CN114612478B - 一种基于深度学习的女性盆腔mri自动勾画*** - Google Patents
一种基于深度学习的女性盆腔mri自动勾画*** Download PDFInfo
- Publication number
- CN114612478B CN114612478B CN202210276547.9A CN202210276547A CN114612478B CN 114612478 B CN114612478 B CN 114612478B CN 202210276547 A CN202210276547 A CN 202210276547A CN 114612478 B CN114612478 B CN 114612478B
- Authority
- CN
- China
- Prior art keywords
- sketching
- module
- file
- image
- deep learning
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 210000000056 organ Anatomy 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 238000000586 desensitisation Methods 0.000 claims abstract description 4
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000001994 activation Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000003014 reinforcing effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 238000001959 radiotherapy Methods 0.000 abstract description 3
- 210000000920 organ at risk Anatomy 0.000 abstract description 2
- 206010008342 Cervix carcinoma Diseases 0.000 description 3
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 3
- 201000010881 cervical cancer Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010033128 Ovarian cancer Diseases 0.000 description 1
- 206010061535 Ovarian neoplasm Diseases 0.000 description 1
- 201000011510 cancer Diseases 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
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的女性盆腔MRI自动勾画***，包括：原始文件预处理模块，用于加载和预处理女性盆腔MRI脱敏文件，生成可读性更强的图像文件和对应的图像掩膜文件；勾画模型训练模块，利用由卷积神经网络构建的深度学习网络模型，对图像进行预处理及自动的特征编码和学习潜在特征，并通过多次迭代获取最优勾画的预测模型；自动勾画预测模块，对无对应掩膜的图像进行全自动的器官勾画预测；预测结果写入模块，将自动勾画预测模块所获取的勾画结果写入原始MRI文件中。本发明构建端到端的医学图像分割模型，提出跨越式特征抽取方法与加强特征表示，提取并整合图像特征，大大提升了分割的准确性，提升了放疗诊断过程中对危及器官的勾画效率。
Description
技术领域
本发明涉及深度学习和生物医学的技术领域，尤其是指一种基于深度学习的女性盆腔MRI自动勾画***。
背景技术
现代社会，使用医学图像对病人进行辅助的治疗，已是常态。在放射肿瘤学的诊断中，医生通过对目标靶区进行勾画，对肿瘤靶区实施高度适形的剂量分布。而这一项工作费时又费力，且不同医生的主观性会很大程度上影响勾画。如何对医学图像的进行又快又好地自动勾画，成为了一个重要的课题。
***是育龄妇女最常见的恶性肿瘤，其病发率仅次于卵巢癌，MRI在***的诊断中具有明显的效果。放射治疗作为***的主要治疗手段之一，对目标靶区和正常组织进行准确的勾画，才能给予精准的处方剂量。
目前，对医学图像自动分割的方法可分为三类：1)传统的图像分割算法，这类算法利用图像自身的纹理，像素分布等特征，直接对图像进行分割，如边缘检测法，区域生长法，阈值法，聚类法等。2)基于图论的图像分割算法，此类方法将图像当作一个无向图来处理，像素对应着图中的顶点，每两个邻接像素相连形成一条边。同时，引入S和T两个特殊顶点，S代表源点(Source)，T代表汇点(Sink)，最后利用最大流最小切割理论对图像进行分割。3)利用深度学习网络，通过预先的训练，学习图像特征并作预测。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种基于深度学习的女性盆腔MRI自动勾画***，该***提供了端到端的分割模型框架，克服了传统手动勾画的低效繁琐，同时提升对女性盆腔MRI器官的分割精度。
为实现上述目的，本发明所提供的技术方案为：一种基于深度学习的女性盆腔MRI自动勾画***，包括：
原始文件预处理模块，用于加载和预处理女性盆腔MRI脱敏文件，生成可读性更强的图像文件和对应的图像掩膜文件；
勾画模型训练模块，利用由卷积神经网络构建的深度学习网络模型，对图像进行预处理及自动的特征编码和学习潜在特征，并通过多次迭代获取最优勾画的预测模型；
自动勾画预测模块，对无对应掩膜的图像进行全自动的器官勾画预测；
预测结果写入模块，将自动勾画预测模块所获取的勾画结果写入原始MRI文件中。
进一步，所述原始文件预处理模块包括数据加载模块、数据清洗模块和数据转换模块；
所述数据加载模块从本地读取DCM格式医学MRI文件，包括原始影像数据文件和勾画文件，将两者按照基准对齐；
所述数据清洗模块将加载的文件以病例为基准，进行自动筛选，舍弃勾画不完全的部分病例；
所述数据转换模块将清洗后的数据转换为可视的图片文件，包括影像图片文件和掩码图片文件，其中掩码图片文件由医生勾画的轮廓所包围的闭合区域转换而来，将不同的器官/背景以不同的数字表示：0-背景、1-直肠、2-肛管、3-左股骨头、4-右股骨头、5-膀胱，并将影像和掩膜保存为png或jpg图片格式。
进一步，所述勾画模型训练模块具体执行以下操作：
1)预处理：根据图片的前景分布特征，以及硬件设备的存储容量，裁剪掉图片不必要的背景区域，并按照比例进行缩放，最后通过随机旋转、随机裁剪、翻转、调整对比度、添加白噪声方式进行数据的增强处理；
2)数据划分：将图片随机平均划分为5份，编号为A、B、C、D、E，取编号A的数据作为验证集，其它的作为训练集；
3)搭建网络模型：根据图像特点，搭建合适的深度学习网络模型；
4)模型训练、选择：将训练集输入深度学习网络模型进行训练，经过多次迭代选择最合适的参数，得到含有参数的预测模型MA；
5)将验证集分别替换为B、C、D、E并重复步骤3)、4)，分别得到含有参数的预测模型MB、MC、MD、ME。
进一步，所述搭建网络模型是利用深度学习网络，建模图像潜在特征，定位并分辨相同区域，包括以下步骤：
3.1)编码过程：使用编码器对每张图片进行多次编码，提取医学图像所包含的语义特征，并得到不同分辨率下的特征图，其中每一次编码操作由卷积、批归一化、非线性激活、池化过程组成；
编码过程中的特征图数量关系表示如下：
上式中，m代表特征图层，l为特征图层所在的层次，FEncode(·)表示一个编码过程，Θ为编码过程中的参数，x表示输入的原始图片，表示当前编码空间，H为原始输入图片的高度，W为原始输入图片的宽度，Cl表示特征图的数量，其中：
l
Cl＝2C0
式中，C0表示初始的特征图数量；
非线性激活过程由Relu函数f(x)来完成：
f(x)＝max(0,x)
3.2)跨越式特征抽取：跨越式特征抽取过程将编码过程的各层语义特征进行抽取并整合，通过一个全局注意力机制模块，建模不同分辨率下特征的内在联系，感受全局的上下文信息，并与解码过程中的不同分辨率特征进行结合；
3.3)解码过程：使用解码器对特征图进行多次解码，进行特征的还原与重构，其中每一次的解码操作由卷积、批归一化、非线性化、线性插值组成；
3.4)加强特征表示：在编码过程与解码过程中，加入通道注意力机制，为训练过程中的特征图自动分配不同的权重，学习通道特征之间的关系。
进一步，所述自动勾画预测模块将对无对应掩膜的图像分别输入由勾画模型训练模块获得的预测模型MA、MB、MC、MD、ME，得到5组概率矩阵，通过对概率矩阵进行加权集成，得到最终的预测结果，集成过程由以下公式表示：
其中：
上式中，i表示不同模型，i∈{MA,MB,MC,MD,ME}；j表示待分割器官的序号；Hij表示为概率矩阵的某一层，Wij表示加权系数；Dij是在第i个模型下，对序号为j的器官所计算出来的Dice系数，Dice系数是衡量真实标签与预测标签的的差异，计算方式用如下公式表示：
其中：D表示Dice系数，TP、FP、FN分别表示像素点被正确分类、误分类、漏分类的数量。
本发明与现有技术相比，具有如下优点与有益效果：
1、通过深度学习方法构建端到端的医学图像分割模型，提升了放疗诊断过程中对危及器官的勾画效率。
2、改进了传统利用深度学习分割医学图像的方法，提出跨越式特征抽取方法与加强特征表示，提取并整合图像特征，大大提升了分割的准确性。
3、将医学与计算机工程结合，有利于促进医工结合发展。
附图说明
图1为本发明***各个模块的关系示意图。
图2为本发明***训练和预测的流程图。
图3为本发明***所使用的深度学习网络结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
本实施例提供了一种基于深度学习的女性盆腔MRI自动勾画***，是使用Python语言开发在Linux***上运行的端到端的自动***。***各模块间关系如图1所示，***训练和预测的流程图如图2所示，它包括以下功能模块：
原始文件预处理模块，用于加载和预处理女性盆腔MRI脱敏文件，生成可读性更强的图像文件和对应的图像掩膜文件；
勾画模型训练模块，利用由卷积神经网络构建的深度学习网络模型，对图像进行预处理及自动的特征编码和学习潜在特征，并通过多次迭代获取最优勾画的预测模型；
自动勾画预测模块，对无对应掩膜的图像进行全自动的器官勾画预测；
预测结果写入模块，将自动勾画预测模块所获取的勾画结果写入原始MRI文件中。
所述原始文件预处理模块包括数据加载模块、数据清洗模块、数据转换模块。
所述数据加载模块从本地读取DCM格式医学MRI文件，包括原始影像数据文件和勾画文件，将两者按照基准对齐。
所述原始文件预处理模块包括数据加载模块、数据清洗模块和数据转换模块；
所述数据加载模块从本地读取DCM格式医学MRI文件，包括原始影像数据文件和勾画文件，将两者按照基准对齐；
所述数据清洗模块将加载的文件以病例为基准，进行自动筛选，舍弃勾画不完全的部分病例；
所述数据转换模块将清洗后的数据转换为可视的图片文件，包括影像图片文件和掩码图片文件，其中掩码图片文件由医生勾画的轮廓所包围的闭合区域转换而来，将不同的器官/背景以不同的数字表示：0-背景、1-直肠、2-肛管、3-左股骨头、4-右股骨头、5-膀胱，并将影像和掩膜保存为png或jpg图片格式。
所述勾画模型训练模块具体执行以下操作：
1)预处理：根据图片的前景分布特征，以及硬件设备的存储容量，裁剪掉图片不必要的背景区域，并按照比例进行缩放，最后通过随机旋转、随机裁剪、翻转、调整对比度、添加白噪声方式进行数据的增强处理；
2)数据划分：将图片随机平均划分为5份，编号为A、B、C、D、E，取编号A的数据作为验证集，其它的作为训练集；
3)搭建网络模型：根据图像特点，搭建合适的深度学习网络模型；
4)模型训练、选择：将训练集输入深度学习网络模型进行训练，经过多次迭代选择最合适的参数，得到含有参数的预测模型MA；
5)将验证集分别替换为B、C、D、E并重复步骤3)、4)，分别得到含有参数的预测模型MB、MC、MD、ME。
所述搭建网络模型步骤，如图3所示，利用深度学习网络，建模图像潜在特征，定位并分辨相同区域，包括以下步骤：
3.1)编码过程：使用编码器对每张图片进行多次编码，提取医学图像所包含的语义特征，并得到不同分辨率下的特征图，其中每一次编码操作由卷积、批归一化、非线性激活、池化过程组成；
编码过程中的特征图数量关系表示如下：
上式中，m代表特征图层，l为特征图层所在的层次，FEncode(·)表示一个编码过程，Θ为编码过程中的参数，x表示输入的原始图片，表示当前编码空间，H为原始输入图片的高度，W为原始输入图片的宽度，Cl表示特征图的数量，其中：
l
Cl＝2C0
式中，C0表示初始的特征图数量；
非线性激活过程由Relu函数f(x)来完成：
f(x)＝max(0,x)
3.2)跨越式特征抽取：跨越式特征抽取过程将编码过程的各层语义特征进行抽取并整合，通过一个全局注意力机制模块，建模不同分辨率下特征的内在联系，感受全局的上下文信息，并与解码过程中的不同分辨率特征进行结合；
3.3)解码过程：使用解码器对特征图进行多次解码，进行特征的还原与重构，其中每一次的解码操作由卷积、批归一化、非线性化、线性插值组成；
3.4)加强特征表示：在编码过程与解码过程中，加入通道注意力机制，为训练过程中的特征图自动分配不同的权重，学习通道特征之间的关系。
所述自动勾画预测模块将对无对应掩膜的图像分别输入由勾画模型训练模块获得的预测模型MA、MB、MC、MD、ME，得到5组概率矩阵，通过对概率矩阵进行加权集成，得到最终的预测结果，集成过程由以下公式表示：
其中：
上式中，i表示不同模型，i∈{MA,MB,MC,MD,ME}；j表示待分割器官的序号；Hij表示为概率矩阵的某一层，Wij表示加权系数；Dij是在第i个模型下，对序号为j的器官所计算出来的Dice系数，Dice系数是衡量真实标签与预测标签的的差异，计算方式用如下公式表示：
其中：D表示Dice系数，TP、FP、FN分别表示像素点被正确分类、误分类、漏分类的数量。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (3)
1.一种基于深度学习的女性盆腔MRI自动勾画***，其特征在于，包括：
原始文件预处理模块，用于加载和预处理女性盆腔MRI脱敏文件，生成可读性更强的图像文件和对应的图像掩膜文件；
勾画模型训练模块，利用由卷积神经网络构建的深度学习网络模型，对图像进行预处理及自动的特征编码和学习潜在特征，并通过多次迭代获取最优勾画的预测模型；
自动勾画预测模块，对无对应掩膜的图像进行全自动的器官勾画预测；
预测结果写入模块，将自动勾画预测模块所获取的勾画结果写入原始MRI文件中；
所述勾画模型训练模块具体执行以下操作：
1)预处理：根据图片的前景分布特征，以及硬件设备的存储容量，裁剪掉图片不必要的背景区域，并按照比例进行缩放，最后通过随机旋转、随机裁剪、翻转、调整对比度、添加白噪声方式进行数据的增强处理；
2)数据划分：将图片随机平均划分为5份，编号为A、B、C、D、E，取编号A的数据作为验证集，其它的作为训练集；
3)搭建网络模型：根据图像特点，搭建合适的深度学习网络模型；
4)模型训练、选择：将训练集输入深度学习网络模型进行训练，经过多次迭代选择最合适的参数，得到含有参数的预测模型MA；
5)将验证集分别替换为B、C、D、E并重复步骤3)、4)，分别得到含有参数的预测模型MB、MC、MD、ME；
所述搭建网络模型是利用深度学习网络，建模图像潜在特征，定位并分辨相同区域，包括以下步骤：
3.1)编码过程：使用编码器对每张图片进行多次编码，提取医学图像所包含的语义特征，并得到不同分辨率下的特征图，其中每一次编码操作由卷积、批归一化、非线性激活、池化过程组成；
编码过程中的特征图数量关系表示如下：
上式中，m代表特征图层，l为特征图层所在的层次，FEncode(·)表示一个编码过程，Θ为编码过程中的参数，x表示输入的原始图片，表示当前编码空间，H为原始输入图片的高度，W为原始输入图片的宽度，Cl表示特征图的数量，其中：
Cl＝2lC0
式中，C0表示初始的特征图数量；
非线性激活过程由Relu函数f(x)来完成：
f(x)＝max(0,x)
3.2)跨越式特征抽取：跨越式特征抽取过程将编码过程的各层语义特征进行抽取并整合，通过一个全局注意力机制模块，建模不同分辨率下特征的内在联系，感受全局的上下文信息，并与解码过程中的不同分辨率特征进行结合；
3.3)解码过程：使用解码器对特征图进行多次解码，进行特征的还原与重构，其中每一次的解码操作由卷积、批归一化、非线性化、线性插值组成；
3.4)加强特征表示：在编码过程与解码过程中，加入通道注意力机制，为训练过程中的特征图自动分配不同的权重，学习通道特征之间的关系。
2.根据权利要求1所述的一种基于深度学习的女性盆腔MRI自动勾画***，其特征在于：所述原始文件预处理模块包括数据加载模块、数据清洗模块和数据转换模块；
所述数据加载模块从本地读取DCM格式医学MRI文件，包括原始影像数据文件和勾画文件，将两者按照基准对齐；
所述数据清洗模块将加载的文件以病例为基准，进行自动筛选，舍弃勾画不完全的部分病例；
所述数据转换模块将清洗后的数据转换为可视的图片文件，包括影像图片文件和掩码图片文件，其中掩码图片文件由医生勾画的轮廓所包围的闭合区域转换而来，将不同的器官/背景以不同的数字表示：0-背景、1-直肠、2-肛管、3-左股骨头、4-右股骨头、5-膀胱，并将影像和掩膜保存为png或jpg图片格式。
3.根据权利要求1所述的一种基于深度学习的女性盆腔MRI自动勾画***，其特征在于：所述自动勾画预测模块将对无对应掩膜的图像分别输入由勾画模型训练模块获得的预测模型MA、MB、MC、MD、ME，得到5组概率矩阵，通过对概率矩阵进行加权集成，得到最终的预测结果，集成过程由以下公式表示：
其中：
上式中，i表示不同模型，i∈{MA,MB,MC,MD,ME}；j表示待分割器官的序号；Hij表示为概率矩阵的某一层，Wij表示加权系数；Dij是在第i个模型下，对序号为j的器官所计算出来的Dice系数，Dice系数是衡量真实标签与预测标签的差异，计算方式用如下公式表示：
其中：D表示Dice系数，TP、FP、FN分别表示像素点被正确分类、误分类、漏分类的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210276547.9A CN114612478B (zh) | 2022-03-21 | 2022-03-21 | 一种基于深度学习的女性盆腔mri自动勾画*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210276547.9A CN114612478B (zh) | 2022-03-21 | 2022-03-21 | 一种基于深度学习的女性盆腔mri自动勾画*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114612478A CN114612478A (zh) | 2022-06-10 |
| CN114612478B true CN114612478B (zh) | 2024-05-10 |
Family
ID=81864562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210276547.9A Active CN114612478B (zh) | 2022-03-21 | 2022-03-21 | 一种基于深度学习的女性盆腔mri自动勾画*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114612478B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116452614B (zh) * | 2023-06-15 | 2023-09-01 | 北京大学 | 基于深度学习的超声图像分割方法和*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
| CN111047594A (zh) * | 2019-11-06 | 2020-04-21 | 安徽医科大学 | 肿瘤mri弱监督学习分析建模方法及其模型 |
| CN114170193A (zh) * | 2021-12-10 | 2022-03-11 | 中国科学技术大学 | 一种基于深度学习的鼻咽癌靶区自动勾画方法及*** |
-
2022
- 2022-03-21 CN CN202210276547.9A patent/CN114612478B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
| CN111047594A (zh) * | 2019-11-06 | 2020-04-21 | 安徽医科大学 | 肿瘤mri弱监督学习分析建模方法及其模型 |
| CN114170193A (zh) * | 2021-12-10 | 2022-03-11 | 中国科学技术大学 | 一种基于深度学习的鼻咽癌靶区自动勾画方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 深度卷积神经网络在放射治疗计划图像分割中的应用;邓金城等;《中国医学物理学杂志》;20180625(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114612478A (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| CN113674281B (zh) | 一种基于深度形状学习的肝脏ct自动分割方法 | |
| CN110321920A (zh) | 图像分类方法、装置、计算机可读存储介质和计算机设备 | |
| CN110889853A (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
| CN111640120A (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 | |
| CN112418329A (zh) | 一种基于多尺度纹理特征融合宫颈oct图像分类方法及*** | |
| CN113674253A (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
| CN110689525A (zh) | 基于神经网络识别***的方法及装置 | |
| CN110008992B (zh) | 一种用于***癌辅助诊断的深度学习方法 | |
| CN114494296A (zh) | 一种基于Unet和Transformer相融合的脑部胶质瘤分割方法与*** | |
| CN111242956A (zh) | 基于U-Net超声胎心和胎肺深度学习联合分割方法 | |
| Skeika et al. | Convolutional neural network to detect and measure fetal skull circumference in ultrasound imaging | |
| CN112785609B (zh) | 一种基于深度学习的cbct牙齿分割方法 | |
| CN112634265B (zh) | 基于dnn的胰腺全自动分割模型的构建、分割方法及*** | |
| CN115018809A (zh) | Ct图像的靶区分割识别方法及*** | |
| CN114612478B (zh) | 一种基于深度学习的女性盆腔mri自动勾画*** | |
| CN114511554A (zh) | 一种基于深度学习的鼻咽癌靶区自动勾画方法及*** | |
| CN117058307A (zh) | 心脏三维核磁共振图像生成方法、***、设备及储存介质 | |
| CN114581474A (zh) | 一种基于***ct影像的临床靶区自动勾画方法 | |
| CN113035334B (zh) | 鼻腔nkt细胞淋巴瘤放疗靶区自动勾画方法和装置 | |
| CN114387282A (zh) | 一种医学影像器官精准自动分割方法及*** | |
| Guo et al. | Double U-Nets for image segmentation by integrating the region and boundary information | |
| CN115761226A (zh) | 一种口腔影像分割识别方法、装置、电子设备和存储介质 | |
| CN112190250B (zh) | 垂体瘤影像分类方法、***及电子设备 |
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 |