CN114937022B - 一种新型冠状肺炎的疾病检测分割方法 - Google Patents

一种新型冠状肺炎的疾病检测分割方法 Download PDF

Info

Publication number
CN114937022B
CN114937022B CN202210608148.8A CN202210608148A CN114937022B CN 114937022 B CN114937022 B CN 114937022B CN 202210608148 A CN202210608148 A CN 202210608148A CN 114937022 B CN114937022 B CN 114937022B
Authority
CN
China
Prior art keywords
net
image
convolution
branch
slices
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
Application number
CN202210608148.8A
Other languages
English (en)
Other versions
CN114937022A (zh
Inventor
郭菲
张南星
李雪健
马世强
唐继军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202210608148.8A priority Critical patent/CN114937022B/zh
Publication of CN114937022A publication Critical patent/CN114937022A/zh
Application granted granted Critical
Publication of CN114937022B publication Critical patent/CN114937022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • G06T2207/10—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
    • G06T2207/20—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)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种新型冠状肺炎的疾病检测分割方法，步骤如下：S1、获取COVID‑19肺CT病变的数据，进行预处理，图像的阈值范围为(‑1000，500)，找到肺部开始和结束的切片，并向外扩张切片，进行切片处理，去掉没有病灶的切片；S2、对数据进行处理，包括随机旋转图像、水平与垂直翻转图像、直方图均衡技术和图像归一化处理；S3、构建N‑Net网络结构；S4、对N‑Net中每层的两个3x3卷积的Block进行优化，同时，对U‑Net中每一层的两个3x3卷积的Block进行同样的优化；S5、将U‑Net和N‑Net网络结构合并成最终的网络结构NU‑Net。本发明采用上述的一种新型冠状肺炎的疾病检测分割方法，通过对感染COVID‑19肺部的CT图像提取特征，实现对肺部病灶的有效分割。

Description

一种新型冠状肺炎的疾病检测分割方法
技术领域
本发明涉及计算机深度学习图像分割技术领域，尤其是涉及一种新型冠状肺炎的疾病检测分割方法。
背景技术
冠状病毒病(COVID-19)在全球范围内的广泛传播，使全球面临生存健康危机。通过计算机断层扫描(CT)图像自动检测肺部感染，为加强应对COVID-19的传统医疗保健战略提供了巨大潜力。为了控制该疾病的传播，筛查大量疑似病例以进行适当的检疫和治疗是当务之急。
在确定COVID-19的严重程度方面，肺部异常是临床管理病人的关键因素，有可能促进更及时和个性化的医疗干预。病变的量化可以进一步提供疾病进展的跟踪和对治疗对策的反应。因此，改善COVID-19的治疗始于对病人疾病状态更清晰的了解，须包括对肺部病变和疾病表型和模式的准确识别、划定和量化。
目前，新型冠状肺炎COVID-19的疾病检测分割仍然有很多挑战，虽然肺部成像对于早起的识别和治疗都是至关重要的，但从CT切片中分割感染区域面临着几个挑战，包括感染特征的高变异、感染与正常组织的低强度对比。此外，深度学习需要大量的数据集来获得更有效的特征，而在短时间内收集大量数据是不现实的，数据集相对较小，会导致模型的过拟合，阻碍了深度模型的训练。
尽管UNet网络是近年来医学分割领域非常流行的网络，但是，通过研究发现，UNet网络在检测细微的组织结构时性能很差，并且无法精确分割边界区域，这是由UNet这种欠完备的网络中较大的感受野造成的。随着网络深度的增加，感受野也就越来越大，使得网络能够更加关注高级的语义信息，同时只能学习到较少的低层次特征，但是细小的组织结构是需要较小的感受野来获得的，即使UNet有跳跃链接的结构，它的最小感受野还是限制于第一层的网络。
发明内容
本发明的目的是提供一种新型冠状肺炎的疾病检测分割方法，解决了U-Net网络检测细微的组织结构时性能差和无法精确分割边界区域的问题，通过对感染COVID-19肺部的CT图像提取特征，实现对肺部病灶的有效分割。
为实现上述目的，本发明提供了一种新型冠状肺炎的疾病检测分割方法，步骤如下：
S1、获取COVID-19肺CT病变的数据，进行预处理，图像的阈值范围为(-1000，500)，找到肺部开始和结束的切片，并向外扩张切片，进行切片处理，去掉没有病灶的切片；
S2、对数据进行处理，包括随机旋转图像、水平与垂直翻转图像、直方图均衡技术和图像归一化处理；
S3、构建N-Net网络结构，与U-Net采样顺序相反，采样时先上采样后下采样，放大输入图片的细节信息；
S4、对N-Net中每层的两个3x3卷积的Block进行优化，同时，对U-Net中每一层的两个3x3卷积的Block进行同样的优化；
S5、将U-Net和N-Net网络结构合并成最终的网络结构NU-Net。
优选的，步骤S3中，构建N-Net过程如下，N-Net编码器先进行上采样，将输入转化为更高的维度，然后解码器进行下采样，其上采样是双线性插值，下采样是用最大池化。
优选的，步骤S4中，N-Net中每层两个3x3卷积的Block优化的过程如下，每个Block1有三个分支，第一个分支是先上采样后经过一个3x3卷积后下采样；第二个分支是两个3x3的卷积；第三个分支是先下采样后经过一个3x3卷积后上采样。
优选的，步骤S5中，将两个网络结构合并成新的网络结构NU-Net，上面分支是N-Net，下面分支是U-Net，将原图由上到下、由左到右的顺序裁剪成若干个尺寸一致的图像，并输入到N-Net分支的末端，再按照原来的顺序将其拼接成原图，下面分支U-Net的输入和输出尺寸与原图匹配，然后将上下两个分支的结果融合，经过一个1x1的卷积，使用softmax分类器对其进行分类。
因此，本发明采用上述一种新型冠状肺炎的疾病检测分割方法，用于自动检测和量化胸部的COVID-19病变的方法可能在该疾病的监测和管理中发挥重要作用。可以从胸部CT切片中自动识别感染区域，对受感染的人群进行筛查，使受感染的人群能够得到治疗和护理，并被隔离，减少病毒传播。
其具体的技术效果如下：
(1)在基本网络上加入了新的Block，可以用于更好的提取特征。
(2)探索了过完备的网络结构，将欠完备和过完备的网络结构结合起来，并加入新的Block，提出了新的网络结构NU-Net，明显的比U-Net更好的捕捉边缘和细节特征。
(3)在分割领域取得了更快的收敛速度、更好的性能、更好的泛化性。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是N-Net编码器上采样的示意图；
图2是N-Net编码器下采样的示意图；
图3是优化后的Block示意图；
图4是优化后的U-Net和N-Net示意图；
图5是NU-Net模型结构示意图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的主旨或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其它实施方式。这些其它实施方式也涵盖在本发明的保护范围内。
还应当理解，以上所述的具体实施例仅用于解释本发明，本发明的保护范围并不限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明/发明的保护范围之内。
本发明中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其它要素的可能。术语“内”、“外”、“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。在本发明中，除非另有明确的规定和限定，术语“附着”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。本发明中使用的术语“约”具有本领域技术人员公知的含义，优选指该术语所修饰的数值在其±50％，±40％，±30％，±20％，±10％，±5％或±1％范围内。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用词典中定义的术语应当被理解为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非本文有明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作为详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
本发明说明书中引用的现有技术文献所公开的内容整体均通过引用并入本发明中，并且因此是本发明公开内容的一部分。
实施例一
数据集使用COVID-19Lung CT Lesion Segmentation Challenge-20挑战赛的数据集，2020年COVID-19肺部CT病变分割挑战赛(COVID-19-20)创建了一个公共平台，以评估新兴的人工智能方法，从CT图像中对SARS-CoV-2感染引起的肺部病变进行分割和定量分析。
从CT图像中对SARS-CoV-2感染引起的肺部病变进行分割和量化，这些图像是多机构、多国家、来自不同年龄、性别和不同疾病严重程度的患者。数据集包括199个训练数据和50个验证数据。
本发明的新型冠状肺炎的疾病检测分割方法，具体步骤如下：
步骤(1)：获取COVID-19Lung CT Lesion Segmentation Challenge-20挑战赛的数据集，并且进行预处理，图像的阈值截取为(-1000，500)，找到肺部开始和结束的切片，向外扩张切片，并进行切片处理，去掉没有病灶的切片。
步骤(2)：为了提高模型训练质量，进行了数据增强，提高模型泛化效果和鲁棒性，使用的数据增强包括随机旋转图像，水平和垂直翻转图像，直方图均衡技术(用来增加图像对比度)和图像归一化等技术。
步骤(3)：传统U-Net网络是先下采样后上采样，网络形状和字母U很像，所以叫U-Net，本发明构建的N-Net网络结构与U-Net相反，先上采样后下采样，这样可以把输入图片的细节信息放大，以提取细节信息。
步骤(3)中构成N-Net编码器采用上采样，将输入转化为更高的维度(这个是空间意义，不是通道意义)，然后解码器进行下采样，所采用的上采用是双线性插值(图1)，下采样是用最大池化(图2)，这样可以准确的捕捉细微细节和边缘特征。
步骤(4)：对N-Net中每一层的两个3x3卷积的Block进行优化，这就是改进后的N-Net。同时对U-Net中每一层的两个3x3卷积的Block进行同样的优化。
步骤(4)中对原始网络中两个3x3的Block优化，新的Block如图3中Block1所示，每个Block1有三个分支，第一个分支是先上采样后经过一个3x3卷积后下采样，这样可以更好的提取大目标、整体信息。第二个分支是两个3x3的卷积，第三个分支是先下采样后经过一个3x3卷积后上采样，这样可以更好的提取细节和边缘信息。将这三个分支concatenate融合后，有利于不同目标的提取，再与其原始的输入进行element-wise add，使其捕捉的信息更加全面，同时可以减少梯度消失，图中的Block2作为Block1的替代品，在大尺寸的特征图上使用block2代替block1以减少内存消耗。优化Block的U-Net和N-Net网络结构，如图4，只是上下采样的顺序不同。
步骤(5)：将U-Net和N-Net网络结构合并成最终的网络结构NU-Net，网络结构，如图5，这样既能保证U-Net原先的分割效果，又能分割细微组织结构和边界区域。
步骤(5)中将两个网络结构合并成新的网络结构NU-Net，上面一个分支是N-Net，下面分支是U-Net，原图的尺寸是(512，512)，考虑到图像尺寸过大，先将其裁剪成4个尺寸为(256，256)的图像，输入网络结构，然后经过一个3x3的卷积。
由于上采样对显存需求很大，为了能让模型顺利运行，输入上面N-Net分支的图像尺寸由(256，256)按照从上到下从左到右裁剪成16个尺寸为(64，64)的图片作为输入，在上面N-Net分支的末端，再按照原来的顺序将其拼接成尺寸为(256，256)的图片，下面的一个分支U-Net的输入和输出尺寸都是(256，256)，然后将上下两个分支的结果用concatenate融合，再经过一个1x1的卷积，使用softmax分类器对其进行分类。
网络结构中有四个模块因为显存的限制，用Block2替换Block1，其余位置仍用Block1，所有使用的3x3的卷积都不会改变图像尺寸，在最终网络结构中，上分支N-Net中的卷积核数量设置分别为80，40，20，10，5，在下分支U-Net中的卷积核数量设置分组别为32，64，128，256，512。
本发明的过完备网络结构N-Net，与U-Net网络结构组合起来既可以获取高级特征、深层次的语意信息，也可以更好的捕获细节并分割，在分割病灶方面取得了更好的性能。
试验测试
使用Dice、Jaccrad、Volume Similarity、Hausdorff 95、Hausdorff 100、SurfaceDice AT1mm、Average Surface Distance GT to Pred和Average SurfaceDistance Pred to GT作为评价指标，看Dice和Jaccard这两个指标，计算方法如下：
Figure BDA0003671125620000081
Figure BDA0003671125620000082
测试四个网络结构的对比结果，分别是U-Net，U-NetB(图4)，Sym-Unet(Unet和一个与它对称的网络组成的双分支结构，一个分支采用U-Net，另一个分支采用先上采样后下采样的编码解码方式，每个Block用的普通3x3卷积)和NU-Net，对比结果如表1。
表1四组网络结构对比结果
Figure BDA0003671125620000083
从表1，可以看到NU-Net的Dice系数和Jaccard系数分别为0.6918和0.5556，而U-Net的Dice系数和Jaccard系数分别为0.6829和0.5347，Dice系数和Jaccard系数NU-Net对比U-Net提升了0.0089和0.0209，有明显提升，说明分割效果较好。
Hausdorff 95和Hausdorff 100明显降低，说明了分割边缘和细微细节效果也得到提升，SurfaceDice AT1mm，表面体积的Dice系数也得到提高，分割结果更加准确。通过U-Net和U-NetB的对比、Sym-Unet和NU-Net对比，发现Block的加入确实可以提升分割的效果，证明该模块是有效的。
因此，本发明采用上述一种新型冠状肺炎的疾病检测分割方法，从胸部CT切片中自动识别感染区域，对受感染的人群进行筛查，使受感染的人群能够得到治疗和护理，并被隔离，减少病毒传播。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (2)

1.一种新型冠状肺炎的疾病检测分割方法，其特征在于，步骤如下：
S1、获取COVID-19肺CT病变的数据，进行预处理，图像的阈值范围为(-1000，500)，找到肺部开始和结束的切片，并向外扩张切片，进行切片处理，去掉没有病灶的切片；
S2、对数据进行处理，包括随机旋转图像、水平与垂直翻转图像、直方图均衡技术和图像归一化处理；
S3、构建N-Net网络结构，与U-Net采样顺序相反，采样时先上采样后下采样；
S4、对N-Net中每层的两个3x3卷积的Block进行优化，优化后得到Block1，同时，对U-Net中每一层的两个3x3卷积的Block进行同样的优化；
S5、将U-Net和N-Net网络结构合并成最终的网络结构NU-Net；
步骤S4中，N-Net中每层两个3x3卷积的Block优化的过程如下，每个Block1有三个分支，第一个分支是先上采样后经过一个3x3卷积后下采样；第二个分支是两个3x3的卷积；第三个分支是先下采样后经过一个3x3卷积后上采样；
步骤S5中，将两个网络结构合并成新的网络结构NU-Net，上面分支是N-Net，下面分支是U-Net，将原图由上到下、由左到右的顺序裁剪成若干个尺寸一致的图像，并输入到N-Net分支的末端，再按照原来的顺序将其拼接成原图，下面分支U-Net的输入和输出尺寸与原图匹配，然后将上下两个分支的结果融合，经过一个1x1的卷积，使用softmax分类器对其进行分类。
2.根据权利要求1所述的一种新型冠状肺炎的疾病检测分割方法，其特征在于：步骤S3中，构建N-Net过程如下，N-Net编码器先进行上采样，将输入转化为更高的维度，然后解码器进行下采样，其上采样是双线性插值，下采样是用最大池化。
CN202210608148.8A 2022-05-31 2022-05-31 一种新型冠状肺炎的疾病检测分割方法 Active CN114937022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210608148.8A CN114937022B (zh) 2022-05-31 2022-05-31 一种新型冠状肺炎的疾病检测分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210608148.8A CN114937022B (zh) 2022-05-31 2022-05-31 一种新型冠状肺炎的疾病检测分割方法

Publications (2)

Publication Number Publication Date
CN114937022A CN114937022A (zh) 2022-08-23
CN114937022B true CN114937022B (zh) 2023-04-07

Family

ID=82866721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210608148.8A Active CN114937022B (zh) 2022-05-31 2022-05-31 一种新型冠状肺炎的疾病检测分割方法

Country Status (1)

Country Link
CN (1) CN114937022B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115375712B (zh) * 2022-10-25 2023-03-17 西南科技大学 一种基于双边学习分支实现实用的肺部病变分割方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615632A (zh) * 2018-11-09 2019-04-12 广东技术师范学院 一种基于半监督条件生成式对抗网络的眼底图视盘和视杯分割方法
CN112927237A (zh) * 2021-03-10 2021-06-08 太原理工大学 基于改进SCB-Unet网络的蜂窝肺病灶分割方法
CN113538363A (zh) * 2021-07-13 2021-10-22 南京航空航天大学 一种基于改进U-Net的肺部医学影像分割方法及装置
CN114299082A (zh) * 2021-12-15 2022-04-08 苏州大学 一种新冠肺炎ct图像分割方法、装置及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11222425B2 (en) * 2020-02-11 2022-01-11 DeepVoxel, Inc. Organs at risk auto-contouring system and methods
CN112634192B (zh) * 2020-09-22 2023-10-13 广东工业大学 一种结合小波变换的级联U-N Net脑肿瘤分割方法
CN112819911B (zh) * 2021-01-23 2022-10-25 西安交通大学 基于N-net和CycN-net网络结构的四维锥束CT重建图像增强算法
CN112950643B (zh) * 2021-02-26 2024-04-05 东北大学 基于特征融合深监督U-Net的新冠肺炎病灶分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615632A (zh) * 2018-11-09 2019-04-12 广东技术师范学院 一种基于半监督条件生成式对抗网络的眼底图视盘和视杯分割方法
CN112927237A (zh) * 2021-03-10 2021-06-08 太原理工大学 基于改进SCB-Unet网络的蜂窝肺病灶分割方法
CN113538363A (zh) * 2021-07-13 2021-10-22 南京航空航天大学 一种基于改进U-Net的肺部医学影像分割方法及装置
CN114299082A (zh) * 2021-12-15 2022-04-08 苏州大学 一种新冠肺炎ct图像分割方法、装置及存储介质

Also Published As

Publication number Publication date
CN114937022A (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
Murugesan et al. A hybrid deep learning model for effective segmentation and classification of lung nodules from CT images
CN110889852B (zh) 基于残差-注意力深度神经网络的肝脏分割方法
CN110930416B (zh) 一种基于u型网络的mri图像***分割方法
CN111798425B (zh) 基于深度学习的胃肠道间质瘤中核***象智能检测方法
CN110751636B (zh) 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法
WO2020211530A1 (zh) 用于检测眼底图片的模型训练方法和装置、眼底图片的检测方法和装置、计算机设备和介质
CN111938569A (zh) 基于深度学习的眼底多病种分类的检测方法
CN109886946B (zh) 基于深度学习的早期老年性黄斑病变弱监督分类方法
CN113239755B (zh) 一种基于空谱融合深度学习的医学高光谱图像分类方法
CN113420826B (zh) 一种肝脏病灶图像处理***及图像处理方法
CN109670489B (zh) 基于多实例学习的弱监督式早期老年性黄斑病变分类方法
CN113012140A (zh) 基于深度学习的消化内镜视频帧有效信息区域提取方法
CN113643261B (zh) 一种基于频率注意网络的胸肺部疾病诊断方法
CN114202545A (zh) 一种基于UNet++的低级别胶质瘤图像分割方法
CN114937022B (zh) 一种新型冠状肺炎的疾病检测分割方法
CN114092450A (zh) 一种基于胃镜检查视频的实时图像分割方法、***、装置
CN114881962A (zh) 一种基于改进U-Net网络的视网膜图像血管分割方法
CN114708258B (zh) 一种基于动态加权注意力机制的眼底图像检测方法及***
David et al. Retinal Blood Vessels and Optic Disc Segmentation Using U‐Net
Jian et al. Dual-branch-UNnet: A dual-branch convolutional neural network for medical image segmentation
CN112561877A (zh) 多尺度双通道卷积模型训练方法、图像处理方法及装置
CN116883341A (zh) 一种基于深度学习的肝脏肿瘤ct图像自动分割方法
CN112052854B (zh) 一种实现自适应对比度增强的医疗图像可逆信息隐藏方法
CN112288752B (zh) 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法
CN110619633A (zh) 一种基于多路滤波策略的肝脏图像分割方法

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
GR01 Patent grant
GR01 Patent grant