后，参数量为
12×256×64+32×642+12×256×64＝69632
相比之下参数量仅为前者的6％。
增加瓶颈残差的U-Net网络优化构造中，U型结构体现为左侧一条下采样途径以及右侧为一条上采样途径；下采样收缩路径含五个卷积结构，可见在改良网络结构加入瓶颈残差：
Figure BDA0003160330640000051
第一层：7乘7卷积层；随后是3乘3最大池化操作；之后为四个分别包含3个、4个、23个、3个瓶颈残差的卷积模块层，具体结构对应图1中Con2至Con5所示；最终输出特征图经平均池化和softmax操作，算力FLOPs应为7.6×109。
设原影像尺寸160×160×3，依据卷积层输出尺寸计算公式(单边)：
Figure BDA0003160330640000052
则经第一层卷积结构后得80×80×64的特征图；第二层卷积结构后得40×40×256的特征图；第一层卷积结构后得20×20×512的特征图；第一层卷积结构后得10×10×1024的特征图；第一层卷积结构后得5×5×2048的特征图。
下方上采样扩张路径进行反卷积操作，同时与上方特征图有四次叠加操作以补充细节得到高分辨率特征图。由于卷积过程中，特征图的大小逐级降低，上下路径并不绝对对称，因此叠加操作时有Crop操作，以对上方特征图裁剪。
步骤3：构建的U-Net优化网络采用Dice损失函数。
改良运用Dice损失函数：
Figure BDA0003160330640000053
其中，|A∩B|：A、B集合相交部分，可近似看作点乘预测图和标注，并相加矩阵中元素；|A|：A中元素；|B|：B中元素，计算时也采用元素相加。
训练过程中，Dice损失函数能评判预估与真实间差别程度，以修改网络权值使预估值真实。
步骤4：采用NADAM优化算法，训练原U-Net网络及U-Net优化网络，并采用平均交并比MIoU指标衡量分割准确性。
依据较小的损失函数表征预测与真实基本一致，观察原U-net网络训练时的Loss曲线，可观察到损失函数逐渐向0贴近；比较改进后所得U-net网络Loss曲线,得到更小的损失函数值，体现网络构造得到的改良成效。在U-Net训练80左右epoch向后消减较缓。60个epoch附近产生小幅震荡，但较学习率为5×10-4时有所减小。
运用分割结果对比图进行直观比较，改良后算法对细节拥有更高敏感度，得到的分割在两肺边界、细小空洞与肺内各级支气管周围血管更精准。
采用平均交并比MIoU指标衡量分割准确性：
Figure BDA0003160330640000061
其中，K为影像像素类别数；ti为i类像素总合；nij为真实类别i、预估类别j的像素总合；njj为真实类别j、预估类别i的像素总合。
平均交并比在计算结果与原始影像真值的交叠程度基础上求平均。指标特征有表达简洁、使用广泛、具有代表性。
实验中，通过计算平均交并比，U-Net分割结果所得MIoU＝0.97672，通过改进网络分割结果MIoU＝0.98216，从数据上可以得分割精准度有不小提升。
运用NCI收纳的肺结节LIDC-IDRI子集数据集LUNA16。对原始影像进行裁剪，并缩放为320×320像素。数据集共311张肺部医学影像，以及其对应标记；其中286张作为训练集，其余25张作为测试集以检测卷积网络性能。归一化处理原始医学影像及阈值法二值化处理标注集。预操作后以提高结构精度与敛迹速度。优化算法采用NADAM，学***均交并比，得出分割精度的提升。
基于相同的发明构思，本发明还提供一种基于改进U-Net的肺部医学影像分割装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现是上述的基于改进U-Net的肺部医学影像分割方法。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种基于改进U-Net的肺部医学影像分割方法，其特征在于，包括以下步骤：
(1)对预先获取的原始CT图像进行归一化及阈值法二值化处理；
(2)采用瓶颈残差模块优化U-Net下采样部分以构建U-Net优化网络；
(3)对步骤(2)构建的U-Net优化网络采用Dice损失函数；
(4)采用NADAM优化算法，训练原U-Net网络及U-Net优化网络，并采用平均交并比MIoU指标衡量分割准确性。
2.根据权利要求1所述的基于改进U-Net的肺部医学影像分割方法，其特征在于，所述步骤(2)实现如下：
在常规残差模块基础上，改良使用瓶颈残差模块，引入1乘1卷积，对通道数起降维作用，在保证特征图的大小同时，可多特征图线性组合；每个残差模块使用两个ReLU函数，引入诸多非线性映射；再引入1乘1卷积降低运算维度；
增加瓶颈残差的U-Net网络优化构造中，U型结构体现为左侧一条下采样途径以及右侧为一条上采样途径；下采样收缩路径含五个卷积结构，在改良网络结构加入瓶颈残差：
Figure FDA0003160330630000011
第一层：7乘7卷积层；随后是3乘3最大池化操作；之后为四个分别包含3个、4个、23个、3个瓶颈残差的卷积模块层；并将输出特征图经平均池化和softmax操作；
下方上采样扩张路径进行反卷积操作，同时与上方特征图有四次叠加操作以补充细节得到高分辨率特征图；卷积过程中，特征图的大小逐级降低，上下路径不绝对对称，叠加操作时采用Crop操作，对上方特征图裁剪。
3.根据权利要求1所述的基于改进U-Net的肺部医学影像分割方法，其特征在于，所述步骤(3)通过以下公式实现：
Figure FDA0003160330630000012
其中，|A∩B|：A、B集合相交部分，可近似看作点乘预测图和标注，并相加矩阵中元素；|A|：A中元素；|B|：B中元素，计算时也采用元素相加。
4.根据权利要求1所述的基于改进U-Net的肺部医学影像分割方法，其特征在于，步骤(4)所述MIoU指标为：
Figure FDA0003160330630000021
其中，K为影像像素类别数；ti为i类像素总合；nij为真实类别i、预估类别j的像素总合；njj为真实类别j、预估类别i的像素总合。
5.一种基于改进U-Net的肺部医学影像分割装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-4任一项所述的基于改进U-Net的肺部医学影像分割方法。
CN202110789538.5A 2021-07-13 2021-07-13 一种基于改进U-Net的肺部医学影像分割方法及装置 Pending CN113538363A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110789538.5A CN113538363A (zh) 2021-07-13 2021-07-13 一种基于改进U-Net的肺部医学影像分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110789538.5A CN113538363A (zh) 2021-07-13 2021-07-13 一种基于改进U-Net的肺部医学影像分割方法及装置

Publications (1)

Publication Number Publication Date
CN113538363A true CN113538363A (zh) 2021-10-22

Family

ID=78127682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110789538.5A Pending CN113538363A (zh) 2021-07-13 2021-07-13 一种基于改进U-Net的肺部医学影像分割方法及装置

Country Status (1)

Country Link
CN (1) CN113538363A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862739A (zh) * 2022-07-06 2022-08-05 珠海市人民医院 一种医学影像智能增强方法和***
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509178A (zh) * 2018-10-24 2019-03-22 苏州大学 一种基于改进的U-net网络的OCT图像脉络膜分割方法
CN110930416A (zh) * 2019-11-25 2020-03-27 宁波大学 一种基于u型网络的mri图像***分割方法
CN112785617A (zh) * 2021-02-23 2021-05-11 青岛科技大学 残差UNet直肠癌肿瘤磁共振图像自动分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509178A (zh) * 2018-10-24 2019-03-22 苏州大学 一种基于改进的U-net网络的OCT图像脉络膜分割方法
CN110930416A (zh) * 2019-11-25 2020-03-27 宁波大学 一种基于u型网络的mri图像***分割方法
CN112785617A (zh) * 2021-02-23 2021-05-11 青岛科技大学 残差UNet直肠癌肿瘤磁共振图像自动分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张晓鹏: "《基于多任务深度学习的腹部核磁共振影像分割》", 《中国优秀硕士学位论文全文数据库》, no. 05, 15 May 2021 (2021-05-15), pages 1 - 85 *

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN114862739A (zh) * 2022-07-06 2022-08-05 珠海市人民医院 一种医学影像智能增强方法和***

Similar Documents

Publication Publication Date Title
CN113077471B (zh) 一种基于u型网络的医学图像分割方法
CN110930416B (zh) 一种基于u型网络的mri图像***分割方法
CN110176012B (zh) 图像中的目标分割方法、池化方法、装置及存储介质
CN111951288B (zh) 一种基于深度学习的皮肤癌病变分割方法
CN111325750B (zh) 一种基于多尺度融合u型链神经网络的医学图像分割方法
CN113379773B (zh) 基于双重注意力机制的分割模型建立、分割方法及装置
CN114092439A (zh) 一种多器官实例分割方法及***
CN113223005B (zh) 一种甲状腺结节自动分割及分级的智能***
CN113538363A (zh) 一种基于改进U-Net的肺部医学影像分割方法及装置
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
CN117078692B (zh) 一种基于自适应特征融合的医疗超声图像分割方法及***
CN114511502A (zh) 一种基于人工智能的胃肠道内窥镜图像息肉检测***、终端及存储介质
Shan et al. SCA-Net: A spatial and channel attention network for medical image segmentation
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***
CN116740041B (zh) 基于机器视觉的cta扫描图像分析***及其方法
CN117291935A (zh) 一种头颈瘤病灶区域图像分割方法及计算机可读介质
CN117036288A (zh) 一种面向全切片病理图像的肿瘤亚型诊断方法
CN116229074A (zh) 一种递进式边界区域优化的医学图像小样本分割方法
CN115471512A (zh) 一种基于自监督对比学习的医学影像分割方法
CN116091458A (zh) 一种基于互补注意力的胰腺图像分割方法
CN113469962B (zh) 一种面向癌症病变检测的特征提取和图文融合方法及***
CN115222651A (zh) 一种基于改进Mask R-CNN的肺结节检测***
CN114565626A (zh) 基于PSPNet改进的肺部CT图像分割算法
CN117710681A (zh) 基于数据增强策略的半监督医学影像分割方法
CN118154860A (zh) 一种基于UNet3+的注意力机制脑卒中图像分割方法

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