CN113643310A - 一种基于上下文聚合的mri图像肝血管分割方法 - Google Patents
一种基于上下文聚合的mri图像肝血管分割方法 Download PDFInfo
- Publication number
- CN113643310A CN113643310A CN202110557884.0A CN202110557884A CN113643310A CN 113643310 A CN113643310 A CN 113643310A CN 202110557884 A CN202110557884 A CN 202110557884A CN 113643310 A CN113643310 A CN 113643310A
- Authority
- CN
- China
- Prior art keywords
- mri image
- hepatic
- network
- vessel segmentation
- module
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 41
- 230000002440 hepatic effect Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000006116 polymerization reaction Methods 0.000 title abstract description 4
- 230000002776 aggregation Effects 0.000 claims abstract description 26
- 238000004220 aggregation Methods 0.000 claims abstract description 26
- 238000013434 data augmentation Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 210000004204 blood vessel Anatomy 0.000 abstract description 7
- 230000002792 vascular Effects 0.000 abstract description 2
- 238000005096 rolling process Methods 0.000 abstract 1
- 210000004185 liver Anatomy 0.000 description 5
- 210000001015 abdomen Anatomy 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 201000007270 liver cancer Diseases 0.000 description 2
- 208000014018 liver neoplasm Diseases 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000035508 accumulation Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 210000003240 portal vein Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007674 radiofrequency ablation Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 210000005166 vasculature Anatomy 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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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)
- 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)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于上下文聚合的MRI图像肝血管分割方法，包括：肝血管MRI图像的预处理；MRI图像肝血管数据的数据增广工作；搭建上下文聚合的肝血管分割网络，输入预处理后的MRI图像；在编码阶段，采用残差结构的卷积块，确保特征图保留更多的信息；在编码模块的最后一个卷积层后面加入了上下文聚合模块，利用空洞卷积扩大卷积核，进而有效的控制感受野的大小，做到对小尺度区域和大尺度区域的权衡。在解码器部分加入空间注意力机制，进行位置关系信息学习和深层次语义特征筛选，提高特征图还原能力。本发明提升了肝血管分割结果的连续性，并且显著提高了肝血管的分割准确率。
Description
技术领域
本发明涉及一种图像分割方法，具体涉及一种基于上下文聚合的MRI图像肝血管分割方法。
背景技术
肝癌是发生率高、死亡率高的主要恶性肿瘤之一，目前，临床常用的肝癌治疗手段主要有手术切除、肝移植、射频消融等方法。而肝血管结构准确的分割是上述肝脏外科手术的重要前提。
肝血管分割可以获得血管的立体行走和空间位置关系，并由此肝段、肝血管等分布信息，为肝脏占位性病变的精确定位诊断提供影像学基础，并且为后续外科手术的顺利实施提供更多帮助。但传统的肝血管分割需要外科医生在每张肝脏切片上手工的画出血管区域。这种逐层手工标注的方式，不光会给医生带来繁重的工作量，也无法保证标注的质量。利用计算机辅助进行自动、准确且有效的肝血管分割是本领域研究人员急需解决的问题。
发明内容
本发明的目的在于提供一种基于上下文聚合的MRI图像肝血管分割方法。MRI图像主要为上腹部平扫图像，具体为核磁共振动态增强扫描中门静脉期。通过分析MRI图像中肝血管特点，设计提升网络对不同感受野信息的获取能力的上下文聚合模块提升分割的效果。通过上下文聚合模块对图像不同感受野信息提取并聚合，提取到更多的全局特征，弥补了目前全卷积神经网络(Fully Convolutional Networks for Semantic Segmentation,FCN)对长距离信息获取能力较弱的缺陷。提升肝血管结构的分割准确性与有效性。
为实现上述目的，本发明采用以下技术方案：上述MRI图像的原始数据为NIFTI(Neuroimaging Informatics Technology Initiative，nii)格式，针对图像数据特点对其进行预处理和归一化；然后使用数据增广对数据进行扩充；其次，将图像数据输入基于卷积神经网络 (Convolutional Neural Network,CNN)的特征提取模块，获得图像的高层语义特征图；将图像的高层语义特征图输入本发明提出的上下文聚合模块，获得不同感受野信息的特征图进行特征融合；最终将具有上下文聚合信息的特征图输入到上采样网络，得到肝血管分割结果。
一种基于上下文聚合的MRI图像肝血管分割方法，包括以下步骤：
步骤1，上腹部平扫MRI图像的预处理工作。
步骤1.1，对图像数据和标注掩膜进行重采样。
步骤1.2，将腹部MRI图像数据归一化至[-1，1]。
步骤2，MRI图像数据的数据增广工作。
步骤3，将MRI图像数据输入模型。
步骤3.1，将图像数据输入基于卷积神经网络的特征提取模块，提取图像的高层语义特征图。
步骤3.2，将高层语义特征图输入上下文聚合模块，提取不同感受野下的特征图。
步骤3.3，聚合不同感受野下的特征图，并对特征图不同通道按照学习到的重要性进行重新赋权。
步骤3.4，输入解码器网络，获得MRI图像肝血管分割结果。
步骤3.5，训练基于上下文聚合的肝血管分割网络。
步骤4，将待分割的图像数据经过步骤1的处理后输入训练好的网络中，输出MRI图像肝血管分割结果。
与现有技术相比，本发明具有以下明显优势：
本发明相对于之前的肝血管分割方法如：阈值法、分水岭算法、区域生长算法而言，具有可学习的优点，同时训练的过程中能够使用网络的非线性进行边界分割；其次，本发明提出的上下文聚合模块能够更好的提取肝血管的长距离信息，在提升了分割结果血管连续性的同时，提升了分割结果的准确性；该模型提升了肝血管分割效率，减轻了医生的工作量。
附图说明
图1为本发明的模型结构图。
图2为本发明的方法流程图。
图3为本发明上下文聚合模块结构图。
图4为本发明通道注意力模块结构图。
具体实施方式
以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明方法模型结构如图1所示，所述方法的流程图如图2所示，所提出上下文聚合模块如图3所示，具体包括以下步骤：
步骤1，上腹部平扫MRI图像的预处理工作。
步骤1.1，对图像数据和标注掩膜进行重采样。
读取nii格式的腹部MRI图像。由于不同的数据之间存在扫描层厚度和分辨率的差异，为保证模型效果，需要对不同的数据进行重采样。为了保证重采样的效果，首先统计所有数据的体素间距，取体素间距中位数作为重采样后统一的体素间距。
在取得统一的体素间距后，对所有图像数据进行三线性插值。同时，图像数据对应的标注掩膜采用最近邻算法对标注掩膜进行插值，保证图像与标注信息一致。
步骤1.2，将图像数据归一化至[-1，1]。
由于保存的MRI图像灰度最大值和最小值差距巨大，不利于模型的训练，因此采用零均值(Z-Score)规范化方法对图像数据进行归一化，消除奇异样本数据导致的不良影响。零均值规范化方法具体描述为：首先，利用MRI图像灰度先验知识消除像素值较低的像素。其次，计算出图像95％分位点(95th percentile)的像素值，计算出95％分位点能有效的计算出图像像素灰度中一些异常值，并消除这些异常值。具体公式如下：
其中，Pm为第m百分位数，L为Pm所在组的组实下限，f为Pm所在组的次数，Fb为小于L的积累次数。
在消除异常值后，计算图像灰度像素值的均值和方差，通过如下公式，对图像进行规范化。
其中，xmean为图像像素灰度平均值，σ为像素灰度方差。
步骤2，MRI图像数据的数据增广工作。
由于医生标注肝血管费时费力，因此无法获得大量的标注数据。使用数据增强可以让有限的数据产生更多的数据，增加训练样本的数量以及多样性，提升模型鲁棒性。本方法主要采取了伽马变换、图像翻转、改变亮度、改变对比度、高斯噪声、高斯变换对数据进行增广。
步骤3，将MRI图像数据输入模型。
步骤3.1，将图像数据输入基于卷积神经网络的特征提取模块，提取图像的高层语义特征图。编码网络结构包括5个卷积层，4个最大池化层。卷积层之间采用跳跃式连接方法，确保浅层信息能够更多的被保留。
步骤3.2，将高层语义特征图输入上下文聚合模块，提取不同感受野下的特征图。
上下文聚合模块利用空洞卷积来获得特征图上不同感受野的信息。空洞卷积结构(atrous-conv)是在标准卷积的卷积映射(Convolution map)的基础上注入空洞，可以避免全卷积网络(FCN)中连续重复地最大池化和步长大于1的卷积造成的特征图分辨率降低的问题，在不增加非零参数数量和计算量的同时，扩大卷积核，进而有效的控制感受野的大小，做到对小尺度区域和大尺度区域的权衡。利用不同的超参数膨胀率，可以获得不同尺度下的信息。
具体的上下文聚合模块设计见图3。上下文聚合模块通过注入具有多尺度空洞卷积的五个级联分支来捕获更广泛和更深的语义特征。在该模块中，使用快捷连接来防止梯度消失问题。第一分支为一个3×3的标准卷积；第二分支为一个3×3的标准卷积接一个1×1的卷积对特征图进行变换，提取同感受野不同角度的特征图；第三分支为在第二分支的基础上，增加了3×3空洞率为3的空洞卷积核；第四分支和第五分支依次增加不同空洞率的空洞卷积核；5 个级联分支分别得到不同感受野的特征图输出，将这5个分支的输出相加，并利用残差的思想将原始特征图引入，得到不同感受野下的特征图，提升网络获得多尺度信息的能力。
步骤3.3，聚合不同感受野下的特征图，并对特征图不同通道按照学习到的重要性进行重新赋权。
网络通道间的信息重要性也是不同的。受SE-Net的启发，在模型中加入了通道注意力模块，显式地对特征通道之间的相互依赖关系进行建模，通过学习的方式来自动获取到每个特征通道的重要程度，然后依照重要程度增强有用特征，并且抑制对当前任务无用的特征。
步骤3.4，输入解码器网络，获得MRI图像肝血管分割结果。将同分辨率的下采样网络得到的特征图进行拼接，引入浅层网络信息，提升分割效果。
步骤3.5，训练基于上下文聚合的肝血管分割网络。
由于待分割肝血管像素占整张图像整体像素比例较小，本实施方式采用的交叉熵函数和 Dice函数联合损失函数。利用Dice损失函数综合测量整个预测概率图，利用交叉熵函数精确预测分类每个像素点，最终达到精确分割的效果。公式如下所示：
Lseg＝αLCE+(1-α)LDice
其中，LCE为交叉熵损失，LDice为Dice损失函数，α为超参数。LCE公式中，yic为第i个像素第c类的期望输出，pic为网络预测实际输出概率；LDice中X为网络预测的分割结果，Y为标定信息。|X|和|Y|分别表示X和Y的元素个数，|X∩Y|是X和Y之间的交集。
步骤4，将待分割的图像数据经过步骤1的处理后输入训练好的网络中，输出MRI图像肝血管分割结果。
至此，本发明的具体实施过程描述完毕。
Claims (4)
1.一种基于上下文聚合的MRI图像肝血管分割方法，其特征在于：该方法包括以下步骤：
步骤1，平扫MRI图像的预处理工作；
步骤1.1，对MRI图像数据和标注掩膜进行重采样；
步骤1.2，将MRI图像数据归一化至[-1，1]；
步骤2，MRI图像数据的数据增广工作；
步骤3，将MRI图像数据输入模型；
步骤3.1，将MRI图像数据输入基于卷积神经网络的特征提取模块，提取图像的高层语义特征图；
步骤3.2，将高层语义特征图输入上下文聚合模块，提取不同感受野下的特征图；
步骤3.3，聚合不同感受野下的特征图，并对特征图不同通道按照学习到的重要性进行重新赋权；
步骤3.4，输入解码器网络，获得MRI图像肝血管初步分割结果；
步骤4，将待分割的图像数据经过步骤1的处理后输入训练好的网络中，输出MRI图像肝血管分割结果。
2.根据权利要求1所述的一种基于上下文聚合的MRI图像肝血管分割方法，其特征在于：肝血管MRI图像的预处理工作对按照整体数据的体素间距中位数对所用数据进行重采样；利用95％分位点消除图像像素灰度中异常值；在消除异常值后，计算图像灰度像素值的均值和方差，通过如下公式，对图像进行规范化；其中，xmean为图像像素灰度平均值，σ为像素灰度方差；
3.根据权利要求1所述的一种基于上下文聚合的MRI图像肝血管分割方法，其特征在于：步骤3所述构建的上下文聚合的MRI图像肝血管分割共分为4个模块，编码模块、上下文聚合模块、通道注意力模块、解码模块；编码模块发网络结构包括5个卷积层，4个最大池化层；上下文聚合模块通过注入具有多尺度空洞卷积的五个级联分支来捕获语义特征；在上下文聚合模块中，使用快捷连接防止梯度消失问题；第一分支为一个3×3的标准卷积；第二分支为一个3×3的标准卷积接一个1×1的卷积对特征图进行变换，提取同感受野不同角度的特征图；第三分支为在第二分支的基础上，增加3×3空洞率为3的空洞卷积核；第四分支和第五分支依次增加不同空洞率的空洞卷积核；5个级联分支分别得到不同感受野的特征图输出，将这5个分支的输出相加，并利用残差的思想将原始特征图引入，得到不同感受野下的特征图，提升网络获得多尺度信息的能力；通道注意力模块显式地对特征通道之间的相互依赖关系进行建模，通过学习的方式来自动获取到每个特征通道的重要程度，然后依照重要程度增强有用特征，并且抑制对当前任务无用的特征；解码器模块将同分辨率的下采样网络得到的特征图进行拼接，引入浅层网络信息，提升分割效果。
4.根据权利要求1所述的一种基于上下文聚合的MRI图像肝血管分割方法，其特征在于：训练基于上下文聚合的肝血管分割网络，训练的优化目标采用的交叉熵函数和Dice函数联合损失函数；利用Dice损失函数综合测量整个预测概率图，利用交叉熵函数精确预测分类每个像素点，最终达到精确分割的效果；公式如下所示，其中，LCE为交叉熵损失，LDice为Dice损失函数，α为超参数；LCE公式中，yic为第i个像素第c类的期望输出，pic为网络预测实际输出概率；LDice中X为网络预测的分割结果，Y为标定信息；|X|和|Y|分别表示X和Y的元素个数，|X∩Y|是X和Y之间的交集；
Lseg＝αLCE+(1-α)LDice
最后在测试阶段，将待分割的图像数据经过步骤1的处理后输入训练好的网络中，输出MRI图像肝血管分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110557884.0A CN113643310B (zh) | 2021-05-21 | 2021-05-21 | 一种基于上下文聚合的mri图像肝血管分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110557884.0A CN113643310B (zh) | 2021-05-21 | 2021-05-21 | 一种基于上下文聚合的mri图像肝血管分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113643310A true CN113643310A (zh) | 2021-11-12 |
| CN113643310B CN113643310B (zh) | 2024-06-25 |
Family
ID=78415799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110557884.0A Active CN113643310B (zh) | 2021-05-21 | 2021-05-21 | 一种基于上下文聚合的mri图像肝血管分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113643310B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115409819A (zh) * | 2022-09-05 | 2022-11-29 | 青岛埃米博创医疗科技有限公司 | 一种肝部图像重建方法以及重建*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
| CN111373439A (zh) * | 2020-02-10 | 2020-07-03 | 香港应用科技研究院有限公司 | 使用cnn进行图像分割的方法 |
| CN112184748A (zh) * | 2020-09-30 | 2021-01-05 | 陕西科技大学 | 可变形的上下文编码网络模型及对肝脏及肝脏肿瘤的分割方法 |
| CN112233129A (zh) * | 2020-10-20 | 2021-01-15 | 湘潭大学 | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 |
| CN112287940A (zh) * | 2020-10-30 | 2021-01-29 | 西安工程大学 | 一种基于深度学习的注意力机制的语义分割的方法 |
-
2021
- 2021-05-21 CN CN202110557884.0A patent/CN113643310B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
| CN111373439A (zh) * | 2020-02-10 | 2020-07-03 | 香港应用科技研究院有限公司 | 使用cnn进行图像分割的方法 |
| CN112184748A (zh) * | 2020-09-30 | 2021-01-05 | 陕西科技大学 | 可变形的上下文编码网络模型及对肝脏及肝脏肿瘤的分割方法 |
| CN112233129A (zh) * | 2020-10-20 | 2021-01-15 | 湘潭大学 | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 |
| CN112287940A (zh) * | 2020-10-30 | 2021-01-29 | 西安工程大学 | 一种基于深度学习的注意力机制的语义分割的方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115409819A (zh) * | 2022-09-05 | 2022-11-29 | 青岛埃米博创医疗科技有限公司 | 一种肝部图像重建方法以及重建*** |
| CN115409819B (zh) * | 2022-09-05 | 2024-03-29 | 苏州埃米迈德医疗科技有限公司 | 一种肝部图像重建方法以及重建*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113643310B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107784647B (zh) | 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及*** | |
| WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
| CN111931811B (zh) | 一种基于超像素图像相似度的计算方法 | |
| CN111563897B (zh) | 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 | |
| CN113870258A (zh) | 一种基于对抗学习的无标签胰腺影像自动分割*** | |
| CN111429473B (zh) | 基于多尺度特征融合的胸片肺野分割模型建立及分割方法 | |
| CN110717907A (zh) | 一种基于深度学习的手部肿瘤智能检测方法 | |
| CN107644420A (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像*** | |
| CN110648331B (zh) | 用于医学图像分割的检测方法、医学图像分割方法及装置 | |
| CN112446892A (zh) | 一种基于注意力学习的细胞核分割方法 | |
| CN114092439A (zh) | 一种多器官实例分割方法及*** | |
| CN111951288A (zh) | 一种基于深度学习的皮肤癌病变分割方法 | |
| CN111862136A (zh) | 基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法 | |
| CN112950639B (zh) | 一种基于SA-Net的MRI医学图像分割方法 | |
| CN114037714A (zh) | 一种面向******穿刺的3d mr与trus图像分割方法 | |
| CN116681667A (zh) | 一种基于自监督学习的小样本医学图像分割方法、***、设备及介质 | |
| CN116468732A (zh) | 基于深度学习的肺部ct影像分割方法及成像方法 | |
| CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
| CN113643310B (zh) | 一种基于上下文聚合的mri图像肝血管分割方法 | |
| CN116664590B (zh) | 基于动态对比增强磁共振图像的自动分割方法及装置 | |
| CN104732230A (zh) | 一种基于细胞核统计信息的病理图像局部特征提取方法 | |
| CN114565601A (zh) | 基于DeepLabV3+改进的肝脏CT图像分割算法 | |
| CN116309551B (zh) | 确定病灶取样区的方法、装置、电子设备及可读介质 | |
| Yin et al. | Super resolution reconstruction of CT images based on multi-scale attention mechanism | |
| 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 |
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 |