CN113793345B - 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 PDF

Info

Publication number
CN113793345B
CN113793345B CN202111042489.5A CN202111042489A CN113793345B CN 113793345 B CN113793345 B CN 113793345B CN 202111042489 A CN202111042489 A CN 202111042489A CN 113793345 B CN113793345 B CN 113793345B
Authority
CN
China
Prior art keywords
feature matrix
target
image
attention
determining
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
Application number
CN202111042489.5A
Other languages
English (en)
Other versions
CN113793345A (zh
Inventor
李郁欣
曹加旺
刘学玲
冯瑞
耿道颖
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.)
Huashan Hospital of Fudan University
Original Assignee
Huashan Hospital of Fudan University
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 Huashan Hospital of Fudan University filed Critical Huashan Hospital of Fudan University
Priority to CN202111042489.5A priority Critical patent/CN113793345B/zh
Publication of CN113793345A publication Critical patent/CN113793345A/zh
Application granted granted Critical
Publication of CN113793345B publication Critical patent/CN113793345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于改进注意力模块的医疗影像分割方法及装置
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)/>
依据图论中的“传递闭包”理论，可以根据原始注意力图得到高阶注意力矩阵计算过程如下：
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。
然后，根据传递闭包理论，对空洞注意力图进行传递闭包计算，依据下述公式三，得到高阶注意力矩阵
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 characteristic curve，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 (9)

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；
相应的，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。
2.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。
3.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。
4.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。
5.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。
6.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。
7.一种图像处理装置，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；
相应的，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。
8.一种计算机设备，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1-6中任一所述的图像处理方法。
9.一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1-6中任一所述的图像处理方法。
CN202111042489.5A 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 Active CN113793345B (zh)

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 CN113793345A (zh) 2021-12-14
CN113793345B true 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)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114387436B (zh) * 2021-12-28 2022-10-25 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
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***
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

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
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
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8209120B2 (en) * 1997-10-22 2012-06-26 American Vehicular Sciences Llc Vehicular map database management techniques
US11195057B2 (en) * 2014-03-18 2021-12-07 Z Advanced Computing, Inc. System and method for extremely efficient image and pattern recognition and artificial intelligence platform
US10755391B2 (en) * 2018-05-15 2020-08-25 Adobe Inc. Digital image completion by learning generation and patch matching jointly
US10776671B2 (en) * 2018-05-25 2020-09-15 Adobe Inc. Joint blur map estimation and blur desirability classification from an image
US11461998B2 (en) * 2019-09-25 2022-10-04 Samsung Electronics Co., Ltd. System and method for boundary aware semantic segmentation

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
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
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)

* Cited by examiner, † Cited by third party
Title
A Multi-Scaled Receptive Field Learning Approach for Medical Image Segmentation;P. Guo, X. Su, H. Zhang, M. Wang and F. Bao;《ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》;全文 *
Deep Learning with Skip Connection Attention for Choroid Layer Segmentation in OCT Images;X. Mao et al.;《2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC)》;全文 *
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;赵引;《CNKI优秀硕士学位论文全文库》;全文 *

Also Published As

Publication number Publication date
CN113793345A (zh) 2021-12-14

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
Mahapatra et al. Image super-resolution using progressive generative adversarial networks for medical image analysis
US11908580B2 (en) Image classification method, computer-readable storage medium, and computer device
US11645748B2 (en) Three-dimensional automatic location system for epileptogenic focus based on deep learning
US20190191988A1 (en) Screening method for automated detection of vision-degenerative diseases from color fundus images
WO2018120942A1 (zh) 一种多模型融合自动检测医学图像中病变的***及方法
US11449717B2 (en) System and method for identification and localization of images using triplet loss and predicted regions
KR20190136577A (ko) 심층 신경망을 이용하여 영상을 분류하는 방법 및 이를 이용한 장치
CN113240655A (zh) 一种自动检测眼底图像类型的方法、存储介质及装置
WO2023207743A1 (zh) 图像检测方法、装置、计算机设备、存储介质及程序产品
CN113782184A (zh) 一种基于面部关键点与特征预学习的脑卒中辅助评估***
WO2023047118A1 (en) A computer-implemented method of enhancing object detection in a digital image of known underlying structure, and corresponding module, data processing apparatus and computer program
CN111369564B (zh) 一种图像处理的方法、模型训练的方法及装置
CN116091522A (zh) 医学图像分割方法、装置、设备及可读存储介质
JP2020010804A (ja) 医用画像診断支援装置、プログラム及び医用画像診断支援方法
CN112862785B (zh) Cta影像数据识别方法、装置及存储介质
CN112862786B (zh) Cta影像数据处理方法、装置及存储介质
CN112967246A (zh) 用于临床决策支持***的x射线影像辅助装置及方法
CN116258717B (zh) 病灶识别方法、装置、设备和存储介质
KR102442591B1 (ko) 라벨 생성 방법, 프로그램 및 장치
CN117392468B (zh) 基于多示例学习的癌症病理图像分类***、介质及设备
CN116580446B (zh) 一种泛血管疾病虹膜特点识别方法及***
CN112862787B (zh) Cta影像数据处理方法、装置及存储介质
CN117809122B (zh) 一种颅内大血管图像的处理方法、***、电子设备及介质
Kumar Intracranial Hemorrhage Detection Using Deep Learning and Transfer Learning

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