CN114648540A - 一种基于MECAU-Net网络的医学图像分割方法 - Google Patents
一种基于MECAU-Net网络的医学图像分割方法 Download PDFInfo
- Publication number
- CN114648540A CN114648540A CN202210291492.9A CN202210291492A CN114648540A CN 114648540 A CN114648540 A CN 114648540A CN 202210291492 A CN202210291492 A CN 202210291492A CN 114648540 A CN114648540 A CN 114648540A
- Authority
- CN
- China
- Prior art keywords
- convolution
- medical image
- mecau
- information
- module
- 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
- 238000003709 image segmentation Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000011176 pooling Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 15
- 238000004364 calculation method Methods 0.000 abstract description 12
- 239000000284 extract Substances 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于MECAU‑Net网络的医学图像分割方法,包括:在MECAU‑Net网络的编码端采用2×2偶数卷积模块对导入的医学图像进行特征提取;构建与2×2偶数卷积模块平行的4×4偶数卷积通路,采用4×4偶数卷积核对图像信息进行提取,并且将提取得到的信息直接传递给编码网络的主干部分,以融合不同感受野内的特征信息;在每一层对待分割的特征图进行对称填充,再将获取到的信息通过拼接的方式传递给对应的主体网络进行下一步池化,在消除偶数卷积导致的像素偏移的同时扩展偶数卷积核的感受野。本发明能够在提取更丰富的信息的同时几乎不增加额外开销,利用尽可能少的计算开销得到更好的分割结果。
Description
技术领域
本发明属于图像分割技术领域,具体而言涉及一种基于MECAU-Net网络的医学图像分割方法和***。
背景技术
深度学习在图像分类、语义分割和目标检测等许多场景都实现了非常成功的应用。医学图像分割以其独特的应用场景受到研究者的广泛关注,其数据需要专业人士进行标注,数据集的获取相对困难,提升了医学图像分割的难度。随着深度学习的迅猛发展,研究者设计了各种网络来提高医学图像分割的性能。Ronneberger等提出U-Net网络,首次使用U型网络结构对医学图像进行分割,取得了很好的性能,其特有的U型结构很好的传递了提取的特征信息,非常适合小数据集的医学图像分割。
为了进一步提高分割性能,研究者相继提出了一些U-Net网络的改进网络,这些改进网络主要通过增加参数和计算量获得更深更宽的网络来增强特征提取能力。但U-Net网络的主要特点是轻量级网络,而现有改进的U-Net大都是通过加宽加深网络来获得更好的分割性能,这些网络对内存的高要求和高的计算量严重限制了深度学习在医学图像分割领域的应用。如何在保持令人满意的分割性能的同时减少所需计算资源成为研究者新的关注点。
专利号为CN113920108A的发明公开了一种对用于处理细胞图像的U-Net模型进行训练的训练方法,该训练方法基于预先获得的标注细胞图像数据集对U-Net模型进行训练,经过训练的U-Net模型能够对细胞图像进行准确分割,分割后的轮廓边缘清晰,有效提高了对细胞图像,尤其是混合种类细胞图像进行分割和/或计数的准确性,有效解决了现有技术中存在的图像标注成本高、细胞图像分割困难以及细胞计数操作复杂等难题。但该发明并不涉及减少计算资源的技术问题。
专利号为CN113902630A的发明中公开了一种基于多尺度纹理特征分支的生成对抗网络图像修复方法,构建包含缺失区域的待修复图像与真实图像对数据集;构建基于多尺度纹理特征分支的生成对抗网络模型;对所述基于多尺度纹理特征分支的生成对抗网络模型进行训练,获得最优的生成对抗网络模型;将包含缺失区域的待修复图像输入到最优的生成器网络模型中,输出最终的修复结果图像。该发明针对图像不规则随机缺失和大面积缺失情况都能得到较好的修复效果,修复图像具有较好的结构和纹理特征。同样,该发明也并不涉及减少计算资源的技术问题。
发明内容
解决的技术问题:如何利用尽可能少的计算开销得到更好的分割结果。
技术方案:
一种基于MECAU-Net网络的医学图像分割方法,所述医学图像分割方法包括以下步骤:
在MECAU-Net网络的编码端采用2×2偶数卷积模块对导入的医学图像进行特征提取;同时,基于多尺度融合技术,在编码端构建与2×2偶数卷积模块平行的4×4偶数卷积通路,采用4×4偶数卷积核对图像信息进行提取,并且将提取得到的信息直接传递给编码网络的主干部分,以融合不同感受野内的特征信息;
其中,在每一层对待分割的特征图进行对称填充,再将获取到的信息通过拼接的方式传递给对应的主体网络进行下一步池化,在消除偶数卷积导致的像素偏移的同时扩展偶数卷积核的感受野。
进一步地,所述MECAU-Net网络从上至下设置有5层卷积。
进一步地,所述医学图像分割方法还包括:
在MECAU-Net网络的编码端2×2偶数卷积模块后嵌入了CBAM注意力模块,沿通道和空间两个不同维度依次推断注意力图,将注意力图和特征图融合后得到最后的结果。
基于前述方法,本发明还提及一种基于MECAU-Net网络的医学图像分割***,所述医学图像分割***包括输入模块、编码端、多尺度融合模块、主干部分和输出模块;
所述输入模块用于导入医学图像;
所述编码端包括依次连接的5层2×2偶数卷积模块,用于对导入的医学图像进行特征提取;
所述多尺度融合模块包括与2×2偶数卷积模块平行的5层4×4偶数卷积通路;每层4×4偶数卷积核对图像信息进行提取,并且将提取得到的信息与对应层的2×2偶数卷积模块提取到的特征信息融合后,直接传递给编码网络的主干部分,以融合不同感受野内的特征信息;其中,在每一层对待分割的特征图进行对称填充,再将获取到的信息通过拼接的方式传递给对应的主体网络进行下一步池化,在消除偶数卷积导致的像素偏移的同时扩展偶数卷积核的感受野;
所述输出模块用于输出经过多尺度融合的特征图。
进一步地,所述医学图像分割***还包括5层CBAM注意力模块;5层CBAM注意力模块一一对应地嵌入在5层2×2偶数卷积模块之后,沿通道和空间两个不同维度依次推断注意力图,将注意力图和特征图融合后得到最后的结果。
本发明还提及一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如前所述的基于MECAU-Net网络的医学图像分割方法。
本发明还提及一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如前所述的基于MECAU-Net网络的医学图像分割方法。
有益效果:
本发明在延用U-Net网络的U形结构的基础上,对编码端做出了一定的改进,包括:首先,在编码端采用2×2偶数卷积代替原U-Net网络的3×3卷积进行特征提取;其次,借鉴多尺度思想,在编码端,采用4×4偶数卷积将得到的信息直接传递给主干部分,以获取更全面的图像信息并减少额外计算开销;再者,在编码端采用对称填充解决偶数卷积提取信息过程中产生的偏移问题;最后,对U-Net网络的编码端做进一步优化,即在2×2偶数卷积模块后加入卷积块内注意力模块,结合空间和通道注意力,在提取更丰富的信息的同时几乎不增加额外开销。本发明的效果是能够利用尽可能少的计算开销得到更好的分割结果。
附图说明
图1为本发明实施例的基于MECAU-Net网络的医学图像分割方法流程图。
图2为本发明实施例的基于MECAU-Net网络的医学图像分割***的结构示意图。
图3为相关网络在DRIVE、ISBI2012、CHAOS数据集上的视觉对比效果示意图。
图4为相关网络在DRIVE、ISBI2012、CHAOS数据集上的数据对比结果示意图。
具体实施方式
下面的实施例可使本专业技术人员更全面地理解本发明,但不以任何方式限制本发明。
图2为本发明实施例的基于MECAU-Net网络的医学图像分割***的结构示意图。
如图1和图2所示,本发明实施例提出了一种新的多尺度偶数卷积注意力U-Net(Multiscale Even Convolution Attention U-Net,MECAU-Net)网络,该网络是在U-Net网络的U形结构的基础上提出的。该网络不仅以满足医学图像分割精度需求为目的,还格外关注如何以尽量低的计算开销构建出一个高精度的轻量级分割网络。MECAU-Net网络从上到下共五层,网络主体在延用U-Net网络的U形结构的基础上,主要对编码端做出了一定的改进,解码端仍然采用U-Net结构的原始的解码结构,从而提出了一种新的基于MECAU-Net网络的医学图像分割方法。其中,解码端的改进内容主要包括:首先,在编码端采用2×2偶数卷积代替原U-Net网络的3×3卷积进行特征提取;其次,借鉴多尺度思想,采用4×4偶数卷积将得到的信息直接传递给主干部分,以获取更全面的图像信息并减少额外计算开销;再者,采用对称填充解决偶数卷积提取信息过程中产生的偏移问题;最后,对U-Net网络的编码部分做进一步优化,即在2×2偶数卷积模块后加入卷积块内注意力模块,结合空间和通道注意力,在提取更丰富的信息的同时几乎不增加额外开销。本发明的效果是能够利用尽可能少的计算开销得到更好的分割结果。
其中,上述所述的多尺度偶数卷积的介绍如下:
采用更小的卷积核对降低计算量非常有帮助,但1×1的卷积核几乎没办法提取出像素的位置信息,所以采用2×2偶数卷积核对图像信息进行提取,在保持感受野的同时降低参数量。采用2×2卷积代替3×3卷积,提取图像中的信息,卷积核变小,从而降低卷积部分需要的大量计算开销,以此来降低卷积部分的参数量。此外,为了避免像素偏移问题,提出的网络为解决偶数卷积产生的像素偏移,使用对称填充的方法解决偏移的堆叠问题,在消除了偶数卷积带来的像素偏移的同时扩大感受野;多尺度特征融合通常可以给网络带来更好的性能,常见的多尺度特征融合是在3×3卷积的网络中引入5×5卷积,以此来获得更大感受野内的图像信息,但是多尺度特征融合会在网络中引入过多的参数和复杂度。考虑到参数增长的问题,在分割网络的主体部分以外的编码部分采用新增一层4×4偶数卷积编码网络的方法,利用额外的分支单独对图像信息进行提取,将得到的信息直接传递给编码网络的主体部分,在更大感受野内提取特征信息,融合不同感受野内的特征信息,以保证在获取更全面的图像信息的同时减少额外计算开销。采用更大尺度的4×4偶数卷积核对图像信息进行提取,同时为了避免偶数卷积核带来的像素偏移问题,在每一层对待分割的特征图进行对称填充,再将获取到的信息通过拼接的方式传递给对应的主体网络进行下一步池化。MECAU-Net网络的编码端采用对称填充解决偶数卷积提取信息过程中产生的偏移问题,即为了解决偶数卷积核带来的像素偏移问题,借鉴偶数卷积对称填充的思想,在卷积之前对图像特征进行对称填充,在消除偏移的同时扩展了偶数卷积核的感受野,从而达到降低参数的同时取得相当甚至更好性能的目的。
其中,上述所述的CBAM注意力模块的介绍如下:
为了更有效的分割出医学图像中的目标区域,采用在2×2偶数卷积模块后嵌入了CBAM注意力模块,CBAM注意力模块会沿通道和空间两个不同维度依次推断注意力图,然后将注意力图和特征图融合后得到最后的结果。通过增加CBAM注意力模块来关注有用的特征信息,在提取更丰富的信息的同时几乎不增加额外开销。
最后,为了评估本实施例提出的医学图像分割方法,选择DRIVE、ISBI2012、CHAOS数据集来展示其实验效果。对这三个数据集,在每个网络的分割结果中各挑选两张图像,作为实验结果对比进行展示。如图3所示,为MECAU-Net与其他网络对比的结果,从视觉角度证明,编码部分的改进是非常有效果的,分割性能有了明显提升,提取的细节信息更完整。如图4所示,MECAU-Net与其他网络对比的具体衡量指标,除了常见的性能指标外,为了证明MECAU-Net在网络参数量方面的独特优势,还加入了参数量作为衡量指标,从量化角度证明基于改进的U-Net医学图像分割方法,增加了多尺度偶数卷积和CBAM注意力模块的MECAU-Net医学图像分割方法,不仅在医学图像分割的精度上具有明显的优势,其在参数量上的表现更加突出。
本发明针对现有U-Net技术中的不足,在U-Net网络的U形结构的基础上,提出了一种新的多尺度偶数卷积注意力U-Net(Multiscale Even Convolution Attention U-Net,MECAU-Net)网络。该网络不仅以满足医学图像分割精度需求为目的,还格外关注如何以尽量低的计算开销构建出一个高精度的轻量级分割网络。MECAU-Net网络从上到下共五层,网络主体在延用U-Net网络的U形结构的基础上,主要对编码端做出了一定的改进,解码端仍然采用U-Net结构的原始的解码结构,从而提出了一种新的基于MECAU-Net网络的医学图像分割方法。其中,解码端的改进内容主要包括:首先,在编码端采用2×2偶数卷积代替原U-Net网络的3×3卷积进行特征提取;其次,借鉴多尺度思想,采用4×4偶数卷积将得到的信息直接传递给主干部分,以获取更全面的图像信息并减少额外计算开销;再者,采用对称填充解决偶数卷积提取信息过程中产生的偏移问题;最后,对U-Net网络的编码部分做进一步优化,即在2×2偶数卷积模块后加入卷积块内注意力模块,结合空间和通道注意力,在提取更丰富的信息的同时几乎不增加额外开销。本发明的效果是能够利用尽可能少的计算开销得到更好的分割结果。
Claims (7)
1.一种基于MECAU-Net网络的医学图像分割方法,其特征在于,所述医学图像分割方法包括以下步骤:
在MECAU-Net网络的编码端采用2×2偶数卷积模块对导入的医学图像进行特征提取;同时,基于多尺度融合技术,在编码端构建与2×2偶数卷积模块平行的4×4偶数卷积通路,采用4×4偶数卷积核对图像信息进行提取,并且将提取得到的信息直接传递给编码网络的主干部分,以融合不同感受野内的特征信息;
其中,在每一层对待分割的特征图进行对称填充,再将获取到的信息通过拼接的方式传递给对应的主体网络进行下一步池化,在消除偶数卷积导致的像素偏移的同时扩展偶数卷积核的感受野。
2.根据权利要求1所述的基于MECAU-Net网络的医学图像分割方法,其特征在于,所述MECAU-Net网络从上至下设置有5层卷积。
3.根据权利要求1所述的基于MECAU-Net网络的医学图像分割方法,其特征在于,所述医学图像分割方法还包括:
在MECAU-Net网络的编码端2×2偶数卷积模块后嵌入了CBAM注意力模块,沿通道和空间两个不同维度依次推断注意力图,将注意力图和特征图融合后得到最后的结果。
4.一种基于权利要求1-3任一项中所述方法的基于MECAU-Net网络的医学图像分割***,其特征在于,所述医学图像分割***包括输入模块、编码端、多尺度融合模块、主干部分和输出模块;
所述输入模块用于导入医学图像;
所述编码端包括依次连接的5层2×2偶数卷积模块,用于对导入的医学图像进行特征提取;
所述多尺度融合模块包括与2×2偶数卷积模块平行的5层4×4偶数卷积通路;每层4×4偶数卷积核对图像信息进行提取,并且将提取得到的信息与对应层的2×2偶数卷积模块提取到的特征信息融合后,直接传递给编码网络的主干部分,以融合不同感受野内的特征信息;其中,在每一层对待分割的特征图进行对称填充,再将获取到的信息通过拼接的方式传递给对应的主体网络进行下一步池化,在消除偶数卷积导致的像素偏移的同时扩展偶数卷积核的感受野;
所述输出模块用于输出经过多尺度融合的特征图。
5.根据权利要求4所述的基于MECAU-Net网络的医学图像分割***,其特征在于,所述医学图像分割***还包括5层CBAM注意力模块;5层CBAM注意力模块一一对应地嵌入在5层2×2偶数卷积模块之后,沿通道和空间两个不同维度依次推断注意力图,将注意力图和特征图融合后得到最后的结果。
6.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-3中任一项所述的基于MECAU-Net网络的医学图像分割方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3中任一项所述的基于MECAU-Net网络的医学图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210291492.9A CN114648540A (zh) | 2022-03-22 | 2022-03-22 | 一种基于MECAU-Net网络的医学图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210291492.9A CN114648540A (zh) | 2022-03-22 | 2022-03-22 | 一种基于MECAU-Net网络的医学图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114648540A true CN114648540A (zh) | 2022-06-21 |
Family
ID=81995746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210291492.9A Pending CN114648540A (zh) | 2022-03-22 | 2022-03-22 | 一种基于MECAU-Net网络的医学图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114648540A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274256A (zh) * | 2023-11-21 | 2023-12-22 | 首都医科大学附属北京安定医院 | 一种基于瞳孔变化的疼痛评估方法、***及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992309A (zh) * | 2019-11-07 | 2020-04-10 | 吉林大学 | 基于深层信息传递网络的眼底图像分割方法 |
CN111028236A (zh) * | 2019-11-18 | 2020-04-17 | 浙江工业大学 | 一种基于多尺度卷积U-Net的癌细胞图像分割方法 |
CN112258488A (zh) * | 2020-10-29 | 2021-01-22 | 山西三友和智慧信息技术股份有限公司 | 一种医疗影像病灶分割方法 |
CN112561877A (zh) * | 2020-12-14 | 2021-03-26 | 中国科学院深圳先进技术研究院 | 多尺度双通道卷积模型训练方法、图像处理方法及装置 |
-
2022
- 2022-03-22 CN CN202210291492.9A patent/CN114648540A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992309A (zh) * | 2019-11-07 | 2020-04-10 | 吉林大学 | 基于深层信息传递网络的眼底图像分割方法 |
CN111028236A (zh) * | 2019-11-18 | 2020-04-17 | 浙江工业大学 | 一种基于多尺度卷积U-Net的癌细胞图像分割方法 |
CN112258488A (zh) * | 2020-10-29 | 2021-01-22 | 山西三友和智慧信息技术股份有限公司 | 一种医疗影像病灶分割方法 |
CN112561877A (zh) * | 2020-12-14 | 2021-03-26 | 中国科学院深圳先进技术研究院 | 多尺度双通道卷积模型训练方法、图像处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
SHUANG WU ET AL.: "Convolution with even-sized kernels and symmetric padding", PROCEEDINGS OF THE 33RD INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, 8 December 2019 (2019-12-08), pages 1 - 12 * |
王枫等: "基于通道注意力机制和U-net的医学图像分割方法", 《计算机时代》, no. 2021, 31 May 2021 (2021-05-31), pages 64 - 72 * |
郑熠星: "基于CNN的癌细胞分割方法的研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 2021, 15 February 2021 (2021-02-15), pages 072 - 70 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274256A (zh) * | 2023-11-21 | 2023-12-22 | 首都医科大学附属北京安定医院 | 一种基于瞳孔变化的疼痛评估方法、***及设备 |
CN117274256B (zh) * | 2023-11-21 | 2024-02-06 | 首都医科大学附属北京安定医院 | 一种基于瞳孔变化的疼痛评估方法、***及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114219943B (zh) | 一种基于深度学习的ct图像危及器官分割*** | |
CN111401361A (zh) | 一种端到端的轻量级深度车牌识别方法 | |
KR102219561B1 (ko) | 대응점 일관성에 기반한 비지도 학습 방식의 스테레오 매칭 장치 및 방법 | |
CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及*** | |
CN111062395A (zh) | 一种实时的视频语义分割方法 | |
CN105787867A (zh) | 基于神经网络算法的处理视频图像的方法和装置 | |
CN114648540A (zh) | 一种基于MECAU-Net网络的医学图像分割方法 | |
CN114332094A (zh) | 基于轻量级多尺度信息融合网络的语义分割方法及装置 | |
CN113408537A (zh) | 一种遥感影像域适应语义分割方法 | |
CN111401192A (zh) | 基于人工智能的模型训练方法和相关装置 | |
CN115512169A (zh) | 基于梯度和区域亲和力优化的弱监督语义分割方法及装置 | |
CN115830575A (zh) | 一种基于Transformer与跨维度注意力的交通标志检测方法 | |
CN110782005B (zh) | 基于弱标注数据进行跟踪的图像标注方法及*** | |
CN113096133A (zh) | 一种基于注意力机制的语义分割网络的构建方法 | |
CN116258756B (zh) | 一种自监督单目深度估计方法及*** | |
CN108921852B (zh) | 基于视差与平面拟合的双分支室外非结构化地形分割网络 | |
CN116129126A (zh) | 分割预测模型的构建方法、图片语义分割标注方法及装置 | |
Xu et al. | Non-local recurrent regularization networks for multi-view stereo | |
CN113962332B (zh) | 基于自优化融合反馈的显著目标识别方法 | |
CN111508024A (zh) | 一种基于深度学习估计机器人位姿的方法 | |
CN115830420A (zh) | 一种基于边界可变形卷积引导的rgb-d显著性目标检测方法 | |
CN117036368A (zh) | 图像数据处理方法、装置、计算机设备和存储介质 | |
CN111985542B (zh) | 代表性图结构模型、视觉理解模型的建立方法及应用 | |
CN115393735A (zh) | 基于改进U-Net的遥感影像建筑物提取方法 | |
CN115375746A (zh) | 基于双重空间池化金字塔的立体匹配方法 |
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 |