CN113793345A - 一种基于改进注意力模块的医疗影像分割方法及装置 - Google Patents
一种基于改进注意力模块的医疗影像分割方法及装置 Download PDFInfo
- Publication number
- CN113793345A CN113793345A CN202111042489.5A CN202111042489A CN113793345A CN 113793345 A CN113793345 A CN 113793345A CN 202111042489 A CN202111042489 A CN 202111042489A CN 113793345 A CN113793345 A CN 113793345A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- feature matrix
- attention
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003709 image segmentation Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 163
- 238000003062 neural network model Methods 0.000 claims abstract description 71
- 238000010586 diagram Methods 0.000 claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 238000003672 processing method Methods 0.000 claims abstract description 22
- 238000003860 storage Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 34
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000005481 NMR spectroscopy Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 7
- 238000002591 computed tomography Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 208000018737 Parkinson disease Diseases 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 241001573498 Compacta Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000586 desensitisation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 210000003523 substantia nigra Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001633942 Dais Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002911 mydriatic effect Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06T7/11—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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30016—Brain
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像处理方法、装置、计算机设备及存储介质。该方法包括:获取目标图像的目标张量数据;将目标张量数据输入至目标神经网络模型,目标神经网络模型包括编码器、解码器和注意力模块;编码器用于根据目标张量数据进行降采样,得到第一特征矩阵;注意力模块用于根据第一特征矩阵进行空洞卷积,得到第二特征矩阵;根据第二特征矩阵确定原始注意力图;根据原始注意力图确定空洞注意力图;根据第一特征矩阵和空洞注意力图确定第三特征矩阵;将第三特征矩阵输出值解码器;解码器用于根据第三特征矩阵进行上采样,得到图像分割结果;根据目标神经网络模型的输出进行目标图像的分割反馈。能够提高图像分割的准确性。
Description
技术领域
本发明实施例涉及机器学习技术,尤其涉及一种图像处理方法、装置、计 算机设备及存储介质。
背景技术
医学图像分割是计算机辅助诊断中的一项重要任务,但由于目标物体形状 不规则、边界模糊等原因,分割工作一直具有挑战性。因此,对于识别这些不 同尺度的复杂目标对象,需要准确可靠的分割方法。
随着深度卷积神经网络(Convolutional Neural Networks,CNNs)的发展,出 现了U型神经网络U-Net,以及将U-Net与注意力机制进行融合的技术方案。 但是,目前结合注意力机制的U-Net无法对医学图像中不同形状和尺度的目标 进行准确的分割,图像分割的准确性低。
发明内容
本发明提供一种图像处理方法、装置、计算机设备及存储介质,以实现提 高图像分割的准确性。
第一方面,本发明实施例提供了一种图像处理方法,包括:
获取目标图像的目标张量数据;
将目标张量数据输入至目标神经网络模型,目标神经网络模型包括编码器、 解码器和注意力模块;
编码器用于根据目标张量数据进行降采样,得到第一特征矩阵;注意力模 块用于根据第一特征矩阵进行空洞卷积,得到第二特征矩阵;根据第二特征矩 阵确定原始注意力图;根据原始注意力图确定空洞注意力图;根据第一特征矩 阵和空洞注意力图确定第三特征矩阵;将第三特征矩阵输出值解码器;解码器 用于根据第三特征矩阵进行上采样,得到图像分割结果;
根据目标神经网络模型的输出进行目标图像的分割反馈。
第二方面,本发明实施例还提供了一种图像处理装置,包括:
目标图像张量获取模块,用于获取目标图像的目标张量数据;
分割模块,用于将目标张量数据输入至目标神经网络模型,目标神经网络 模型包括编码器、解码器和注意力模块;
编码器用于根据目标张量数据进行降采样,得到第一特征矩阵;注意力模 块用于根据第一特征矩阵进行空洞卷积,得到第二特征矩阵;根据第二特征矩 阵确定原始注意力图;根据原始注意力图确定空洞注意力图;根据第一特征矩 阵和空洞注意力图确定第三特征矩阵;将第三特征矩阵输出值解码器;解码器 用于根据第三特征矩阵进行上采样,得到图像分割结果;
输出模块,用于根据目标神经网络模型的输出进行目标图像的分割反馈。
第三方面,本发明实施例还提供了一种计算机设备,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,处理器执 行程序时实现如本发明实施例所示的图像处理方法。
第三方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质, 计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例所示的图 像处理方法。
本发明实施例提供的图像处理方法,能够获取目标图像的目标张量数据; 将目标张量数据输入至目标神经网络模型,目标神经网络模型的编码器根据目 标张量数据进行降采样,得到第一特征矩阵;目标神经网络模型的注意力模块 用于根据第一特征矩阵进行空洞卷积,得到第二特征矩阵;根据第二特征矩阵 确定原始注意力图;根据原始注意力图确定空洞注意力图;根据第一特征矩阵 和空洞注意力图确定第三特征矩阵;将第三特征矩阵输出值解码器;目标神经 网络模型的解码器用于根据第三特征矩阵进行上采样,得到图像分割结果;根 据目标神经网络模型的输出进行目标图像的分割反馈。相对于目前结合注意力 机制的U-Net图像分割准确性低的问题,本发明实施例提供的图像处理方法, 目标神经网络模型的注意力模块能够基于空洞卷积对目标图像的第一特征矩阵 进行处理,空洞卷积能够提高感受野的范围,进而能够更加准确的确定目标图 像中用户感兴趣的区域,并根据该区域进行分割,提高图像分割的准确性。
附图说明
图1是本发明实施例一中的图像处理方法的流程图;
图2是本发明实施例三中的图像处理装置的结构示意图;
图3是本发明实施例四中的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此 处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需 要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结 构。
实施例一
图1为本发明实施例一提供的图像处理方法的流程图,本实施例可适用于 对图像中用户感兴趣的区域进行分割的情况,尤其是对医学图像中病灶等用户 关注区域进行分割的情况,该方法可以由为用户提供图像分割功能的计算机设 备来执行,计算机设备可以为个人电脑、笔记本电脑、平板电脑或服务器。该 方法具体包括如下步骤:
步骤110、获取目标图像的目标张量数据。
目标图像可以为待分割的图像,目标张量数据为以向量形式表示的目标图 像。示例性的,目标张量数据的形状可以为1×128×128,表示目标图像某个 颜色通道中横向128个像素和纵向128个像素。
在上述实施例的基础上,获取目标图像的目标张量数据,包括:
根据预设的预处理方式对目标图像进行预处理,得到预处理图像,预处理 方式包括图像裁剪方式和图像归一化方式;根据预处理图像确定目标张量数据。
图像裁剪方式包括将不同尺寸的图像裁剪为相同尺寸的图像。图像归一化 方式包括将不同格式的图像归一化为统一的文件格式。通过预处理方式能够得 到规格统一的预处理图像。由于预处理图像横向和纵向包含的像素数量相同, 颜色通道数量相同,因此根据预处理图像得到的目标张量数据形式也相同。经 过预处理得到的目标张量数据适用于目标神经网络模型,能够提高目标神经网 络模型的分割准确率。
在上述实施例的基础上,目标图像为医疗影像图像,医疗影像图像包括: 使用计算机断层扫描的图像、核磁共振图像、高清摄像机拍摄图像。
高清摄像机可以为医学领域高清摄像设备。例如,高清摄像机可以为DRIVE 眼病数据集图像采集工具。具体的,使用佳能CR5非散瞳3CCD相机45度视 场采集图像。每张图像都是在768×584像素的彩色平面上用8位元捕获的。 每个图像的视场为圆形,直径约为540像素。
在上述实施例的基础上,获取目标图像的目标张量数据,包括:
对目标图像进行脱敏处理,得到脱敏图像;
根据脱敏图像确定目标图像的目标张量数据。
在实施例中,由于临床帕金森疾病疑似患者相关的核磁共振扫描图像为经 过脱敏处理的格式为Nii.gz的脱敏数据,因此不会读取患者的姓名等信息,不 涉及重要隐私,从而最大程度上地保证了用户的信息安全。
步骤120、将目标张量数据输入至目标神经网络模型。
其中,目标神经网络模型包括编码器、解码器和注意力模块。
编码器用于根据目标张量数据进行降采样,得到第一特征矩阵;注意力模 块用于根据第一特征矩阵进行空洞卷积,得到第二特征矩阵;根据第二特征矩 阵确定原始注意力图;根据原始注意力图确定空洞注意力图;根据第一特征矩 阵和空洞注意力图确定第三特征矩阵;将第三特征矩阵输出值解码器;解码器 用于根据第三特征矩阵进行上采样,得到图像分割结果。
编码器包含多个卷积块。每个卷积块的卷积层之后是一个激活函数(ReLU) 和一个批标准化(BN)层,之后使用最大池化操作进行降采样,下降采样步长 可以为2。在每一个降采样步骤后,特征通道的数量将增加一倍。通过多个捐 几块得到第一特征矩阵。
在一种实现方式中,可以根据用于训练的临床脑部核磁共振图像的数据特 点,构建数据调用模型。具体地:先从医院的PACS***中获取带有部分用户 权限的账号和密码,并通过通讯协议获得PACS***中的疑似患者的为Nii.gz 的计算机断层扫描图像以及对应的标签数据,并进行存储。
在存储过程中,脑部核磁共振扫描图像是根据扫描层厚的不同可能有不同 的切片数量,并且按病人为表头进行存储的。通过编码器对脑部核磁共振扫描 图像进行降采样,得到第一特征矩阵。
在得到第一特征矩阵后,将第一特征矩阵输入到注意力模块(又称为AHA 模块)。在注意力模块中对第一特征矩阵进行优化,输出第三特征矩阵。
解码器与编码器包含对称的多个卷积块,通过解码器对第三特征矩阵进行 上采样,恢复原图分辨率。
在一种实现方式中,注意力模块用于根据第一特征矩阵进行空洞卷积,得 到第二特征矩阵,包括:分别根据多个空洞卷积对第一特征矩阵进行空洞卷积, 得到多个第二特征矩阵,每个空洞卷积与第二特征矩阵一一对应。相应的,根 据第二特征矩阵确定原始注意力图,包括:根据多个第二特征矩阵进行相互的 矩阵乘,得到矩阵乘结果;根据矩阵乘结果确定原始注意力图。相应的,根据 原始注意力图确定空洞注意力图,包括:将原始注意力图进行传递闭包运算, 得到空洞注意力图。相应的,根据第一特征矩阵和空洞注意力图确定第三特征 矩阵,包括:将第一特征矩阵与空洞注意力图相乘,得到第三特征矩阵。
在一种实现方式中,空洞高阶注意力矩阵的生成过程如下:其中,在编码 器的底部,从上一阶段得到特征图(又称第一特征矩阵)其中, H×W×C分别表示feature map的高度、宽度和通道数,将其送入4个共享权 卷积层(分别设置r=1、r=2、r=4、r=8),生成多尺度特征图(又称第二特征矩阵) Xr=1,2,4,8。通过1×1卷积将多尺度特征图(又称第二特征矩阵)进行尺度变换, 通过下述公式一进行点乘,得到初步的注意力矩阵(又称原始注意力图)
首先,依据下述公式二,得到原始的阈值处理后的注意力矩阵(又称空洞注意 力图):
其中,δ为超参数阈值,本申请实施方式中可以设为0.5。
其中,m表示第M阶的高秩注意力。通过高阶注意力矩阵,对第一特征 图进行加权,得到第三特征矩阵,从而过滤噪声影响,强化有用信息。
上述注意力模块可以嵌入到任何“U”形的编码器-解码器神经网络模型以 便用于医学图像分割。为了扩大下采样阶段的卷积层和上采样阶段的反卷积层 的局部卷积有限的感受野,采用多尺度空洞卷积可以有效地在高维度捕获更多 的全局信息。并且,本发明的高阶注意力机制通过图模型的传递闭包构建高阶 注意力特征图从而获取更强的相关上下文特征。
可选的,本发明实施例中使用的分割算法可以为阈值分割算法,因此可以 去除***噪声的影响,提高归一化图像的质量,有助于提高基于改进注意力模 块的“U”形神经网络模型的鲁棒性。
步骤130、根据目标神经网络模型的输出进行目标图像的分割反馈。
在上述实施例的基础上,根据目标神经网络模型的输出进行目标图像的分 割反馈,包括:输出目标图像,根据图像分割结果确定目标图像的高亮区域。
用户可以通过计算机设备导入目标图像,计算机设备根据上述方法对目标 图像进行分割后,将目标图像以及图像分割结果进行显示。可以使用高亮对分 割出的用户感兴趣区域进行显示。
本发明实施例提供的图像处理方法,能够获取目标图像的目标张量数据; 将目标张量数据输入至目标神经网络模型,目标神经网络模型的编码器根据目 标张量数据进行降采样,得到第一特征矩阵;目标神经网络模型的注意力模块 用于根据第一特征矩阵进行空洞卷积,得到第二特征矩阵;根据第二特征矩阵 确定原始注意力图;根据原始注意力图确定空洞注意力图;根据第一特征矩阵 和空洞注意力图确定第三特征矩阵;将第三特征矩阵输出值解码器;目标神经 网络模型的解码器用于根据第三特征矩阵进行上采样,得到图像分割结果;根 据目标神经网络模型的输出进行目标图像的分割反馈。相对于目前结合注意力 机制的U-Net图像分割准确性低的问题,本发明实施例提供的图像处理方法, 目标神经网络模型的注意力模块能够基于空洞卷积对目标图像的第一特征矩阵 进行处理,空洞卷积能够提高感受野的范围,进而能够更加准确的确定目标图 像中用户感兴趣的区域,并根据该区域进行分割,提高图像分割的准确性。
上述实施例的基础上,在将张量数据输入至目标神经网络模型之前,还包 括:
获取训练集的训练图像的训练张量数据;根据训练张量数据对目标神经网 络模型进行训练,以便优化目标神经网络模型的网络参数。
训练图像除了可以通过与医院的影像归档和通信***(Picture Archiving andCommunication Systems,PACS)对接获取,还可以根据对接得到的图像进 行扩充。扩充方式包括随机翻转、随机旋转、随机平移、随机裁剪以及加入高 斯噪声。使用扩充得到的训练张量数据对目标神经网络模型进行训练,能够改 善目标神经网络模型对旋转、平移、以及高斯噪声等不稳定因素的敏感性,进 而提高了基于改进注意力模块的“U”形神经网络模型的鲁棒性。
实施例二
本发明实施例二提供了一种图像处理方法,作为对上述实施例的进一步说 明,包括:
步骤E1,存储与帕金森疑似患者相关的医疗影像信息。医疗影像信息包括 脑部核磁共振成像。
其中,临床中头部核磁共振成像为经过脱敏处理的格式为Nii.gz的标准影 像格式数据。
步骤E2,根据预设的预处理方式对目标图像进行预处理,得到预处理图像, 根据预处理图像确定目标张量数据。
其中,预处理方法包括如下步骤:
步骤T1,获取脑部核磁共振成像对应的检测机器型号,调节核磁共振图像 得到规范待测图像,并进行归一化得到归一化待测图像。
本实施例中,所有磁共振检查均在临床放射科的3.0-T核磁共振扫描仪(GE 医疗公司的discoery TM MR750)上进行,该扫描仪配有8通道头部矩阵线圈。
步骤T2,由于待分割区域像素占比较小,特别地,在本实施例里将原图进 行中心裁剪,取中间区域进一步处理,并将待测脑部核磁共振图像转换为Tensor 张量数据作为预处理数据。
其中,Tensor张量数据的形状为1×128×128。
步骤E3,训练神经网络模型作为医疗影像分割模型。
训练基于改进注意力模块的“U”形神经网络模型包括如下步骤:
步骤S1,根据用于训练的临床脑部核磁共振图像的数据特点,构建数据调 用模型。具体地:
先从医院的PACS***中获取带有部分用户权限的账号和密码,并通过通 讯协议获得PACS***中的疑似患者的为Nii.gz的计算机断层扫描图像以及对 应的标签数据,并进行存储。
另外,在存储过程中,脑部核磁共振扫描图像是根据扫描层厚的不同可能 有不同的切片数量,并且按病人为表头进行存储的。
步骤S2,将图像输入下采样特征提取网络得到第一特征矩阵;
步骤S3,利用空洞高秩注意力机制修正第一特征矩阵,得到第二特征矩阵。
步骤S3包括如下子步骤:步骤S3-1,分别根据多个空洞卷积对第一特征矩 阵进行空洞卷积,得到多个第二特征矩阵,每个空洞卷积与第二特征矩阵一一 对应,步骤S3-2,根据多个第二特征矩阵进行相互的矩阵乘,得到矩阵乘结果; 根据矩阵乘结果确定原始注意力图;步骤S2-3,将原始注意力图进行传递闭包 运算,得到空洞注意力图;步骤S2-4,将第一特征矩阵与空洞注意力图相乘, 得到第三特征矩阵。
步骤S4,将上一步得到的第三特征矩阵输出到上采样分割网络,得到分割 结果。
步骤S4,训练基于改进注意力模块的“U”形神经网络模型得到训练好的 基于改进注意力模块的“U”形神经网络模型作为空洞注意力分割神经网络模 型。
其中,步骤S4-1,先将原始脑部核磁共振图像预处理后,转换为Tensor张 量数据作为训练数据。具体地:
提取脑部核磁共振扫描图像像素值,对核磁共振图像像素进行归一化以及 像素值截断操作,从而去除***噪声的影响,提高模型鲁棒性。使用中心裁剪 方法保留长宽均为128的脑部中间图像。利用PyTorch框架中的Tensor API将 像素矩阵转换为Tensor张量数据,便于使用GPU并行计算。
步骤S4-2,利用预定的数据扩充方法对归一化图像进行扩充得到扩充图像。
其中,数据扩充方法包括随机翻转、随机旋转、随机平移、随机裁剪以及 加入高斯噪声。
步骤S4-3,将扩充图像以及标签数据作为处理结果输入基于改进注意力模 块的“U”形神经网络模型。
本实施例中,训练空洞注意力分割神经网络模型时相关参数的设置情况为: 批量大小设为48,epoch为100,梯度下降方法为随机梯度下降优化(SGD),学 习速率采用Adam优化器策略,初始值为0.001,动量为0.9,衰减率为3E-5。
步骤E4,根据用户输入的目标图像(医疗影像),分割出用户关注区域。
本实施例中,激活函数为常用的激活函数(ReLU),用户关注区域为需要 模型学习分割的重点分割区域,在本实施例为黑质致密部(Substantia Nigra Pars Compacta,SNpc)。
步骤E5,显示核磁共振扫描图像,以红色高亮区域显示模型分割结果,辅 助医生进行诊断。
本实施例获取的所有数据,均由3.0T核磁共振扫描设备(型号为:Discovery TMMR750,GE Healthcare)扫描得到。共计188例脑部核磁共振影像筛查样 例,具体包括140例帕金森疾病患者以及48名健康人。帕金森疾病的重点关注 区域为黑质致密部,因此分割任务中不需考虑帕金森患者以及健康人的类别影 响,所有的分割标签均由一名八年影像科临床经验的专业医生独立标注。
将上述数据分为两个独立集,即用于算法模型开发过程中的训练,以及其 他用于算法验证的验证数据。其中,训练集包括152名测试者的头部核磁共振 扫描图像,验证集包括36名测试者的头部核磁共振扫描图像。
通过上述方法或装置验证得到一种基于改进注意力模块的“U”形神经网 络模型在验证数据上的戴斯系数(DSC)为0.8769,准确率(ACC)为0.9992, 敏感度(SE)为0.8935,特异度(SP)为0.9995,受试者工作特征曲线(receiver operating characteristiccurve,ROC)下面积(AUC)为0.9465。
同时,实验表明,一批32张图像的测试过程总耗时约3秒,一名患者的所 有测试总耗时约30秒,本装置具有较高的时间效率。
综上,相较于人工诊断而言,本发明的一种基于改进注意力模块的医疗影 分割装置1以及一种基于改进注意力模块的医疗影分割方法在医疗影像相关分 割任务上同时具备高准确率与高效率,接近专家医生诊断水平,因此特别适用 于基层医疗资源匮乏、专家医生数量不够的情况。另外,本装置也可以有效地 辅助医生进行快速诊断,有益于提高医院影像科环节的诊疗效率。
实施例三
图2为本发明实施例三提供的图像处理装置的结构示意图,本实施例可适 用于对图像中用户感兴趣的区域进行分割的情况,尤其是对医学图像中病灶等 用户关注区域进行分割的情况,该方法可以由为用户提供图像分割功能的计算 机设备来执行,计算机设备可以为个人电脑、笔记本电脑、平板电脑或服务器。 该装置包括:目标图像张量获取模块210、分割模块220和输出模块230。
目标图像张量获取模块210,用于获取目标图像的目标张量数据;
分割模块220,用于将目标张量数据输入至目标神经网络模型,目标神经 网络模型包括编码器、解码器和注意力模块;
编码器用于根据目标张量数据进行降采样,得到第一特征矩阵;注意力模 块用于根据第一特征矩阵进行空洞卷积,得到第二特征矩阵;根据第二特征矩 阵确定原始注意力图;根据原始注意力图确定空洞注意力图;根据第一特征矩 阵和空洞注意力图确定第三特征矩阵;将第三特征矩阵输出值解码器;解码器 用于根据第三特征矩阵进行上采样,得到图像分割结果;
输出模块230,用于根据目标神经网络模型的输出进行目标图像的分割反 馈。
在上述实施方式的基础上,分割模块220用于:
分别根据多个空洞卷积对第一特征矩阵进行空洞卷积,得到多个第二特征 矩阵,每个空洞卷积与第二特征矩阵一一对应;
根据多个第二特征矩阵进行相互的矩阵乘,得到矩阵乘结果;根据矩阵乘 结果确定原始注意力图;
将原始注意力图进行传递闭包运算,得到空洞注意力图;
将第一特征矩阵与空洞注意力图相乘,得到第三特征矩阵。
在上述实施方式的基础上,目标图像张量获取模块210用于:
根据预设的预处理方式对目标图像进行预处理,得到预处理图像,预处理 方式包括图像裁剪方式和图像归一化方式;
根据预处理图像确定目标张量数据。
在上述实施方式的基础上,目标图像为医疗影像图像,医疗影像图像包括: 使用计算机断层扫描的图像、核磁共振图像、高清摄像机拍摄图像。
在上述实施方式的基础上,输出模块230用于:
输出目标图像,根据图像分割结果确定目标图像的高亮区域。
在上述实施方式的基础上,获目标图像张量获取模块210用于:
对目标图像进行脱敏处理,得到脱敏图像;
根据脱敏图像确定目标图像的目标张量数据。
在上述实施方式的基础上,还包括训练模块。训练模块用于:
获取训练集的训练图像的训练张量数据;
根据训练张量数据对目标神经网络模型进行训练,以便优化目标神经网络 模型的网络参数。
本发明实施例提供的图像处理装置,目标图像张量获取模块210能够获取 目标图像的目标张量数据;分割模块220将目标张量数据输入至目标神经网络 模型,目标神经网络模型的编码器根据目标张量数据进行降采样,得到第一特 征矩阵;目标神经网络模型的注意力模块用于根据第一特征矩阵进行空洞卷积, 得到第二特征矩阵;根据第二特征矩阵确定原始注意力图;根据原始注意力图 确定空洞注意力图;根据第一特征矩阵和空洞注意力图确定第三特征矩阵;将 第三特征矩阵输出值解码器;目标神经网络模型的解码器用于根据第三特征矩 阵进行上采样,得到图像分割结果;输出模块230根据目标神经网络模型的输 出进行目标图像的分割反馈。相对于目前结合注意力机制的U-Net图像分割准 确性低的问题,本发明实施例提供的图像处理方法,目标神经网络模型的注意 力模块能够基于空洞卷积对目标图像的第一特征矩阵进行处理,空洞卷积能够 提高感受野的范围,进而能够更加准确的确定目标图像中用户感兴趣的区域, 并根据该区域进行分割,提高图像分割的准确性。
本发明实施例所提供的图像处理装置可执行本发明任意实施例所提供的图 像处理方法,具备执行方法相应的功能模块和有益效果。
实施例四
图3为本发明实施例四提供的一种计算机设备的结构示意图,如图3所示, 该计算机设备包括处理器30、存储器31、输入装置32和输出装置33;计算机 设备中处理器30的数量可以是一个或多个,图3中以一个处理器30为例;计 算机设备中的处理器30、存储器31、输入装置32和输出装置33可以通过总线 或其他方式连接,图3中以通过总线连接为例。
存储器31作为一种计算机可读存储介质,可用于存储软件程序、计算机可 执行程序以及模块,如本发明实施例中的图像处理方法对应的程序指令/模块 (例如,图像处理装置中的目标图像张量获取模块210、分割模块220和输出 模块230)。处理器30通过运行存储在存储器31中的软件程序、指令以及模块, 从而执行计算机设备的各种功能应用以及数据处理,即实现上述的图像处理方 法。
存储器31可主要包括存储程序区和存储数据区,其中,存储程序区可存储 操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用 所创建的数据等。此外,存储器31可以包括高速随机存取存储器,还可以包括 非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固 态存储器件。在一些实例中,存储器31可进一步包括相对于处理器30远程设 置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实 例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置32可用于接收输入的数字或字符信息,以及产生与计算机设备的 用户设置以及功能控制有关的键信号输入。输出装置33可包括显示屏等显示设 备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,计算机可 执行指令在由计算机处理器执行时用于执行一种图像处理法,该方法包括:
获取目标图像的目标张量数据;
将目标张量数据输入至目标神经网络模型,目标神经网络模型包括编码器、 解码器和注意力模块;
编码器用于根据目标张量数据进行降采样,得到第一特征矩阵;注意力模 块用于根据第一特征矩阵进行空洞卷积,得到第二特征矩阵;根据第二特征矩 阵确定原始注意力图;根据原始注意力图确定空洞注意力图;根据第一特征矩 阵和空洞注意力图确定第三特征矩阵;将第三特征矩阵输出值解码器;解码器 用于根据第三特征矩阵进行上采样,得到图像分割结果;
根据目标神经网络模型的输出进行目标图像的分割反馈。
在上述实施方式的基础上,注意力模块用于根据第一特征矩阵进行空洞卷 积,得到第二特征矩阵,包括:
分别根据多个空洞卷积对第一特征矩阵进行空洞卷积,得到多个第二特征 矩阵,每个空洞卷积与第二特征矩阵一一对应;
相应的,根据第二特征矩阵确定原始注意力图,包括:
根据多个第二特征矩阵进行相互的矩阵乘,得到矩阵乘结果;根据矩阵乘 结果确定原始注意力图;
相应的,根据原始注意力图确定空洞注意力图,包括:
将原始注意力图进行传递闭包运算,得到空洞注意力图;
相应的,根据第一特征矩阵和空洞注意力图确定第三特征矩阵,包括:
将第一特征矩阵与空洞注意力图相乘,得到第三特征矩阵。
在上述实施方式的基础上,获取目标图像的目标张量数据,包括:
根据预设的预处理方式对目标图像进行预处理,得到预处理图像,预处理 方式包括图像裁剪方式和图像归一化方式;
根据预处理图像确定目标张量数据。
在上述实施方式的基础上,目标图像为医疗影像图像,医疗影像图像包括: 使用计算机断层扫描的图像、核磁共振图像、高清摄像机拍摄图像。
在上述实施方式的基础上,根据目标神经网络模型的输出进行目标图像的 分割反馈,包括:
输出目标图像,根据图像分割结果确定目标图像的高亮区域。
在上述实施方式的基础上,获取目标图像的目标张量数据,包括:
对目标图像进行脱敏处理,得到脱敏图像;
根据脱敏图像确定目标图像的目标张量数据。
在上述实施方式的基础上,在将张量数据输入至目标神经网络模型之前, 还包括:
获取训练集的训练图像的训练张量数据;
根据训练张量数据对目标神经网络模型进行训练,以便优化目标神经网络 模型的网络参数。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计 算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所 提供的图像处理方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到, 本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很 多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上 或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机 软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器 (Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、 闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以 是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述搜索装置的实施例中,所包括的各个单元和模块只是 按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功 能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限 制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员 会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进 行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽 然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以 上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例, 而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取目标图像的目标张量数据;
将所述目标张量数据输入至目标神经网络模型,所述目标神经网络模型包括编码器、解码器和注意力模块;
所述编码器用于根据所述目标张量数据进行降采样,得到第一特征矩阵;所述注意力模块用于根据所述第一特征矩阵进行空洞卷积,得到第二特征矩阵;根据所述第二特征矩阵确定原始注意力图;根据所述原始注意力图确定空洞注意力图;根据所述第一特征矩阵和所述空洞注意力图确定第三特征矩阵;将所述第三特征矩阵输出值解码器;所述解码器用于根据所述第三特征矩阵进行上采样,得到图像分割结果;
根据所述目标神经网络模型的输出进行所述目标图像的分割反馈。
2.根据权利要求1所述的方法,其特征在于,所述注意力模块用于根据所述第一特征矩阵进行空洞卷积,得到第二特征矩阵,包括:
分别根据多个空洞卷积对所述第一特征矩阵进行空洞卷积,得到多个第二特征矩阵,每个所述空洞卷积与所述第二特征矩阵一一对应;
相应的,所述根据所述第二特征矩阵确定原始注意力图,包括:
根据所述多个第二特征矩阵进行相互的矩阵乘,得到矩阵乘结果;根据所述矩阵乘结果确定原始注意力图;
相应的,所述根据所述原始注意力图确定空洞注意力图,包括:
将所述原始注意力图进行传递闭包运算,得到空洞注意力图;
相应的,所述根据所述第一特征矩阵和所述空洞注意力图确定第三特征矩阵,包括:
将所述第一特征矩阵与所述空洞注意力图相乘,得到第三特征矩阵。
3.根据权利要求1所述的方法,其特征在于,获取目标图像的目标张量数据,包括:
根据预设的预处理方式对所述目标图像进行预处理,得到预处理图像,所述预处理方式包括图像裁剪方式和图像归一化方式;
根据所述预处理图像确定目标张量数据。
4.根据权利要求1所述的方法,其特征在于,所述目标图像为医疗影像图像,所述医疗影像图像包括:使用计算机断层扫描的图像、核磁共振图像、高清摄像机拍摄图像。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标神经网络模型的输出进行所述目标图像的分割反馈,包括:
输出所述目标图像,根据所述图像分割结果确定所述目标图像的高亮区域。
6.根据权利要求1所述的方法,其特征在于,获取目标图像的目标张量数据,包括:
对目标图像进行脱敏处理,得到脱敏图像;
根据所述脱敏图像确定所述目标图像的目标张量数据。
7.根据权利要求1所述的方法,其特征在于,在将所述张量数据输入至目标神经网络模型之前,还包括:
获取训练集的训练图像的训练张量数据;
根据所述训练张量数据对所述目标神经网络模型进行训练,以便优化所述目标神经网络模型的网络参数。
8.一种图像处理装置,其特征在于,包括:
目标图像张量获取模块,用于获取目标图像的目标张量数据;
分割模块,用于将所述目标张量数据输入至目标神经网络模型,所述目标神经网络模型包括编码器、解码器和注意力模块;
所述编码器用于根据所述目标张量数据进行降采样,得到第一特征矩阵;所述注意力模块用于根据所述第一特征矩阵进行空洞卷积,得到第二特征矩阵;根据所述第二特征矩阵确定原始注意力图;根据所述原始注意力图确定空洞注意力图;根据所述第一特征矩阵和所述空洞注意力图确定第三特征矩阵;将所述第三特征矩阵输出值解码器;所述解码器用于根据所述第三特征矩阵进行上采样,得到图像分割结果;
输出模块,用于根据所述目标神经网络模型的输出进行所述目标图像的分割反馈。
9.一种计算机设备,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,所述处理器执行所述程序时实现如权利要求1-7中任一所述的图像处理方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111042489.5A CN113793345B (zh) | 2021-09-07 | 2021-09-07 | 一种基于改进注意力模块的医疗影像分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111042489.5A CN113793345B (zh) | 2021-09-07 | 2021-09-07 | 一种基于改进注意力模块的医疗影像分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113793345A true CN113793345A (zh) | 2021-12-14 |
CN113793345B CN113793345B (zh) | 2023-10-31 |
Family
ID=78879628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111042489.5A Active CN113793345B (zh) | 2021-09-07 | 2021-09-07 | 一种基于改进注意力模块的医疗影像分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113793345B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681273A (zh) * | 2020-06-10 | 2020-09-18 | 创新奇智(青岛)科技有限公司 | 图像分割方法、装置、电子设备及可读存储介质 |
CN114387436A (zh) * | 2021-12-28 | 2022-04-22 | 北京安德医智科技有限公司 | 壁冠状动脉检测方法及装置、电子设备和存储介质 |
CN114565628A (zh) * | 2022-03-23 | 2022-05-31 | 中南大学 | 一种基于边界感知注意的图像分割方法及*** |
CN115731243A (zh) * | 2022-11-29 | 2023-03-03 | 北京长木谷医疗科技有限公司 | 基于人工智能及注意力机制的脊柱图像分割方法及装置 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080162036A1 (en) * | 1997-10-22 | 2008-07-03 | Intelligent Technologies International, Inc. | Vehicular Map Database Management Techniques |
WO2018036293A1 (zh) * | 2016-08-26 | 2018-03-01 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络*** |
CN109191472A (zh) * | 2018-08-28 | 2019-01-11 | 杭州电子科技大学 | 基于改进U-Net网络的胸腺细胞图像分割方法 |
CN109685813A (zh) * | 2018-12-27 | 2019-04-26 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
CN110059586A (zh) * | 2019-03-29 | 2019-07-26 | 电子科技大学 | 一种基于空洞残差注意力结构的虹膜定位分割*** |
WO2019153908A1 (zh) * | 2018-02-11 | 2019-08-15 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和*** |
US20190355102A1 (en) * | 2018-05-15 | 2019-11-21 | Adobe Inc. | Digital Image Completion by Learning Generation and Patch Matching Jointly |
US20190362199A1 (en) * | 2018-05-25 | 2019-11-28 | Adobe Inc. | Joint blur map estimation and blur desirability classification from an image |
US20200184278A1 (en) * | 2014-03-18 | 2020-06-11 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN111612807A (zh) * | 2020-05-15 | 2020-09-01 | 北京工业大学 | 一种基于尺度和边缘信息的小目标图像分割方法 |
WO2020177651A1 (zh) * | 2019-03-01 | 2020-09-10 | 华为技术有限公司 | 图像分割方法和图像处理装置 |
WO2020215985A1 (zh) * | 2019-04-22 | 2020-10-29 | 腾讯科技(深圳)有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
CN111898709A (zh) * | 2020-09-30 | 2020-11-06 | 中国人民解放军国防科技大学 | 一种图像分类方法及设备 |
CN112017198A (zh) * | 2020-10-16 | 2020-12-01 | 湖南师范大学 | 基于自注意力机制多尺度特征的右心室分割方法及装置 |
CN112017191A (zh) * | 2020-08-12 | 2020-12-01 | 西北大学 | 基于注意力机制的肝脏病理图像分割模型建立及分割方法 |
WO2020244108A1 (en) * | 2019-06-05 | 2020-12-10 | Boe Technology Group Co., Ltd. | Methods and apparatuses for semantically segmenting input image, and computer-program product |
CN112101363A (zh) * | 2020-09-02 | 2020-12-18 | 河海大学 | 基于空洞残差和注意力机制的全卷积语义分割***及方法 |
WO2021031066A1 (zh) * | 2019-08-19 | 2021-02-25 | 中国科学院深圳先进技术研究院 | 一种软骨图像分割方法、装置、可读存储介质及终端设备 |
CN112541918A (zh) * | 2020-12-23 | 2021-03-23 | 山东师范大学 | 基于自注意力机制神经网络的三维医学图像分割方法 |
US20210089807A1 (en) * | 2019-09-25 | 2021-03-25 | Samsung Electronics Co., Ltd. | System and method for boundary aware semantic segmentation |
CN112750142A (zh) * | 2021-01-26 | 2021-05-04 | 上海工程技术大学 | 基于边窗注意力机制的超声图像分割***及方法 |
GB202104506D0 (en) * | 2021-03-30 | 2021-05-12 | Ucl Business Plc | Medical Image Analysis Using Neural Networks |
-
2021
- 2021-09-07 CN CN202111042489.5A patent/CN113793345B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080162036A1 (en) * | 1997-10-22 | 2008-07-03 | Intelligent Technologies International, Inc. | Vehicular Map Database Management Techniques |
US20200184278A1 (en) * | 2014-03-18 | 2020-06-11 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
WO2018036293A1 (zh) * | 2016-08-26 | 2018-03-01 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络*** |
WO2019153908A1 (zh) * | 2018-02-11 | 2019-08-15 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和*** |
US20190355102A1 (en) * | 2018-05-15 | 2019-11-21 | Adobe Inc. | Digital Image Completion by Learning Generation and Patch Matching Jointly |
US20190362199A1 (en) * | 2018-05-25 | 2019-11-28 | Adobe Inc. | Joint blur map estimation and blur desirability classification from an image |
CN109191472A (zh) * | 2018-08-28 | 2019-01-11 | 杭州电子科技大学 | 基于改进U-Net网络的胸腺细胞图像分割方法 |
CN109685813A (zh) * | 2018-12-27 | 2019-04-26 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
WO2020177651A1 (zh) * | 2019-03-01 | 2020-09-10 | 华为技术有限公司 | 图像分割方法和图像处理装置 |
CN110059586A (zh) * | 2019-03-29 | 2019-07-26 | 电子科技大学 | 一种基于空洞残差注意力结构的虹膜定位分割*** |
WO2020215985A1 (zh) * | 2019-04-22 | 2020-10-29 | 腾讯科技(深圳)有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
WO2020244108A1 (en) * | 2019-06-05 | 2020-12-10 | Boe Technology Group Co., Ltd. | Methods and apparatuses for semantically segmenting input image, and computer-program product |
WO2021031066A1 (zh) * | 2019-08-19 | 2021-02-25 | 中国科学院深圳先进技术研究院 | 一种软骨图像分割方法、装置、可读存储介质及终端设备 |
US20210089807A1 (en) * | 2019-09-25 | 2021-03-25 | Samsung Electronics Co., Ltd. | System and method for boundary aware semantic segmentation |
CN111612807A (zh) * | 2020-05-15 | 2020-09-01 | 北京工业大学 | 一种基于尺度和边缘信息的小目标图像分割方法 |
CN112017191A (zh) * | 2020-08-12 | 2020-12-01 | 西北大学 | 基于注意力机制的肝脏病理图像分割模型建立及分割方法 |
CN112101363A (zh) * | 2020-09-02 | 2020-12-18 | 河海大学 | 基于空洞残差和注意力机制的全卷积语义分割***及方法 |
CN111898709A (zh) * | 2020-09-30 | 2020-11-06 | 中国人民解放军国防科技大学 | 一种图像分类方法及设备 |
CN112017198A (zh) * | 2020-10-16 | 2020-12-01 | 湖南师范大学 | 基于自注意力机制多尺度特征的右心室分割方法及装置 |
CN112541918A (zh) * | 2020-12-23 | 2021-03-23 | 山东师范大学 | 基于自注意力机制神经网络的三维医学图像分割方法 |
CN112750142A (zh) * | 2021-01-26 | 2021-05-04 | 上海工程技术大学 | 基于边窗注意力机制的超声图像分割***及方法 |
GB202104506D0 (en) * | 2021-03-30 | 2021-05-12 | Ucl Business Plc | Medical Image Analysis Using Neural Networks |
Non-Patent Citations (3)
Title |
---|
P. GUO, X. SU, H. ZHANG, M. WANG AND F. BAO: "A Multi-Scaled Receptive Field Learning Approach for Medical Image Segmentation", 《ICASSP 2020 - 2020 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 * |
X. MAO ET AL.: "Deep Learning with Skip Connection Attention for Choroid Layer Segmentation in OCT Images", 《2020 42ND ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE & BIOLOGY SOCIETY (EMBC)》 * |
赵引: "基于多尺度密集网络与两级残差注意力的乳腺肿瘤分割方法研究", 《CNKI优秀硕士学位论文全文库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681273A (zh) * | 2020-06-10 | 2020-09-18 | 创新奇智(青岛)科技有限公司 | 图像分割方法、装置、电子设备及可读存储介质 |
CN111681273B (zh) * | 2020-06-10 | 2023-02-03 | 创新奇智(青岛)科技有限公司 | 图像分割方法、装置、电子设备及可读存储介质 |
CN114387436A (zh) * | 2021-12-28 | 2022-04-22 | 北京安德医智科技有限公司 | 壁冠状动脉检测方法及装置、电子设备和存储介质 |
CN114565628A (zh) * | 2022-03-23 | 2022-05-31 | 中南大学 | 一种基于边界感知注意的图像分割方法及*** |
CN114565628B (zh) * | 2022-03-23 | 2022-09-13 | 中南大学 | 一种基于边界感知注意的图像分割方法及*** |
CN115731243A (zh) * | 2022-11-29 | 2023-03-03 | 北京长木谷医疗科技有限公司 | 基于人工智能及注意力机制的脊柱图像分割方法及装置 |
CN115731243B (zh) * | 2022-11-29 | 2024-02-09 | 北京长木谷医疗科技股份有限公司 | 基于人工智能及注意力机制的脊柱图像分割方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113793345B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113793345B (zh) | 一种基于改进注意力模块的医疗影像分割方法及装置 | |
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
CN110853111B (zh) | 医学影像处理***、模型训练方法及训练装置 | |
US20170004619A1 (en) | System and method for automatic pulmonary embolism detection | |
RU2667879C1 (ru) | Обработка и анализ данных на изображениях компьютерной томографии | |
EP4089640A1 (en) | Image reconstruction method, apparatus, device, system, and computer readable storage medium | |
RU2681280C2 (ru) | Процесс обработки медицинских изображений | |
CN112086197A (zh) | 基于超声医学的乳腺结节检测方法及*** | |
Yao et al. | Pneumonia Detection Using an Improved Algorithm Based on Faster R‐CNN | |
Heydarheydari et al. | Auto-segmentation of head and neck tumors in positron emission tomography images using non-local means and morphological frameworks | |
Menaouer et al. | Diabetic retinopathy classification using hybrid deep learning approach | |
Leite et al. | Etiology-based classification of brain white matter hyperintensity on magnetic resonance imaging | |
KR20190136577A (ko) | 심층 신경망을 이용하여 영상을 분류하는 방법 및 이를 이용한 장치 | |
CN116862877A (zh) | 基于卷积神经网络的扫描图像分析***及其方法 | |
CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
CN113744271A (zh) | 基于神经网络的视神经自动分割和受压迫程度测算方法 | |
CN112633404A (zh) | 基于DenseNet的COVID-19患者的CT影像分类方法及装置 | |
CN113240655A (zh) | 一种自动检测眼底图像类型的方法、存储介质及装置 | |
CN114066798B (zh) | 一种基于深度学习的脑肿瘤核磁共振影像数据合成方法 | |
CN111369564B (zh) | 一种图像处理的方法、模型训练的方法及装置 | |
Nandakumar et al. | Detection of Diabetic Retinopathy from Retinal Images Using DenseNet Models. | |
CN114359194A (zh) | 基于改进U-Net网络的多模态脑卒中梗死区域图像处理方法 | |
WO2021021430A1 (en) | System and method for region detection in tissue sections using image registration | |
UmaMaheswaran et al. | Enhanced non-contrast computed tomography images for early acute stroke detection using machine learning approach | |
CN113421274B (zh) | 一种基于ct影像的胃癌智能分期方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |