CN114708255A - 一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法 - Google Patents
一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法 Download PDFInfo
- Publication number
- CN114708255A CN114708255A CN202210471812.9A CN202210471812A CN114708255A CN 114708255 A CN114708255 A CN 114708255A CN 202210471812 A CN202210471812 A CN 202210471812A CN 114708255 A CN114708255 A CN 114708255A
- Authority
- CN
- China
- Prior art keywords
- model
- segmentation
- image
- transunet
- segmentation model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法,包括:(1)收集多中心的儿童X线胸片图像并进行预处理;(2)将数据划分为训练集、验证集和测试集;(3)构建分割模型,分割模型在UNet的基础上加入了Transformer层,包括三次下采样、线性层、Transformer层、上采样四个部分;(4)将训练集送入到构建的分割模型中进行训练,利用验证集对分割模型的性能进行评估,根据评估的效果对模型的超参数进行调整,通过反复训练、验证,最终得到性能达标的分割模型;(5)将待分割的多中心儿童X线胸片影像输入训练好的分割模型中,从而智能分割出肺部区域。本发明的方法,结合了Transformers与UNet两种网络的优点,具有较高的分割精度和效率。
Description
技术领域
本发明属于医学人工智能领域,尤其是涉及一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法。
背景技术
儿童肺炎是儿童类感染率前三的疾病,目前很多研究者都通过智能算法对儿童肺炎进行诊断,而基于影像的诊断前置步骤就是对肺部的分割。基于影像的肺部分类还有助于提供肺结节检测、支气管炎检测等精度。常规的儿童肺部检测影像主要有CT和X线胸片,前者切片多,分割精度一般较高,后者只有一张,且在不同机器上获取的图像质量不一,对其进行肺部分割的难度较大。
针对这一难题,很多研究者采用深度学习网络对X线胸片进行肺部分割,采用了诸如UNet、Res UNet、Att UNet等网络。
如公开号为CN111986206A的中国专利文献公开了一种基于UNet网络的肺叶分割方法,从影像输入设备获取肺部CT影像数据;对输入的肺部CT影像数据进行归一化处理;对处理后的影像数据利用2D UNet网络筛选出肺内区域和肺外区域,并将肺内区域作为肺区候选区域;对肺区候选区域利用3D UNet网络分割出五个肺叶掩膜区域,得到左上叶、左下叶、右上叶、右中叶以及右下叶的区域;对五个肺叶掩膜区域分别进行形态学处理,得到最终的肺叶分割结果。
公开号为CN113470042A的中国专利文献公开了一种肺部CT图像的支气管分割方法,包括:(a)获取肺部CT图像并进行支气管的标注;(b)对肺部CT图像进行预处理,包括肺实质提取和数据归一化,并计算图像对应的肺边界距离图;(c)将预处理后的图像、体素坐标及其到肺边界距离图输入到3D Unet网络模型进行端到端训练,得到3D Unet训练模型,其中在训练过程中,采用拉普拉斯过滤器来增强图像的边界区域,并计算边界增强损失和Dice损失;(d)基于所得到的3D Unet训练模型进行支气管分割。
然而,现有的这些网络由于卷积固有的局部性特征,基于卷积的方法不能有效建模长程关系,分割的精度和效率有待进一步提高。
发明内容
本发明提供了一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法,结合了Transformers与UNet两种网络的优点,具有较高的分割精度和效率。
一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法,包括以下步骤:
(1)收集多中心的儿童X线胸片图像,对影像数据进行预处理;
(2)将预处理后的影像数据划分为训练集、验证集和测试集;
(3)构建分割模型,所述分割模型采用TransUNet网络模型,TransUNet网络模型在UNet的基础上加入了Transformer层;具体包括三次下采样、线性层、Transformer层、上采样四个部分;
其中,UNet最后一层下采样得到特征矩阵Fu后输入到线性层,将三维特征矩阵变成二维特征向量,并送入到Transformer层进行分析,将分析得到的特征Ft与Fu拼接,然后再进行UNet的上采样,最终实现与原图大小一致的分割结果;
(4)将预处理后的训练集送入到构建的分割模型中进行训练,利用预处理后的验证集对分割模型的性能进行评估,根据评估的效果对模型的超参数进行调整,通过反复训练、验证,最终得到性能达标的分割模型;
(5)将待分割的多中心儿童X线胸片影像输入训练好的分割模型中,从而智能分割出肺部区域。
步骤(1)中,所述的预处理包括对影像进行灰度截断,然后进行缩放和尺度的归一化,并采用高斯滤波器滤除噪声。
灰度截断的步骤如下:首先获取图像大小(x,y),然后截取中心区域[x/4:x*3/4,y/4:y*3/4],即获取图像最中心的1/4的区域;求得此区域的最大值Vmax和最小值Vmin,然后对图像进行灰度截断:
从而获取灰度截断后的图像。
步骤(2)中,将预处理后的影像数据按7:1:2划分为训练集、验证集和测试集。
步骤(3)中,分割模型的工作流程如下:
首先分割模型对大小为(x,y)的输入图像I,通过三次下采样,分别获得对应的特征矩阵F1,F2,F3,其大小分别为(x/2,y/2,c),(x/4,y/4,c),(x/8,y/8,c),其中c为通道数;
然后,分割模型将特征矩阵F3输入到线性层,通过此层,将对特征矩阵F3进行切片,将(x/8,y/8,c)的三维特征矩阵变为(x*y/8*8,c)的c通道的二维特征向量,每个特征向量表示如下:
z0=[x1E;x1E,…,x1E]+Epos,E∈R64*c*D,Epos∈RN*D
其中,N=x*y/64,Epos表示位置信息;
接着,分割模型将Z0送入到Transformer层,通过12次Transformer操作后,再通过reshape操作还原为(x/8,y/8,c)的三维特征矩阵Ft;
最后,分割模型将Ft与F3拼接,完成三次上采样后进行一次全连接卷积,得到F4,F5,F6,F7,最终的F7大小为(x,y),与原图大小一致。
所述的线性层包括卷积、拉平、嵌入位置信息、dropout层四个步骤。
每次Transformer操作都一样,以第一次为例,首先对输入z0进行正则化,然后通过多重序列比对信息提取特征,然后将其与输入进行相加得到中间结果Z’,接着再次正则化,然后再送入多层感知器,将得到的结果与Z’相加得到一次Z1,完成一次Transformer操作。
步骤(4)中,采用监督训练方法对分割模型进行训练。
与现有技术相比,本发明具有以下有益效果:
本发明创新性地提出了用TransUNet对多中心儿童X线胸片进行肺部分割;此方法结合了Transformers与UNet两种网络的优点,且取得了相对UNet网络方法更好的分割性能,且在多中心数据集上有着较好的表现,分割精度和效率均有较大提升,说明了模型具有较好的泛化性。为后续基于影像的肺炎检测、肺结节检测、支气管炎的检测提供了良好的基础。
附图说明
图1为本发明一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法流程图;
图2为本发明中分割模型的整体结构图;
图3为本发明分割模型中下采样模块的示意图;
图4为本发明分割模型中线性层的示意图;
图5为本发明分割模型中Transformer层的示意图;
图6为本发明分割模型中上采样模块的示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法,包括以下步骤:
1、图像预处理
收集来源于多中心的儿童X线胸片影像数据。由于影像来自于多中心,因此成像标准不一致,所以需要对图像进行灰度截断。此外,X线胸片存在倾斜的情况,且由于医生裁剪大小的不同,导致胸部不完全位于图像中心位置。因此,灰度截断的步骤如下:首先获取图像大小(x,y),然后截取中心区域[x/4:x*3/4,y/4:y*3/4],即获取图像最中心的1/4的区域。求得此区域的最大值Vmax和最小值Vmin,然后对图像进行灰度截断:
从而获取灰度截断后的图像,然后将此图像缩放到512*512大小,最后对影像进行尺度的归一化到[0,1]之间,再采用高斯滤波器滤除噪声。
2、数据分组
将70%的数据集作为训练集,10%的数据集作为验证集,20%的数据集作为测试集。
3、模型构建
如图2所示,构建分割模型,分割模型采用TransUNet网络模型。此网络是在UNet的基础上加入了Transformer模块。其基础是传统的UNet结构,通过多次下采样来提取不同尺寸的特征矩阵,然后再通过多次上采样,对高维度的特征进行还原,并通过跳跃连接,将同等大小的下采样的特征矩阵与上采样的特征矩阵进行拼接,最终获得与原图大小一致的分割结果。Transformer是一种基于编码-解码的网络结构,其中编码部分是多头注意力的编码和一个前馈神经网络组成,解码部分是由多头注意力的编码、一个前馈神经网络和一个注意力层组成。它的加入使得网络可以更好地利用全局信息。TransUNet是将两者进行结合,在UNet最后一层下采样得到特征矩阵Fu后,加入Transformer模块进行分析,将分析得到的特征Ft与Fu拼接,然后再进行UNet的上采样,最终实现与原图大小一致的分割结果。具体流程如下:
(1)对于大小为(x,y)输入图像I,通过三次下采样,分别获得对应的特征矩阵F1,F2,F3,它们的大小分别为(x/2,y/2,c),(x/4,y/4,c),(x/8,y/8,c),其中c为通道数。如图3所示,每次下采样过程包括一次卷积、正则化、ReLU激活、最大池化层。
(2)将F3输入到线性层,如图4所示,此层包括卷积、拉平、嵌入位置信息、dropout层四个步骤。通过此层,将对特征矩阵进行切片,将(x/8,y/8,c)的三维特征矩阵变为(x*y/8*8,c)的c通道的二维特征向量,每个特征向量表示如下:
z0=[x1E;x1E,…,x1E]+Epos,E∈R64*c*D,Epos∈RN*D
其中,N=x*y/64,Epos表示位置信息。
(3)将Z0送入到Transformer层,通过12次Transformer操作,最后再将其还原至与(x/8,y/8,c)大小。如图5所示,每次Transformer操作都一样,以第一次为例,首先对输入Z0进行正则化,然后通过多重序列比对信息(MSA)提取特征,然后将其与输入进行相加得到中间结果Z’,接着再次正则化,然后再送入多层感知器(MLP),将得到的结果与Z’相加得到一次Z1,完成一次Transformer操作。通过12次Transformer操作后,再将Z12通过reshape操作还原为(x/8,y/8,c)的三维特征矩阵Ft.
(4)将Ft与F3拼接,完成三次上采样后进行一次全连接卷积,得到F4,F5,F6,F7,最终的F7大小为(x,y),与原图大小一致。如图6所示,每次下采样过程包括一次卷积、正则、ReLU激活。
4、模型训练和分割测试
分割模型训练时,将训练集送入到改进的TransUNet分割网络中;验证集对模型的超参数进行调整,使用优化器更新参数,对网络进行优化,对学习率进行自动调参,得到训练完成的分割网络;测试集用来估计学习过程完成之后的模型的泛化能力。
5、评估阶段
在测试集上,对模型的分割效果进行评估:对分割任务的评估,需要计算四个指标:准确率(ACC)、重合面积比IOU、ROC曲线下面积AUC。对于分割任务,可以看作是对第一个像素点的二分类,准确率(ACC)用分类到正确类的点的总数除以所有点的个数。重合面积比IOU表示真实肺部区域与分割的结果之间的重合度,计算公式如下:
其中,Lt,Lp分别表示真实的肺部区域和模型分割的肺部区域。ROC曲线下面积AUC是以假正率(FP_rate)和假负率(TP_rate)为轴的ROC(Receiver OperatingCharacteristic)曲线下面的面积,其中,每一类的正确分类到本类的点的个数(TruePositive,TP)除以本类的点的个数(TP+TN),当属于本类的点被模型分到其它类时,计数为假阴性(TrueNegative,TN)。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法,其特征在于,包括以下步骤:
(1)收集多中心的儿童X线胸片图像,对影像数据进行预处理;
(2)将预处理后的影像数据划分为训练集、验证集和测试集;
(3)构建分割模型,所述分割模型采用TransUNet网络模型,TransUNet网络模型在UNet的基础上加入了Transformer层;具体包括三次下采样、线性层、Transformer层、上采样四个部分;
其中,UNet最后一层下采样得到特征矩阵Fu后输入到线性层,将三维特征矩阵变成二维特征向量,并送入到Transformer层进行分析,将分析得到的特征Ft与Fu拼接,然后再进行UNet的上采样,最终实现与原图大小一致的分割结果;
(4)将预处理后的训练集送入到构建的分割模型中进行训练,利用预处理后的验证集对分割模型的性能进行评估,根据评估的效果对模型的超参数进行调整,通过反复训练、验证,最终得到性能达标的分割模型;
(5)将待分割的多中心儿童X线胸片影像输入训练好的分割模型中,从而智能分割出肺部区域。
2.根据权利要求1所述的基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法,其特征在于,步骤(1)中,所述的预处理包括对影像进行灰度截断,然后进行缩放和尺度的归一化,并采用高斯滤波器滤除噪声。
4.根据权利要求1所述的基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法,其特征在于,步骤(2)中,将预处理后的影像数据按7:1:2划分为训练集、验证集和测试集。
5.根据权利要求1所述的基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法,其特征在于,步骤(3)中,分割模型的工作流程如下:
首先分割模型对大小为(x,y)的输入图像I,通过三次下采样,分别获得对应的特征矩阵F1,F2,F3,其大小分别为(x/2,y/2,c),(x/4,y/4,c),(x/8,y/8,c),其中c为通道数;
然后,分割模型将特征矩阵F3输入到线性层,通过此层,将对特征矩阵F3进行切片,将(x/8,y/8,c)的三维特征矩阵变为(x*y/8*8,c)的c通道的二维特征向量,每个特征向量表示如下:
z0=[x1E;x1E,…,x1E]+Epos,E∈R64*c*D,Epos∈RN*D
其中,N=x*y/64,Epos表示位置信息;
接着,分割模型将Z0送入到Transformer层,通过12次Transformer操作后,再通过reshape操作还原为(x/8,y/8,c)的三维特征矩阵Ft;
最后,分割模型将Ft与F3拼接,完成三次上采样后进行一次全连接卷积,得到F4,F5,F6,F7,最终的F7大小为(x,y),与原图大小一致。
6.根据权利要求5所述的基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法,其特征在于,所述的线性层包括卷积、拉平、嵌入位置信息、dropout层四个步骤。
7.根据权利要求5所述的基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法,其特征在于,每次Transformer操作都一样,以第一次为例,首先对输入z0进行正则化,然后通过多重序列比对信息提取特征,然后将其与输入进行相加得到中间结果Z’,接着再次正则化,然后再送入多层感知器,将得到的结果与Z’相加得到一次Z1,完成一次Transformer操作。
8.根据权利要求1所述的基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法,其特征在于,步骤(4)中,采用监督训练方法对分割模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210471812.9A CN114708255B (zh) | 2022-04-29 | 2022-04-29 | 一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210471812.9A CN114708255B (zh) | 2022-04-29 | 2022-04-29 | 一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708255A true CN114708255A (zh) | 2022-07-05 |
CN114708255B CN114708255B (zh) | 2022-11-01 |
Family
ID=82176035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210471812.9A Active CN114708255B (zh) | 2022-04-29 | 2022-04-29 | 一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708255B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205599A (zh) * | 2022-07-25 | 2022-10-18 | 浙江大学 | 一种基于域泛化模型的多年龄段儿童胸片图像肺炎分类*** |
CN115350482A (zh) * | 2022-08-25 | 2022-11-18 | 浙江大学 | 一种基于数据驱动的水密三维玩具模型开版方法 |
CN116421152A (zh) * | 2023-06-13 | 2023-07-14 | 长春理工大学 | 一种睡眠分期结果确定方法、装置、设备及介质 |
CN117132606A (zh) * | 2023-10-24 | 2023-11-28 | 四川大学 | 用于肺部病变图像的分割方法 |
CN117197472A (zh) * | 2023-11-07 | 2023-12-08 | 四川农业大学 | 基于鼻出血内窥镜影像的高效师生半监督分割方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191476A (zh) * | 2018-09-10 | 2019-01-11 | 重庆邮电大学 | 基于U-net网络结构的生物医学图像自动分割新方法 |
CN110163870A (zh) * | 2019-04-24 | 2019-08-23 | 艾瑞迈迪科技石家庄有限公司 | 一种基于深度学习的腹部体影像肝脏分割方法及装置 |
CN111445481A (zh) * | 2020-03-23 | 2020-07-24 | 江南大学 | 一种基于尺度融合的腹部ct多器官的分割方法 |
WO2020238044A1 (zh) * | 2019-05-31 | 2020-12-03 | 深圳市前海安测信息技术有限公司 | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 |
-
2022
- 2022-04-29 CN CN202210471812.9A patent/CN114708255B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191476A (zh) * | 2018-09-10 | 2019-01-11 | 重庆邮电大学 | 基于U-net网络结构的生物医学图像自动分割新方法 |
CN110163870A (zh) * | 2019-04-24 | 2019-08-23 | 艾瑞迈迪科技石家庄有限公司 | 一种基于深度学习的腹部体影像肝脏分割方法及装置 |
WO2020238044A1 (zh) * | 2019-05-31 | 2020-12-03 | 深圳市前海安测信息技术有限公司 | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 |
CN111445481A (zh) * | 2020-03-23 | 2020-07-24 | 江南大学 | 一种基于尺度融合的腹部ct多器官的分割方法 |
Non-Patent Citations (1)
Title |
---|
JIENENG CHEN ET AL: "TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation", 《ARXIV:2102.04306V1》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205599A (zh) * | 2022-07-25 | 2022-10-18 | 浙江大学 | 一种基于域泛化模型的多年龄段儿童胸片图像肺炎分类*** |
CN115205599B (zh) * | 2022-07-25 | 2023-02-10 | 浙江大学 | 一种基于域泛化模型的多年龄段儿童胸片图像肺炎分类*** |
CN115350482A (zh) * | 2022-08-25 | 2022-11-18 | 浙江大学 | 一种基于数据驱动的水密三维玩具模型开版方法 |
CN115350482B (zh) * | 2022-08-25 | 2023-12-12 | 浙江大学 | 一种基于数据驱动的水密三维玩具模型开版方法 |
CN116421152A (zh) * | 2023-06-13 | 2023-07-14 | 长春理工大学 | 一种睡眠分期结果确定方法、装置、设备及介质 |
CN116421152B (zh) * | 2023-06-13 | 2023-08-22 | 长春理工大学 | 一种睡眠分期结果确定方法、装置、设备及介质 |
CN117132606A (zh) * | 2023-10-24 | 2023-11-28 | 四川大学 | 用于肺部病变图像的分割方法 |
CN117132606B (zh) * | 2023-10-24 | 2024-01-09 | 四川大学 | 用于肺部病变图像的分割方法 |
CN117197472A (zh) * | 2023-11-07 | 2023-12-08 | 四川农业大学 | 基于鼻出血内窥镜影像的高效师生半监督分割方法及装置 |
CN117197472B (zh) * | 2023-11-07 | 2024-03-08 | 四川农业大学 | 基于鼻出血内窥镜影像的高效师生半监督分割方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114708255B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114708255B (zh) | 一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法 | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN109523521B (zh) | 基于多切片ct图像的肺结节分类和病灶定位方法和*** | |
CN111563902A (zh) | 一种基于三维卷积神经网络的肺叶分割方法及*** | |
CN110889853A (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
JP2023550844A (ja) | 深層形状学習に基づく肝臓ct自動分割方法 | |
CN113674253A (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
CN114494296A (zh) | 一种基于Unet和Transformer相融合的脑部胶质瘤分割方法与*** | |
CN113763314A (zh) | 使用深度降低卷积神经网络进行图像分割和分类的***和方法 | |
CN111597920B (zh) | 一种自然场景下的全卷积单阶段的人体实例分割方法 | |
CN111429460A (zh) | 图像分割方法、图像分割模型训练方法、装置和存储介质 | |
CN111951288A (zh) | 一种基于深度学习的皮肤癌病变分割方法 | |
WO2022247168A1 (zh) | 一种基于位置卷积注意力网络的血管斑块ct影像分割方法 | |
CN111161271A (zh) | 一种超声图像分割方法 | |
CN112420170B (zh) | 一种提高计算机辅助诊断***图片分类准确度的方法 | |
CN113222124A (zh) | 用于图像语义分割的SAUNet++网络与图像语义分割方法 | |
WO2024104035A1 (zh) | 基于长短期记忆自注意力模型的三维医学图像分割方法及*** | |
CN112036298A (zh) | 一种基于双段区块卷积神经网络的细胞检测方法 | |
CN117649385A (zh) | 一种基于全局和局部注意力机制的肺部ct图像分割方法 | |
CN114638800A (zh) | 一种基于改进Faster-RCNN的头影标记点定位方法 | |
CN114494786A (zh) | 一种基于多层协调卷积神经网络的细粒度图像分类方法 | |
CN114494289A (zh) | 一种基于局部线性嵌入的插值神经网络的胰腺肿瘤图像分割处理方法 | |
CN113344110A (zh) | 一种基于超分辨率重建的模糊图像分类方法 | |
CN115423806B (zh) | 一种基于多尺度跨路径特征融合的乳腺肿块检测方法 | |
CN115205599B (zh) | 一种基于域泛化模型的多年龄段儿童胸片图像肺炎分类*** |
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 |