CN113763394B - 一种基于医疗风险的医学图像分割控制方法 - Google Patents
一种基于医疗风险的医学图像分割控制方法 Download PDFInfo
- Publication number
- CN113763394B CN113763394B CN202110973635.XA CN202110973635A CN113763394B CN 113763394 B CN113763394 B CN 113763394B CN 202110973635 A CN202110973635 A CN 202110973635A CN 113763394 B CN113763394 B CN 113763394B
- Authority
- CN
- China
- Prior art keywords
- medical image
- image segmentation
- medical
- layer
- segmentation model
- 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
- 238000003709 image segmentation Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000004913 activation Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 13
- 210000001625 seminal vesicle Anatomy 0.000 description 12
- 201000010653 vesiculitis Diseases 0.000 description 12
- 210000002307 prostate Anatomy 0.000 description 7
- 210000000664 rectum Anatomy 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000006378 damage Effects 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
- 238000003745 diagnosis Methods 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
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 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
- G06T7/11—Region-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
- G06T2207/20—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
- G06T2207/30081—Prostate
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于医疗风险的医学图像分割控制方法,具体包括以下步骤:S1、获取待分割的医学图像集,对医学图像集中的目标区域进行标注;S2、对医学图像集中的原始数据进行预处理;S3、按照预设比例将医学图像集划分为训练集和测试集;S4、生成医学图像分割模型,将训练集输入医学图像分割模型,对医学图像分割模型进行训练;S5、将测试集输入训练好的图像分割模型,得到目标区域的分割图像。与现有技术相比,本发明具有使得模型始终受到医疗风险的约束、提高医学图像分割结果的准确性、实现既准确又安全的分割等优点。
Description
技术领域
本发明涉及医学图像分割领域,尤其是涉及一种基于医疗风险的医学图像分割控制方法。
背景技术
近年来,由于人类居住环境的破坏、工作压力增大和生活节奏过快等因素,癌症等疾病呈现低龄化和高发病率的趋势。在针对肿瘤的临床治疗中,切除病变区域是目前较为常用和有效的治疗办法。医生在进行切除手术时,需要将病变区域彻底切除干净,同时也要尽可能地避免损伤其周围的正常组织器官,比如血管、神经及其他脏器等,降低医疗风险。随着计算机技术的不断发展与进步,大量研究表明,通过全自动方式对医学图像进行分割,能为医生在诊断和治疗方面提供很大帮助。但由于医学图像自身具有较高的复杂性,组织器官形状也因人而异,从医学图像中自动分割特定目标是个艰巨的任务,目前基于医学图像的分割结果的准确性仍有待提高,有关这方面的研究已成为计算机视觉领域的一大热点问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于医疗风险的医学图像分割控制方法,在分割过程中对医疗风险进行有效控制,使得在不降低分割精度的情况下能够获得风险最小化的分割结果。
本发明的目的可以通过以下技术方案来实现:
一种基于医疗风险的医学图像分割控制方法,具体包括以下步骤:
S1、获取待分割的医学图像集,对医学图像集中的目标区域进行标注;
S2、对所述医学图像集中的原始数据进行预处理;
S3、按照预设比例将医学图像集划分为训练集和测试集;
S4、生成医学图像分割模型,将训练集输入所述医学图像分割模型,对所述医学图像分割模型进行训练;
S5、将所述测试集输入训练好的图像分割模型,得到目标区域的分割图像。
所述医学图像分割模型基于U-net网络结构进行生成。
所述步骤S4中生成医学图像分割模型具体包括以下步骤:
S41、构建医学图像分割模型所需的编码块;
S42、构建医学图像分割模型所需的解码块;
S43、设置医学图像分割模型的损失函数,结合对应的编码块和解码块生成医学图像分割模型。
所述编码块的结构具体为四层编码块。
进一步地,所述四层编码块中每层编码块包括依次连接的卷积层、ReLU激活层以及最大池化层。
进一步地,每层编码块中卷积层的数量为2个,ReLU激活层的数量为1个,最大池化层的数量为1个。
所述解码块的结构具体为四层解码块。
进一步地,所述四层解码块中每层解码块包括卷积层、上采样层、ReLU激活层以及跳跃连接层。
进一步地,每层解码块中卷积层的数量为2个,上采样层的数量为1个,ReLU激活层的数量为1个,跳跃连接层的数量为1个。
所述损失函数Lseg包括医疗风险损失项,与交叉熵函数进行结合,具体公式如下所示:
Lseg=Lce+Lr
其中,Lce为多分类交叉熵损失函数,Lr为医疗风险损失函数,y为标准分割图,为解码块输出的分割图,λ为超参数,对应的取值通过预先定义或者神经网络自动学习,为过程变量。
与现有技术相比,本发明具有以下有益效果:
本发明立足于实际临床应用中的需求,在经典U-Net模型的基础上,引入风险最小化思想,对损失函数进行优化,在原本交叉熵损失函数的基础上加入医疗风险损失项,使得模型在学习过程中始终受到医疗风险的约束,有效提高了医学图像分割结果的准确性,实现既准确又安全的分割。
附图说明
图1为本发明的结构示意图;
图2为本发明基于医疗风险的医学图像分割模型具体结构参数图;
图3为本发明实施例中不同模型分割结果中错分直肠图像的S-risk值对比图;
图4为本发明实施例中不同模型分割结果中错分直肠图像的Dice值对比图;
图5为本发明实施例中不同模型分割结果中错分精囊图像的S-risk值对比图;
图6为本发明实施例中不同模型分割结果中错分精囊图像的Dice值对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
如图1所示,一种基于医疗风险的医学图像分割控制方法,具体包括以下步骤:
S1、获取待分割的医学图像集,对医学图像集中的目标区域进行标注;
S2、对医学图像集中的原始数据进行预处理;
S3、按照预设比例将医学图像集划分为训练集和测试集,本实施例中,预设比例设置为8:2;
S4、生成医学图像分割模型,将训练集输入医学图像分割模型,对医学图像分割模型进行训练;
S5、将测试集输入训练好的图像分割模型,得到目标区域的分割图像。
医学图像分割模型基于U-net网络结构进行生成,U-net网络结构如图2所示。
本实施例中,U-net网络训练采用Adam算法对损失函数进行优化,batch size大小设置为8,epoch设置为300,学习率设置为0.00001。
本实施例中,在步骤S2的数据预处理过程中,为保证图像具有相同的尺寸和分辨率,将原始切片图像与标注图像的空间分辨率统一重采样为256×256。
步骤S4中生成医学图像分割模型具体包括以下步骤:
S41、构建医学图像分割模型所需的编码块;
S42、构建医学图像分割模型所需的解码块;
S43、设置医学图像分割模型的损失函数,结合对应的编码块和解码块生成医学图像分割模型。
编码块的结构具体为四层编码块,四层编码块中每层编码块包括依次连接的卷积层、ReLU激活层以及最大池化层。
每层编码块中卷积层的数量为2个,ReLU激活层的数量为1个,最大池化层的数量为1个。
解码块的结构具体为四层解码块,四层解码块中每层解码块包括卷积层、上采样层、ReLU激活层以及跳跃连接层。
每层解码块中卷积层的数量为2个,上采样层的数量为1个,ReLU激活层的数量为1个,跳跃连接层的数量为1个。
损失函数Lseg包括医疗风险损失项,与交叉熵函数进行结合,具体公式如下所示:
Lseg=Lce+Lr
其中,Lce为多分类交叉熵损失函数,Lr为医疗风险损失函数,y为标准分割图,为解码块输出的分割图,λ为超参数,对应的取值通过预先定义或者神经网络自动学习,为过程变量。
具体实施时,以***分割为例,数据集由西门子3.0T磁共振扫描仪使用不同频射和脉冲组合对腹部扫描成像获得,为横向T2加权MR图像。数据集中共有82例样本数据,每例样本数据包含约24张DICOM格式的图像切片,以及对应的由专业医生手工分割得到的标注图像作为分割金标准,标准分割图像的格式为NII。图像中包含的器官有***,精囊以及直肠。分割结果通过分割准确率(Dice)以及医疗风险值(S-risk)进行评判。
经过多轮实验,在原始U-net算法给出的分割结果中,测试集中平均有13张图像在分割目标区域***时出现错切直肠的情况。使用本发明的医学图像分割模型,测试集中平均有9张图像在分割目标区域***时出现错切直肠的情况。针对经典U-Net算法出现错切直肠的13张图,本发明的医学图像分割模型完全避免了其中6张图的错切,大大减少了另外6张图的错切范围。此外,在本发明的医学图像分割模型中出现了2张出现直肠错切的新图,但错切范围很小,分别为1个像素和2个像素。
如图3所示,在S-risk评价标准下,本发明的医学图像分割模型在总共15张错分直肠图像中的14张中获得比经典的U-Net算法更低的风险值,即本发明的医学图像分割模型能更好的规避或者减小分割中错分直肠的风险。如图4所示,本发明的医学图像分割模型得出的分割结果的Dice系数值,基本与经典U-Net算法得出的分割结果的Dice系数值重合或高于经典U-Net算法得出的分割结果的Dice系数值,表示本发明的医学图像分割模型在分割精确度上至少能达到与U-Net算法持平的效果。
针对精囊错分的情况,在测试集的分割结果中,U-Net算法平均在36张图像上将精囊错切为目标区域***,本发明的医学图像分割模型平均在35张图像上将精囊错切为目标区域***。在经典U-Net算法出现错切精囊的36张图中,本发明的医学图像分割模型完全避免了其中1张图的错切,大大减少了另外24张图的错切范围。此外,本发明的医学图像分割模型出现了1张出现精囊错切的新图,但错切范围很小,仅为1个像素。
如图5所示,本发明的医学图像分割模型得出的分割结果的Dice系数值,基本与经典U-Net算法得出的分割结果的Dice系数值重合,仅在个别图像(如第9、23、31张图像)上两者会出现较大差距,但没有单一的偏向,所以整体来看本发明的医学图像分割模型在分割精确度上基本与U-Net算法持平。如图6所示,在S-risk评价标准下,本发明的医学图像分割模型在总共37张错分精囊图像中的26张中获得比经典的U-Net算法更低的风险值,即本发明的医学图像分割模型能更好的规避或者减小分割中错分精囊的风险。
如表1所示,分别计算了所有错切直肠(15张图像)和所有错切精囊(37张图像)在Dice系数和R-risk上的平均得分,表1具体如下:
表1不同模型分割结果中错分图像的平均分割效果对比
可以看出,针对直肠和精囊的风险值分别从0.0049降到0.0009和从0.384降到0.299,分别下降了82%和22%,同时针对***分割的精确度分别上升了约两个百分点和下降了约0.1个百分点,因此,可以看出本发明的医学图像分割模型能够在几乎不降低分割精准度的同时有效降低分割过程中的医疗风险。
此外,需要说明的是,本说明书中所描述的具体实施例,所取名称可以不同,本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化,均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (8)
1.一种基于医疗风险的医学图像分割控制方法,其特征在于,具体包括以下步骤:
S1、获取待分割的医学图像集,对医学图像集中的目标区域进行标注;
S2、对所述医学图像集中的原始数据进行预处理;
S3、按照预设比例将医学图像集划分为训练集和测试集;
S4、生成医学图像分割模型,将训练集输入所述医学图像分割模型,对所述医学图像分割模型进行训练;
S5、将所述测试集输入训练好的图像分割模型,得到目标区域的分割图像;
所述步骤S4中生成医学图像分割模型具体包括以下步骤:
S41、构建医学图像分割模型所需的编码块;
S42、构建医学图像分割模型所需的解码块;
S43、设置医学图像分割模型的损失函数,结合对应的编码块和解码块生成医学图像分割模型;
所述损失函数Lseg包括医疗风险损失项,与交叉熵函数进行结合,具体公式如下所示:
Lseg=Lce+Lr
其中,Lce为多分类交叉熵损失函数,Lr为医疗风险损失函数,y为标准分割图,为解码块输出的分割图,λ为超参数,/>为过程变量。
2.根据权利要求1所述的一种基于医疗风险的医学图像分割控制方法,其特征在于,所述医学图像分割模型基于U-net网络结构进行生成。
3.根据权利要求1所述的一种基于医疗风险的医学图像分割控制方法,其特征在于,所述编码块的结构具体为四层编码块。
4.根据权利要求3所述的一种基于医疗风险的医学图像分割控制方法,其特征在于,所述四层编码块中每层编码块包括依次连接的卷积层、ReLU激活层以及最大池化层。
5.根据权利要求4所述的一种基于医疗风险的医学图像分割控制方法,其特征在于,每层编码块中卷积层的数量为2个,ReLU激活层的数量为1个,最大池化层的数量为1个。
6.根据权利要求1所述的一种基于医疗风险的医学图像分割控制方法,其特征在于,所述解码块的结构具体为四层解码块。
7.根据权利要求6所述的一种基于医疗风险的医学图像分割控制方法,其特征在于,所述四层解码块中每层解码块包括卷积层、上采样层、ReLU激活层以及跳跃连接层。
8.根据权利要求7所述的一种基于医疗风险的医学图像分割控制方法,其特征在于,每层解码块中卷积层的数量为2个,上采样层的数量为1个,ReLU激活层的数量为1个,跳跃连接层的数量为1个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110973635.XA CN113763394B (zh) | 2021-08-24 | 2021-08-24 | 一种基于医疗风险的医学图像分割控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110973635.XA CN113763394B (zh) | 2021-08-24 | 2021-08-24 | 一种基于医疗风险的医学图像分割控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763394A CN113763394A (zh) | 2021-12-07 |
CN113763394B true CN113763394B (zh) | 2024-03-29 |
Family
ID=78790973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110973635.XA Active CN113763394B (zh) | 2021-08-24 | 2021-08-24 | 一种基于医疗风险的医学图像分割控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763394B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021017372A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、***及电子设备 |
CN113129309A (zh) * | 2021-03-04 | 2021-07-16 | 同济大学 | 基于对象上下文一致性约束的医学图像半监督分割*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10751548B2 (en) * | 2017-07-28 | 2020-08-25 | Elekta, Inc. | Automated image segmentation using DCNN such as for radiation therapy |
US10595727B2 (en) * | 2018-01-25 | 2020-03-24 | Siemens Healthcare Gmbh | Machine learning-based segmentation for cardiac medical imaging |
US10803591B2 (en) * | 2018-08-28 | 2020-10-13 | International Business Machines Corporation | 3D segmentation with exponential logarithmic loss for highly unbalanced object sizes |
-
2021
- 2021-08-24 CN CN202110973635.XA patent/CN113763394B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021017372A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、***及电子设备 |
CN113129309A (zh) * | 2021-03-04 | 2021-07-16 | 同济大学 | 基于对象上下文一致性约束的医学图像半监督分割*** |
Non-Patent Citations (1)
Title |
---|
2D级联CNN模型的放疗危及器官自动分割;石军;赵敏帆;薛旭东;郝晓宇;金旭;安虹;张红雁;;中国图象图形学报(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113763394A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
CN112927255B (zh) | 一种基于上下文注意力策略的三维肝脏影像语义分割方法 | |
CN110047082B (zh) | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及*** | |
CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
CN114240962B (zh) | 一种基于深度学习的ct图像肝脏肿瘤区域自动分割方法 | |
CN111179237A (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
CN110751636A (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
CN110264449B (zh) | 基于人工智能的医学放射影像胸部摄片的质量控制方法 | |
CN110163877A (zh) | 一种mri心室结构分割的方法与*** | |
CN112750137B (zh) | 基于深度学习的肝脏肿瘤分割方法及*** | |
CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和*** | |
CN112767407A (zh) | 一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法 | |
CN110363772A (zh) | 基于对抗网络的心脏mri分割方法及*** | |
CN113436173A (zh) | 基于边缘感知的腹部多器官分割建模、分割方法及*** | |
CN112686336A (zh) | 一种基于神经网络的烧伤创面深度分类*** | |
CN114882996A (zh) | 基于多任务学习的肝细胞癌ck19及mvi预测方法 | |
CN113763394B (zh) | 一种基于医疗风险的医学图像分割控制方法 | |
CN112950611A (zh) | 一种基于ct图像的肝脏血管分割方法 | |
CN116994113A (zh) | 一种基于残差UNet和高效的多尺度注意力方法用于CT图像中肝脏和肿瘤的自动分割 | |
CN116229067A (zh) | 基于通道注意力的肝细胞癌ct图像分割方法 | |
CN113476033B (zh) | 基于深度神经网络的***增生目标区域自动生成方法 | |
CN113379682B (zh) | 一种心脏mri影像耦合水平集分割方法及*** | |
CN115222651A (zh) | 一种基于改进Mask R-CNN的肺结节检测*** | |
CN114187299A (zh) | 超声定位肿瘤影像的高效精准划分方法 | |
CN114882968A (zh) | 一种医学影像报告生成方法和*** |
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 |