CN114897914A - 基于对抗训练的半监督ct图像分割方法 - Google Patents
基于对抗训练的半监督ct图像分割方法 Download PDFInfo
- Publication number
- CN114897914A CN114897914A CN202210259206.0A CN202210259206A CN114897914A CN 114897914 A CN114897914 A CN 114897914A CN 202210259206 A CN202210259206 A CN 202210259206A CN 114897914 A CN114897914 A CN 114897914A
- Authority
- CN
- China
- Prior art keywords
- image
- generator
- discriminator
- loss
- mask
- 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
- G06T7/10—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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于对抗训练的半监督CT图像分割方法,包括以下步骤:首先获取肺部的三维CT图像,建立体素级标注的患病数据集、未标注的患病数据集及健康数据集;接着将三种数据集中的CT图像依次输入给生成器和分割器,分别得到合成的健康图像和分割掩码。然后将合成的健康图像的掩码区域和输入图像的反掩码区域拼接得到恢复的健康图像;合成的健康图像的掩码区域的值设为0得到反掩码图像。最后以对抗训练的方式让两个判别器分别监督恢复的健康图像和反掩码图像,来提高分割器的分割和生成器的效果。本发明实现了使用少量体素级标记样本来得到性能准确的分割模型,特别设计的分割器有效地提高了特征表示能力。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种基于对抗训练的半监督CT图像分割方法。
背景技术
背景技术涉及:肺部CT图像分割和注意力机制。
1)肺部CT图像分割
肺部CT在诊断肺部疾病方面具有更高的准确性,已有不少工作使用深度学习技术用于肺部医学图像。但是之前的不少工作针对的是肺部图像的分类任务,他们不能像分割任务一样体现出病变区域的位置和大小。应用CT图像对感染区域进行分割可以帮助放射科医生更好地对病变区域进行定量分析。对病灶区域的分割掩码进行定量分析可以得到肺部相关的一系列有意义的诊断结果。
目前,深度学习已被初步应用于肺部的CT分割任务,但是该方法需要大量的训练数据。在临床上,肺部的三维CT图像数据标注十分困难,放射科医生注释一个肺部CT体积品均需要花费3个小时以上。所以,带体素级标签的肺部CT图像的稀缺是一个重要的问题。图像合成和数据增强能够缓解体素级别标签缺失的问题。主动学习和自学习可以为未标注的数据提供伪标签来优化分割模型。生成对抗网络(GAN)和类激活图(CAM)通过使用弱标签,如带有CT的切片级标签或体积级标签的数据来训练分割模型,以此来应对像素级或体素级标签的缺失。但是,使用伪标签来训练模型可能会引入噪声,影响模型的性能,并且模型仅仅在带有弱标签数据上被训练,往往失败得到一个令人满意的分割掩码。
2)注意力机制
计算机视觉中注意力机制的基本思想是让***学会注意并能够忽略不相关的信息而专注于关键信息。近年来,注意力模型被广泛应用于图像处理、语音识别、自然语言处理等各个领域。随着深度学习发展到今天,构建一个具有注意力机制的神经网络开始变得越来越重要。一方面,这个神经网络可以自主学习注意力机制,另一方面,注意力机制又可以帮助理解神经网络所看到的世界。近年来,关于深度学习和视觉注意力机制结合的研究工作大多集中在使用掩码形成注意力机制。掩码的原理是通过另一层新的权重来识别图像数据中的关键特征。通过学习和训练,深度神经网络可以学习到每张新图像中需要注意的区域。
发明内容
本发明的目的是解决体素级别CT图像数据标签短缺的问题,提出了一种基于对抗训练的半监督CT图像分割方法。
实现本发明目的的具体技术方案是:
一种基于对抗训练的半监督CT图像分割方法,该方法包括如下步骤:
步骤1)获取肺部三维CT图像,建立体素级标注的患病数据集V、未标注的患病数据集D及健康数据集H,设标注的患病图像为Iv∈V,未标注的患病图像为Id∈D,健康图像Ih∈H;
步骤2)对于数据集中的任意一张输入图像,对其进行包括图像裁剪、重采样和标准化的图像预处理操作后得到图像Ii,将其输入给生成器得到生成器的重构结果Ig,生成器的目标是将Ii重构成健康图像Ig;将Ii输入给分割器得到分割掩码对于体素级标注的患病数据集V,使用数据集V中的真实标签Y来监督分割掩码
步骤6)构建半监督CT图像分割模型,模型包括生成器G、分割器S、判别器D1和判别器D2;模型的输入被同时输入到生成器G和分割器S,分割器S得到CT图像的分割掩码,值为1的体素代表病变区域,值为0的体素代表健康区域;生成器G的作用是输入一个CT图像,生成其恢复健康后的CT图像,然后将生成的图像结合分割掩码和模型输入的图像来生成恢复的健康图像和反掩码图像,以近似真实图像来欺骗判别器D1和判别器D2;判别器D1和D2的作用是判断输入的图像是否来自真实图像;通过互相竞争,生成器G和判别器D1和D2以迭代的方式优化权重,提高性能;
所述半监督CT图像分割模型包括四种损失,即监督损失,重构损失,判别损失1和判别损失2;监督损失在输入CT图像属于体素级标注的患病数据集时生效;重构损失是模型输入和生成器G结果之间的均方误差MSE损失,以监督生成器G产生更真实的健康CT图像;判别损失1是对抗损失,判断输入图像是真实图像还是合成的图像,以监督恢复的健康图像的质量;判别损失2是对抗损失,判断输入的图像来自真实的模型输入图像还是生成器G生成的图像,以监督反掩码图像的质量;使用基于对抗训练的模型优化方法不断优化所述损失,直到损失收敛;
步骤7)当模型训练完成后,给定待分割的三维CT图像,输入给分割器S,即可得到图像的体素级的三维分割掩码。
所述步骤1)具体包括:
步骤a1:对通过专业设备采集三维CT图像样本得到原始数据集;
步骤a2:将原始数据集分为患病数据集和健康数据集,随机采样患病数据中五分之一的数据,由人工专家进行标注,作为体素级标注的患病数据集V;其余图像数据作为未标注的患病数据集D,所有的健康图像数据构成健康数据集H;
步骤a3:依次将体素级标注的患病数据集V、未标注的患病数据集D和健康数据集H中的图像输入给分割器和生成器,模型的输入CT图像记为Ii。
所述步骤2)中的图像预处理操作具体包括:
(1)图像裁剪
图像裁剪将三维的医学图像裁剪到它的非零区域,即在图像中寻找一个最小的三维边界框,该边界框区域以外的值为0,使用这个边界框对图像进行裁剪;
(2)重采样
重采样可以解决在三维CT数据集中,不同的体素图像所代表的实际空间大小不一致的问题。为了统一所有CT图像的分辨率大小,使用重采样对不同CT图像分辨率进放缩,以将分辨率统一为0.5mm×0.5mm×0.5mm;
(3)标准化
为了使每张图像具有相同的分布的灰度值,将CT图像灰度值的最小值和最大值设置为300和3000;灰度值小于300的值被提高为300,而灰度值大于3000的值被减小为3000;接着对CT图像的体素值进行归一化,得到[0,1]之间的值,然后将这些值放缩到[0,255]区间。
步骤6)所述的生成器G和判别器D1和D2的设计遵循CycleGAN的结构,此外在最后一层使用全连接层作为分类网络,来得到最终的判别结果,即1或0,其中1代表判别器认为输入图像是真实的图像,0代表判别器认为输入的图像为生成或合成的图像。
步骤6)所述的分割器S基于3DU-Net,在分割器S中设计了特征增强模块,用于增强编码器的特征表示,特征增强模块中包含通道注意力和空间注意力。;为了在内存使用和分割精度之间取得平衡,在分割器S中使用了四次2倍的下采样;分割器S采用了密集空洞空间金字塔池化的结构,能够使用不同大小的膨胀率来组合不同尺度的特征,很好地实现了特征的重用;分割器S中膨胀卷积(dilated convolution)使用了3,6,12的膨胀率;为了提高学习到的特征的质量,相同尺度的特征通过快捷连接的方式进行融合;此外,相同尺度的特征通过快捷连接的方式进行融合,这提高学习到的特征的质量。考虑到的3D分割模型的内存使用情况,通道数设置为16个。
步骤6)所述基于对抗训练的模型优化方法,采用基于Adam优化器的梯度下降算法来迭代优化分割器S、生成器G、判别器D1和判别器D2的参数,具体包括如下步骤:
(1)初始化判别器D1和D2的权重参数;将迭代数iter设为1,并设置最大迭代数itermax;
(2)优化分割器S和生成器G:冻结判别器D1和D2的参数,解冻分割器S和生成器G的参数,计算损失并优化模型,iter加一;
(3)优化判别器D1:冻结分割器S,生成器G和判别器D2的参数,解冻判别器D1的参数,计算损失并优化模型,iter加一;
(4)优化判别器D2:冻结分割器S,生成器G和判别器D1的参数,解冻判别器D2的参数,计算损失并优化模型,iter加一;
重复(1)-(4),iter大于itermax或直到损失收敛。
本发明的生成器和判别器的设计遵循CycleGAN的结构,此外在最后一层使用全连接层来连接分类器得到最终的判别结果。将频谱归一化操作添加到判别器。关于3D图像的内存使用情况,基本通道数从64个减少到16个。
相对于现有技术,本发明的有益效果为:
1、本发明提出了一种基于对抗训练的半监督CT图像分割方法,用于在肺部三维CT图像中的病灶区域分割。相比二维分割器,三维分割器可以结合图像层间信息,所以能够保证隔层图像掩码之间的一个变化连续性。本发明可以仅仅使用少量体素级注释的数据和其余的未标注数据来进行训练。
2、本发明以对抗训练的方式优化模型中的生成器、分割器和判别器,并使分割器从体素级别的注释的数据中学习健康肺部和病灶的特征信息,来逐渐提高模型的分割性能,这极大地减少了训练模型所需的体素级别标签的数量。
3、为了更好地处理肺部感染区域与正常组织之间的对比度低的问题,本发明设计了一个特征增强模块来处理模糊不清的边界。具体来说,通道注意力用于隐式地增强特征之间的对比度,从而突出病灶区域的边界信息,空间注意力生成空间注意力图用来突出显示重要的区域。特征增强模块通过融合这些特征有效地增强了病灶区域的特征表示。
附图说明
图1为本发明流程图;
图2为本发明对抗半监督模型示意图;
图3为本发明分割器示意图;
图4为本发明结合了通道和空间注意力的特征增强模块示意图。
具体实施方式
以下结合具体实施例和附图,对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等,除以下专门提及的内容之外,均为本领域的普遍知识和公知常识,本发明没有特别限制内容。
本发明的整个过程包括步骤1)-7),请参照图1和图2。图1是本发明的基于对抗训练的半监督CT图像分割方法流程图,图2是对抗半监督模型示意图。
本发明的过程:
步骤1)获取肺部的三维CT图像,建立体素级标注的患病数据集V、未标注的患病数据集D,健康数据集S,设标注的患病图像为Iv∈V,未标注的患病图像为Id∈D,健康图像Ih∈S。
具体的,设一张未标注的患病数据为Id∈D,一张体素级标注的患病数据为Iv∈V,一张健康图像数据为Ih∈H。分割器预测的病变区域被替换成生成器重构的对应区域,同时未感染区域被保留,称之为伪健康图像Ip。伪健康图像由以下公式计算:
因为没有监督信号去约束Ig的病灶掩码Y以外的图像部分,这会导致生成图像的质量是不可控制的问题。虽然它们不用于形成合成图像,但是这影响了生成器的性能,这成为提高分割器最终性能的瓶颈。本发明利用生成器的重构结果,将分割器预测的健康区域去得到Ig生成的健康区域Igh和Ii中的健康区域Iih:
接着Igh和Iih被输入给判别器D2,Igh被称为合成健康区域图像和Iih被称为真实的健康区域图像。
步骤6)构建三维对抗半监督模型,并迭代优化生成器、分割器、判别器D1和判别器D2,直到总的损失收敛。对抗训练可以让模型以半监督学习的方式来进行训练,即本网络可以从未标注数据中学习到有利于分割准确性的信息。
为了完全欺骗判别器D1和D2,分割器需要分割所有感染区域,生成器需要在分割的预测病变区域和健康区域都生成伪健康图像。相比之下,判别器D1用于区分和真实健康图像Id,判别器D2来区分合成健康区域图像Igh和真实的健康区域图像Iih。通过以下最大最小以对抗方式训练模型,对抗损失如下:
本发明的分割器参照图3。图3为分割器示意图。
本发明提出了特征增强模块,使用通道注意力和空间注意力来自适应优化特征以优化分割器,参照图4,图4为结合了通道和空间注意力的特征增强模块示意图。具体地说,通道注意力模块学习全局参数以突出显示有用的边界信息。空间注意力模块计算出肺部区域的注意力权重图。通道注意力、空间注意力可以改善感兴趣区域的特征的表示能力,从而实现突出重要特征并抑制不必要的特征。给定中间特征映射作为输入,其中C是通道数,D是特征维度,H是图像高度,W是图像宽度。特征增强模块依次推断1D通道注意力和2D空间注意映射整个注意过程可概括为:
通道注意力:为了增强特征的对比度,首先使用平均池和最大池化操作聚合特征图上的空间信息,生成两个不同的空间上下文描述符平均池化特征和最大池化特征。这两个描述符被转发到一个共享参数的多层感知机网络,最后将结果经过sigmoid函数以产生通道注意图Mc(F)。共享网络由具有一个隐层的多层感知机(MLP)构成。通道注意力主要包括平均池化操作、最大池化操作、一个共享参数的多层感知机和sigmoid函数组成。通道注意力生成的中间优化特征为计算过程如下:
其中,F为通道注意力的输入特征;σ表示sigmoid激活函数;AvgPool为平均池化函数;MaxPool为最大池化函数。
空间注意力:空间注意力的目的是丢弃不重要的特征并突出显示感兴趣的特征,这些特征有利于分割COVID19感染。空间注意力利用特征间的空间关系生成空间注意图Ms(F′),它是通道注意的补充。为了计算空间注意,首先沿通道轴采用平均池化和最大池化操作,并将它们连接起来生成一个有效的特征描述符。沿通道轴应用池化操作可以有效地突出感兴趣的特征区域。在串联的特征描述符上,使用卷积层来产生空间注意图,它对需要强调或需要抑制的地方信息进行了编码。空间注意力生成的最终优化特征为F″,
由于合成的图像Ip与预测掩码和生成器生成的图像Ig有关,因此的梯度可以反馈给分割器S和生成器G,从而优化这两个模块的参数。此外,还添加了一个基本的分割损失用于测量少量体素级别标签样本的S的输出Y和真实掩码GT之间的差异:其中,CEL是交叉熵损失;是体素级标签数据Iv的预测掩码;Yv是体素级标签数据Iv的真实标签。预测掩码其中,S(·)是分割器,θS表示分割器的可学习参数。
为了提高步骤6)中对抗训练的稳定性,本发明进一步设置了辅助约束。首先,健康图像Ih输入到分割器和生成器中。健康图像数据Ih的预测掩码S(Ih;θS)和健康图像数据Ih的真实标签Yh之间的交叉熵损失被加入到
以便通过将Id的生成图像Ig输入D1来进一步改进生成效果。当分割器S的输入是健康图像时,不需要进行合成和判别的前向传播过程,也不计算此外,本将原始疾病图像Id输入给判别器D1中,以在训练过程中保持判别器D1对病变信号的敏感性和可区分性,设置dropout率固定为0.5。将约束损失函数添加到判别器D1的目标是可以区分患者和健康人的图像:
步骤7)基于所述训练好的分割器,实现CT图像分割。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求书为保护范围。
Claims (6)
1.一种基于对抗训练的半监督CT图像分割方法,其特征在于,该方法包括如下步骤:
步骤1)获取肺部三维CT图像,建立体素级标注的患病数据集V、未标注的患病数据集D及健康数据集H,设标注的患病图像为Iv∈y,未标注的患病图像为Id∈D,健康图像Ih∈H;
步骤2)对于数据集中的任意一张输入图像,对其进行包括图像裁剪、重采样和标准化的图像预处理操作后得到图像Ii,将其输入给生成器得到生成器的重构结果Ig,生成器的目标是将Ii重构成健康图像Ig;将Ii输入给分割器得到分割掩码对于体素级标注的患病数据集V,使用数据集V中的真实标签Y来监督分割掩码
步骤6)构建半监督CT图像分割模型,模型包括生成器G、分割器S、判别器D1和判别器D2;模型的输入被同时输入到生成器G和分割器S,分割器S得到CT图像的分割掩码,值为1的体素代表病变区域,值为0的体素代表健康区域;生成器G的作用是输入一个CT图像,生成其恢复健康后的CT图像,然后将生成的图像结合分割掩码和模型输入的图像来生成恢复的健康图像和反掩码图像,以近似真实图像来欺骗判别器D1和判别器D2;判别器D1和D2的作用是判断输入的图像是否来自真实图像;通过互相竞争,生成器G和判别器D1和D2以迭代的方式优化权重,提高性能;
所述半监督CT图像分割模型包括四种损失,即监督损失,重构损失,判别损失1和判别损失2;监督损失在输入CT图像属于体素级标注的患病数据集时生效;重构损失是模型输入和生成器G结果之间的均方误差MSE损失,以监督生成器G产生更真实的健康CT图像;判别损失1是对抗损失,判断输入图像是真实图像还是合成的图像,以监督恢复的健康图像的质量;判别损失2是对抗损失,判断输入的图像来自真实的模型输入图像还是生成器G生成的图像,以监督反掩码图像的质量;使用基于对抗训练的模型优化方法不断优化所述损失,直到损失收敛;
步骤7)当模型训练完成后,给定待分割的三维CT图像,输入给分割器S,即可得到图像的体素级的三维分割掩码。
2.如权利要求1所述的基于对抗训练的半监督CT图像分割方法,其特征在于,所述步骤1)具体包括:
步骤a1:对通过专业设备采集三维CT图像样本得到原始数据集;
步骤a2:将原始数据集分为患病数据集和健康数据集,随机采样患病数据中五分之一的数据,由人工专家进行标注,作为体素级标注的患病数据集V;其余图像数据作为未标注的患病数据集D,所有的健康图像数据构成健康数据集H。
3.如权利要求1所述的基于对抗训练的半监督CT图像分割方法,其特征在于,所述步骤2)中的图像预处理操作具体包括:
(1)图像裁剪
图像裁剪将三维的医学图像裁剪到它的非零区域,即在图像中寻找一个最小的三维边界框,该边界框区域以外的值为0,使用这个边界框对图像进行裁剪;
(2)重采样
使用重采样对不同CT图像分辨率进放缩,以将分辨率统一为0.5mm×0.5mm×0.5mm;
(3)标准化
将CT图像灰度值的最小值和最大值设置为300和3000;灰度值小于300的值被提高为300,而灰度值大于3000的值被减小为3000;接着对CT图像的体素值进行归一化,得到[0,1]之间的值,然后将这些值放缩到[0,255]区间。
4.如权利要求1所述的基于对抗训练的半监督CT图像分割方法,其特征在于,步骤6)所述的生成器G和判别器D1和D2的设计遵循CycleGAN的结构,此外在最后一层使用全连接层作为分类网络,来得到最终的判别结果,即1或0,其中1代表判别器认为输入图像是真实的图像,0代表判别器认为输入的图像为生成或合成的图像。
5.如权利要求1所述的基于对抗训练的半监督CT图像分割方法,其特征在于,步骤6)所述的分割器S基于3DU-Net,在分割器S中设计了特征增强模块,用于增强编码器的特征表示,特征增强模块中包含通道注意力和空间注意力。;为了在内存使用和分割精度之间取得平衡,在分割器S中使用了四次2倍的下采样;分割器S采用了密集空洞空间金字塔池化的结构,能够使用不同大小的膨胀率来组合不同尺度的特征,很好地实现了特征的重用;分割器S中膨胀卷积(dilated convolution)使用了3,6,12的膨胀率;相同尺度的特征通过快捷连接的方式进行融合;通道数设置为16个。
6.如权利要求1所述的基于对抗训练的半监督CT图像分割方法,其特征在于,步骤6)所述基于对抗训练的模型优化方法,采用基于Adam优化器的梯度下降算法来迭代优化分割器S、生成器G、判别器D1和判别器D2的参数,具体包括如下步骤:
(1)初始化判别器D1和D2的权重参数;将迭代数iter设为1,并设置最大迭代数itermax;
(2)优化分割器S和生成器G:冻结判别器D1和D2的参数,解冻分割器S和生成器G的参数,计算损失并优化模型,iter加一;
(3)优化判别器D1:冻结分割器S,生成器G和判别器D2的参数,解冻判别器D1的参数,计算损失并优化模型,iter加一;
(4)优化判别器D2:冻结分割器S,生成器G和判别器D1的参数,解冻判别器D2的参数,计算损失并优化模型,iter加一;
重复(1)-(4),iter大于itermax或直到损失收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210259206.0A CN114897914B (zh) | 2022-03-16 | 2022-03-16 | 基于对抗训练的半监督ct图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210259206.0A CN114897914B (zh) | 2022-03-16 | 2022-03-16 | 基于对抗训练的半监督ct图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114897914A true CN114897914A (zh) | 2022-08-12 |
CN114897914B CN114897914B (zh) | 2023-07-07 |
Family
ID=82715871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210259206.0A Active CN114897914B (zh) | 2022-03-16 | 2022-03-16 | 基于对抗训练的半监督ct图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897914B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187819A (zh) * | 2022-08-23 | 2022-10-14 | 北京医准智能科技有限公司 | 图像分类模型的训练方法、装置、电子设备及存储介质 |
CN115861252A (zh) * | 2022-12-14 | 2023-03-28 | 深圳技术大学 | 一种基于对抗学习策略的半监督医学图像器官分割方法 |
CN116739890A (zh) * | 2023-06-26 | 2023-09-12 | 强联智创(北京)科技有限公司 | 对生成健康血管图像的生成模型进行训练的方法及设备 |
CN117078703A (zh) * | 2023-08-30 | 2023-11-17 | 深圳扬奇医芯智能科技有限公司 | 一种基于mri引导的ct图像分割方法及*** |
CN117095395A (zh) * | 2023-10-19 | 2023-11-21 | 北京智源人工智能研究院 | 用于心脏超声图像分割的模型训练方法、装置和分割方法 |
CN117726642A (zh) * | 2024-02-07 | 2024-03-19 | 中国科学院宁波材料技术与工程研究所 | 一种用于光学相干断层扫描图像的高反射病灶分割方法和装置 |
CN117973496A (zh) * | 2024-02-19 | 2024-05-03 | 苏州慧维智能医疗科技有限公司 | 局部病变医疗图像生成模型的训练方法、***及应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949317A (zh) * | 2019-03-06 | 2019-06-28 | 东南大学 | 基于逐步对抗学习的半监督图像实例分割方法 |
CN112419327A (zh) * | 2020-12-10 | 2021-02-26 | 复旦大学附属肿瘤医院 | 一种基于生成对抗网络的图像分割方法、***和装置 |
US20210089845A1 (en) * | 2019-09-20 | 2021-03-25 | Samsung Electronics Co., Ltd. | Teaching gan (generative adversarial networks) to generate per-pixel annotation |
CN112734764A (zh) * | 2021-03-31 | 2021-04-30 | 电子科技大学 | 一种基于对抗网络的无监督医学图像分割方法 |
WO2022041307A1 (zh) * | 2020-08-31 | 2022-03-03 | 温州医科大学 | 一种构建半监督图像分割框架的方法及*** |
-
2022
- 2022-03-16 CN CN202210259206.0A patent/CN114897914B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949317A (zh) * | 2019-03-06 | 2019-06-28 | 东南大学 | 基于逐步对抗学习的半监督图像实例分割方法 |
US20210089845A1 (en) * | 2019-09-20 | 2021-03-25 | Samsung Electronics Co., Ltd. | Teaching gan (generative adversarial networks) to generate per-pixel annotation |
WO2022041307A1 (zh) * | 2020-08-31 | 2022-03-03 | 温州医科大学 | 一种构建半监督图像分割框架的方法及*** |
CN112419327A (zh) * | 2020-12-10 | 2021-02-26 | 复旦大学附属肿瘤医院 | 一种基于生成对抗网络的图像分割方法、***和装置 |
CN112734764A (zh) * | 2021-03-31 | 2021-04-30 | 电子科技大学 | 一种基于对抗网络的无监督医学图像分割方法 |
Non-Patent Citations (2)
Title |
---|
DAIQING LI等: "Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization", 《HTTPS://ARXIV.ORG/ABS/2104.05833》, pages 1 - 12 * |
张粲 等: "基于对抗学习网络的半监督医学图像分割方法", 《工业控制计算机》, no. 9, pages 57 - 59 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187819A (zh) * | 2022-08-23 | 2022-10-14 | 北京医准智能科技有限公司 | 图像分类模型的训练方法、装置、电子设备及存储介质 |
CN115861252A (zh) * | 2022-12-14 | 2023-03-28 | 深圳技术大学 | 一种基于对抗学习策略的半监督医学图像器官分割方法 |
CN115861252B (zh) * | 2022-12-14 | 2023-09-22 | 深圳技术大学 | 一种基于对抗学习策略的半监督医学图像器官分割方法 |
CN116739890A (zh) * | 2023-06-26 | 2023-09-12 | 强联智创(北京)科技有限公司 | 对生成健康血管图像的生成模型进行训练的方法及设备 |
CN117078703A (zh) * | 2023-08-30 | 2023-11-17 | 深圳扬奇医芯智能科技有限公司 | 一种基于mri引导的ct图像分割方法及*** |
CN117078703B (zh) * | 2023-08-30 | 2024-05-28 | 深圳扬奇医芯智能科技有限公司 | 一种基于mri引导的ct图像分割方法及*** |
CN117095395A (zh) * | 2023-10-19 | 2023-11-21 | 北京智源人工智能研究院 | 用于心脏超声图像分割的模型训练方法、装置和分割方法 |
CN117095395B (zh) * | 2023-10-19 | 2024-02-09 | 北京智源人工智能研究院 | 用于心脏超声图像分割的模型训练方法、装置和分割方法 |
CN117726642A (zh) * | 2024-02-07 | 2024-03-19 | 中国科学院宁波材料技术与工程研究所 | 一种用于光学相干断层扫描图像的高反射病灶分割方法和装置 |
CN117726642B (zh) * | 2024-02-07 | 2024-05-31 | 中国科学院宁波材料技术与工程研究所 | 一种用于光学相干断层扫描图像的高反射病灶分割方法和装置 |
CN117973496A (zh) * | 2024-02-19 | 2024-05-03 | 苏州慧维智能医疗科技有限公司 | 局部病变医疗图像生成模型的训练方法、***及应用 |
Also Published As
Publication number | Publication date |
---|---|
CN114897914B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
CN114897914B (zh) | 基于对抗训练的半监督ct图像分割方法 | |
WO2019200747A1 (zh) | 分割股骨近端的方法、装置、计算机设备和存储介质 | |
WO2020133636A1 (zh) | ***手术中外包膜智能检测和预警方法及*** | |
Tataru et al. | Deep Learning for abnormality detection in Chest X-Ray images | |
CN112926696A (zh) | 一种基于注意力图的可解释局部迁移互学习方法 | |
CN116129141A (zh) | 医学数据处理方法、装置、设备、介质和计算机程序产品 | |
Wu et al. | Cascaded fully convolutional DenseNet for automatic kidney segmentation in ultrasound images | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
Shao et al. | Application of U-Net and Optimized Clustering in Medical Image Segmentation: A Review. | |
Wang et al. | Automatic measurement of fetal head circumference using a novel GCN-assisted deep convolutional network | |
CN116740041B (zh) | 基于机器视觉的cta扫描图像分析***及其方法 | |
Duvieusart et al. | Multimodal cardiomegaly classification with image-derived digital biomarkers | |
CN111753736A (zh) | 基于分组卷积的人体姿态识别方法、装置、设备和介质 | |
CN116452793A (zh) | 一种基于多视角和多层级的绿色编解码显著目标检测方法 | |
CN115409812A (zh) | 一种基于融合时间注意机制的ct图像自动分类方法 | |
Hao et al. | Bone age estimation with x-ray images based on efficientnet pre-training model | |
CN114419061A (zh) | 一种肺部动静脉血管分割方法及*** | |
Zhang et al. | Nucleus image segmentation method based on GAN network and FCN model | |
He et al. | Fetal cardiac ultrasound standard section detection model based on multitask learning and mixed attention mechanism | |
Zhang et al. | RotU-Net: An Innovative U-Net With Local Rotation for Medical Image Segmentation | |
Huang et al. | Efficient click-based interactive segmentation for medical image with improved Plain-ViT | |
Shen et al. | HarDNet and dual-code attention mechanism based model for medical images segmentation | |
CN117393100B (zh) | 诊断报告的生成方法、模型训练方法、***、设备及介质 | |
Zhang et al. | MSAA-Net: a multi-scale attention-aware U-Net is used to segment the liver |
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 |