CN114298971A - 一种冠状动脉分割方法、***、终端以及存储介质 - Google Patents
一种冠状动脉分割方法、***、终端以及存储介质 Download PDFInfo
- Publication number
- CN114298971A CN114298971A CN202111394930.6A CN202111394930A CN114298971A CN 114298971 A CN114298971 A CN 114298971A CN 202111394930 A CN202111394930 A CN 202111394930A CN 114298971 A CN114298971 A CN 114298971A
- Authority
- CN
- China
- Prior art keywords
- coronary artery
- segmentation
- dimensional
- image
- skeleton
- 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
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种冠状动脉分割方法、***、终端以及存储介质。包括:利用二维卷积网络对冠状动脉图像进行初步分割,获取粗略冠状动脉分割结果,并对所述粗略冠状动脉分割结果进行三维重建;利用骨架细化算法对所述三维重建后的图像进行骨架提取,以提取的骨架点为中心在所述冠状动脉图像上截取得到感兴趣区域;利用三维卷积网络对所述感兴趣区域进行分割,并对分割结果进行多种子点增长,得到冠状动脉分割结果。本申请实施例通过骨架提取使得分割聚焦到血管区域,减少了非血管得干扰,实现冠了状动脉的自动分割,可以识别出其他网络无法识别的区域,避免了血管断连和血管缺失现象的发生,获得更好的分割效果。
Description
技术领域
本申请属于医学图像处理技术领域,特别涉及一种冠状动脉分割方法、***、终端以及存储介质。
背景技术
血管的增强和分割是一个在医学图像分析中长期存在的任务,传统的冠状动脉分割方法包括区域增长的方法、活动轮廓模型、统计模型、形状模型、粒子滤波、路径追踪等。这些传统冠状动脉分割方法都是交互式的,需要提供种子点。无需交互的冠状动脉分割方法包括水平集、图割等。然而由于冠状动脉分割被认为是一个基于体素的分类问题,上述方法可能最终会产生大量的假阳性或假阴性。
自从2016年以来,深度学习在医学图像中的应用得到了长足的发展,多种深度学习分割网络被提出,例如FCN(Fully Convolution Network,全卷积网络)、UNet、3D Unet或Res Unet等,在分割领域都获得了较传统方法更优的分割结果。然而在利用上述深度学习分割网络进行冠状动脉分割时,由于冠状动脉由极其细小的冠状结构组成,同时由于血管狭窄导致,分割区域特征不均一,分割区域极易发生血管断连和血管缺失。
发明内容
本申请提供了一种冠状动脉分割方法、***、终端以及存储介质,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种冠状动脉分割方法,包括:
利用二维卷积网络对冠状动脉图像进行初步分割,获取粗略冠状动脉分割结果,并对所述粗略冠状动脉分割结果进行三维重建;
利用骨架细化算法对所述三维重建后的图像进行骨架提取,以提取的骨架点为中心在所述冠状动脉图像上截取得到感兴趣区域;
利用三维卷积网络对所述感兴趣区域进行分割,并对分割结果进行多种子点增长,得到冠状动脉分割结果。
本申请实施例采取的技术方案还包括:所述冠状动脉图像为CTA影像。
本申请实施例采取的技术方案还包括:所述二维卷积网络以Deeplab v3+作为基础网络,所述Deeplab v3+包括空洞空间卷积池化金字塔,所述空洞空间卷积池化金字塔包括空洞卷积层、卷积层以及全局平均池化层。
本申请实施例采取的技术方案还包括:所述二维卷积网络的训练过程具体为:
所述二维卷积网络的输入为CTA影像的原始横断面,以所述原始横断面作为中心横断面,取设定数量的相连的原始横断面作为所述二维卷积网络的通道进行补充输入,以所述中心横断面作为标签进行训练。
本申请实施例采取的技术方案还包括:所述利用骨架细化算法对所述三维重建后的图像进行骨架提取具体为:
列出要移除的候选像素列表;
扫描图像,删除所述候选像素列表中的像素;
以保持图像的连通性为指标重新检查所述候选像素列表中的像素,并迭代扫描图像,直到图像停止变化。
本申请实施例采取的技术方案还包括:所述利用三维卷积网络对所述感兴趣区域进行分割,并对分割结果进行多种子点增长具体为:
将所述感兴趣区域输入三维卷积网络进行分割,并对所述三维卷积网络的分割结果进行三维重建;
根据提取的骨架去除所述三维重建后的图像的小连通区域;
以所述去除小连通区域后的骨架点作为多种子点的起始种子点,对所述三维卷积网络的分割结果进行多种子点增长,根据所述多种子点增长结果进行三维空间映射,得到冠状动脉分割结果。
本申请实施例采取的技术方案还包括:所述对所述三维卷积网络的分割结果进行多种子点增长具体为:
以多种子点为集合,将种子点的26邻域的分割结果加入到血管的集合;
以更新后的集合重复将26邻域的分割结果加入到血管的点,直至没有血管点加入,得到冠状动脉分割结果。
本申请实施例采取的另一技术方案为:一种冠状动脉分割***,包括:
二维分割模块:用于利用二维卷积网络对冠状动脉图像进行初步分割,获取粗略冠状动脉分割结果,并对所述粗略冠状动脉分割结果进行三维重建;
骨架提取模块:用于利用骨架细化算法对所述三维重建后的图像进行骨架提取,以提取的骨架点为中心在所述冠状动脉图像上截取得到感兴趣区域;
三维分割模块:用于利用三维卷积网络对所述感兴趣区域进行分割,并对分割结果进行多种子点增长,得到冠状动脉分割结果。
本申请实施例采取的又一技术方案为:一种终端,所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现所述冠状动脉分割方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制冠状动脉分割。
本申请实施例采取的又一技术方案为:一种存储介质,存储有处理器可运行的程序指令,所述程序指令用于执行所述冠状动脉分割方法。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的冠状动脉分割方法、***、终端以及存储介质使用二维卷积网络和三维卷积神经网络相结合的方法进行冠状动脉分割,首先使用二维卷积网络进行粗分割,并分割结果提取骨架,使得分割聚焦到血管区域,减少了非血管得干扰,然后利用三维卷积网络以骨架点为中心进行冠状动脉分割。本申请实施例实现冠了状动脉的自动分割,可以识别出其他网络无法识别的区域,避免了血管断连和血管缺失现象的发生,从而获得更好的分割效果。
附图说明
图1是本申请实施例的冠状动脉分割方法的流程图;
图2所示为本申请实施例的冠状动脉分割网络结构示意图;
图3为本申请实施例的3D Unet在训练集和测试集上Loss和DSC(Dice SimilarityCoefficient,Dice相似系数)随训练轮次的变化曲线图;
图4为标签、3D Unet、Res Unet和本申请实施例的分割结果在CTA横断面上的分割效果示意图
图5为标签、3D Unet、Res Unet和本申请实施例的分割结果的3D重建结果示意图;
图6为本申请实施例的冠状动脉分割***结构示意图;
图7为本申请实施例的终端结构示意图;
图8为本申请实施例的存储介质的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
针对现有技术的不足,本申请实施例的冠状动脉分割方法使用二维卷积网络和三维卷积神经网络相结合的方法进行冠状动脉分割,首先结合二维卷积网络得到一个粗略分割结果,然后对粗略分割结果进行骨架提取,最后以骨架点为中心划分区域并使用三维卷积网络进行冠状动脉分割,从而减少非血管区域的干扰,可以直接提取出更多的血管区域。
具体地,请参阅图1,是本申请实施例的冠状动脉分割方法的流程图。本申请实施例的冠状动脉分割方法包括以下步骤:
S1:获取冠状动脉图像;
本步骤中,冠状动脉图像为CTA(CT angiography,CT血管图像)影像。
S2:使用二维卷积网络对冠状动脉图像进行初步分割,获取粗略冠状动脉分割结果,并对粗略冠状动脉分割结果进行三维重建;
本步骤中,二维卷积网络的输入为CTA影像的原始横断面,输入图像的数据大小为[512 512]。如图2所示,为本申请实施的冠状动脉分割网络结构示意图。为了尽可能多的利用二维平面信息,本申请实施例中的二维卷积网络以网络深度较深感受野较大的、以resnet框架为backbone(骨干网络)的Deeplab v3+作为基础网络,同时Deeplab v3+还包括针对多尺度信息进行优化改进的ASPP(Atrous Spatial Pyramid Pooling,空洞空间卷积池化金字塔)模块,改进后的ASPP模块包括3×3的空洞卷积层、1×1的卷积层以及全局平均池化层,其中空洞卷积层的空洞率分别为12、24、38。通过3个空洞卷积层、1个1×1的卷积层以及全局平均池化层得到5个输出结果,将5个输出结果进行连接,最后通过一个1×1的卷积层减少通道数。
对ASPP模块得到的特征图使用双线性插值,经过一个3×3卷积计算,将计算后的结果与resnet的第一个block的结果拼接,再经过一个3×3的卷积层计算,最后将计算结果双线性插值为输入图片的形状,经过卷积得到预测结果。假设已知***点坐标(x,y),需要求插值点的值f(x,y)。已知***点距离最近的4个坐标点(x1,y1),(x2,y2),(x3,y3),(x4,y4)的值,则可由以下公式计算得到插值点的值:
本申请实施例中,二维卷积网络的目的是尽可能准确的识别出冠状动脉,因此使用加权交叉熵损失作为二维卷积网络的损失函数,加权比例为背景与前景的比值。为了弥补二维卷积网络在三维空间中的信息缺失,本申请实施以CTA影像的原始横断面作为中心横断面,取设定数量的相连的CT横断面作为二维卷积网络的通道进行补充输入,以中心横断面作为标签进行模型训练。由于补充信息太多反而会与预测区域差距过大而妨碍分割,本申请实施例取作为通道补充的原始横断面数量为三张。原始的Deeplab v3+网络的敏感性为0.725,经过本申请实施例的改进后敏感性为0.937,识别的血管变多。
本步骤中,三维重建方式具体为:将每一帧CT横断面的分割结果进行逐帧组合,得到三维重建后的图像。
S3:利用骨架细化算法对三维重建后的图像进行骨架提取,以骨架点为中心在CTA图像上截取设定大小的区域作为感兴趣区域;
本步骤中,感兴趣区域的大小设定为[32,64,64]。每个感兴趣区域中血管所占最大立方体平均为整个感兴趣区域的38.3%,最大占据比例为87.98%,最小为0%,使得每个感兴趣区域既包括一定的背景信息有助于识别,同时又不会出现部分血管没有进行分割的现象。骨架提取过程为:首先列出要移除的候选像素列表,扫描图像,并删除候选像素列表中的像素,然后以保持图像的连通性为指标重新检查候选像素列表中的像素,并迭代扫描图像,直到图像停止变化。本申请实施例通过骨架提取,使得分割聚焦到血管区域,减少了非血管区域得干扰,有助于识别出难以识别的血管区域。
S4:将感兴趣区域输入三维卷积网络进行分割,将分割结果进行三维重建,并根据提取的骨架去除重建图像的小连通区域;
本步骤中,在网络训练阶段,使用骨架细化算法提取输入图像的骨架标签,在骨架点集中以1为间距提取骨架点,以骨架点为裁剪中心从输入图像中裁剪出大小为[32 6464]的块,并将裁剪块加入分割区域进行冠状动脉分割。本申请实施例中,三维卷积网络的损失函数Dice为损失函数。
由于扩大剪裁块的大小可以增大远离剪裁中心的特征点的有效感受,而使用大小为[32 64 64]裁剪块会对预测效果产生影响,因此,在模型测试阶段,将裁剪块的大小设定为[62 128 128]。具体如图3所示,为本申请实施例的3D Unet在训练集和测试集上Loss和DSC(Dice Similarity Coefficient,Dice相似系数)随训练轮次的变化曲线。
本申请实施例中,小连通区域的去除标准为:在骨架区域中以26邻域为连通方式,连通的骨架像素点小于280个的骨架对象。
S5:以去除小连通区域后的骨架点做为多种子点的起始种子点,对三维卷积网络的分割结果进行多种子点增长,根据多种子点增长结果进行三维空间映射,得到最终的冠状动脉分割结果;
本步骤中,多种子点的增长方法为:以多种子点为集合,将种子点的26邻域的分割结果加入到血管的集合,再以更新后的集合重复加入26邻域的分割结果为血管的点,直至没有血管点加入。最后的集合即为最终的冠状动脉分割结果。
为了进一步验证本申请实施例的可行性和有效性,在以下实施例中进行了实验,为了评估方法的表现,本实验使用模型评价指标包括Dice相似系数(Dice SimilarityCoefficient,DSC)、敏感性、ROC曲线下方的面积(Area under the Curve of ROC,AUC)以及豪斯多夫距离(Hausdorff Distance,HD),各个评价指标的计算公式如下:
HD(A,B)=max(h(A,B),h(B,A) (4)
其中,TP、FP、FN分别是真阳性(标记为前景预测为背景)、假阳性(标记为背景预测为前景)和假阴性(标记为前景预测为背景)的体素数目;HD描述两组点集之间相似程度的一种量度,它是两个点集之间距离的一种定义形式。假设有两个点集A、B,h(A,B)和h(B,A)分别描述从A点集到B点集和从B点集到A点集的单向豪斯多夫距离。||||表示点集A到点集B的距离范式,本文使用的欧式距离。HD描述的每个点集中到另一个点集的最小距离的最大值,为了防止极端情况的发生一般选用HD95作为指标,指的是不选用最小距离的最大值而是选用最小距离排序后的第0.95位置的最小距离为指标。
如图4所示,为标签、3D Unet、Res Unet和本申请实施例的分割结果在CTA横断面上的分割效果示意图,每一行为一个CT横断面,(a)为标签的分割效果,(b)为3D Unet后处理去掉杂质后的分割效果,(c)为Res Unet后处理去掉杂质后的分割效果,(d)为本申请实施例的分割效果。
图5所示为标签、3D Unet、Res Unet和本申请实施例的分割结果的3D重建结果示意图,其中,(a)为标签的三维重建结果,(b)为3D Unet后处理去掉杂质后的分割结果的三维重建结果,(c)为Res Unet后处理去掉杂质后的分割结果的三维重建结果,(d)为利用本申请实施例的分割结果的三维重建结果。箭头指向的是本申请实施例相对于3D Unet、ResUnet多识别出来的冠状动脉。实验结果表明,相对于3D Unet和Res Unet,本申请实施例可以识别出许多其他网络无法识别的冠状动脉,在一定程度上解决了断连和血管缺失的问题。
基于上述,本申请实施例的冠状动脉分割方法使用二维卷积网络和三维卷积神经网络相结合的方法进行冠状动脉分割,首先使用二维卷积网络进行粗分割,并分割结果提取骨架,使得分割聚焦到血管区域,减少了非血管得干扰,然后利用三维卷积网络以骨架点为中心进行冠状动脉分割。本申请实施例实现冠了状动脉的自动分割,并可以识别出其他网络无法识别的区域,避免了血管断连和血管缺失现象的发生,从而获得更好的分割效果。
请参阅图6,为本申请实施例的冠状动脉分割***结构示意图。本申请实施例的冠状动脉分割***40包括:
二维分割模块41:用于利用二维卷积网络对冠状动脉图像进行初步分割,获取粗略冠状动脉分割结果,并对所述粗略冠状动脉分割结果进行三维重建;
骨架提取模块42:用于利用骨架细化算法对所述三维重建后的图像进行骨架提取,以提取的骨架点为中心在所述冠状动脉图像上截取得到感兴趣区域;
三维分割模块43:用于利用三维卷积网络对所述感兴趣区域进行分割,并对分割结果进行多种子点增长,得到冠状动脉分割结果。
请参阅图7,为本申请实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述冠状动脉分割方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制冠状动脉分割。
其中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图8,为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件61,其中,该程序文件61可以以软件产品的形式存储在上述存储介质中,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)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种冠状动脉分割方法,其特征在于,包括:
利用二维卷积网络对冠状动脉图像进行初步分割,获取粗略冠状动脉分割结果,并对所述粗略冠状动脉分割结果进行三维重建;
利用骨架细化算法对所述三维重建后的图像进行骨架提取,以提取的骨架点为中心在所述冠状动脉图像上截取得到感兴趣区域;
利用三维卷积网络对所述感兴趣区域进行分割,并对分割结果进行多种子点增长,得到冠状动脉分割结果。
2.根据权利要求1所述的冠状动脉分割方法,其特征在于,所述冠状动脉图像为CTA影像。
3.根据权利要求2所述的冠状动脉分割方法,其特征在于,所述二维卷积网络以Deeplab v3+作为基础网络,所述Deeplab v3+包括空洞空间卷积池化金字塔,所述空洞空间卷积池化金字塔包括空洞卷积层、卷积层以及全局平均池化层。
4.根据权利要求3所述的冠状动脉分割方法,其特征在于,所述二维卷积网络的训练过程具体为:
所述二维卷积网络的输入为CTA影像的原始横断面,以所述原始横断面作为中心横断面,取设定数量的相连的原始横断面作为所述二维卷积网络的通道进行补充输入,以所述中心横断面作为标签进行训练。
5.根据权利要求1至4任一项所述的冠状动脉分割方法,其特征在于,所述利用骨架细化算法对所述三维重建后的图像进行骨架提取具体为:
列出要移除的候选像素列表;
扫描图像,删除所述候选像素列表中的像素;
以保持图像的连通性为指标重新检查所述候选像素列表中的像素,并迭代扫描图像,直到图像停止变化。
6.根据权利要求5所述的冠状动脉分割方法,其特征在于,所述利用三维卷积网络对所述感兴趣区域进行分割,并对分割结果进行多种子点增长具体为:
将所述感兴趣区域输入三维卷积网络进行分割,并对所述三维卷积网络的分割结果进行三维重建;
根据提取的骨架去除所述三维重建后的图像的小连通区域;
以所述去除小连通区域后的骨架点作为多种子点的起始种子点,对所述三维卷积网络的分割结果进行多种子点增长,根据所述多种子点增长结果进行三维空间映射,得到冠状动脉分割结果。
7.根据权利要求6所述的冠状动脉分割方法,其特征在于,所述对所述三维卷积网络的分割结果进行多种子点增长具体为:
以多种子点为集合,将种子点的26邻域的分割结果加入到血管的集合;
以更新后的集合重复将26邻域的分割结果加入到血管的点,直至没有血管点加入,得到冠状动脉分割结果。
8.一种冠状动脉分割***,其特征在于,包括:
二维分割模块:用于利用二维卷积网络对冠状动脉图像进行初步分割,获取粗略冠状动脉分割结果,并对所述粗略冠状动脉分割结果进行三维重建;
骨架提取模块:用于利用骨架细化算法对所述三维重建后的图像进行骨架提取,以提取的骨架点为中心在所述冠状动脉图像上截取得到感兴趣区域;
三维分割模块:用于利用三维卷积网络对所述感兴趣区域进行分割,并对分割结果进行多种子点增长,得到冠状动脉分割结果。
9.一种终端,其特征在于,所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现权利要求1-7任一项所述的冠状动脉分割方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制冠状动脉分割。
10.一种存储介质,其特征在于,存储有处理器可运行的程序指令,所述程序指令用于执行权利要求1至7任一项所述冠状动脉分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111394930.6A CN114298971A (zh) | 2021-11-23 | 2021-11-23 | 一种冠状动脉分割方法、***、终端以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111394930.6A CN114298971A (zh) | 2021-11-23 | 2021-11-23 | 一种冠状动脉分割方法、***、终端以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298971A true CN114298971A (zh) | 2022-04-08 |
Family
ID=80966334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111394930.6A Pending CN114298971A (zh) | 2021-11-23 | 2021-11-23 | 一种冠状动脉分割方法、***、终端以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298971A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115810015A (zh) * | 2023-02-09 | 2023-03-17 | 慧影医疗科技(北京)股份有限公司 | 基于深度学习的膝关节自动分割方法、***、介质及设备 |
WO2023232137A1 (zh) * | 2022-06-02 | 2023-12-07 | 北京阅影科技有限公司 | 图像处理模型的训练方法、图像处理方法及装置 |
CN117934522A (zh) * | 2024-03-25 | 2024-04-26 | 江西师范大学 | 一种两阶段冠状动脉图像分割方法、***及计算机设备 |
-
2021
- 2021-11-23 CN CN202111394930.6A patent/CN114298971A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023232137A1 (zh) * | 2022-06-02 | 2023-12-07 | 北京阅影科技有限公司 | 图像处理模型的训练方法、图像处理方法及装置 |
CN115810015A (zh) * | 2023-02-09 | 2023-03-17 | 慧影医疗科技(北京)股份有限公司 | 基于深度学习的膝关节自动分割方法、***、介质及设备 |
CN117934522A (zh) * | 2024-03-25 | 2024-04-26 | 江西师范大学 | 一种两阶段冠状动脉图像分割方法、***及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445478B (zh) | 一种用于cta图像的颅内动脉瘤区域自动检测***和检测方法 | |
CN110033410B (zh) | 图像重建模型训练方法、图像超分辨率重建方法及装置 | |
CN109410219B (zh) | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN110599500B (zh) | 一种基于级联全卷积网络的肝脏ct图像的肿瘤区域分割方法及*** | |
CN111160214B (zh) | 一种基于数据融合的3d目标检测方法 | |
US20110007933A1 (en) | 3D Image Processing | |
CN114298971A (zh) | 一种冠状动脉分割方法、***、终端以及存储介质 | |
CN113436211A (zh) | 一种基于深度学习的医学图像活动轮廓分割方法 | |
CN110866938B (zh) | 一种全自动视频运动目标分割方法 | |
CN111369567B (zh) | 三维图像中目标对象的分割方法、装置及电子设备 | |
CN114238904B (zh) | 身份识别方法、双通道超分模型的训练方法及装置 | |
WO2021114870A1 (zh) | 视差估计***、方法、电子设备及计算机可读存储介质 | |
CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN115410030A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN113159236A (zh) | 基于多尺度变换的多聚焦图像融合方法及装置 | |
Chen et al. | Single depth image super-resolution using convolutional neural networks | |
CN113421240A (zh) | 一种基于超声自动乳腺全容积成像的乳腺分类方法及装置 | |
Pan et al. | Multi-stage feature pyramid stereo network-based disparity estimation approach for two to three-dimensional video conversion | |
Jian et al. | Dual-branch-UNnet: A dual-branch convolutional neural network for medical image segmentation | |
CN113313728B (zh) | 一种颅内动脉分割方法及*** | |
CN114494230A (zh) | 乳腺病灶分割装置、模型训练方法及电子设备 | |
CN113570573A (zh) | 混合注意力机制的肺结节假阳性排除方法、***、设备 | |
CN113052849A (zh) | 腹部组织图像自动分割方法及*** |
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 |