CN116958705A - 基于图神经网络的医学影像归类*** - Google Patents
基于图神经网络的医学影像归类*** Download PDFInfo
- Publication number
- CN116958705A CN116958705A CN202311005816.9A CN202311005816A CN116958705A CN 116958705 A CN116958705 A CN 116958705A CN 202311005816 A CN202311005816 A CN 202311005816A CN 116958705 A CN116958705 A CN 116958705A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- neural network
- recommended
- images
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000003902 lesion Effects 0.000 claims abstract description 12
- 238000010191 image analysis Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000002449 bone cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了基于图神经网络的医学影像归类***,涉及医学图像处理技术领域,包括:图像获取模块,获取磁共振图像;预处理模块,对所述磁共振图像进行图像预处理,得到多个锚点,根据所述锚点设置得到边界框,获取所述边界框内的推荐图像;图像分析模块,根据所述推荐图像构建获取每个推荐图像对应的病变位置,将多个所述推荐图像进行多模态整合得到对应的融合图像,生成分析报告,将所述分析报告发送至分类模块;分类模块,根据所述图像分析模块的分析报告,确定磁共振图像类别,并发送至图神经网络;能够实现对低维医学图像的分类,提高了分类的准确性和效率。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种基于图神经网络的医学影像归类***。
背景技术
医学图像数据具有可获得、质量高、体量大、标准统一等特点,使人工智能在其中的应用较为成熟。利用图像处理技术对图像进行分析和处理,实现对人体器官、软组织和病变体的位置检测、分割提取、三维重建和三维显示,可以对感兴趣区域(Region ofInterest,ROI)进行定性甚至定量的分析,从而大大提高临床诊断的效率、准确性和可靠性,在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。
目前医学图像分割处理的对象主要是各种细胞、组织、器官的图像,医学图像分割的过程是:根据区域间的相似或不同,把图像分割成若干区域。
而对于临床工作中获取的低维的医学图像,单一的图像处理方式不能提供给医生所需要的足够信息,进行分类时也会出现不同的识别情况,使得对医学图像归类处理难以保证准确性。
发明内容
本申请实施例通过提供一种基于图神经网络的医学影像归类***,解决了现有技术中独权能解决的技术问题,实现了技术效果。
本申请实施例提供了一种基于图神经网络的医学影像归类***,包括:
图像获取模块,获取磁共振图像;
预处理模块,对所述磁共振图像进行图像预处理,得到多个锚点,根据所述锚点设置得到边界框,获取所述边界框内的推荐图像;
图像分析模块,根据所述推荐图像构建获取每个推荐图像对应的病变位置,将多个所述推荐图像进行多模态整合得到对应的融合图像,生成分析报告,将所述分析报告发送至分类模块;
分类模块,根据所述图像分析模块的分析报告,确定磁共振图像类别,并发送至图神经网络;
所述图神经网络具体包括输入模块,特征提取模块和特征处理模块;
所述输入模块,读取磁共振图像类别,输入图像的特征,得到特征图;
所述特征提取模块对特征图的特征进一步提取,同时提取边界框与锚点对应的特征,将边界框特征、锚点特征和特征图进行比对,得到深层特征;
所述特征处理模块是通过历史检测的记录对当前输入的推荐图像进行判断,得到最终的识别结果。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过对磁共振图像根据锚点和边界框对特征图进行处理,可以充分识别推荐图像的深层特征,并且通过对特征对比迭代的方式,得到该个体的患病概率,有效提高了医学图像的分类效率。
附图说明
图1为本发明的流程图;
图2为本发明的图神经网络的流程图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本申请进行更全面的描述;附图中给出了本发明的较佳实施方式,但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式;相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
在本申请的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本申请。此外,本申请可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定
请参阅图1,为本发明的流程图:
本发明提供一种基于图神经网络的医学影像归类***,包括:
图像获取模块,获取磁共振图像;
预处理模块,对磁共振图像进行图像预处理,得到多个锚点,根据锚点设置得到边界框,获取边界框内的推荐图像;
所述锚点是判断是否在目标图像位置中,连续的锚点圈定的地区就是在图像处理中可能存在病理信息的区域,同时对锚点组成的线框进行处理,使用边界框回归修正锚点,获得较为规则的边界框;将获取的边界框内的图像进行处理,从而得到精准的推荐图像;
图像分析模块,根据推荐图像构建获取每个推荐图像对应的病变位置,将多个推荐图像进行多模态整合得到对应的融合图像,生成分析报告,将分析报告发送至分类模块;
具体的,对多个图像之间的冗余数据处理来提高推荐图像的可读性,对每个图像进行逐点处理,将灰度值等进行加权求和或者灰度值取大、取小的操作来对图像进行合并整合;此时多个图像共同标记的推荐图像可以直观的显示可能存在病变的区域,从而辅助医生进行判断处理;
具体的,多模态整合是指通过多个推荐图像进行合并处理,在对合并后融合图像进行处理,融合图像精度相较于原图像较高,方便进行处理;
分类模块,根据图像分析模块的分析报告,确定磁共振图像类别;将磁共振图像根据个体患病概率占比分为多个不同分组,并发送至图神经网络;
具体的,分类时,根据设定好的对比图像进行分类,将符合情况的推荐图像放入同一分组内;
在对个体患病概率进行分析时,通过图神经网络进行提取,图神经网络具体包括输入模块,特征提取模块和特征处理模块,其中输入模块用于读取磁共振图像类别,同时输入图像的特征,得到特征图;
特征提取模块通过对特征图的特征进一步提取,同时提取边界框与锚点对应的特征,将边界框特征、锚点特征和特征图进行比对,得到深层特征;
需要说明的是,锚点对应的特征是提取磁共振图像中可被识别细胞、神经元等,获得锚点特征和边界框特征,将两者整合与推荐图像特征进行合并区分,可以提高推荐图像的识别率,同时在对推荐图像进行处理时,着重锚点和边界框特征可以进一步限定病变的区域,辅助进行判断;
特征处理模块是通过历史检测的记录对当前输入的推荐图像进行判断,得到最终的识别结果,同时完成磁共振图像的归类;
在本发明的一个实施例中,图像预处理模块可以为以下步骤实现:
对磁共振图像进行分割,根据图像纹理和空间特征分为多个分割图像,对分割图像进行灰度值转换,得到灰度值图像;
将分割出的灰度值图像,进行多点检测,得到多个锚点;
根据多个锚点所连接的区域提取得到边界框;
从边界框中提取需要检测的推荐图像;边界框内包含的图像不一定时需要检测的推荐图像,在获取到对应的边界框后,将边界框内的图像去除掉部分骨骼组织、细胞组织,去除完成的图像就是需要的推荐图像,去除时是根据数据库中存放的病例数据对比来进行完成的;
在本发明的一个实施例中,边界框获取为以下方式实现:
获取锚点的分布趋势图像,获取锚点之间连线区域最小外接矩形,获取最小外接矩形的中轴线,将其中最短的中轴线作为起点,设为第一中轴线;
第一中轴线对锚点进行长度检测遍历,每一次的检测遍历都以第一中线上的某一点作为起点,被检测的锚点作为终点,连接的线段为对称线,将每个对称线分开的两个区域进行对比,对比两组区域之间的余弦相似度,根据余弦相似度调整连接的锚点;
对锚点之间连线区域依次执行长度检测遍历,直到得到最佳连线区域,此时锚点之间连线形成边界框;
具体的,在一张磁共振图像上可以存在多个推荐图像,获得的边界框也是存在多个的,各个边界框之间不相交,在同一张磁共振图像中,每个边界框都是唯一的。
在本发明的一个实施例中,图像分析模块为以下方式实现:
对每个推荐图像进行高斯金字塔分解,得到多层图像,每一层的分辨率逐渐降低;
对每个图像的高斯金字塔进行拉普拉斯金字塔变换,得到多个拉普拉斯金字塔,每个拉普拉斯金字塔都是原始图像减去上一层图像的放大版本得到的;
对多个拉普拉斯金字塔进行逐层加权平均,得到新的融合金字塔。具体地,对于每一层金字塔,可以取每个图像对应层的拉普拉斯金字塔图像进行加权平均,权重可以根据图像的质量、可信度、对应病变概率等因素进行分配;
对新的融合金字塔进行逐层重构,得到融合图像。具体地,可以对每一层金字塔图像进行拉普拉斯反卷积或快速离散小波逆变换等方法进行重构,得到融合图像的每一层;
对融合图像进行后续的病变位置识别和个体患病概率计算等分析处理,得到分析报告;
此时得到的分析报告是,分析了病人的全部磁共振图像,并且对所有磁共振图像进行了融合处理,来发现可能存在的病理信息;此时融合的图像是根据提供的推荐图像进行组合而成的,相对于单张磁共振图像分析,更加直观。
在本发明的一个实施例中,图神经网络输入模块可以为以下实现方式:
获取分析报告中的融合图像;
融合图像依次进行卷积层、池化层和激活函数,生成预设维度的特征图;其中输入的卷积核大小为11×11,通道数为4,步长为2;这样设置可以使得到的图像精准度更高,更方便识别出病理信息;
需要说明的是,医学图像一般时灰度图像,对灰度图像处理是进行的通道数较少,步长则是根据具体情况进行调整的;同时融合图像的形状会影响到输出特征大小和输出通道数。
在本发明的一个实施例中,特征提取模块可以为以下方式实现:
特征提取模块是对特征图的进一步处理,特征图是表示推荐图像组合的特征;此时为了使得判断结果更加准确,对边界框与锚点进行回归计算,提取边界框与锚点特征;
定义一个概率P,对每个锚点进行判断时,当锚点小于概率P则进行忽略,计算锚点的损失率,当损失率小于预设阈值后,获取大于概率P的锚点特征;设置的概率P是当前锚点存在病变的概率,损失率是指小于设置概率的锚点占比;
对锚点特征进行边界框最大值限定,对锚点特征根据权重计算分数,并与原始图像对比,判断锚点是否超出边界,对锚点特征根据分数进行排序,输出分数最高的锚点;
具体的,边界框最大值限定是指,锚点组成的最大的、可以实现提取推荐图像的边界框;
具体的,获取多个特征图中的分数最高的锚点,组合形成最终边界框,提取最终边界框对应的边界框特征;
通过最终边界框得到最终推荐区域,提取最终推荐区域特征;将最终推荐区域特征、边界框特征和特征图进行迭代操作,得到深层特征。
在本发明一个实施例中,迭代操作通过以下方式实现:
初始化:首先,将最终推荐区域特征和边界框特征作为初始特征,同时将特征图也作为当前特征;
前向传播:使用初始特征和当前特征,分别进行卷积操作并将结果相加,得到新的特征图;
反向传播:将新的特征图与原特征图进行差分,得到差分特征图。然后,将差分特征图反向传播到输入图像,得到误差的梯度信息;
更新边界框:使用误差的梯度信息更新边界框的位置和大小,以改进边界框的准确性;
更新特征:使用误差的梯度信息更新最终推荐区域特征和边界框特征,以改进特征的表达能力;
终止条件:重复执行前面的步骤,直到满足终止条件,例如达到最大迭代次数或误差变化小于一个阈值;
需要注意的是,迭代算法在实际应用中需要考虑计算效率和模型的稳定性。在迭代过程中,特征图的大小可能会不断变化,因此需要在每次迭代之前进行图像金字塔的操作,以获得不同尺度的特征图。此外,为了提高迭代算法的稳定性,可以使用一些正则化技术,如dropout和批归一化等,来防止过拟合和梯度消失问题。
需要说明的是,
在本发明的一个实施例中,特征处理模块将深层特征进行池化操作,并经过全连接层处理,得到对应区域图像的个体患病率,完成对磁共振图像的归类;
在上述图神经网络的实现中,使用20个推荐图像进行处理,每组ROI代表一组实验数据,在经过上述步骤处理后,得到的单个推荐图像的可能性(Odds),如表1和表2所示。
表1单个推荐图像的可能性(Odds,%)
表2集成分类的预测结构与20个推荐图像结果对比(Odds,%)
如表2所示本***对于医学图像的分类存在较高优势,使得在整体分类过程中可以起到良好的辅助作用,更加方便医护人员的工作。
以上所述仅为本发明的优选实施方式,并不用于限制本发明,对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明精神和原则内,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 (10)
1.一种基于图神经网络的医学影像归类***,其特征在于,包括:
图像获取模块,获取磁共振图像;
预处理模块,对所述磁共振图像进行图像预处理,得到多个锚点,根据所述锚点设置得到边界框,获取所述边界框内的推荐图像;
图像分析模块,根据所述推荐图像构建获取每个推荐图像对应的病变位置,将多个所述推荐图像进行多模态整合得到对应的融合图像,生成分析报告,将所述分析报告发送至分类模块;
分类模块,根据所述图像分析模块的分析报告,确定磁共振图像类别,并发送至图神经网络;
所述图神经网络具体包括输入模块,特征提取模块和特征处理模块;
所述输入模块,读取磁共振图像类别,输入图像的特征,得到特征图;
所述特征提取模块对特征图的特征进一步提取,同时提取边界框与锚点对应的特征,将边界框特征、锚点特征和特征图进行比对,得到深层特征;
所述特征处理模块是通过历史检测的记录对当前输入的推荐图像进行判断,得到最终的识别结果。
2.如权利要求1所述的一种基于图神经网络的医学影像归类***,其特征在于,所述预处理模块为以下实现方式:
对所述磁共振图像进行分割,根据图像纹理和空间特征分为多个分割图像,对分割图像进行灰度值转换,得到灰度值图像;
将分割出的灰度值图像,进行多点检测,得到多个锚点;
根据多个所述锚点所连接的区域提取得到边界框。
3.如权利要求1所述的一种基于图神经网络的医学影像归类***,其特征在于,所述边界框通过以下方式实现:
获取所述锚点的分布趋势图像,获取所述锚点之间连线区域最小外接矩形,获取最小外接矩形的中轴线,将其中最短的中轴线作为起点,设为第一中轴线;
第一中轴线对所述锚点进行长度检测遍历,每一次的检测遍历都以第一中线上的某一点作为起点,被检测的锚点作为终点,连接的线段为对称线,将每个对称线分开的两个区域进行对比,对比两组区域之间的余弦相似度,根据余弦相似度调整连接的锚点;
对所述锚点之间连线区域依次执行长度检测遍历,直到得到最佳连线区域,此时锚点之间连线形成边界框。
4.如权利要求1所述的一种基于图神经网络的医学影像归类***,其特征在于,所述磁共振图像上可以存在多个推荐图像,获得的边界框也是存在多个的,各个边界框之间不相交,在同一张磁共振图像中,每个边界框都是唯一的。
5.如权利要求1所述的一种基于图神经网络的医学影像归类***,其特征在于,所述图像分析模块实现为以下方式:
对每个推荐图像进行高斯金字塔分解,得到多层图像,每一层的分辨率逐渐降低;
对每个图像的高斯金字塔进行拉普拉斯金字塔变换,得到多个拉普拉斯金字塔,每个拉普拉斯金字塔都是原始图像减去上一层图像的放大版本得到的;
对多个拉普拉斯金字塔进行逐层加权平均,得到新的融合金字塔;
对新的融合金字塔进行逐层重构,得到融合图像;
对融合图像进行后续的病变位置识别和个体患病概率计算等分析处理,得到分析报告。
6.如权利要求1所述的一种基于图神经网络的医学影像归类***,其特征在于,获取所述锚点特征时,定义一个概率P,对每个锚点进行判断时,当锚点小于概率P则进行忽略,计算锚点的损失率,当损失率小于预设阈值后,获取大于概率P的锚点特征。
7.如权利要求1所述的一种基于图神经网络的医学影像归类***,其特征在于,所述锚点特征进行边界框最大值限定,对锚点特征根据权重计算分数,并与原始图像对比,判断锚点是否超出边界,对锚点特征根据分数进行排序,输出分数最高的锚点。
8.如权利要求1所述的一种基于图神经网络的医学影像归类***,其特征在于,所述获取多个特征图中的分数最高的锚点,组合形成最终边界框,提取最终边界框对应的边界框特征;
通过最终边界框得到最终推荐区域,提取最终推荐区域特征;将最终推荐区域特征、边界框特征和特征图进行迭代操作,得到深层特征。
9.如权利要求1所述的一种基于图神经网络的医学影像归类***,其特征在于,所述融合图像依次进行卷积层、池化层和激活函数,生成预设维度的特征图。
10.如权利要求1所述的一种基于图神经网络的医学影像归类***,其特征在于,所述分类模块将所述磁共振图像根据个体患病概率占比分为多个不同分组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311005816.9A CN116958705A (zh) | 2023-08-10 | 2023-08-10 | 基于图神经网络的医学影像归类*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311005816.9A CN116958705A (zh) | 2023-08-10 | 2023-08-10 | 基于图神经网络的医学影像归类*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958705A true CN116958705A (zh) | 2023-10-27 |
Family
ID=88449236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311005816.9A Pending CN116958705A (zh) | 2023-08-10 | 2023-08-10 | 基于图神经网络的医学影像归类*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958705A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372439A (zh) * | 2023-12-08 | 2024-01-09 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于核磁和ct融合的子宫病变位置识别方法、***及介质 |
-
2023
- 2023-08-10 CN CN202311005816.9A patent/CN116958705A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372439A (zh) * | 2023-12-08 | 2024-01-09 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于核磁和ct融合的子宫病变位置识别方法、***及介质 |
CN117372439B (zh) * | 2023-12-08 | 2024-03-12 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于核磁和ct融合的子宫病变位置识别方法、***及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103714536B (zh) | 基于稀疏表示的多模态磁共振图像的分割方法及装置 | |
Ahirwar | Study of techniques used for medical image segmentation and computation of statistical test for region classification of brain MRI | |
US10303986B2 (en) | Automated measurement of brain injury indices using brain CT images, injury data, and machine learning | |
Li et al. | Automatic lumbar spinal MRI image segmentation with a multi-scale attention network | |
Hossain et al. | Vision transformers, ensemble model, and transfer learning leveraging explainable AI for brain tumor detection and classification | |
CN107730542B (zh) | 锥束计算机断层扫描图像对应与配准方法 | |
CN108629784A (zh) | 一种基于深度学习的ct图像颅内血管分割方法及*** | |
CN112991363A (zh) | 脑肿瘤图像分割方法、装置、电子设备及存储介质 | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
CN113096137B (zh) | 一种oct视网膜图像领域适应分割方法及*** | |
Guachi et al. | Automatic colorectal segmentation with convolutional neural network | |
Yamanakkanavar et al. | MF2-Net: A multipath feature fusion network for medical image segmentation | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、***、装置 | |
CN116958705A (zh) | 基于图神经网络的医学影像归类*** | |
CN112233132A (zh) | 一种基于无监督学习的脑磁共振图像分割方法及装置 | |
CN113160120A (zh) | 基于多模态融合与深度学习的肝脏血管分割方法及*** | |
CN114399510B (zh) | 结合图像和临床元数据的皮肤病灶分割和分类方法及*** | |
CN115984555A (zh) | 一种基于深度自编码器构图的冠状动脉狭窄识别方法 | |
Nayan et al. | A deep learning approach for brain tumor detection using magnetic resonance imaging | |
CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
CN111986216B (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
Wang et al. | Optic disc detection based on fully convolutional neural network and structured matrix decomposition | |
Lee et al. | Cardiac CT Image Segmentation for Deep Learning-Based Coronary Calcium Detection Using K-Means Clustering and Grabcut Algorithm. |
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 |