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 PDFInfo
- 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
Links
- 230000001976 improved effect Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003709 image segmentation Methods 0.000 title claims abstract description 31
- 210000004072 lung Anatomy 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 7
- 230000002685 pulmonary effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 abstract description 6
- 210000000621 bronchi Anatomy 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 210000005259 peripheral blood Anatomy 0.000 abstract description 3
- 239000011886 peripheral blood Substances 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001605 fetal effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 210000003437 trachea 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
- G06T7/0002—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
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:
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:
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:
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:
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):
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:
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:
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:
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。
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。
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)
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)
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 |
-
2021
- 2021-07-13 CN CN202110789538.5A patent/CN113538363A/zh active Pending
Patent Citations (3)
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)
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)
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 |