CN106600568B - 一种低剂量ct图像去噪方法及装置 - Google Patents
一种低剂量ct图像去噪方法及装置 Download PDFInfo
- Publication number
- CN106600568B CN106600568B CN201710043897.XA CN201710043897A CN106600568B CN 106600568 B CN106600568 B CN 106600568B CN 201710043897 A CN201710043897 A CN 201710043897A CN 106600568 B CN106600568 B CN 106600568B
- Authority
- CN
- China
- Prior art keywords
- image
- training
- dose
- low
- block
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 255
- 238000013135 deep learning Methods 0.000 claims abstract description 119
- 238000003709 image segmentation Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims description 17
- 239000012141 concentrate Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种低剂量CT图像去噪方法及装置,方法包括:获取多个训练图像组,每个训练图像组包括一低剂量CT图像和一高剂量CT图像;从每个训练图像组中获取至少一个训练图像块组,将获得的所有训练图像块组组成训练数据集,每个训练图像块组包括从低剂量CT图像中选取的第一目标图像块和从高剂量CT图像中的选取的与第一目标图像块位置、尺寸相同的第二目标图像块;构建深度学习网络,利用训练数据集中的训练图像块组训练深度学习网络,获得去噪模型;将待去噪图像分割为多个图像块,将每个图像块输入去噪模型去噪,将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。本申请提供的去噪方法具有较好的去噪效果和鲁棒性。
Description
技术领域
本发明涉及图像去噪技术领域,尤其涉及一种低剂量CT图像去噪方法及装置。
背景技术
计算机断层成像(computed tomography,CT)技术自1970年初面世以来,在医学诊断、治疗中的应用越来越广泛。
CT技术与其他常规影像检查手段(如X射线)相比,其能够提供具有较高分辨率的断层解剖学图像,但是其较高的辐射剂量会对人体带来一定的伤害,为了降低对人体的伤害,目前通常会进行低剂量CT扫描,获得低剂量CT图像。
然而,低剂量CT图像一般通过降低X射线管电压或管电流的方法得到,但由于块状噪声的影响,图像质量会显著下降,因此,如何有效抑制低剂量CT图像中的噪声成为CT技术在临床应用中的关键。
发明内容
有鉴于此,本发明提供了一种低剂量CT图像去噪方法及装置,用以有效抑制低剂量CT图像中的噪声,其技术方案如下:
一种低剂量CT图像去噪方法,所述方法包括:
获取多个训练图像组,其中,每个训练图像组包括一低剂量CT图像和一高剂量CT图像;
从每个训练图像组中获取至少一个训练图像块组,将获得的所有训练图像块组组成训练数据集,其中,每个训练图像块组包括从低剂量CT图像中选取的第一目标图像块和从高剂量CT图像中选取的第二目标图像块,所述第一目标图像块在所述低剂量CT图像中的位置与所述第二目标图像块在所述高剂量CT图像中的位置相同,且所述第一目标图像块与所述第二图像块尺寸相同;
构建深度学习网络,利用所述训练数据集中的训练图像块组训练所述深度学习网络,获得去噪模型,其中,所述训练图像块组中的第一目标图像块作为所述深度学习网络的输入、第二目标图像块作为所述深度学习网络的标签;
将待去噪的低剂量CT图像分割为多个图像块,并将每个图像块输入所述去噪模型进行去噪,将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。
其中,从所述低剂量CT图像中选取第一目标图像块,包括:
在所述低剂量CT图像中随机选取一坐标点;
确定所述坐标点所在区域的图像特征,并基于所述图像特征确定所要选取图像块的尺寸;
基于所述坐标点和所述尺寸从所述低剂量CT图像中选取所述第一目标图像块;
从所述高剂量CT图像中选取第二目标图像块,包括:
基于所述第一目标图像块在所述低剂量CT图像中的位置,以及所述第一目标图像块的尺寸,从所述高剂量CT图像中选取所述第二目标图像块。
其中,所述利用所述训练数据集中的训练图像块组训练所述深度学习网络,获得去噪模型,包括:
从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练;
基于所述深度学习网络输出的图像块与所述目标训练图像块中的第二目标图像块计算峰值信噪比;
判断所述峰值信噪比是否大于预设值,如果是,则结束训练,将当前训练得到的深度学习网络确定为所述去噪模型;如果否,则转入执行所述从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练;
或者,
从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练,记录截止到当前为止的总训练次数;
判断所述总训练次数是否达到预设次数,如果是,则将当前训练得到的深度学习网络确定为所述去噪模型;如果否,则转入执行从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练。
其中,所述将待去噪的低剂量CT图像分割为多个图像块,并将每个图像块输入所述去噪模型进行去噪,包括:
对所述待去噪的低剂量CT图像密集采样图像块,将密集采样获得的各个图像块分别输入所述去噪模型进行去噪。
其中,所述将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像,包括:
利用线性叠加的方法将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。
一种低剂量CT图像去噪装置,所述装置包括:训练图像组获取模块、训练数据集确定模块、深度学习网络构建模块、深度学习网络训练模块、图像分割模块、图像去噪模块和图像拼接模块,其中:
所述训练图像组获取模块,用于获取多个训练图像组,其中,每个训练图像组包括一低剂量CT图像和一高剂量CT图像;
所述训练数据集确定模块,用于从每个训练图像组中获取至少一个训练图像块组,将获得的所有训练图像块组组成训练数据集,其中,每个训练图像块组包括从低剂量CT图像中选取的第一目标图像块和从高剂量CT图像中选取的第二目标图像块,所述第一目标图像块在所述低剂量CT图像中的位置与所述第二目标图像块在所述高剂量CT图像中的位置相同,且所述第一目标图像块与所述第二图像块尺寸相同;
所述深度学习网络构建模块,用于构建深度学习网络;
所述深度学习网络训练模块,用于利用所述训练数据集中的训练图像块组训练所述深度学习网络,获得去噪模型,其中,所述训练图像块组中的第一目标图像块作为所述深度学习网络的输入、第二目标图像块作为所述深度学习网络的标签;
所述图像分割模块,用于将待去噪的低剂量CT图像分割为多个图像块;
所述图像去噪模块,用于每个图像块输入所述去噪模型进行去噪;
所述图像拼接模块,用于将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。
其中,所述训练数据集确定模块包括:第一目标图像块选取子模块和第二目标图像块选取子模块;
所述第一目标图像块选取子模块,用于在所述低剂量CT图像中随机选取一坐标点,确定所述坐标点所在区域的图像特征,并基于所述图像特征确定所要选取图像块的尺寸,基于所述坐标点和所述尺寸从所述低剂量CT图像中选取所述第一目标图像块;
所述第二目标图像块选取子模块,用于基于所述第一目标图像块在所述低剂量CT图像中的位置,以及所述第一目标图像块的尺寸,从所述高剂量CT图像中选取所述第二目标图像块。
其中,所述深度学习网络训练模块包括:第一获取子模块、计算子模块、第一判断子模块和第一确定子模块;
所述第一获取子模块,用于从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练;
所述计算子模块,用于基于所述深度学习网络输出的图像块与所述目标训练图像块中的第二目标图像块计算峰值信噪比;
所述第一判断子模块,用于判断所述峰值信噪比是否大于或等于预设值;
所述第一选确定子模块,用于当所述峰值信噪比大于所述预设值时,将当前训练得到的深度学习网络确定为所述去噪模型;
所述第一选选取子模块,还用于当所述峰值信噪比小于所述预设值时,从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练;
或者,
所述深度学习网络训练模块包括:第二获取子模块、记录子模块、第二判断子模块和第二确定子模块;
所述第二获取子模块,用于从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练;
所述记录子模块,用于记录截止到当前为止的总训练次数;
所述第二判断子模块,用于判断所述总训练次数是否达到预设次数;
所述第二确定子模块,用于当所述总训练次数是否达到所述预设次数时,将当前训练得到的深度学习网络确定为所述去噪模型;
所述第二获取子模块,还用于当所述总训练次数未达到所述预设次数时,从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练。
其中,所述图像分割模块,具体用于对所述待去噪的低剂量CT图像进行密集采样;
所述图像去噪模块,具体用于将密集采样获得的各个图像块分别输入所述去噪模型进行去噪。
其中,所述图像拼接模块,具体用于利用线性叠加的方法将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。
上述技术方案具有如下有益效果:
本发明提供的低剂量CT图像去噪方法及装置,选用深度学习网络,利用从低剂量CT图像中选取的第一目标图像块作为深度学习网络的输入,将从高剂量CT图像中选取的与第一目标图像块位置、尺寸相同的第二目标图像块作为深度学习网络的标签对深度学习网络进行训练,获得去噪模型,进而利用该去噪模型对待去噪的低剂量CT图像进行去噪。本发明提供的低剂量CT图像去噪方法及装置具有较好的去噪效果,且具有较好的鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的低剂量CT图像去噪方法的流程示意图;
图2为本发明实施例提供的卷积神经网络的一示意图;
图3为本发明实施例提供的低剂量CT图像去噪方法中,将待去噪的低剂量分割为多个图像块的示意图;
图4为本发明实施例提供的低剂量CT图像去噪方法中,将待去噪的低剂量分割为多个图像块的另一示意图;
图5为本发明实施例提供的低剂量CT图像去噪装置的结构示意图;
图6为本发明实施例提供的低剂量CT图像去噪装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种低剂量CT图像去噪方法,请参阅图1,示出了该方法的流程示意图,可以包括:
步骤S101:获取多个训练图像组。
其中,每个训练图像组包括一低剂量CT图像和一高剂量CT图像。
具体的,获取每个训练图像组的过程可以包括:获取成像对象在低剂量射线下的低能量CT投影数据,并获取成像对象在高剂量射线下的高能量CT投影数据,然后分别对低能量CT投影数据和高能量CT投影数据进行CT图像重建,获得低剂量CT图像和高剂量CT图像。
步骤S102:从每个训练图像组中获取至少一个训练图像块组,将获得的所有训练图像块组组成训练数据集。
其中,每个训练图像块组包括从低剂量CT图像中选取的第一目标图像块和从高剂量CT图像中选取的第二目标图像块,第一目标图像块在低剂量CT图像中的位置与第二目标图像块在高剂量CT图像中的位置相同,且第一目标图像块与第二图像块尺寸相同。
示例性的,有三个训练图像组T1、T2和T3,每个训练图像组中均包括一低剂量CT图像和一对应的高剂量CT图像,假设可表示为T1(IL1,IH1)、T2(IL2,IH2)和T3(IL3,IH3),则针对每个训练图像组从中获取至少一个训练图像块组,以T1(IL1,IH1)为例,从IL1中的第一位置处选取尺寸为A1xB1尺寸的图像块Block11,从IH1中的相同位置处选取尺寸同样为A1xB1的图像块Block12,将(Block11,Block12)作为一训练图像块组,还可从IL1中的第二位置处获取尺寸为A2xB2尺寸的图像块Block21,从IH1中的相同位置处选取尺寸同样为A2xB2的图像块Block22,将(Block21,Block22)作为另一训练图像图,以此类推,对于每个训练图像组,都可从中获得至少一个训练图像块组。将从所有训练图像组中获取的训练图像块组组成训练数据集,具体的,训练数据集可表示为S{(Block11,Block12),(Block21,Block22)……}。
步骤S103:构建深度学习网络,利用训练数据集中的训练图像块组训练深度学习网络,获得去噪模型。
具体的,在训练数据集中逐个获取训练图像块组训练深度学习网络,直至训练后的深度学习网络满足预设条件。
其中,训练图像块组中的第一目标图像块作为深度学习网络的输入、第二目标图像块作为深度学习网络的标签。示例性的,用于训练深度学习网络的一训练图像块组为(Block11,Block12),则在训练时,将Block11作为深度学习网络的输入,将Block12作为深度学习网络的标签。
需要说明的是,本实施例并不限定构建深度学习网络这一步骤的执行顺序,执行该步骤在利用训练数据集中的训练图像块组训练深度学习网络这一步骤之前执行即可。
步骤S104:将待去噪的低剂量CT图像分割为多个图像块,并将每个图像块输入去噪模型进行去噪,将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。
本发明实施例提供的低剂量CT图像去噪方法,选用深度学习网络,利用从低剂量CT图像中选取的第一目标图像块作为深度学习网络的输入,将从高剂量CT图像中选取的与第一目标图像块位置、尺寸相同的第二目标图像块作为深度学习网络的标签对深度学习网络进行训练,获得去噪模型,进而利用该去噪模型对待去噪的低剂量CT图像进行去噪。本发明实施例提供的低剂量CT图像去噪方法具有较好的去噪效果,且具有较好的鲁棒性。
在上述实施例提供的低剂量CT图像去噪方法中,从低剂量CT图像中选取第一目标图像块的过程可以包括:在低剂量CT图像中随机选取一坐标点;确定坐标点所在区域的图像特征,并基于图像特征确定所要选取图像块的尺寸;基于选取的坐标点和确定的尺寸从低剂量CT图像中选取第一目标图像块。
示例性的,随机在低剂量CT图像中选取一坐标点,然后基于坐标点所在区域的图像特征确定图像块的尺寸,在确定出图像块尺寸后,将随机选取的坐标点作为图像块的左上角点,确定一矩形框,根据矩形框从低剂量CT图像截取图像块。
从高剂量CT图像中选取第二目标图像块,包括:基于第一目标图像块在低剂量CT图像中的位置,以及第一目标图像块的尺寸,从高剂量CT图像中选取第二目标图像块。由于第二目标图像块需要与第一目标图像块尺寸相同,且第二目标图像块在高剂量CT图像中的位置需要与第一目标图像块在低剂量CT图像中的位置相同,因此,在确定出第一目标图像块之后,便可以第一目标图像块为依据从高剂量CT图像中选取第二目标图像块。
需要说明的是,上述过程首先在低剂量CT图像中选取第一目标图像块,进而基于第一目标图像块的位置和尺寸在对应的高剂量CT图像中选取第二目标图像块。本实施例并不限定于此,也可首先在高剂量CT图像中选取第二目标图像块,即在高剂量CT图像中随机选取一坐标点,确定坐标点所在区域的图像特征,并基于图像特征确定所要选取图像块的尺寸,基于坐标点和尺寸从高剂量CT图像中选取第二目标图像块。在选取出第二目标图像块后,基于第二目标图像块的位置和尺寸在对应的低剂量CT图像中选取第一目标图像块。
由上述过程,本发明实施例在选取用于训练深度学习网络的图像块时,基于图像特征确定所要选取图像块的尺寸,例如,骨骼区域选取较小的图像块,软组织区域可选取较大的图像块,利用这种方式选取出的训练图像块训练深度学习网络,可使训练得到的去噪模型具有较高的准确性、较高的去噪效率和较好的鲁棒性。
在上述实施例提供的低剂量CT图像去噪方法中,深度学习网络可以但不限定为卷积神经网络。卷积神经网络的层数可基于应用需求设定,示例性的,请参阅图2,示出了卷积神经网络的一示意图,该卷积神经网络为三层网络,第一层包括64个滤波器、第二层包括32个滤波器,最后一层包括1个滤波器,卷积神经网络逐层对图像块进行滤波处理。
在上述实施例提供的低剂量CT图像去噪方法中,利用训练数据集中的训练图像块组训练深度学习网络,获得去噪模型的实现方式有多种。
在一种可能的实现方式中,利用训练数据集中的训练图像块组训练深度学习网络,获得去噪模型的过程可以包括:从训练数据集中获取一目标训练图像块组对深度学习网络进行训练;基于深度学习网络输出的图像块与目标训练图像块中的第二目标图像块计算峰值信噪比;判断峰值信噪比是否大于预设值,如果是,则结束训练,将当前训练得到的深度学习网络确定为去噪模型;如果否,则转入执行从训练数据集中获取一目标训练图像块组对深度学习网络进行训练这一步骤。
在该实现方式中,将峰值信噪比作为损失函数对深度学习网络的训练效果进行评估。具体的,峰值信噪比可通过下式计算:
其中,MAX表示深度学习网络训练输出的图像块以及作为标签的第二目标图像块中最大的像素值,MSE为深度学习网络训练输出的图像块与作为标签的第二目标图像块间的均方误差。
在另一种可能的实现方式中,利用训练数据集中的训练图像块组训练深度学习网络,获得去噪模型的过程可以包括:从训练数据集中获取一目标训练图像块组对深度学习网络进行训练,记录截止到当前为止的总训练次数,判断总训练次数是否达到预设次数,如果是,则将当前训练得到的深度学习网络确定为去噪模型;如果否,则转入执行从训练数据集中获取一目标训练图像块组对深度学习网络进行训练。
在上述实施例提供的低剂量CT图像去噪方法中,将待去噪的低剂量CT图像分割为多个图像块的实现方式有多种。
在一种可能的实现方式中,可将待去噪的低剂量CT图像无交叠的均分为多个图像块。如图3所示,图3中的图像被均分为4个图像块B1、B2、B3和B4,B1、B2、B3和B4无交叠。
在另一种可能的实现方式中,可对待去噪的低剂量CT图像密集采样,获得多个图像块,需要说明的是,对待去噪的低剂量CT图像密集采样即按一定的步长一定的尺寸大小采样,采样的图像块之间存在交叠,即待去噪的低剂量CT图像中的图像区域会被多次采样,如图4所示,图4中的B1和B2存在交叠,即交叠区域被多次采样。
按上述任一方式获得各个图像块后,将各个图像块分别输入去噪模型去噪,获得各个去噪后的图像块。
在获得去噪后的图像块之后,还需要将各个图像块进行拼接。如果待去噪的低剂量CT图像按上述第一种方式进行分割,则在进行图像拼接时,基于对待去噪的低剂量CT图像的分割方式,直接拼接各个去噪后的图像块即可。如果待去噪的低剂量CT图像按上述第二种方式进行分割,则可利用线性叠加的方法将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。线性叠加的拼接方法速度较快,其是对去噪结果的平均估计(重复采样的区域会被求和平均),能够降低误差。
与上述方法相对应,本发明实施例还提供了一种低剂量CT图像去噪装置,请参阅图5,示出了该低剂量CT图像去噪装置的结构示意图,该装置可以包括:训练图像组获取模块501、训练数据集确定模块502、深度学习网络构建模块503、深度学习网络训练模块504、图像分割模块505、图像去噪模块506和图像拼接模块507。
训练图像组获取模块501,用于获取多个训练图像组。
其中,每个训练图像组包括一低剂量CT图像和一高剂量CT图像。
训练数据集确定模块502,用于从每个训练图像组中获取至少一个训练图像块组,将获得的所有训练图像块组组成训练数据集。
其中,每个训练图像块组包括从低剂量CT图像中选取的第一目标图像块和从高剂量CT图像中选取的第二目标图像块,第一目标图像块在低剂量CT图像中的位置与第二目标图像块在高剂量CT图像中的位置相同,且第一目标图像块与第二图像块尺寸相同。
深度学习网络构建模块503,用于构建深度学习网络。
深度学习网络训练模块504,用于利用训练数据集中的训练图像块组训练深度学习网络,获得去噪模型。
其中,训练图像块组中的第一目标图像块作为深度学习网络的输入、第二目标图像块作为深度学习网络的标签。
图像分割模块505,用于将待去噪的低剂量CT图像分割为多个图像块。
图像去噪模块506,用于每个图像块输入去噪模型进行去噪。
图像拼接模块507,用于将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。
本发明实施例提供的低剂量CT图像去噪装置,选用深度学习网络,利用从低剂量CT图像中选取的第一目标图像块作为深度学习网络的输入,将从高剂量CT图像中选取的与第一目标图像块位置、尺寸相同的第二目标图像块作为深度学习网络的标签对深度学习网络进行训练,获得去噪模型,进而利用该去噪模型对待去噪的低剂量CT图像进行去噪。本发明实施例提供的低剂量CT图像去噪装置具有较好的去噪效果,且具有较好的鲁棒性。
在上述实施例提供的低剂量CT图像去噪装置中,训练数据集确定模块包括:第一目标图像块选取子模块和第二目标图像块选取子模块。
第一目标图像块选取子模块,用于在低剂量CT图像中随机选取一坐标点,确定坐标点所在区域的图像特征,并基于图像特征确定所要选取图像块的尺寸,基于坐标点和尺寸从低剂量CT图像中选取第一目标图像块。
第二目标图像块选取子模块,用于基于第一目标图像块在低剂量CT图像中的位置,以及第一目标图像块的尺寸,从高剂量CT图像中选取第二目标图像块。
上述实施例提供的低剂量CT图像去噪装置中,深度学习网络训练模块的实现方式有多种。
在一种可能的实现方式中,深度学习网络训练模块可以包括:第一获取子模块、计算子模块、第一判断子模块和第一确定子模块。
第一获取子模块,用于从训练数据集中获取一目标训练图像块组对深度学习网络进行训练。
计算子模块,用于基于深度学习网络输出的图像块与目标训练图像块中的第二目标图像块计算峰值信噪比。
第一判断子模块,用于判断峰值信噪比是否大于或等于预设值。
第一选确定子模块,用于当峰值信噪比大于预设值时,将当前训练得到的深度学习网络确定为去噪模型。
第一选选取子模块,还用于当峰值信噪比小于预设值时,从训练数据集中获取一目标训练图像块组对深度学习网络进行训练。
在一种可能的实现方式中,深度学习网络训练模块可以包括:第二获取子模块、记录子模块、第二判断子模块和第二确定子模块。
第二获取子模块,用于从训练数据集中获取一目标训练图像块组对深度学习网络进行训练。
记录子模块,用于记录截止到当前为止的总训练次数。
第二判断子模块,用于判断总训练次数是否达到预设次数。
第二确定子模块,用于当总训练次数是否达到预设次数时,将当前训练得到的深度学习网络确定为去噪模型。
第二获取子模块,还用于当总训练次数未达到预设次数时,从训练数据集中获取一目标训练图像块组对深度学习网络进行训练。
上述实施例提供的低剂量CT图像去噪装置中,图像分割模块,具体用于对待去噪的低剂量CT图像进行密集采样。
图像去噪模块,具体用于将密集采样获得的各个图像块分别输入去噪模型进行去噪。
上述实施例提供的低剂量CT图像去噪装置中,图像拼接模块,具体用于利用线性叠加的方法将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。
本发明实施例还提供如图6所示的低剂量CT图像去噪装置,可以包括:接收器601、处理器602和存储器603。
处理器602,用于通过接收器601获取多个训练图像组,从每个训练图像组中获取至少一个训练图像块组,将获得的所有训练图像块组组成训练数据集,构建深度学习网络,利用训练数据集中的训练图像块组训练深度学习网络,获得去噪模型,将待去噪的低剂量CT图像分割为多个图像块,并将每个图像块输入去噪模型进行去噪,将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。
其中,训练图像组、训练图像块组可存储于存储器603中,每个训练图像组包括一低剂量CT图像和一高剂量CT图像,每个训练图像块组包括从低剂量CT图像中选取的第一目标图像块和从高剂量CT图像中选取的第二目标图像块,第一目标图像块在低剂量CT图像中的位置与第二目标图像块在高剂量CT图像中的位置相同,且第一目标图像块与第二图像块尺寸相同;训练图像块组中的第一目标图像块作为深度学习网络的输入、第二目标图像块作为深度学习网络的标签。
存储器603还可以用于存储代码,以用于处理器602读取以执行本申请实施例提供的低剂量CT图像去噪方法。
从上述技术方案可知,在对低剂量CT图像进行去噪时,可选用深度学习网络,利用从低剂量CT图像中选取的第一目标图像块作为深度学习网络的输入,将从高剂量CT图像中选取的与第一目标图像块位置、尺寸相同的第二目标图像块作为深度学习网络的标签对深度学习网络进行训练,获得去噪模型,进而利用该去噪模型对待去噪的低剂量CT图像进行去噪,上述去噪方式具有较好的去噪效果,且具有较好的鲁棒性。
在一种实现方式中,处理器602从低剂量CT图像中选取第一目标图像块,包括:在低剂量CT图像中随机选取一坐标点;确定坐标点所在区域的图像特征,并基于图像特征确定所要选取图像块的尺寸;基于坐标点和尺寸从低剂量CT图像中选取第一目标图像块。相应的,处理器602从高剂量CT图像中选取第二目标图像块包括:基于第一目标图像块在低剂量CT图像中的位置,以及第一目标图像块的尺寸,从高剂量CT图像中选取第二目标图像块。
处理器602利用训练数据集中的训练图像块组训练深度学习网络,获得去噪模型的实现方式有多种。
在一种实现方式中,处理器602从训练数据集中获取一目标训练图像块组对深度学习网络进行训练;基于深度学习网络输出的图像块与目标训练图像块中的第二目标图像块计算峰值信噪比;判断峰值信噪比是否大于预设值,如果是,则结束训练,将当前训练得到的深度学习网络确定为去噪模型;如果否,则转入执行从训练数据集中获取一目标训练图像块组对深度学习网络进行训练。
在另一实现方式中,处理器602从训练数据集中获取一目标训练图像块组对深度学习网络进行训练,记录截止到当前为止的总训练次数;判断总训练次数是否达到预设次数,如果是,则将当前训练得到的深度学习网络确定为去噪模型;如果否,则转入执行从训练数据集中获取一目标训练图像块组对深度学习网络进行训练。
在一种实现方式中,处理器602将待去噪的低剂量CT图像分割为多个图像块,并将每个图像块输入去噪模型进行去噪包括:对待去噪的低剂量CT图像密集采样图像块,将密集采样获得的各个图像块分别输入去噪模型进行去噪。
在一种实现方式中,处理器602将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像包括:利用线性叠加的方法将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。
此外,本申请实施例还提供一种存储介质,存储介质上记录有执行本发明实施例提供的低剂量CT图像去噪方法的程序代码。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法、装置和设备,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种低剂量CT图像去噪方法,其特征在于,所述方法包括:
获取多个训练图像组,其中,每个训练图像组包括一低剂量CT图像和一与所述低剂量CT图像对应的高剂量CT图像;
从每个训练图像组中获取至少一个训练图像块组,将获得的所有训练图像块组组成训练数据集,其中,每个训练图像块组包括从低剂量CT图像中选取的第一目标图像块和从高剂量CT图像中选取的第二目标图像块,所述第一目标图像块在所述低剂量CT图像中的位置与所述第二目标图像块在所述高剂量CT图像中的位置相同,且所述第一目标图像块与所述第二图像块尺寸相同;
构建深度学习网络,利用所述训练数据集中的训练图像块组训练所述深度学习网络,获得去噪模型,其中,所述训练图像块组中的第一目标图像块作为所述深度学习网络的输入、第二目标图像块作为所述深度学习网络的标签;
将待去噪的低剂量CT图像分割为多个图像块,并将每个图像块输入所述去噪模型进行去噪,将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。
2.根据权利要求1所述的低剂量CT图像去噪方法,其特征在于,从所述低剂量CT图像中选取第一目标图像块,包括:
在所述低剂量CT图像中随机选取一坐标点;
确定所述坐标点所在区域的图像特征,并基于所述图像特征确定所要选取图像块的尺寸;
基于所述坐标点和所述尺寸从所述低剂量CT图像中选取所述第一目标图像块;
从所述高剂量CT图像中选取第二目标图像块,包括:
基于所述第一目标图像块在所述低剂量CT图像中的位置,以及所述第一目标图像块的尺寸,从所述高剂量CT图像中选取所述第二目标图像块。
3.根据权利1所述的低剂量CT图像去噪方法,其特征在于,所述利用所述训练数据集中的训练图像块组训练所述深度学习网络,获得去噪模型,包括:
从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练;
基于所述深度学习网络输出的图像块与所述目标训练图像块中的第二目标图像块计算峰值信噪比;
判断所述峰值信噪比是否大于预设值,如果是,则结束训练,将当前训练得到的深度学习网络确定为所述去噪模型;如果否,则转入执行所述从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练;
或者,
从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练,记录截止到当前为止的总训练次数;
判断所述总训练次数是否达到预设次数,如果是,则将当前训练得到的深度学习网络确定为所述去噪模型;如果否,则转入执行从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练。
4.根据权利要求1-3中任意一项所述的低剂量CT图像去噪方法,其特征在于,所述将待去噪的低剂量CT图像分割为多个图像块,并将每个图像块输入所述去噪模型进行去噪,包括:
对所述待去噪的低剂量CT图像密集采样图像块,将密集采样获得的各个图像块分别输入所述去噪模型进行去噪。
5.根据权利要求4所述的低剂量CT图像去噪方法,其特征在于,所述将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像,包括:
利用线性叠加的方法将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。
6.一种低剂量CT图像去噪装置,其特征在于,所述装置包括:训练图像组获取模块、训练数据集确定模块、深度学习网络构建模块、深度学习网络训练模块、图像分割模块、图像去噪模块和图像拼接模块,其中:
所述训练图像组获取模块,用于获取多个训练图像组,其中,每个训练图像组包括一低剂量CT图像和一与所述低剂量CT图像对应的高剂量CT图像;
所述训练数据集确定模块,用于从每个训练图像组中获取至少一个训练图像块组,将获得的所有训练图像块组组成训练数据集,其中,每个训练图像块组包括从低剂量CT图像中选取的第一目标图像块和从高剂量CT图像中选取的第二目标图像块,所述第一目标图像块在所述低剂量CT图像中的位置与所述第二目标图像块在所述高剂量CT图像中的位置相同,且所述第一目标图像块与所述第二图像块尺寸相同;
所述深度学习网络构建模块,用于构建深度学习网络;
所述深度学习网络训练模块,用于利用所述训练数据集中的训练图像块组训练所述深度学习网络,获得去噪模型,其中,所述训练图像块组中的第一目标图像块作为所述深度学习网络的输入、第二目标图像块作为所述深度学习网络的标签;
所述图像分割模块,用于将待去噪的低剂量CT图像分割为多个图像块;
所述图像去噪模块,用于每个图像块输入所述去噪模型进行去噪;
所述图像拼接模块,用于将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。
7.根据权利要求6所述的低剂量CT图像去噪装置,其特征在于,所述训练数据集确定模块包括:第一目标图像块选取子模块和第二目标图像块选取子模块;
所述第一目标图像块选取子模块,用于在所述低剂量CT图像中随机选取一坐标点,确定所述坐标点所在区域的图像特征,并基于所述图像特征确定所要选取图像块的尺寸,基于所述坐标点和所述尺寸从所述低剂量CT图像中选取所述第一目标图像块;
所述第二目标图像块选取子模块,用于基于所述第一目标图像块在所述低剂量CT图像中的位置,以及所述第一目标图像块的尺寸,从所述高剂量CT图像中选取所述第二目标图像块。
8.根据权利要求6所述的低剂量CT图像去噪装置,其特征在于,所述深度学习网络训练模块包括:第一获取子模块、计算子模块、第一判断子模块和第一确定子模块;
所述第一获取子模块,用于从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练;
所述计算子模块,用于基于所述深度学习网络输出的图像块与所述目标训练图像块中的第二目标图像块计算峰值信噪比;
所述第一判断子模块,用于判断所述峰值信噪比是否大于或等于预设值;
所述第一选确定子模块,用于当所述峰值信噪比大于所述预设值时,将当前训练得到的深度学习网络确定为所述去噪模型;
所述第一选选取子模块,还用于当所述峰值信噪比小于所述预设值时,从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练;
或者,
所述深度学习网络训练模块包括:第二获取子模块、记录子模块、第二判断子模块和第二确定子模块;
所述第二获取子模块,用于从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练;
所述记录子模块,用于记录截止到当前为止的总训练次数;
所述第二判断子模块,用于判断所述总训练次数是否达到预设次数;
所述第二确定子模块,用于当所述总训练次数是否达到所述预设次数时,将当前训练得到的深度学习网络确定为所述去噪模型;
所述第二获取子模块,还用于当所述总训练次数未达到所述预设次数时,从所述训练数据集中获取一目标训练图像块组对所述深度学习网络进行训练。
9.根据权利要求6-8中任意一项所述的低剂量CT图像去噪装置,其特征在于,所述图像分割模块,具体用于对所述待去噪的低剂量CT图像进行密集采样;
所述图像去噪模块,具体用于将密集采样获得的各个图像块分别输入所述去噪模型进行去噪。
10.根据权利要求9所述的低剂量CT图像去噪装置,其特征在于,所述图像拼接模块,具体用于利用线性叠加的方法将经去噪的后的各个图像块进行拼接,获得去噪后的低剂量CT图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710043897.XA CN106600568B (zh) | 2017-01-19 | 2017-01-19 | 一种低剂量ct图像去噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710043897.XA CN106600568B (zh) | 2017-01-19 | 2017-01-19 | 一种低剂量ct图像去噪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600568A CN106600568A (zh) | 2017-04-26 |
CN106600568B true CN106600568B (zh) | 2019-10-11 |
Family
ID=58586194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710043897.XA Active CN106600568B (zh) | 2017-01-19 | 2017-01-19 | 一种低剂量ct图像去噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600568B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10977843B2 (en) | 2017-06-28 | 2021-04-13 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for determining parameters for medical image processing |
CN107292847B (zh) * | 2017-06-28 | 2022-03-25 | 上海联影医疗科技股份有限公司 | 一种数据降噪方法及系统 |
WO2019019199A1 (en) * | 2017-07-28 | 2019-01-31 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE CONVERSION |
EP3470006B1 (en) | 2017-10-10 | 2020-06-10 | Holo Surgical Inc. | Automated segmentation of three dimensional bony structure images |
EP3445048A1 (en) | 2017-08-15 | 2019-02-20 | Holo Surgical Inc. | A graphical user interface for a surgical navigation system for providing an augmented reality image during operation |
WO2019090533A1 (en) * | 2017-11-08 | 2019-05-16 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for diagnositic and treatment |
US11813101B2 (en) | 2018-01-31 | 2023-11-14 | Koninklijke Philips N.V. | Image quality improved virtual non-contrast images generated by a spectral computed tomography (CT) scanner |
CN108805840B (zh) * | 2018-06-11 | 2021-03-26 | Oppo(重庆)智能科技有限公司 | 图像去噪的方法、装置、终端及计算机可读存储介质 |
CN108961237B (zh) * | 2018-06-28 | 2020-08-21 | 安徽工程大学 | 一种基于卷积神经网络的低剂量ct图像分解方法 |
CN109035169B (zh) * | 2018-07-19 | 2020-06-12 | 西安交通大学 | 一种无监督/半监督ct图像重建深度网络训练方法 |
EP3608870A1 (en) | 2018-08-10 | 2020-02-12 | Holo Surgical Inc. | Computer assisted identification of appropriate anatomical structure for medical device placement during a surgical procedure |
US10949951B2 (en) * | 2018-08-23 | 2021-03-16 | General Electric Company | Patient-specific deep learning image denoising methods and systems |
CN109697740B (zh) * | 2018-12-26 | 2020-09-22 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置和计算机设备 |
CN109916933B (zh) * | 2019-01-04 | 2021-10-01 | 中国人民解放军战略支援部队信息工程大学 | 基于卷积神经网络的x射线计算机断层成像能谱估计方法 |
CN109949215B (zh) * | 2019-03-29 | 2023-03-31 | 浙江明峰智能医疗科技有限公司 | 一种低剂量ct图像模拟方法 |
CN112308785A (zh) * | 2019-08-01 | 2021-02-02 | 武汉Tcl集团工业研究院有限公司 | 图像去噪方法、存储介质及终端设备 |
CN113808025A (zh) | 2020-06-11 | 2021-12-17 | 通用电气精准医疗有限责任公司 | 图像降噪方法及装置 |
CN111932467A (zh) * | 2020-07-13 | 2020-11-13 | 东软医疗系统股份有限公司 | 一种图像处理方法及装置 |
CN112330575B (zh) * | 2020-12-03 | 2022-10-14 | 华北理工大学 | 一种卷积神经网络医学ct图像去噪方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2385494A1 (en) * | 2010-05-07 | 2011-11-09 | IBBT vzw | A method and device for estimating noise in a reconstructed image |
CN105118066A (zh) * | 2015-09-16 | 2015-12-02 | 东南大学 | 一种基于三维区别性特征表示的低剂量ct图像分解方法 |
CN105741241A (zh) * | 2016-01-27 | 2016-07-06 | 中南民族大学 | 基于合成增强图像的肿瘤区域图像增强方法及系统 |
CN105760874A (zh) * | 2016-03-08 | 2016-07-13 | 中国科学院苏州生物医学工程技术研究所 | 面向尘肺的ct图像处理系统及其ct图像处理方法 |
CN105957063A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 |
-
2017
- 2017-01-19 CN CN201710043897.XA patent/CN106600568B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2385494A1 (en) * | 2010-05-07 | 2011-11-09 | IBBT vzw | A method and device for estimating noise in a reconstructed image |
CN105118066A (zh) * | 2015-09-16 | 2015-12-02 | 东南大学 | 一种基于三维区别性特征表示的低剂量ct图像分解方法 |
CN105741241A (zh) * | 2016-01-27 | 2016-07-06 | 中南民族大学 | 基于合成增强图像的肿瘤区域图像增强方法及系统 |
CN105760874A (zh) * | 2016-03-08 | 2016-07-13 | 中国科学院苏州生物医学工程技术研究所 | 面向尘肺的ct图像处理系统及其ct图像处理方法 |
CN105957063A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106600568A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600568B (zh) | 一种低剂量ct图像去噪方法及装置 | |
CN105389788B (zh) | Pet多床位图像的重建方法及装置、合并方法及装置 | |
CN105078495B (zh) | 一种pet-ct扫描成像方法及相关成像方法 | |
KR100604498B1 (ko) | 3차원 역투영 방법 및 x선 ct 장치 | |
CN104545973B (zh) | 心脏的ct扫描方法及装置 | |
CN106296615B (zh) | Ct图像中校正金属伪影的方法和系统 | |
CN106355570A (zh) | 一种结合深度特征的双目立体视觉匹配方法 | |
CN106056562A (zh) | 一种人脸图像处理方法、装置及电子设备 | |
US20050226527A1 (en) | Motion artifact correction of tomographical images | |
EP2833316A1 (en) | Method and apparatus to generate a panoramic radiography | |
CN109060849A (zh) | 一种确定辐射剂量调制线的方法、系统和装置 | |
CN110246137A (zh) | 一种成像方法、装置及存储介质 | |
CN109300096A (zh) | 一种多聚焦图像融合方法及装置 | |
CN107041760A (zh) | 扫描方法、装置及图像重建方法和装置 | |
JP2007209756A (ja) | 断層撮影の画像データセットにおけるノイズリダクション方法 | |
JP2004073360A (ja) | 投影データ作成方法、画素データ作成方法およびマルチ検出器x線ct装置 | |
CN106133789A (zh) | 用于分割感兴趣区域的图像处理装置和方法 | |
CN106027854B (zh) | 一种应用于相机中适于fpga实现的联合滤波降噪方法 | |
CN111105475B (zh) | 一种基于正交角度x光的骨骼三维重建方法 | |
CN108182434A (zh) | 一种图像处理方法及装置 | |
EP1574997A2 (en) | CT image producing method and X-ray CT apparatus | |
Liu et al. | SDCNet: Smoothed dense-convolution network for restoring low-dose cerebral CT perfusion | |
KR20200118050A (ko) | 3d 의료용 이미지의 해부학적 구조에 따른 구조화된 콘볼루션을 통한, 하나 또는 여러 신경망에 의한 3d 의료용 이미지의 자동 세그멘트화 프로세스 | |
CN106447664A (zh) | 确定匹配点对的方法及图像获取方法 | |
CN104224220B (zh) | 一种优化的螺旋剂量调制扫描方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: DongSoft Medical System Co., Ltd. Address before: Hunnan New Century Road 110179 Shenyang city of Liaoning Province, No. 16 Applicant before: Dongruan Medical Systems Co., Ltd., Shenyang |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |