一种基于深度学习的多目标危及器官的自动分割方法、装置及系统.pdf
努力****采萍
亲,该文档总共11页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于深度学习的多目标危及器官的自动分割方法、装置及系统.pdf
本发明公开了一种基于深度学习的多目标危及器官自动分割方法、装置及系统,该方法包括:接收患者输入图像;将患者输入图像进行格式转换,转换为JPEG格式数据;将JPEG格式数据输入根据物理师手工分割结果训练的Overfeat定位检测网络,自动选取包含多目标危及器官的感兴趣区;将自动选取的感兴趣区输入FCN初始化分割网络,进行轮廓推断;将轮廓推断得到的初始边界轮廓和接收的人工标记边界进行坐标化,映射到输入图像,提取DAISY特征,得到DAISY特征图像;将DAISY特征图像输入根据物理师手工分割结果训练的深度信念
一种基于U型网络的多目标分割方法及装置.pdf
本发明涉及一种基于U型网络的多目标分割方法及装置,多目标分割方法包括:对待分割图像进行块分区,得到输入图像;将输入图像输入基于上下文转换网络自注意力机制的编码模块中进行统一的局部语义特征信息的提取,并定位分割目标,得到编码器输出图像;将编码器输出图像与编码模块进行局部语义特征信息提取过程中得到的语义特征信息进行融合,并统一待分割图像的全局语义特征信息,得到解码器输出图像;将解码器输出图像的不同目标进行映射输出,得到分割结果图。该多目标分割方法兼顾了局部语义提取优化和全局语义信息统一优化,可以克服医疗图像面
用于在危及器官分割之前识别目标区域的系统和方法.pdf
本申请提供一种用于生成患者的感兴趣区域(ROI)的三维(3D)边界框的方法和设备。所述方法包括:接收作为患者的轴向视图的二维(2D)最大强度投影(MIP)图像,以及接收作为患者的矢状视图的2DMIP图像。使用2DMIP图像,来检测患者的ROI的第一2D边界框和患者的ROI的第二2D边界框。接收患者的3DMIP图像,以及使用3DMIP图像,第一2D边界框和第二2D边界框,来生成患者的ROI的3D边界框。提供包括3D边界框的3DMIP图像。
基于深度学习的图像分割方法及装置.pdf
本发明公开了一种基于深度学习的图像分割方法及装置,其中,方法包括:使用轮廓数据集对轮廓分支进行训练,并使用带类平衡的交叉熵loss
一种基于深度学习的腹部CT图像肝脏自动分割方法.pdf
一种基于深度学习的腹部CT图像肝脏自动分割方法属于医学图像分割技术领域,目的在于解决现有技术存在的整体网络复杂、训练开销大、训练过程较长、网络难收敛、无法捕获长距离依赖信息导致的分割精度低的问题。本发明提出了一种基于深度学习的腹部CT图像肝脏自动分割方法,以3DUNet为基础网络架构,并在相邻的编码器和解码器间引入残差连接来优化梯度传播和特征传递;同时,将原始UNet中的瓶颈层替换成提出的上下文收集模块(CCM)来获得具有密集上下文信息的特征;通过残差连接的引入和上下文收集模块的应用,本方法有效地提高了