CN115082493A - 基于形状引导对偶一致性的3d心房图像分割方法及*** - Google Patents

基于形状引导对偶一致性的3d心房图像分割方法及*** Download PDF

Info

Publication number
CN115082493A
CN115082493A CN202210625204.9A CN202210625204A CN115082493A CN 115082493 A CN115082493 A CN 115082493A CN 202210625204 A CN202210625204 A CN 202210625204A CN 115082493 A CN115082493 A CN 115082493A
Authority
CN
China
Prior art keywords
atrial
image segmentation
image
data
atrial image
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
Application number
CN202210625204.9A
Other languages
English (en)
Inventor
雷涛
刘虎林
张栋
杜晓刚
何熙
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.)
Shaanxi University of Science and Technology
Original Assignee
Shaanxi University of Science and Technology
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 Shaanxi University of Science and Technology filed Critical Shaanxi University of Science and Technology
Priority to CN202210625204.9A priority Critical patent/CN115082493A/zh
Publication of CN115082493A publication Critical patent/CN115082493A/zh
Pending legal-status Critical Current

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
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/30048—Heart; Cardiac

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开的一种基于形状引导对偶一致性的3D心房图像分割方法及***，属于心房分割图像处理及模式识别领域。在心房图像分割***的训练阶段，通过引入基于对偶一致性的无监督形状约束模块，从大量无标注数据中学习目标器官的边界距离信息；通过引入基于深度监督的知识转移模块，在3D卷积神经网络的解码器末尾添加辅助的监督分支，将网络中间层特征表示作为知识在单个神经网络内部转移，使得心房图像分割***能够从少量有标注数据中学习更多具有鉴别性的特征。在推理阶段无需增加任何额外计算成本和存储空间的情况下，本发明能够提高心房图像的分割精度，显著增强心房图像分割***的鲁棒性和泛化性。本发明能够显著优化心房图像的分割过程。

Description

基于形状引导对偶一致性的3D心房图像分割方法及***
技术领域
本发明属于心房分割图像处理技术及模式识别领域，尤其涉及一种基于形状引导对偶一致性的3D心房图像分割方法及***。
背景技术
心脏病是常见的循环***疾病之一，包括心脏、血管和调节血液循环的神经体液组织器官的疾病，在内科疾病中属于常见病。该类疾病能够显著削弱患者的劳动力水平，严重威胁着人类的生命健康。通过对心房图像进行准确且快速地分割，对于辅助医生诊断、提升治疗成功率以及减轻患者身心伤害起着重要的作用。虽然通过医生手工标注能够重建心房的三维结构，但需要专业的解剖学知识和实际的临床诊断经验，导致大量的人力和物力成本。其次，由于核磁共振成像(MRI，Magnetic Resonance Imaging)通常具有噪声大、对比度低等特点，使得目标器官同其它毗邻器官的界限相对模糊并且难以直观划定，从中提取具有鉴别性的特征相比于自然图像更加困难。同时，对3D心房图像进行逐切片地手工标注，不仅过程繁琐、效率低下，而且手工标注容易受到标注者的主观因素、专业知识以及临床经验的影响，从而导致标注精度受限。
3D心房图像自动分割旨在使目标器官的解剖或病理结构变化更清晰，常常在计算机辅助诊断和智慧医疗***中扮演着重要角色。基于准确和稳健的分割结果，可以定量分析生理或病理结构的形态学属性，为临床医生的诊断和治疗提供可靠的依据。在深度学习技术出现之前，心房图像分割通常是半自动的，主要依靠基于模型驱动的图像分割方法。得益于大量人工标注的训练数据，深度神经网络在心房图像分割方面能够获得最先进的性能。目前主流的心房图像分割网络均基于U型架构，这些网络大致可以分为两类，分别应用于2D和3D心房图像分割任务。对于2D心房图像分割任务，残差连接和密集连接常用于提高网络性能，例如ResUNet、mUNet和DenseUNet。对于3D心房图像分割任务，2D卷积神经网络通常忽略3D心房图像的时间序列信息。为克服上述缺陷，研究者们提出3D U-Net和V-Net等3D卷积神经网络。尽管这些3D卷积神经网络可以同时探索切片间的时间序列信息和切片内的空间特征信息，但仍然存在难以收敛以及需要大量人工标注的训练数据等急需解决的问题。由于心房图像的标注需要具备专业知识和临床经验，获取大量像素级别的精细标注数据往往成本高昂且耗时耗力，特别是3D心房图像需要逐层进行标注。考虑到无标注数据的采集更加容易，开发基于半监督学习的心房图像分割技术来降低对于精细标注数据的依赖是非常必要的。
近年来，研究者们公开许多用于心房图像分割任务的半监督学习方法，这些方法旨在从无标注数据中挖掘有效的隐藏信息来提升模型性能。目前主流的心房图像分割方法大致可以分为两类：基于一致性正则化的半监督学习方法和基于伪标签的半监督学习方法。对于第一类基于一致性正则化的半监督学习方法，深度神经网络同时从有标注图像和无标注图像中学习，仅在有标注图像上计算有监督损失，而在有标注图像和无标注图像上计算无监督损失，其核心思想是对相同分布下的输入图像执行预测的一致性来利用无标注数据。例如，UA-MT是一种基于不确定性感知的心房图像分割方法，通过鼓励在不同扰动下对相同输入图像的一致性预测来有效地利用无标注数据，从而在训练过程中向更有意义和更可靠的目标学习。对于第二类基于伪标签的半监督学习方法，首先通过有标注数据训练深度神经网络，然后使用预先训练好的深度神经网络给无标注图像分配对应的伪标签，最后同时使用有标注图像和伪标注图像来更新模型参数。例如，CIMAS是一种同时从标注数据和无标注数据中训练的深度神经网络，迭代地更新伪分割标签和网络参数，并使用条件随机场对伪标签进行精细化。
尽管上述半监督学习方法已经取得不错的效果，但是仍然面临以下两个挑战：首先，现有的半监督学习方法不能充分利用来自无标注数据中目标器官的区域几何形状约束，缺乏对于边界距离信息的显式建模，往往导致对象覆盖不完全或边界预测效果较差。其次，这些方法的训练方案往往只在网络的最后一层执行监督，可能将错误的指导信息逐层传播，并且忽略少量有标注数据的重要性，在一定程度上会增加模型表征学习不足的风险。特别是在一个小型数据集上，仅利用少量有标注数据和大量无标注数据来训练参数量巨大、结构复杂的3D卷积神经网络，例如10％的训练数据包含标签，而90％的训练数据不包含标签。
发明内容
为解决现有3D心房图像分割方法依赖大量的人工标注数据，以及传统半监督学习方法对于心房图像分割精度较低、鲁棒性较差、泛化能力较弱、器官边界模糊等问题。本发明的主要目的在于提供一种基于形状引导对偶一致性的3D心房图像分割方法及***，在心房图像分割***的训练阶段，通过引入基于对偶一致性的无监督形状约束模块，从大量无标注数据中学习目标器官的边界距离信息，从而增强心房图像分割***在低维空间预测几何形状的能力；通过引入基于深度监督的知识转移模块，在3D卷积神经网络的解码器末尾添加辅助的监督分支，将网络中间层特征表示作为知识在单个神经网络内部转移，使得心房图像分割***能够从少量有标注数据中学习更多具有鉴别性的特征。在推理阶段无需增加任何额外计算成本和存储空间的情况下，本发明能够提高心房图像的分割精度，显著增强心房图像分割***的鲁棒性和泛化能力。相比于目前主流的心房图像分割方法，本发明能够有效地消除一些明显孤立的微小分支，能够产生更准确和更完整的分割结果，显著地优化心房图像的分割过程。
为达到上述目的，本发明采用以下技术方案。
本发明公开的一种基于形状引导对偶一致性的心房图像分割方法，通过整合两个独立的3D卷积神经网络，所述两个3D卷积神经网络具有相同的编码器和略有不同的解码器，其中一个3D卷积神经网络为心房图像分割网络，用于输出分割概率映射图；另一个3D卷积神经网络为心房图像回归网络，用于生成具有形状感知能力的有符号距离图。所述两个3D卷积神经网络在训练过程中相互协作，利用两个3D卷积神经网络预测之间的差异性来捕获心房图像分割***的认知不确定性，使其在训练过程中更加注重对于几何形状的学习，增强心房图像分割***在低维空间中预测目标形状表征的能力。
本发明通过构建基于对偶一致性的无监督形状约束模块，能够充分挖掘大量无标注数据中潜在的可靠的隐藏信息和目标器官的边界距离信息，从而增强心房图像分割***在低维空间预测目标形状的能力。因此，在推理阶段采用训练好的心房图像分割***，无需增加任何额外计算成本和存储空间的情况下，能够提高心房图像的分割精度。通过构建用于3D卷积神经网络的深度监督知识转移模块，分别在所述两个3D卷积神经网络的解码器末尾分别添加辅助的监督分支，将网络中间层特征表示作为知识在单个3D卷积神经网络内部转移，使得心房图像分割***能够从少量有标注数据中学习更多具有鉴别性的特征。综上所述，心房图像分割***在训练阶段使用基于对偶一致性的无监督形状约束模块和基于深度监督的知识转移模块进行预先训练，在推理阶段无需增加任何额外计算成本和存储空间的情况下，能够提高心房图像的分割精度，显著增强心房图像分割***的鲁棒性和泛化能力。
由于少量有标注数据和大量无标注数据更加符合实际的应用场景，因此采用一种基于形状引导对偶一致性的3D心房图像分割方法对心房图像进行分割，能够有效提高心房图像分割精度，支撑人工智能辅助心房图像分割、影像重构、风险程度评估、病灶检测、辅助训练等。
本发明公开的一种形状引导对偶一致性的心房图像分割方法，包括以下步骤：
步骤一：根据心房图像的先验信息，制作具有噪声、抖动、旋转等特点的心房图像分割训练数据集。
步骤1.1：心房图像的预处理。
由于人体心房几何形状的特殊性，导致获取到的每一个心房图像数据中，Z轴方向首尾位置的图像不包含心房，因此根据位置的关联程度仅保留中间固定数目的切片作为一个心房图像数据。此外，在获取到的心房图像数据中往往存在数据质量不一致的问题，特别是目标与背景的对比度差异不明显，因此通过直方图均衡化来改善心房图像的质量。
步骤1.2：心房图像的数据增强。
在少量有标注数据和大量无标注数据的情况下，为提升心房图像分割***的泛化能力和鲁棒性，本发明进行如下的数据增强操作：①对原始心房图像进行大小固定且起始范围限定的随机裁剪；②以固定概率对原始心房图像进行随机缩放操作；③以固定概率对原始心房图像进行水平翻转；④以固定概率对原始心房图像进行垂直翻转；⑤以固定概率对原始心房图像添加高斯扰动。以上操作对于训练数据集中的心房图像随着心房图像分割***的训练过程，进行实时随机性地扩充来增强心房图像分割***的泛化能力，对应的人工标注掩码进行相同方式的数据扩充操作，但是对于测试数据集不进行数据扩充操作。
步骤二：根据步骤一制作的包括不同特点的心房图像数据集，基于半监督学习方法对心房图像分割***进行训练。
步骤2.1：在有标注数据上执行有监督学习。
对于有标注的训练数据集Dl，每个3D卷积神经网络主要由有监督损失来指导学习分割目标的可靠表示，具体如下：
Figure BDA0003676895710000041
Figure BDA0003676895710000042
其中，
Figure BDA0003676895710000043
表示预测的分割概率映射图和对应的标签之间的联合损失，
Figure BDA0003676895710000044
表示由有符号距离图转换而来的分割概率映射图和对应的标签之间的有监督损失，具体转换函数为σ(k×z)＝1/(1+exp(-k×z))，k是一个尽可能大的变换因子，Ldice表示广泛使用的Dice损失函数，Lbce表示二分类的交叉熵损失函数。
步骤2.2：在有标注数据和无标注数据上执行基于形状引导的对偶一致性半监督学习。
对于整个训练样本集Dl∪Du上执行无监督的跨任务一致性损失，鼓励对于相同输入的一致预测来利用大量的无标注数据。在整个训练过程中，通过联合学习分割概率映射图和具有几何形状感知能力的有符号距离图，所述心房图像分割***能够加强几何形状约束，并且从大量无标注数据中挖掘更多具有鉴别性的形状特征。本发明加强分割预测和转换后的回归预测之间基于形状引导的对偶一致性，具体如下：
Figure BDA0003676895710000045
其中λsdc表示加权系数，本发明使用一个高斯上升函数λsdc(t)＝exp(-5×(1-t/tmax)2)来平衡有监督的分割损失和无监督的一致性损失，t表示当前迭代步数，tmax表示最大训练步数。BDL(·)表示几何空间的边界距离损失函数，用来衡量两个边界之间的变化。由于边界距离损失在形状表示上采用距离度量的形式而不是区域，因此在训练过程中更加注重未标注数据中具有挑战性的区域，缓解分割概率映射图中边缘模糊的问题。
步骤2.3：在有标注数据上执行基于深度监督知识转移模块的半监督学习。
在现有基于半监督学习的心房图像分割***的训练方案中，往往只在卷积神经网络的最后一层执行监督训练，可能忽略少量有标注数据的重要性，进而导致反向传播的梯度消失以及网络表征学习不足等问题。为缓解所述问题，所述用于3D卷积神经网络的深度监督知识转移模块，通过在3D卷积神经网络的解码器上附加辅助的监督分支，将网络中间特征表示作为知识在单一的3D卷积神经网络内部进行传递，显著增强从少量有标注数据中学习具有鉴别性特征的能力。
对于有标注的训练样本集Dl，本发明将通过深度监督得到的网络中间特征图纳入心房图像分割***的优化过程，分别计算每个深度监督分支的网络中间特征表示和对应标签之间的有监督损失，具体如下：
Figure BDA0003676895710000051
其中hk表示第k个深度监督分支。与传统心房图像分割***的不同之处在于，本发明方法通过添加辅助的监督分支来高效地利用少量的有标注数据，从而使心房图像分割***的优化过程更加高效。更重要的是，所有的辅助监督分支在推理阶段均被丢弃，因此本发明方法没有消耗额外的计算资源和存储空间。
步骤三：根据通用的半监督学习任务设置，配置心房图像分割***训练所需参数。
步骤3.1：根据上述两个独立的3D卷积神经网络，在训练过程中相互协作并且间接地从大量无标注数据中探索更多可靠的信息，进而提升心房图像分割***的性能，其总体损失函数分别定义如下：
Figure BDA0003676895710000052
Figure BDA0003676895710000053
其中，
Figure BDA0003676895710000054
表示用于生成分割概率映射图的3D卷积神经网络的总体损失函数，
Figure BDA0003676895710000055
表示用于生成有符号距离图的3D卷积神经网络的总体损失函数。
步骤3.2：为上述两个独立的3D卷积神经网络设置相同的学习率、批处理大小、权值初始化方式、权值衰减系数、优化方法以及迭代次数，使用步骤一中制作的心房图像分割数据集训练步骤二所述的心房图像分割***。
步骤四：通过对心房图像分割***进行推理与三维重建，得到心房图像分割的三维效果图。
步骤4.1：在心房图像分割***的推理阶段，对心房图像数据的加载方式具体为：预先统计所有的心房图像并得到心房出现时在整张图像的位置，然后对每一张心房图像及其标注掩码同时进行大小限定的中心裁剪，并使用直方图均衡化方法来增强测试图像。
步骤4.2：在推理阶段，首先将心房图像数据输入至心房图像分割***中，使用步幅限定的滑动窗口来获得初步的分割结果。其次，采用自适应形态学算法对初步的心房图像分割结果进行三维重建得到心房图像分割的三维效果图。
本发明还公开一种基于形状引导对偶一致性的3D心房图像分割***，用于实现所述一种基于形状引导对偶一致性的3D心房图像分割方法，所述一种基于形状引导对偶一致性的心房图像分割***包括图像预处理模块、心房图像分割***训练模块、推理预测模块、心房图像三维重构模块。所述心房图像分割***训练模块包括：形状引导对偶一致性子模块、3D深度监督知识转移子模块。
所述图像预处理模块主要功能为，根据心房图像先验信息，针对MRI图像具有对比度低、噪声、模糊特点，通过预处理以及数据增强改善图像质量，通过数据扩充操作来增强心房图像分割***的泛化能力，并制作用于训练的心房图像数据集。
所述心房图像分割***训练模块，基于半监督学习方法进行相互协作训练，得到训练好的心房图像分割***。所述形状引导对偶一致性子模块，通过引入基于对偶一致性的无监督形状约束整合两个独立的3D深度卷积神经网络，两个3D深度卷积神经网络具有相同的编码器和略有不同的解码器；其中一个3D深度卷积神经网络为心房图像分割网络，用于输出分割概率映射图，另一个3D深度卷积神经网络为心房图像回归网络，用于生成具有形状感知能力的有符号距离图；所述3D深度卷积神经网络在训练过程中相互协作，利用所述3D深度卷积神经网络预测之间的差异性来捕获心房图像分割***认知的不确定性；在训练过程中更加注重对于器官几何形状的学习，增强心房图像分割***在低维空间中预测目标形状表征的能力，进而充分挖掘大量无标注数据中潜在的可靠的隐藏信息；从大量无标注数据中标记目标器官的边界距离信息，增强心房图像分割***在低维空间预测目标形状的能力，从而便于推理阶段采用训练好的心房图像分割***，无需增加任何额外计算成本和存储空间的情况下，提高心房图像的分割精度；所述3D深度监督知识转移子模块通过构建用于3D卷积神经网络的深度监督知识转移模块，在所述两个3D深度卷积神经网络的解码器末尾分别添加辅助的监督分支，将网络中间层特征表示作为知识在单个神经网络内部转移，使得心房图像分割***能够从少量有标注数据中学习更多具有鉴别性的特征。
所述推理预测模块，根据心房图像分割***训练模块训练好的心房图像分割***，进行心房图像分割的推理预测，初步得到心房图像的2D分割图像。
所述心房图像三维重构模块，采用自适应形态学算法对心房图像分割***进行推理与三维重建，得到高精度的3D分割图像，即得到心房图像分割的三维效果图。
有益效果：
1、本发明公开的一种基于形状引导对偶一致性的3D心房图像分割方法及***，通过整合两个具有相同的编码器和略有不同的解码器的3D卷积神经网络，并且利用两个3D卷积神经网络之间的预测差异性来捕获认知的不确定性，进而充分挖掘大量无标注数据中的隐藏信息。上述两个独立的3D卷积神经网络分别称为心房图像分割网络和心房图像回归网络，其中心房图像分割网络用于生成常规的分割概率映射图，心房图像回归网络用于生成具有形状感知表示能力的有符号距离图。所述两个3D卷积神经网络在训练过程中相互协作，并且间接地从大量无标注数据中探索更多可靠的信息。此外，本发明通过引入一项额外的无监督形状约束来利用无标注数据中目标器官的边界距离信息，使得心房图像分割***在训练过程中更加注重对于器官形状的学习，能够增强心房图像分割***在低维空间中预测目标形状的能力。
2、本发明公开的一种基于形状引导对偶一致性的3D心房图像分割方法及***，深度监督知识转移模块，通过在解码器上附加辅助的监督分支，将网络中间层的特征表示作为知识在单个3D卷积神经网络内部传递。该模块不仅在训练过程中能够实现对于少量有标注数据的高效利用，而且能够提升3D卷积神经网络的训练效率和稳定性。在推理阶段中不引入额外的计算成本和存储空间的情况下，所述深度监督知识转移模块能够在具有挑战性区域捕获更多广义特征，并且显著提高心房图像分割***的鲁棒性和泛化能力，加快3D卷积神经网络的收敛速度，使得最终分割结果的器官边界更平滑，能够有效提高心房图像的分割精度，产生更准确和更完整的分割结果。
附图说明
图1是本发明的一种基于形状引导对偶一致性的3D心房图像分割方法的流程图。
图2是本发明的一种基于形状引导对偶一致性的3D心房图像分割***的框图。
图3是本发明的基于形状引导对偶一致性的3D心房图像分割方法及***的框架图。基于半监督学习任务设置，两个3D卷积神经网络均通过最小化组合损失函数进行优化，包括有标注数据的有监督损失、有标注数据和无标注数据的对偶一致性损失以及基于深度监督知识转移模块的辅助损失。
图4是本发明的基于形状引导对偶一致性的3D心房图像分割方法及***的主干网络结构图，以及3D深度监督知识转移模块的结构图。所述3D卷积神经网络同时输出分割概率映射图和有符号距离图，通过多任务学习方法来捕获目标器官的几何轮廓信息。
图5是本发明方法在公开的左心房数据集上，分别使用10％和20％的有标注数据作为训练数据集，所得到左心房图像分割结果的2D和3D可视化图。
具体实施方式
为更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。
实施例1：
实施例：对LGE-MRI图像进行左心房的分割处理及三维重建。
该实施例的技术方案：(1)LGE-MRI图像的预处理和数据增强。首先，根据位置的关联程度仅保留中间包含左心房的80张切片作为一个训练数据，并对原始切片进行大小为112×112的随机裁剪。其次，采用对比度受限的自适应直方图均衡化来改善图像质量。最后，在训练过程中进行5种随机的数据扩充操作来增强心房图像分割***的鲁棒性和泛化能力。(2)基于形状引导对偶一致性的心房图像分割***的训练过程。首先，在有标注数据上执行有监督学习。其次，同时在有标注数据和无标注数据上执行基于形状引导对偶一致性的半监督学习。最后，在有标注数据上执行基于深度监督知识转移模块的有监督学习。(3)心房图像分割***的推理与三维重建。首先将经过直方图均衡化的测试图像输入至预先训练好的3D卷积神经网络中得到初步分割结果，然后采用自适应形态学算法对分割结果进行三维重建得到最终的分割结果。
如附图2所示，本实施例公开的一种基于形状引导对偶一致性的3D心房图像分割方法，具体包括以下步骤：
步骤一：制作左心房图像分割训练数据集。
步骤1.1：本实施例所使用的3D左心房图像来自于2018年心脏统计图集和计算模型(STACOM)研讨会举办的一场左心房图像分割比赛，总共包括100个通过延迟钆增强-核磁共振成像(Late Gadolinium Enhancement Magnetic Resonance Imaging,LGE-MRI)获取的来自心房颤动(Atrial Fibrillation,AF)患者的三维心脏扫描数据，并且包含专家手工标注的左心房注释数据。
步骤1.2：所述左心房扫描数据的原始分辨率为0.625×0.625×0.625mm3，即通过人体平躺，垂直于水平面的平面设定为O-XY平面，人体身高方向为Z轴方向，每个轴向均以0.625mm的间隔距离采样一个像素点而形成。本实施例将上述左心房图像数据随机划分为训练数据集和测试数据集，其中训练集包含80个左心房图像数据，测试集包含20个左心房图像数据。
步骤1.3：对于训练数据集，本实施例采用两种通用的半监督学习设置对心房图像分割***进行训练，分别是8个(10％)左心房图像数据作为有标注的训练集和72个(90％)左心房图像数据作为无标注的训练集，以及16个(20％)左心房图像数据作为有标注的训练集和64个(80％)左心房图像数据作为无标注的训练集。
步骤1.4：由于人体左心房形状结构的特殊性，导致获取到的每一个扫描数据中Z轴方向的首尾位置的图像很大一部分不含左心房，因此根据位置的关联程度仅保留中间包含左心房的80张切片作为一个训练心房图像分割***的扫描数据。
步骤二：对LGE-MRI图像进行预处理和数据增强。
步骤2.1：由于上述训练数据存在数据质量不一致的问题，特别是目标与背景的对比度差异不明显，因此本实施例拟通过直方图均衡化来改善左心房图像质量。然而直方图均衡化是在整张图像上进行变换，不能只针对局部调整对比度，特别是各个器官组织紧密相连的LGE-MRI图像，因此采用对比度受限的自适应直方图均衡化(CLAHE)来解决这一问题。
步骤2.2：根据上述包括不同图像特点的左心房图像训练数据集，本实施例基于在线实时处理的方式进行数据增强，其目的在于提升基于半监督学习的心房图像分割***的鲁棒性和泛化能力，具体实施步骤如下：
步骤2.2.1：对原始左心房图像进行大小为112×112，起始范围限定的随机裁剪。
步骤2.2.2：对原始左心房图像进行随机缩放操作，缩放比例在0.8到1.25之间。
步骤2.2.3：对原始左心房图像以0.5的概率进行水平翻转操作。
步骤2.2.4：对原始左心房图像以0.5的概率进行垂直翻转操作。
步骤2.2.5：对原始左心房图像以0.5的概率添加高斯扰动。
步骤三：建立心房图像分割***的前向传播模型。
根据步骤一制作的左心房图像分割训练数据集，基于3D卷积神经网络对不同图像特征进行提取，并通过编码器将高维图像以低维特征表示，提升左心房图像分割的准确率和效率，通过解码器将学习到的特征映射到样本标记空间生成清晰的分割图像。如附图3所示，心房图像分割***可以表述为两个独立3D卷积神经网络的集成，其中分割网络用于生成分割概率映射图，回归网络用于生成具有形状感知能力的有符号距离图。如附图4所示，本发明方法在原始3D卷积神经网络(V-Net网络)的末尾添加一个回归分支来生成具有形状感知能力的有符号距离图。对于LGE-MRI图像来说，产生高质量的标注数据需要专业知识和临床经验，尤其是3D左心房图像需要逐层进行标注，因此获取大量像素级别的、具有精细标注的训练数据集往往耗时耗力且非常昂贵。根据LGE-MRI图像的成像特点，通过半监督学习方法对心房图像分割***进行训练，具体实施步骤如下：
步骤3.1：对于给定的左心房输入图像x∈RH×W×D，心房图像分割网络只有分割分支被激活并且输出分割概率映射图yseg∈{0,1}H×W×D，心房图像回归网络只有回归分支被激活并且输出有符号距离图ysdm∈[0,1]H×W×D。在基于半监督学习的3D心房图像分割任务中，训练数据集可以表示为D＝Dl∪Du，有标注的训练数据集表示为
Figure BDA0003676895710000091
无标注的训练数据集表示为
Figure BDA0003676895710000092
其中M<<N。此外，输入左心房图像x∈RH×W×D对应的标签表示为y∈{0,1}H×W×D。
步骤3.2：在有标注数据上执行有监督学习。在本实施例中，对于有标注的训练数据集Dl，每个3D卷积神经网络主要由有监督损失来指导学习分割目标的可靠表示，具体如下：
Figure BDA0003676895710000093
Figure BDA0003676895710000094
其中，
Figure BDA0003676895710000095
表示预测的分割概率映射图和对应的标签之间的联合损失，
Figure BDA0003676895710000096
表示由有符号距离图转换而来的分割概率映射图和对应的标签之间的有监督损失，具体对应的转换函数为σ(k×z)＝1/(1+exp(-k×z))，k是一个尽可能大的变换因子，Ldice表示广泛使用的Dice损失函数，Lbce表示二分类的交叉熵损失函数。
步骤3.3：在有标注数据和无标注数据上执行基于形状引导的对偶一致性半监督学习。
在本实施例中，对于整个训练数据集Dl∪Du，执行基于形状引导的对偶一致性半监督学习，鼓励对于相同输入图像的一致性预测来利用大量的无标注数据。在整个训练过程中，通过联合学习分割概率映射图和具有几何形状感知能力的有符号距离图，所述心房图像分割***能够加强几何形状约束策略，可以从大量的无标注数据中挖掘更多具有鉴别性的特征向量。本发明方法专注于加强分割概率映射图和由有符号距离图转换而来的分割概率图之间的对偶一致性，具体如下：
Figure BDA0003676895710000101
其中λsdc表示加权系数，本实施例使用一个高斯上升函数λsdc(t)＝exp(-5×(1-t/tmax)2)来平衡有监督的分割损失和无监督的一致性损失，t表示当前迭代训练的步数，tmax表示最大训练的步数。BDL(·)表示几何空间的边界距离损失函数，用来衡量两个边界之间的变化。由于边界距离损失在形状表示上采用距离度量的形式而不是区域，因此在训练过程中更加注重未标注数据中具有挑战性的区域，这在一定程度上缓解分割概率映射图中边缘模糊的问题。
步骤3.4：在有标注数据上执行基于深度监督知识转移模块的半监督学习。
在传统心房图像分割***的训练方案中，往往只在3D卷积神经网络的最后一层执行有监督训练，这可能会忽视少量有标注数据的重要性，导致梯度消失以及3D卷积神经网络表征学习不足等问题。为缓解上述问题，本发明方法公开的一种深度监督知识转移模块，通过在解码器上附加辅助的监督分支，将网络中间特征表示作为知识在单一神经网络内部进行传递，能够显著增强从少量有标注数据中学习具有鉴别性特征的能力。对于有标注的训练样本集Dl，将通过深度监督得到的网络中间特征图纳入心房图像分割***的优化过程中，分别计算每个深度监督分支的中间特征表示和对应标签之间的有监督损失，具体如下：
Figure BDA0003676895710000102
其中，hk表示第k个深度监督分支。与传统的心房图像分割***的不同之处在于，本发明方法通过添加辅助的监督分支来高效地利用少量的有标注数据，从而使心房图像分割***的优化过程更加高效。更重要的是，所有的辅助监督分支在推理阶段均被丢弃，因此本发明方法没有消耗额外的计算资源和存储空间。
步骤四：配置3D卷积神经网络训练所需参数及优化方法，包括设置学习率、批处理大小、权值初始化方式、权值衰减系数、迭代次数。
步骤4.1：本实施例所用的硬件实验平台：CPU为Intel Core i9-9900X 3.5GHz，内存为128GB，GPU为NVIDIA GeForce RTX 3090Ti，显存为24GB；软件实验平台：PyTorch、Python、OpenCV、NumPy等开源软件和框架。
步骤4.2：本实施例所用的初始学习率为0.0001，并按照每2500次迭代进行一次指数衰减来调整学习率，衰减率设置为0.1。
步骤4.3：本实施例所用的批处理大小为4，其中2个训练数据包含对应的标签，2个训练数据不包含对应的标签。
步骤4.4：本实施例所用的优化方法为随机梯度下降(Stochastic GradientDescent，SGD)最优化算法来训练心房图像分割***，其中动量设置为0.9，weight_decay设置为0.001。
步骤4.5：本实施例通过四个指标参数来评估所心房图像分割***的性能，其中Dice表示两个集合样本的相似度，Jaccard表示有限样本集之间的相似性与差异性，ASD表示平均对称表面距离，95HD表示95％豪斯多夫距离(Hausdorff Distance)。
步骤五：基于半监督学习方法对心房图像分割***进行训练。
使用步骤一中制作的左心房图像分割训练数据集，使用步骤二对LGE-MRI图像进行预处理和数据增强，使用步骤三来建立心房图像分割***的前向传播模型，使用步骤四来配置3D卷积神经网络训练所需参数，最后使用半监督学习方法来训练心房图像分割***。
步骤5.1：心房图像分割***在训练过程中的总体损失函数。
所述一种基于形状引导对偶一致性的心房图像分割***包含两个独立的3D卷积神经网络，这两个网络在训练过程中互相协作，并且间接地从大量的无标注数据中探索更多可靠的信息，但推理阶段仅需要其中一个分割网络即可。综上，分割网络和回归网络的总体损失函数分别定义如下：
Figure BDA0003676895710000111
Figure BDA0003676895710000112
其中，
Figure BDA0003676895710000113
表示用于生成分割概率映射图的3D卷积神经网络的总体损失函数，
Figure BDA0003676895710000114
表示用于生成有符号距离图的3D卷积神经网络的总体损失函数。
步骤5.2：在两种半监督学习设置下，通过大量对比实验来验证本发明方法的优越性和实用性。
为验证本发明公开的一种基于形状引导对偶一致性的3D心房图像分割方法及***的优越性，本实施例在两种不同的设置下与最先进的7种半监督方法进行全面比较，包括DAP(MICCAI 2019)、UA-MT(MICCAI 2019)、SASSNet(MICCAI 2020)、LG-ER-MT(MICCAI2020)、DUWM(MICCAI 2020)、PDC-Net(ICMV 2021)和DTC(AAAI 2021)。为进行公平的比较，在这些半监督心房图像分割方法中使用相同结构的V-Net网络作为主干网络。如表1所示，本实施例将V-Net在全监督设置下实现的性能作为左心房图像分割任务的上界性能和下界性能。如表2所示，本实施例使用8个(10％)左心房图像数据作为有标注的训练集和72个(90％)左心房图像数据作为无标注的训练集，分别对7种最先进的半监督学习方法以及本发明方法在相同的实验设置下进行训练的结果。如表3所示，本实施例使用16个(20％)左心房图像数据作为有标注的训练集和64个(即80％)左心房图像数据作为无标注训练集，分别对7种最先进的半监督学习方法以及本发明方法在相同的实验设置下进行训练的结果。通过在训练过程中充分挖掘大量的无标注数据和高效地利用少量的有标注数据，本发明方法可以获得可观的性能提升(即Dice系数从86.03％提升到90.39％)。同时，本发明方法能够实现与上限性能相当的结果，在其他性能指标上也优于主流的半监督心房图像分割方法。
表1分别使用8个左心房图像数据、16个左心房图像数据以及80个左心房图像数据作为有标注的训练集，在全监督的实验设置下使用V-Net网络进行训练的结果
Figure BDA0003676895710000121
表2使用8个左心房图像数据作为有标注的训练集和72个左心房图像数据作为无标注的训练集，分别对7种最先进的半监督学习方法以及本发明方法在相同的实验设置下进行训练的结果
Figure BDA0003676895710000122
表3使用16个左心房图像数据作为有标注的训练集和64个左心房图像数据作为无标注的训练集，分别对7种最先进的半监督学习方法以及本发明方法在相同的实验设置下进行训练的结果
Figure BDA0003676895710000123
步骤5.3：在通用的半监督学习设置下，通过详细的消融实验来验证本发明方法的有效性。
为验证本发明公开的一种基于形状引导对偶一致性的3D心房图像分割方法及***的有效性，本实施例在步骤一制作的左心房图像分割训练数据集上，使用16个和64个左心房图像数据分别作为有标注的训练集和无标注的训练集，进行详细的消融实验来检验各个组件的有效性，即基于形状引导的对偶一致性学习模块和基于深度监督的知识转移模块。首先，相比于仅使用16个有标注的左心房图像数据作为训练集的全监督V-Net基线(1)，基于一致性正则化的半监督学习方法(2)显然具有更优越的性能。此外，实验结果(1)(2)证明当训练数据集的规模较小时，通过从64个无标注的左心房图像数据中挖掘有效的隐藏信息可以显著提升心房图像分割***的性能。其次，本发明方法通过引入一个额外的形状约束模块来学习目标器官的几何形状表示，使心房图像分割***在训练过程中更加注重对于目标边界的学习，并间接地从无标注数据中探索更多可靠的边界距离信息，实验结果(4)(5)(6)表明该模块可以显著提高心房图像***的分割精度。最后，实验结果(3)(5)(6)表明深度监督知识转移模块通过添加辅助的监督分支，协助3D卷积神经网络从有限的标注数据中学习更复杂和更广义的特征，从而获得较大的性能收益。综上所述，以上六个实验证明本发明方法的公开的基于形状引导的对偶一致性学习模块和基于深度监督的知识转移模块的有效性。
表4使用16个和64个左心房图像数据作为有标注的训练集和无标注的训练集，分别对本发明方法在不同损失函数组件的指导下进行消融实验的结果，其中“V”表示使用此项损失函数
Figure BDA0003676895710000131
步骤六：心房图像分割***的推理和左心房图像的三维重建。
步骤6.1：在心房图像分割***的推理阶段，本实施例对测试图像的加载方式具体为：预先统计所有的心房图像并得到左心房出现时在整张图像的位置，然后对每一张心房图像及其标注掩码同时进行大小为112×112的中心裁剪，并使用对比度受限的直方图均衡化方法来增强测试图像。
步骤6.2：为验证本发明公开的一种基于形状引导对偶一致性的3D心房图像分割方法及***的实用性，将经过上述步骤处理的测试图像输入至心房图像分割***中得到初步的分割结果，使用步幅为18×18×4的滑动窗口来获得最终的分割结果。
步骤6.3：采用自适应形态学算法对最终的分割结果进行三维重建。如附图4所示，相比于目前主流的半监督心房图像分割方法，本发明方法能够有效地消除一些明显孤立的微小分支，能够产生更准确和更完整的分割结果，显著地优化心房图像的分割过程，并且更接近于专家手工标注的结果。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种形状引导对偶一致性的3D心房图像分割方法，其特征在于：包括以下步骤，
步骤一：根据心房图像的先验信息，制作心房图像分割训练数据集；
步骤二：根据步骤一制作的包括不同特点的心房图像数据集，基于半监督学习方法对心房图像分割***进行训练；
步骤2.1：在有标注数据上执行有监督学习；
对于有标注的训练数据集Dl，每个3D卷积神经网络主要由有监督损失来指导学习分割目标的可靠表示，具体如下：
Figure FDA0003676895700000011
Figure FDA0003676895700000012
其中，
Figure FDA0003676895700000013
表示预测的分割概率映射图和对应的标签之间的联合损失，
Figure FDA0003676895700000014
表示由有符号距离图转换而来的分割概率映射图和对应的标签之间的有监督损失，具体转换函数为
Figure FDA0003676895700000015
k是一个尽可能大的转换因子，Ldice表示广泛使用的Dice损失函数，Lbce表示二分类的交叉熵损失函数；
步骤2.2：在有标注数据和无标注数据上执行基于形状引导对偶一致性的半监督学习；
对于整个训练数据集Dl∪Du上执行无监督的跨任务一致性，鼓励对于相同输入的一致预测来利用大量的无标注数据；在整个训练过程中，通过联合学习分割概率映射图和具有几何形状感知能力的有符号距离图，所述心房图像分割***能够加强几何形状约束，并且从大量无标注数据中挖掘更多具有鉴别性的几何形状特征；加强分割概率映射图和有符号距离图之间基于形状引导的对偶一致性，具体如下：
Figure FDA0003676895700000016
其中λsdc表示加权系数，使用高斯上升函数λsdc(t)＝exp(-5×(1-t/tmax)2)来平衡有监督的分割损失和无监督的一致性损失，t表示当前迭代步数，tmax表示最大训练步数；BDL(·)表示几何空间的边界距离损失函数，用来衡量两个边界之间的变化；由于边界距离损失在形状表示上采用距离度量的形式而不是区域，因此在训练过程中更加注重未标注数据中具有挑战性的区域，缓解分割概率映射图中边缘模糊的问题；
步骤2.3：在有标注数据上执行基于深度监督知识转移模块的半监督学习；
深度监督知识转移模块，通过在3D卷积神经网络的解码器上附加辅助的监督分支，将网络中间特征表示作为知识在单一的3D卷积神经网络内部进行传递，可以显著增强心房图像分割***从少量有标注数据中学习具有鉴别性特征的能力；
对于有标注的训练数据集Dl，将通过深度监督得到的网络中间特征图纳入心房图像分割***的优化过程，分别计算每个深度监督分支的网络中间特征表示和对应标签之间的有监督损失，具体如下：
Figure FDA0003676895700000021
其中hk表示第k个深度监督分支；与现有基于半监督学习的3D心房图像分割方法的不同之处在于，通过添加辅助的监督分支来高效地利用少量的有标注数据，从而使心房图像分割***的优化过程更加高效；
步骤三：根据通用的半监督学习任务设置，配置心房图像分割***训练所需参数；
步骤四：通过对心房图像分割***进行推理与三维重建，得到心房图像分割的三维效果图。
2.如权利要求1所述的一种形状引导对偶一致性的心房图像分割方法，其特征在于：步骤一实现方法为，
步骤1.1：心房图像的预处理；
由于人体心房几何形状的特殊性，导致获取到的每一个心房图像数据中，Z轴方向首尾位置的图像不包含心房，因此根据位置的关联程度仅保留中间固定数目的切片作为一个心房图像数据；此外，在获取到的心房图像数据中往往存在数据质量不一致的问题，特别是目标与背景的对比度差异不明显，因此通过直方图均衡化来改善心房图像的质量；
步骤1.2：心房图像的数据增强；
在少量有标注数据和大量无标注数据的情况下，为提升心房图像分割***的泛化能力和鲁棒性，进行如下的数据增强操作：①对原始心房图像进行大小固定且起始范围限定的随机裁剪；②以固定概率对原始心房图像进行随机缩放操作；③以固定概率对原始心房图像进行水平翻转；④以固定概率对原始心房图像进行垂直翻转；⑤以固定概率对原始心房图像添加高斯扰动；以上操作对于训练数据集中的图像随着心房图像分割***的训练过程，进行实时随机性地扩充来增强心房图像分割***的泛化性能，对应的人工标注掩码进行相同方式的数据扩充操作，但是对于测试数据集不进行数据扩充操作。
3.如权利要求2所述的一种形状引导对偶一致性的心房图像分割方法，其特征在于：步骤三实现方法为，
步骤3.1：根据上述两个独立的3D卷积神经网络，在训练过程中相互协作并且间接地从大量无标注数据中探索更多可靠的信息，进而提升心房图像分割***的性能，其总体损失函数分别定义如下：
Figure FDA0003676895700000022
Figure FDA0003676895700000023
其中，
Figure FDA0003676895700000031
表示用于生成分割概率映射图的3D卷积神经网络的总体损失函数，
Figure FDA0003676895700000032
表示用于生成有符号距离图的3D卷积神经网络的总体损失函数；
步骤3.2：为上述两个独立的3D卷积神经网络设置相同的学习率、批处理大小、权值初始化方式、权值衰减系数、优化方法以及迭代次数，使用步骤一中制作的心房图像分割数据集训练步骤二所述的心房图像分割***。
4.如权利要求3所述的一种形状引导对偶一致性的心房图像分割方法，其特征在于：步骤四实现方法为，
步骤4.1：在心房图像分割***的推理阶段，对心房图像数据的加载方式具体为：预先统计所有的心房图像并得到心房出现时在整张图像的位置，然后对每一张心房图像及其标注掩码同时进行大小限定的中心裁剪，并使用直方图均衡化方法来增强测试图像；
步骤4.2：在推理阶段，首先将心房图像数据输入至心房图像分割***中，使用步幅限定的滑动窗口来获得初步的分割结果；其次，采用自适应形态学算法对初步的心房图像分割结果进行三维重建，得到心房图像分割的三维效果图。
5.一种基于形状引导对偶一致性的3D心房图像分割***，用于实现如权利要求1、2、3或4所述的一种形状引导对偶一致性的3D心房图像分割方法，其特征在于：包括心房图像预处理模块、心房图像分割***训练模块、心房图像分割***推理预测模块、心房图像三维重建模块；所述心房图像分割***训练模块包括：形状引导对偶一致性子模块、3D深度监督知识转移子模块；
所述心房图像预处理模块主要功能为，根据心房图像先验信息，针对MRI图像具有对比度低、噪声、模糊特点，通过预处理以及数据增强改善图像质量，通过数据扩充操作来增强心房图像分割***的泛化能力，并制作用于训练的心房图像数据集；
所述心房图像分割***训练模块，在训练过程中相互协作训练，得到训练好的心房图像分割***；所述形状引导对偶一致性子模块，通过引入基于对偶一致性的无监督形状约束，整合两个独立的3D卷积神经网络；两个3D卷积神经网络具有相同的编码器和略有不同的解码器，其中一个3D卷积神经网络为心房图像分割网络，用于输出分割概率映射图，另一个3D卷积神经网络为心房图像回归网络，用于生成具有形状感知能力的有符号距离图；所述3D卷积神经网络在训练过程中相互协作，利用心房图像分割网络和心房图像回归网络预测之间的差异性，来捕获心房图像分割***认知的不确定性；在训练过程中更加注重对于目标器官几何形状的学习，增强心房图像分割***在低维空间中预测目标形状表征的能力，进而充分挖掘大量无标注数据中潜在的可靠的隐藏信息；从大量无标注数据中学习目标器官的边界距离信息，增强心房图像分割***在低维空间预测目标形状的能力；从而便于推理阶段采用训练好的心房图像分割***，无需增加任何额外计算成本和存储空间的情况下，提高3D心房图像的分割精度；所述3D深度监督知识转移子模块，通过构建用于3D卷积神经网络的深度监督知识转移模块，在所述两个3D卷积神经网络的解码器末尾分别添加辅助的监督分支，将网络中间层特征表示作为知识在单个神经网络内部转移，使得心房图像分割***能够从少量有标注数据中学习更多具有鉴别性的特征；
所述推理预测模块，根据心房图像分割***训练模块训练好的心房图像分割***，进行心房图像分割***的推理预测，初步得到心房图像的2D分割图像；
所述心房图像三维重建模块，采用自适应形态学算法对心房图像分割***进行推理与三维重建，得到高精度的3D分割图像，即得到心房图像分割的三维效果图。
CN202210625204.9A 2022-06-02 2022-06-02 基于形状引导对偶一致性的3d心房图像分割方法及*** Pending CN115082493A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210625204.9A CN115082493A (zh) 2022-06-02 2022-06-02 基于形状引导对偶一致性的3d心房图像分割方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210625204.9A CN115082493A (zh) 2022-06-02 2022-06-02 基于形状引导对偶一致性的3d心房图像分割方法及***

Publications (1)

Publication Number Publication Date
CN115082493A true CN115082493A (zh) 2022-09-20

Family

ID=83248745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210625204.9A Pending CN115082493A (zh) 2022-06-02 2022-06-02 基于形状引导对偶一致性的3d心房图像分割方法及***

Country Status (1)

Country Link
CN (1) CN115082493A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258672A (zh) * 2022-12-26 2023-06-13 浙江大学 医学图像分割方法、***、存储介质及电子设备
CN116309621A (zh) * 2023-03-13 2023-06-23 浙江大学 一种基于符号距离的肝肿瘤分割方法及装置
CN116824146A (zh) * 2023-07-05 2023-09-29 深圳技术大学 一种小样本ct图像分割方法、***、终端及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258672A (zh) * 2022-12-26 2023-06-13 浙江大学 医学图像分割方法、***、存储介质及电子设备
CN116258672B (zh) * 2022-12-26 2023-11-17 浙江大学 医学图像分割方法、***、存储介质及电子设备
CN116309621A (zh) * 2023-03-13 2023-06-23 浙江大学 一种基于符号距离的肝肿瘤分割方法及装置
CN116824146A (zh) * 2023-07-05 2023-09-29 深圳技术大学 一种小样本ct图像分割方法、***、终端及存储介质
CN116824146B (zh) * 2023-07-05 2024-06-07 深圳技术大学 一种小样本ct图像分割方法、***、终端及存储介质

Similar Documents

Publication Publication Date Title
CN111047594B (zh) 肿瘤mri弱监督学习分析建模方法及其模型
CN110930416B (zh) 一种基于u型网络的mri图像***分割方法
Torrents-Barrena et al. Segmentation and classification in MRI and US fetal imaging: recent trends and future prospects
Mansoor et al. Deep learning guided partitioned shape model for anterior visual pathway segmentation
Tong et al. 3D deeply-supervised U-net based whole heart segmentation
CN115082493A (zh) 基于形状引导对偶一致性的3d心房图像分割方法及***
US20070116332A1 (en) Vessel segmentation using vesselness and edgeness
Liu et al. Automatic segmentation algorithm of ultrasound heart image based on convolutional neural network and image saliency
CN113298830B (zh) 一种基于自监督的急性颅内ich区域图像分割方法
Chen et al. Computer-aided diagnosis and decision-making system for medical data analysis: A case study on prostate MR images
Du et al. An integrated deep learning framework for joint segmentation of blood pool and myocardium
CN114387282A (zh) 一种医学影像器官精准自动分割方法及***
Jiang et al. Ori-net: Orientation-guided neural network for automated coronary arteries segmentation
Damayanti et al. Corpus callosum segmentation from brain MRI images based on level set method
CN116977323A (zh) 基于图像编辑的白癜风病变区域分割方法、装置及电子设备
Asma-Ull et al. Data efficient segmentation of various 3d medical images using guided generative adversarial networks
CN115409857A (zh) 一种基于深度学习的三维脑积水ct图像分割方法
CN115472258A (zh) 乳腺癌新辅助化疗后mri影像生成及疗效预测方法
Yan et al. Segmentation of pulmonary parenchyma from pulmonary CT based on ResU-Net++ model
Shao et al. Semantic segmentation method of 3D liver image based on contextual attention model
CN115018754A (zh) 一种新颖的深度孪生网络改进形变轮廓模型的性能
Cao et al. Seg-CapNet: a capsule-based neural network for the segmentation of left ventricle from cardiac magnetic resonance imaging
Zhu et al. Feature matching in Ultrasound images
Zhang et al. Segmentation of skin lesion using superpixel guided generative adversarial network with dual-stream patch-based discriminators
Genereux et al. An Efficient CNN-BiLSTM-Based Model for Multi-Class Intracranial Hemorrhage Classification

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