CN107516330A - 模型生成方法、图像处理方法及医学成像设备 - Google Patents

模型生成方法、图像处理方法及医学成像设备 Download PDF

Info

Publication number
CN107516330A
CN107516330A CN201710772800.9A CN201710772800A CN107516330A CN 107516330 A CN107516330 A CN 107516330A CN 201710772800 A CN201710772800 A CN 201710772800A CN 107516330 A CN107516330 A CN 107516330A
Authority
CN
China
Prior art keywords
data
view data
image
scatter correction
view
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.)
Granted
Application number
CN201710772800.9A
Other languages
English (en)
Other versions
CN107516330B (zh
Inventor
宋燕丽
周鑫
邢潇丹
陈刚
李强
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201710772800.9A priority Critical patent/CN107516330B/zh
Publication of CN107516330A publication Critical patent/CN107516330A/zh
Priority to US16/042,536 priority patent/US10803555B2/en
Priority to US17/067,688 priority patent/US11354780B2/en
Application granted granted Critical
Publication of CN107516330B publication Critical patent/CN107516330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/30—Transforming light or analogous information into electric information
    • H04N5/32—Transforming X-rays
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种模型生成方法、图像处理方法及医学成像设备。本发明实施例通过在指定成像参数下，获取具有散射分量的第一图像数据以及不具有散射分量的第二图像数据，从第一图像数据或其相关数据中选取输入数据，从第二图像数据或其相关数据中选取标签数据，根据输入数据和标签数据，采用神经网络进行机器学习，生成散射校正模型，利用神经网络进行机器学习，生成散射校正模型，用于对DR图像进行散射校正，不需要加大X射线的辐射剂量，因此安全性较好，不需要在DR设备中增加滤线栅，从而能够降低DR设备的成本，在一定程度上解决了现有技术中带滤线栅的DR设备的安全性较差、成本较高的问题。

Description

模型生成方法、图像处理方法及医学成像设备
【技术领域】
本方案涉及图像处理技术领域，尤其涉及数字射线成像中一种模型生成方法、图像处理方法及医学成像设备。
【背景技术】
高能射线具有很强的穿透能力，能透过许多对可见光不透明的物质。医学成像设备利用高能射线的这种穿透能力，对人体进行成像。例如，DR(Digital Radiography，数字化X线摄影)设备就是一种利用X射线照射待检测目标，通过X射线探测器采集透过待检测目标的X射线进行成像的设备。
用高能射线辐照待检测目标时，在射线透过待检测目标后，不仅有初级辐射产生，而且有散射辐射产生。散射辐射会产生额外的曝光，如同“散射雾”一般叠加在射线的图像上，从而降低了射线图像的对比度和清晰度，同时也降低了图像细微处的信噪比。以DR设备为例，利用透过待检测目标的X射线所形成的DR图像中，既有直射X射线的图像分量(这部分是人们需要的有用图像)，也有散射X射线的图像分量(这部分是叠加在有用图像上的干扰图像)
现有技术中，通过在待检测目标与X射线探测器之间加入抗散射滤线栅，来降低散射X射线对于DR设备成像的影响，以改善DR设备的成像质量。但是，由于抗散射滤线栅阻挡了部分应该射向X射线探测器的X射线，需要加大X射线的辐射剂量。这样就加大了对人体的辐射伤害，导致DR设备的安全性较差。同时，使用滤线栅，需要提高对DR设备中的X射线管和高压发生器的要求，从而增加了DR设备的成本。
可见，现有技术中存在的带滤线栅的DR设备的安全性较差、成本较高的问题。
【发明内容】
有鉴于此，本方案实施例提供了一种模型生成方法、图像处理方法及医学成像设备，用以解决现有技术中带滤线栅的DR设备的安全性较差、成本较高的问题。
第一方面，本方案实施例提供一种模型生成方法，所述方法包括：
在指定成像参数下，获取包含散射分量的第一图像数据，以及获取与所述第一图像数据对应的所述散射分量抑制的第二图像数据；
选取所述第一图像数据中或所述第一图像数据的相关数据中指定位置处的数据，作为输入数据，以及选取所述第二图像数据中或所述第二图像数据的相关数据中与所述指定位置相对应的位置处的数据，作为标签数据；
根据所述输入数据和所述标签数据，采用卷积神经网络进行机器学习，生成所述指定成像参数对应的基于卷积神经网络的散射校正模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在指定成像参数下，获取包含散射分量的第一图像数据，以及获取与所述第一图像数据对应的所述散射分量抑制的第二图像数据之后，所述方法还包括：
根据所述第一图像数据获取第三图像数据，以及根据所述第二图像数据获取第四图像数据；
选取所述第一图像数据中或所述第一图像数据的相关数据中指定位置处的数据，作为输入数据，以及选取所述第二图像数据中或所述第二图像数据的相关数据中与所述指定位置相对应的位置处的数据，作为标签数据，包括：选取所述第三图像数据中指定位置处的数据，作为输入数据，以及选取所述第四图像数据中与所述指定位置相对应的位置处的数据，作为标签数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据所述第一图像数据获取第三图像数据，包括：对所述第一图像数据进行归一化处理，得到第三图像数据；
根据所述第二图像数据获取第四图像数据，包括：对所述第二图像数据进行归一化处理，得到第四图像数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据所述输入数据和所述标签数据，采用神经网络进行机器学习，生成所述指定成像参数对应的基于神经网络的散射校正模型，包括：
采用卷积层、激活层和代价层搭建第一卷积神经网络模型；
将所述输入数据和所述标签数据输入所述第一卷积神经网络模型进行机器学习，得到所述第一卷积神经网络模型对应的第一模型参数；
根据所述第一模型参数和所述第一卷积神经网络模型，生成散射校正模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第一模型参数包含所述输入数据与所述标签数据的映射关系。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述映射关系通过如下方法获得：
将所述输入数据和标签数据划分为多个数据块，组成数据库,在所述数据库中，所述输入数据和所述标签数据一一对应；
分别计算所述输入数据对应的数据块和所述标签数据对应的数据块的梯度结构；
根据所述输入数据对应的数据块和所述标签数据对应的数据块的梯度结构迭代更新卷积神经网络中的参数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第一图像数据和所述第二图像数据对应两次采集，所述第一图像数据的采集未施加滤线栅，所述第二图像数据的采集施加滤线栅；
或，所述第一图像数据和所述第二图像数据对应一次采集，且所述第二图像数据通过对所述第一图像数据进行散射抑制获得。
第二方面，本方案实施例提供一种图像处理方法，所述方法包括：
获取包含散射分量的待处理图像数据；
确定所述待处理图像数据的成像参数；
查找与所述成像参数对应的基于神经网络的散射校正模型，所述散射校正模型为利用第一方面中任一项所述的方法生成的；
利用所述散射校正模型对所述待处理图像数据进行散射校正，得到校正图像数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，利用所述散射校正模型对所述待处理图像数据进行散射校正，得到校正图像数据，包括：
对所述待处理图像数据进行归一化处理，得到归一化图像数据；
将所述归一化图像数据输入所述散射校正模型，获取所述散射校正模型的输出数据；
对所述输出数据进行归一化处理的逆处理，得到校正图像数据。
第三方面，本方案实施例提供一种图像处理方法，包括：
获取包含散射分量的待处理图像数据；
利用基于神经网络的散射校正模型对所述待处理图像数据进行散射校正，得到校正图像数据；
所述基于神经网络的散射校正模型通过如下步骤获取：
获取多个训练数据对，每个训练数据对包括包含散射分量的第一图像数据、与所述第一图像数据对应的所述散射分量抑制的第二图像数据；
机器学习获取所述第一图像和第二图像数据之间的映射关系；
根据所述映射关系确定神经网络模型对应的模型参数，从而得到所述基于神经网络的散射校正模型。
第四方面，本方案实施例提供一种医学成像设备，所述设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器被配置为：
获取包含散射分量的待处理图像数据；
确定所述待处理图像数据的成像参数；
查找与所述成像参数对应的基于神经网络的散射校正模型，所述散射校正模型为利用第一方面中任一项所述的方法生成的；
利用所述散射校正模型对所述待处理图像数据进行散射校正，得到校正图像数据。
本发明实施例具有以下有益效果：
本发明第一个实施例，通过在指定成像参数下，获取具有散射分量的第一图像数据，以及获取与第一图像数据对应的不具有散射分量的第二图像数据，选取第一图像数据或其相关数据中指定位置处的数据，作为输入数据，以及选取第二图像数据或其相关数据中与指定位置相对应的位置处的数据，作为标签数据，根据输入数据和标签数据，采用神经网络进行机器学习，生成指定成像参数对应的基于神经网络的散射校正模型，利用神经网络机器学习生成基于神经网络的散射校正模型，用于对DR图像进行散射校正，不需要加大X射线的辐射剂量，因此安全性较好。同时，不需要在DR设备中增加滤线栅，也不需要增加对DR设备的X射线管和高压发生器的要求，因此能够降低DR设备的成本。
【附图说明】
为了更清楚地说明本方案实施例的技术方案，下面将对实施例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方案的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的模型生成方法的流程示例图。
图2为本发明实施例提供的卷积神经网络示例图。
图3为本发明实施例提供的图像处理方法的流程示例图。
图4是医学成像设备的简化框图。
图5为原始图像块与原始图像块经过神经网络第一层操作之后所得到的图像块的关系示意图。
图6为包括由残差支路和非线性支路组成的并列模型的神经网络模型中，残差支路的处理过程示意图。
图7A为本发明一实施例中的待处理的DR图像。
图7B为利用神经网络对图7A进行散射校正获得的DR图像。
【具体实施方式】
为了更好的理解本方案的技术方案，下面结合附图对本方案实施例进行详细描述。
应当明确，所描述的实施例仅仅是本方案一部分实施例，而不是全部的实施例。基于本方案中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本方案保护的范围。
在本方案实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本方案。在本方案实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例一
图1为本发明实施例提供的模型生成方法的流程示例图。如图1所示，本实施例中，模型生成方法可以包括如下步骤：
S101，在指定成像参数下，获取包含散射分量的第一图像数据，以及获取与第一图像数据对应的散射分量抑制的第二图像数据。
S102，选取第一图像数据中或第一图像数据的相关数据中指定位置处的数据，作为输入数据，以及选取第二图像数据中或第二图像数据的相关数据中与指定位置相对应的位置处的数据，作为标签数据。需要说明的是，本申请中的输入数据和标签数据都是神经网络中的训练数据，以标签数据作为目标参考，通过将输入数据输入神经网络经过多次训练、变换和得到与标签数据相似度最高的输出图像或数据。
S103，根据输入数据和标签数据，采用神经网络进行机器学习，生成指定成像参数对应的基于神经网络的散射校正模型。
在一个示例性的实现过程中，神经网络可以是卷积神经网络模型、深度信任网络模型、堆栈自编码网络模型等，下述实施例以卷积神经网络为例说明。
其中，第一图像数据和第二图像数据是相对应的图像数据，是在同一成像条件下、对同一目标采集的图像数据，两者的不同之处在于：第一图像数据是受到散射射线影响的图像数据，因此第一图像数据包含散射分量；第二图像数据是抑制了散射射线影响的图像数据。第一图像数据可以对应直射射线和散射射线分量或成分。第二图像数据可以对应第一图像数据中的直射射线成分。
在一个示例性的实现过程中，第一图像数据和第二图像数据对应两次采集，第一图像数据的采集未施加滤线栅，第二图像数据的采集施加滤线栅；或，第一图像数据和第二图像数据对应一次采集，且第二图像数据通过对第一图像数据进行散射抑制获得。
在一个示例性的实现过程中，第一图像数据和第二图像数据可以通过如下方式获取：在同样的成像参数下拍摄两次图像，一次是在不带滤线栅的情况下拍摄的DR图像作为第一图像数据，一次是在带滤线栅的情况下拍摄的DR图像作为第二图像数据。
在一个示例性的实现过程中，第一图像数据和第二图像数据还可以通过如下方式获取：采用Monte-Carlo模拟两张图像，一张是带有散射线的DR图像作为第一图像数据，一次是没有散射线的DR图像作为第二图像数据。
在一个示例性的实现过程中，第一图像数据和第二图像数据还可以通过如下方式获取：通过手动调节后处理算法获取高质量图像，将原始的不加滤线栅的DR图像作为第一图像数据，把第一图像数据输入后处理算法中，调节平滑和增强参数，得到医生认可的高质量的DR图像作为第二图像数据。
在一个示例性的实现过程中，在指定成像参数下，获取包含散射分量的第一图像数据，以及获取与第一图像数据对应的所述散射分量抑制的第二图像数据之后，模型生成方法还可以包括：根据第一图像数据获取第三图像数据，以及根据第二图像数据获取第四图像数据；选取第一图像数据中或第一图像数据的相关数据中指定位置处的数据，作为输入数据，以及选取第二图像数据中或第二图像数据的相关数据中与所述指定位置相对应的位置处的数据，作为标签数据，包括：选取第三图像数据中指定位置处的数据，作为输入数据，以及选取第四图像数据中与所述指定位置相对应的位置处的数据，作为标签数据。
在一个示例性的实现过程中，根据第一图像数据获取第三图像数据，可以包括：对第一图像数据进行归一化处理，得到第三图像数据；根据第二图像数据获取第四图像数据，可以包括：对第二图像数据进行归一化处理，得到第四图像数据。
在一个示例性的实现过程中，根据第一图像数据获取第三图像数据，可以包括：对第一图像数据进行数据扩展，得到第一扩展图像数据；对第一扩展图像数据进行归一化处理，得到第三图像数据；根据第二图像数据获取第四图像数据，可以包括：对第二图像数据进行数据扩展，得到第二扩展图像数据；对第二扩展图像数据进行归一化处理，得到第四图像数据。
在一个示例性的实现过程中，对第一图像数据进行数据扩展，得到第一扩展图像数据，可以包括：对第一图像数据对应的图像进行图像反转和/或图像旋转，得到第一扩展图像数据。
在一个示例性的实现过程中，对第二图像数据进行数据扩展，得到第二扩展图像数据，可以包括：对第二图像数据对应的图像进行图像反转和/或图像旋转，得到第二扩展图像数据。
在一个示例性的实现过程中，对第一扩展图像数据和第二扩展图像数据进行的归一化处理过程可以是：统计所有第一扩展图像数据和第二扩展图像数据中的最小值Imin最大值Imax，然后将第一扩展图像数据和第二扩展图像数据中的每个数据都减去最小值Imin，得到第一差值，再用该第一差值除以最大值Imax和最小值Imin的差，从而得到0～1之间的数据。
在一个示例性的实现过程中，对第一扩展图像数据和第二扩展图像数据进行的归一化处理过程还可以是：统计所有第一扩展图像数据和第二扩展图像数据的均值和方差，然后将第一扩展图像数据和第二扩展图像数据中的每个数据都减去均值，得到第二差值，再用该第二差值除以方差的n倍(例如3倍)，得到第一扩展图像数据和第二扩展图像数据归一化后的数据。
在一个示例性的实现过程中，选取第三图像数据中指定位置处的数据，作为输入数据，可以包括：选取第三图像数据中处于指定采样窗口内的数据，作为输入数据。
相应地，在一个示例性的实现过程中，选取第四图像数据中与指定位置相对应的位置处的数据，作为标签数据，可以包括：选取第四图像数据中处于指定采样窗口内的数据，作为标签数据。
也就是说，可以通过设置的采样窗口对第三图像数据和第四图像数据的同样位置选取相同大小的数据块。例如，数据块的尺度大小可设置在40～100(像素点个数)范围内，对应地，数据块的大小可以取为40×40至100×100之间任意数值。优选地，数据块的大小可以取50×50。。
此外，还可以通过随机方式对第三图像数据和第四图像数据进行选取数据块的操作。例如，从第三图像数据中随机选取指定数量个数据，并记录被选取数据对应的像素点位置，然后根据这些被选取数据对应的像素点位置，选取第四图像数据中与这些像素点位置相对应的位置处的像素点数据。
在一个示例性的实现过程中，根据输入数据和标签数据，采用神经网络进行机器学习，生成指定成像参数对应的基于神经网络的散射校正模型，可以包括：采用卷积层、激活层和代价层搭建第一卷积神经网络模型；将输入数据和标签数据输入所述第一卷积神经网络模型进行机器学习，得到第一卷积神经网络模型对应的第一模型参数；根据第一模型参数和所述第一卷积神经网络模型，生成散射校正模型。
需要说明的是，上述采用卷积层、激活层和代价层搭建第一卷积神经网络模型仅为列举的示例，在本发明其他实施例中，可以采用其他方式搭建神经网络模型，本发明不对神经网络模型的搭建方式进行限定。
在一个示例性的实现过程中，第一模型参数可以包含输入数据与标签数据的映射关系。
在一个示例性的实现过程中，映射关系可以通过如下方法获得：将输入数据和标签数据划分为多个数据块，组成数据库,在数据库中，输入数据和标签数据一一对应；分别计算输入数据对应的数据块和标签数据对应的数据块的梯度结构；根据输入数据对应的数据块和标签数据对应的数据块的梯度结构迭代更新卷积神经网络中的参数。在此实施例中，输入数据对应的数据块和/或标签数据对应的数据块的X方向梯度可根据如下公式计算的得到：
其中，I表示图像像素点的灰度；i表示像素点的横坐标，i≥0；j表示像素点的纵坐标，j≥0；Gx表示X方向的梯度。即X方向的梯度图i列的值为i列的原图灰度值减去i-1列的原图灰度值。
同理，输入数据对应的数据块和/或标签数据对应的数据块的Y方向梯度可根据如下公式获得：
其中，I表示图像像素点的灰度；i表示像素点的横坐标，i≥0；j表示像素点的纵坐标，j≥0；Gy表示Y方向的梯度。即Y方向的梯度图j行的值为j行的原图灰度值减去j-1行原图灰度值。
在得到输入数据对应的数据块X、Y方向的梯度以及标签数据对应的数据块X、Y方向的梯度后，可获取两种梯度之间的映射关系，根据该映射关系可对输入数据对应的数据块X、Y方向的梯度进行变换，得到神经网络模拟的梯度。进一步地，对神经网络模拟的梯度进行转换可得到神经网络模拟的图像数据，由梯度转换到图像的过程可参考Directanalytical methods for solving Poisson equations in computer vision problems[J](Simchony T,Chellappa R,Shao M.IEEE Transactions on Pattern Analysis andMachine Intelligence,1990,12(5):435-446.)。在此实施例中，利用神经网络获取输入数据的梯度和标签数据的梯度之间的映射关系，考虑到训练数据梯度的变化仅在图像边界比较明显，而在中间或者除边界之前的区域几乎无明显变换，本发明方法可减少数据处理的难度，降低神经网络学习的难度，而且训练后的神经网络模型也更准确。
图2为本发明实施例提供的卷积神经网络示例图。参见图2，本示例中，卷积神经网络由卷积层、激活层和代价层搭建而成。其中卷积层数目n可选5～13层，优选为9层，前面n-1个卷积层的每个卷积层后面都有一个激活层，最后一个卷积后面接代价层。其中，卷积核的大小可以为3*3到11*11之间，优选地，可以采用3*3的卷积核，前面n-1个卷积层的输出个数可选32～128，优选地，前面n-1个卷积层的输出个数可以选择64。
参见图2，激活层的激活函数可以采用修正线性单元(rectified linear units，ReLU)(把小于0的参数置零)。代价层采用输入数据经过网络后的重建数据与标签数据的均方误差(Mean Squared Error，MSE)，其中，均方误差的计算公式如下面的公式(1)所示：
公式(1)中，Xi代表第i个输入数据，F(Xi)代表Xi经过网络后的重建数据，ci代表第i个标签数据，N代表数据的数量。
通过公式(1)得到的均方误差，可以估计标签数据和利用参数进行变换后的输入图像的相似度。相似度高的话就可以停止学习，得到学习后的图像。
在一个示例性的实现过程中以超分辨率卷积神经网络(Super-ResolutionConvolutional Neural Network，SRCNN)为例说明，根据输入数据和标签数据，采用卷积神经网络进行机器学习，生成指定成像参数对应的基于卷积神经网络的散射校正模型，如图6所示，可以包括：
1)特征提取。首先用核大小为9×9的卷积层提取特征，该特征提取层相当于一个线性操作；激活函数Relu对特征提取层输出的所有特征映射进行非线性处理。激活函数Relu可参考文献Nair V,Hinton G E.Rectified linear units improve restrictedboltzmann machines[C]//Proceedings of the 27th international conference onmachine learning(ICML-10).2010:807-814.
在此实施例中，从输入数据中获取一个或多个图像块，对于每一个图像块执行公式(2)所对应的操作：
请参见图5。图5为原始图像块与原始图像块经过神经网络第一层操作之后所得到的图像块的关系示意图。图5中，横坐标表示原始图像块或训练数据块，纵坐标表示经过神经网络第一层操作之后得到的图像块。示例性地，可用如下公式表示：
F1(M)＝max(0,W1*M+B1) (2)
公式(2)中，F1(M)表示从图像块M提取的特征值；W1表示滤波器，滤波器的数量可设置成n1个，B1表示偏差；符号“*”表示卷积操作；W1的大小为c×f1×f1,c表示输入图像中通道的数量，f1表示滤波器的空间大小。
2)非线性映射
在特征提取中，通过卷积操作可对每个图像块提取n1特征，而在第二层中，可通过卷积层把第n1维向量映射到一个n2维向量中。第二层的操作同样包括卷积操作和ReLU操作，可以表示为公式(3)：
F2(M)＝max(0,W2*F1(M)+B2) (3)
公式(3)中，W2表示n2个大小为c×f2×f2的滤波器，B2表示n2偏差；*表示卷积操作；f2表示滤波器的空间大小，每一个n2维向量在概念上表示可用于重建的高分辨率图像块。
3)根据预测的高分辨图像块通过平均来产生最终的完整图，可仅包括卷积操作。平均步骤可以看作是一个在一组特征图上一个预先定义的滤波器。在此实施例中，神经网络可包括一个卷积层来产生最终的高分辨率图像，此时的神经网络如公式(4)所示。
F(M)＝W3*F2(M)+B3 (4)
公式(4)中，W3是一个大小为n2×f3×f3×c的线性滤波器，B3为c维度的偏差。
4)训练和优化
本实施例中使用均方误差作为损失函数来估计神经网络多层的网络参数。均方误差的计算式请参见前述的公式(1)。
在另一个实施例中，神经网络模型采用DNCNN(Denoising Convolutional NeuralNetwork)的网络，与SRCNN的不同在于：DNCNN包含的层数更多，除了卷积层和ReLU层之外，还加入了一个或多个归一化层。进一步地，可学习输入数据和标签数据的残差，即低质量图像和高质量图像之间的残差，以提高神经网络学习的速度。
图7A为本发明一实施例中的待处理的DR图像，图7A中的DR图像带有较多的散射线伪影，脊柱和肺内部的血管对比度较低；图7B为利用神经网络对图7A进行散射校正获得的DR图像，由图7B可见，散射校正后的图像的结构对比度有较大提升，脊柱和肺内血管组织更加清晰。
本发明实施例，将深度学习应用到射线图像散射校正模型的获取过程中，采用卷积神经网络，模拟复杂的散射校正过程，能够涵盖复杂的散射过程，因此模型普适能力强。
通过本发明各实施例获得的散射校正模型，可以应用于没有滤线栅的DR设备中，以用于对带有散射的DR图像进行散射校正，得到不带散射的DR图像。这样，就可以不用在DR设备中加装滤线栅，也不需要增加对DR设备的X射线管和高压发生器的要求，因此可以降低DR设备的成本。同时，由于不用在DR设备中加装滤线栅，不需要加大X射线的辐射剂量，因此安全性较好。
本发明实施例提供的模型生成方法，通过在指定成像参数下，获取包含散射分量的第一图像数据，以及获取与第一图像数据对应的散射分量抑制的第二图像数据，选取第一图像数据或其相关数据中指定位置处的数据，作为输入数据，以及选取第二图像数据或其相关数据中与指定位置相对应的位置处的数据，作为标签数据，根据输入数据和标签数据，采用神经网络进行机器学习，生成指定成像参数对应的基于卷积神经网络的散射校正模型，利用神经网络进行机器学习，生成基于神经网络的散射校正模型对DR图像进行散射校正，不需要加大X射线的辐射剂量，因此安全性较好。同时，不需要在DR设备中增加滤线栅，也不需要增加对DR设备的X射线管和高压发生器的要求，因此能够降低DR设备的成本。
实施例二
通过前述实施例一中的模型生成方法，可以获得各种成像参数下的散射校正模型，利用这些散射校正模型，可以对不带滤线栅的DR设备输出的DR图像进行散射校正，以去除DR图像中的散射分量，提高DR图像质量。
其中，可以将各种成像参数下的散射校正模型组成模型库，将模型库存储在DR设备中或者能够与DR设备进行数据通信的外部设备中。这样，当DR设备需要获取散射校正模型时，就从DR设备自身的模型库中或者从外部设备的模型库中获取散射校正模型。
为此，本发明实施例提供了一种图像处理方法。
图3为本发明实施例提供的图像处理方法的流程示例图。如图3所示，本实施例中，图像处理方法可以包括如下步骤：
S301，获取包含散射分量的待处理图像数据。
S302，确定待处理图像数据的成像参数。
S303，查找与成像参数对应的基于神经网络的散射校正模型，散射校正模型为利用实施例一中任一种模型生成方法生成的。
S304，利用散射校正模型对待处理图像数据进行散射校正，得到校正图像数据。
由于不同成像参数具有不同的散射校正模型，因此，在校正之前，需要先确定待处理图像数据的成像参数，然后根据成像参数查找对应的基于卷积神经网络的散射校正模型。
在一个示例性的实现过程中，利用散射校正模型对待处理图像数据进行散射校正，得到校正图像数据，可以包括：对待处理图像数据进行归一化处理，得到归一化图像数据；将归一化图像数据输入散射校正模型，获取散射校正模型的输出数据；对输出数据进行归一化处理的逆处理，得到校正图像数据。
其中，归一化处理的逆处理过程是由相应的归一化处理方式决定的。举例说明。如果归一化处理方式采用的方式是：统计所有第一扩展图像数据和第二扩展图像数据中的最小值Imin和最大值Imax，然后将第一扩展图像数据和第二扩展图像数据中的每个数据都减去最小值Imin，得到第一差值，再用该第一差值除以最大值Imax和最小值Imin的差，从而得到0～1之间的数据。则归一化处理的逆处理过程是：将输出数据乘以最大值Imax与最小值Imin的差，得到第一乘积，然后将第一乘积加上最小值Imin，即得到校正图像数据。
再比如，如果归一化处理方式采用的方式是：统计所有第一扩展图像数据和第二扩展图像数据的均值和方差，然后将第一扩展图像数据和第二扩展图像数据中的每个数据都减去均值，得到第二差值，再用该第二差值除以方差的n倍，得到第一扩展图像数据和第二扩展图像数据归一化后的数据。则归一化处理的逆处理过程是：将输出数据乘以方差的n倍，得到第二乘积，然后将第二乘积加上均值，即得到校正图像数据。
本发明实施例提供的图像处理方法，通过获取包含散射分量的待处理图像数据，确定待处理图像数据的成像参数，查找与成像参数对应的基于神经网络的散射校正模型，散射校正模型为利用实施例一中任一种模型生成方法生成的，利用散射校正模型对待处理图像数据进行散射校正，得到校正图像数据，不需要加大X射线的辐射剂量，因此安全性较好，同时，不需要在DR设备中增加滤线栅，也不需要增加对DR设备的X射线管和高压发生器的要求，因此能够降低DR设备的成本。
实施例三
本发明实施例还提供一种图像处理方法，该方法可以包括如下步骤：
获取包含散射分量的待处理图像数据；
利用基于神经网络的散射校正模型对待处理图像数据进行散射校正，得到校正图像数据；
基于神经网络的散射校正模型通过如下步骤获取：
获取多个训练数据对，每个训练数据对包括包含散射分量的第一图像数据、与所述第一图像数据对应的所述散射分量抑制的第二图像数据；
机器学习获取第一图像和第二图像数据之间的映射关系；
根据映射关系确定神经网络模型对应的模型参数，从而得到基于神经网络的散射校正模型。
实施例四
本发明实施例还提供一种医学成像设备，该设备包括：处理器；用于存储处理器可执行指令的存储器；处理器被配置为：获取包含散射分量的待处理图像数据；确定待处理图像数据的成像参数；查找与成像参数对应的基于神经网络的散射校正模型，散射校正模型为利用前述实施例一中任一种模型生成方法生成的；利用散射校正模型对待处理图像数据进行散射校正，得到校正图像数据。
其中，医学成像设备可以是DR设备。
图4是医学成像设备的简化框图。参见图4，该医学成像设备400可以包括与一个或多个数据存储工具连接的处理器401，该数据存储工具可以包括存储介质406和内存单元404。医学成像设备400还可以包括输入接口405和输出接口407，用于与另一装置或系统进行通信。被处理器401的CPU执行的程序代码可存储在内存单元404或存储介质406中。
医学成像设备400中的处理器401调用存储在内存单元404或存储介质406的程序代码，执行下面各步骤：
获取包含散射分量的待处理图像数据；
确定待处理图像数据的成像参数；
查找与成像参数对应的基于神经网络的散射校正模型，散射校正模型为利用前述实施例一中任一种模型生成方法生成的；
利用散射校正模型对待处理图像数据进行散射校正，得到校正图像数据。
这样，医学成像设备400中不需要加装滤线栅，就能够获得经过散射校正的高质量医学图像。一方面降低了医学成像设备的成本，另一方面由于不需要增加扫描射线剂量，因此安全性更好。
上述实施例中，存储介质可以是只读存储器(Read-Only Memory，ROM)，或是可读写的，例如硬盘、闪存。内存单元可为随机存取存储器(Random Access Memory，RAM)。内存单元可与处理器物理集成或集成在存储器中或构建为单独的单元。
处理器为上述设备(该设备为上述服务器或者上述客户端)的控制中心，并提供处理装置，用于执行指令，进行中断操作，提供计时功能以及多种其他功能。可选地，处理器包括一个或多个中央处理单元(CPU)，例如图4中示出的CPU 0和CPU 1。上述设备中包括一个或者多个的处理器。处理器可为单核(单CPU)处理器或多核(多CPU)处理器。除非另有声明，描述为用于执行任务的例如处理器或存储器的部件可实现为通用部件，其暂时用于在给定时间执行任务，或实现为专门制造用于执行该任务的特定部件。此处所用的术语“处理器”指一个或多个装置，电路和/或处理核，用于处理数据，例如计算机程序指令。
被处理器的CPU执行的程序代码可存储在内存单元或存储介质中。可选地，存储在存储介质中的程序代码可以被复制入内存单元以便处理器的CPU执行。处理器可执行至少一个内核(例如LINUXTM、UNIXTM、WINDOWSTM、ANDROIDTM、IOSTM)，众所周知，该内核用于通过控制其他程序或过程的执行、控制与外围装置的通信以及控制计算机设备资源的使用来控制上述设备的操作。
上述设备中的上述元件可通过总线彼此连接，总线例如数据总线、地址总线、控制总线、扩展总线和局部总线之一或其任意组合。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本方案所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，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，在本方案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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
以上所述仅为本方案的较佳实施例而已，并不用以限制本方案，凡在本方案的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本方案保护的范围之内。

Claims (10)

1.一种模型生成方法，其特征在于，所述方法包括：
在指定成像参数下，获取包含散射分量的第一图像数据，以及获取与所述第一图像数据对应的所述散射分量抑制的第二图像数据；
选取所述第一图像数据中或所述第一图像数据的相关数据中指定位置处的数据，作为输入数据，以及选取所述第二图像数据中或所述第二图像数据的相关数据中与所述指定位置相对应的位置处的数据，作为标签数据；
根据所述输入数据和所述标签数据，采用神经网络进行机器学习，生成所述指定成像参数对应的基于神经网络的散射校正模型。
2.根据权利要求1所述的方法，其特征在于，在指定成像参数下，获取包含散射分量的第一图像数据，以及获取与所述第一图像数据对应的所述散射分量抑制的第二图像数据之后，所述方法还包括：
根据所述第一图像数据获取第三图像数据，以及根据所述第二图像数据获取第四图像数据；
选取所述第一图像数据中或所述第一图像数据的相关数据中指定位置处的数据，作为输入数据，以及选取所述第二图像数据中或所述第二图像数据的相关数据中与所述指定位置相对应的位置处的数据，作为标签数据，包括：选取所述第三图像数据中指定位置处的数据，作为输入数据，以及选取所述第四图像数据中与所述指定位置相对应的位置处的数据，作为标签数据。
3.根据权利要求2所述的方法，其特征在于，根据所述第一图像数据获取第三图像数据，包括：对所述第一图像数据进行归一化处理，得到第三图像数据；
根据所述第二图像数据获取第四图像数据，包括：对所述第二图像数据进行归一化处理，得到第四图像数据。
4.根据权利要求1所述的方法，其特征在于，根据所述输入数据和所述标签数据，采用神经网络进行机器学习，生成所述指定成像参数对应的基于神经网络的散射校正模型，包括：
采用卷积层、激活层和代价层搭建第一卷积神经网络模型；
将所述输入数据和所述标签数据输入所述第一卷积神经网络模型进行机器学习，得到所述第一卷积神经网络模型对应的第一模型参数；
根据所述第一模型参数和所述第一卷积神经网络模型，生成散射校正模型。
5.根据权利要求4所述的方法，其特征在于，所述第一模型参数包含所述输入数据与所述标签数据的映射关系。
6.根据权利要求5所述的方法，其特征在于，所述映射关系通过如下方法获得：
将所述输入数据和标签数据划分为多个数据块，组成数据库,在所述数据库中，所述输入数据和所述标签数据一一对应；
分别计算所述输入数据对应的数据块和所述标签数据对应的数据块的梯度结构；
根据所述输入数据对应的数据块和所述标签数据对应的数据块的梯度结构迭代更新神经网络中的参数。
7.根据权利要求1所述的方法，其特征在于，
所述第一图像数据和所述第二图像数据对应两次采集，所述第一图像数据的采集未施加滤线栅，所述第二图像数据的采集施加滤线栅；
或，所述第一图像数据和所述第二图像数据对应一次采集，且所述第二图像数据通过对所述第一图像数据进行散射抑制获得。
8.一种图像处理方法，其特征在于，所述方法包括：
获取包含散射分量的待处理图像数据；
确定所述待处理图像数据的成像参数；
查找与所述成像参数对应的基于神经网络的散射校正模型，所述散射校正模型为利用权利要求1至7中任一项所述的方法生成的；
利用所述散射校正模型对所述待处理图像数据进行散射校正，得到校正图像数据。
9.一种图像处理方法，其特征在于，包括：
获取包含散射分量的待处理图像数据；
利用基于神经网络的散射校正模型对所述待处理图像数据进行散射校正，得到校正图像数据；
所述基于神经网络的散射校正模型通过如下步骤获取：
获取多个训练数据对，每个训练数据对包括包含散射分量的第一图像数据、与所述第一图像数据对应的所述散射分量抑制的第二图像数据；
机器学习获取所述第一图像和第二图像数据之间的映射关系；
根据所述映射关系确定神经网络模型对应的模型参数，从而得到所述基于神经网络的散射校正模型。
10.一种医学成像设备，其特征在于，所述设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器被配置为：
获取包含散射分量的待处理图像数据；
确定所述待处理图像数据的成像参数；
查找与所述成像参数对应的基于神经网络的散射校正模型，所述散射校正模型为利用权利要求1至7中任一项所述的方法生成的；
利用所述散射校正模型对所述待处理图像数据进行散射校正，得到校正图像数据。
CN201710772800.9A 2017-08-31 2017-08-31 模型生成方法、图像处理方法及医学成像设备 Active CN107516330B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710772800.9A CN107516330B (zh) 2017-08-31 2017-08-31 模型生成方法、图像处理方法及医学成像设备
US16/042,536 US10803555B2 (en) 2017-08-31 2018-07-23 System and method for determining a trained neural network model for scattering correction
US17/067,688 US11354780B2 (en) 2017-08-31 2020-10-11 System and method for determining a trained neural network model for scattering correction

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710772800.9A CN107516330B (zh) 2017-08-31 2017-08-31 模型生成方法、图像处理方法及医学成像设备

Publications (2)

Publication Number Publication Date
CN107516330A true CN107516330A (zh) 2017-12-26
CN107516330B CN107516330B (zh) 2021-02-09

Family

ID=60724750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710772800.9A Active CN107516330B (zh) 2017-08-31 2017-08-31 模型生成方法、图像处理方法及医学成像设备

Country Status (1)

Country Link
CN (1) CN107516330B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107595312A (zh) * 2017-08-31 2018-01-19 上海联影医疗科技有限公司 模型生成方法、图像处理方法及医学成像设备
EP3326534A1 (en) * 2016-11-25 2018-05-30 Samsung Electronics Co., Ltd. X-ray apparatus and method of acquiring medical image thereof
CN108231178A (zh) * 2017-12-29 2018-06-29 上海奕瑞光电子科技股份有限公司 电子设备的模式配置/控制方法/系统、介质及电子设备
CN108606805A (zh) * 2018-03-15 2018-10-02 沈阳东软医疗系统有限公司 一种散射校正方法、装置及设备
CN109587389A (zh) * 2018-12-19 2019-04-05 上海联影医疗科技有限公司 一种数字滤线栅系统采集图像的方法和系统
CN110033419A (zh) * 2019-04-17 2019-07-19 山东超越数控电子股份有限公司 一种适应于舰基图像去雾的处理方法
CN110063742A (zh) * 2019-04-30 2019-07-30 上海联影医疗科技有限公司 散射校正方法、装置、计算机设备和存储介质
CN110288008A (zh) * 2019-06-12 2019-09-27 上海联影医疗科技有限公司 查找表图像校正方法、装置、计算机设备和存储介质
CN110363296A (zh) * 2019-06-28 2019-10-22 腾讯科技（深圳）有限公司 任务模型获取方法和装置、存储介质及电子装置
CN110428375A (zh) * 2019-07-24 2019-11-08 东软医疗系统股份有限公司 一种dr图像的处理方法及装置
CN110473162A (zh) * 2018-05-11 2019-11-19 精工爱普生株式会社 机器学习装置、摄影时间估计装置及学习模型的生成方法
CN110838116A (zh) * 2019-11-14 2020-02-25 上海联影医疗科技有限公司 医学图像采集方法、装置、设备和计算机可读存储介质
CN110969154A (zh) * 2019-11-29 2020-04-07 上海眼控科技股份有限公司 文本识别方法、装置、计算机设备和存储介质
CN111684486A (zh) * 2018-01-31 2020-09-18 皇家飞利浦有限公司 由谱计算机断层摄影（ct）扫描器生成的图像质量改善的虚拟非对比图像
CN112204607A (zh) * 2018-05-29 2021-01-08 皇家飞利浦有限公司 用于x射线成像的散射校正
CN112206063A (zh) * 2020-09-01 2021-01-12 广东工业大学 一种多模态多角度牙科种植体配准方法
CN112969412A (zh) * 2018-11-07 2021-06-15 皇家飞利浦有限公司 深谱团注剂跟踪
WO2021258785A1 (en) * 2020-06-22 2021-12-30 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for x-ray imaging
US11354780B2 (en) 2017-08-31 2022-06-07 Shanghai United Imaging Healthcare Co., Ltd. System and method for determining a trained neural network model for scattering correction

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105068138A (zh) * 2015-08-04 2015-11-18 李舒曼 自动化探测仪
CN106845440A (zh) * 2017-02-13 2017-06-13 山东万腾电子科技有限公司 一种增强现实图像处理方法及系统
CN106952239A (zh) * 2017-03-28 2017-07-14 厦门幻世网络科技有限公司 图像生成方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105068138A (zh) * 2015-08-04 2015-11-18 李舒曼 自动化探测仪
CN106845440A (zh) * 2017-02-13 2017-06-13 山东万腾电子科技有限公司 一种增强现实图像处理方法及系统
CN106952239A (zh) * 2017-03-28 2017-07-14 厦门幻世网络科技有限公司 图像生成方法和装置

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3326534A1 (en) * 2016-11-25 2018-05-30 Samsung Electronics Co., Ltd. X-ray apparatus and method of acquiring medical image thereof
US11083421B2 (en) 2016-11-25 2021-08-10 Samsung Electronics Co., Ltd. X-ray apparatus and method of acquiring medical image thereof
US11589831B2 (en) 2016-11-25 2023-02-28 Samsung Electronics Co., Ltd. X-ray apparatus and method of acquiring medical image thereof
US11354780B2 (en) 2017-08-31 2022-06-07 Shanghai United Imaging Healthcare Co., Ltd. System and method for determining a trained neural network model for scattering correction
CN107595312B (zh) * 2017-08-31 2020-12-04 上海联影医疗科技股份有限公司 模型生成方法、图像处理方法及医学成像设备
CN107595312A (zh) * 2017-08-31 2018-01-19 上海联影医疗科技有限公司 模型生成方法、图像处理方法及医学成像设备
CN108231178A (zh) * 2017-12-29 2018-06-29 上海奕瑞光电子科技股份有限公司 电子设备的模式配置/控制方法/系统、介质及电子设备
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
CN111684486A (zh) * 2018-01-31 2020-09-18 皇家飞利浦有限公司 由谱计算机断层摄影（ct）扫描器生成的图像质量改善的虚拟非对比图像
CN108606805A (zh) * 2018-03-15 2018-10-02 沈阳东软医疗系统有限公司 一种散射校正方法、装置及设备
CN110473162A (zh) * 2018-05-11 2019-11-19 精工爱普生株式会社 机器学习装置、摄影时间估计装置及学习模型的生成方法
CN112204607B (zh) * 2018-05-29 2024-04-19 皇家飞利浦有限公司 用于x射线成像的散射校正
CN112204607A (zh) * 2018-05-29 2021-01-08 皇家飞利浦有限公司 用于x射线成像的散射校正
CN112969412A (zh) * 2018-11-07 2021-06-15 皇家飞利浦有限公司 深谱团注剂跟踪
CN109587389B (zh) * 2018-12-19 2020-12-04 上海联影医疗科技股份有限公司 一种数字滤线栅系统采集图像的方法和系统
CN109587389A (zh) * 2018-12-19 2019-04-05 上海联影医疗科技有限公司 一种数字滤线栅系统采集图像的方法和系统
CN110033419A (zh) * 2019-04-17 2019-07-19 山东超越数控电子股份有限公司 一种适应于舰基图像去雾的处理方法
CN110063742B (zh) * 2019-04-30 2024-01-02 上海联影医疗科技股份有限公司 散射校正方法、装置、计算机设备和存储介质
CN110063742A (zh) * 2019-04-30 2019-07-30 上海联影医疗科技有限公司 散射校正方法、装置、计算机设备和存储介质
CN110288008A (zh) * 2019-06-12 2019-09-27 上海联影医疗科技有限公司 查找表图像校正方法、装置、计算机设备和存储介质
CN110363296B (zh) * 2019-06-28 2022-02-08 腾讯医疗健康(深圳)有限公司 任务模型获取方法和装置、存储介质及电子装置
CN110363296A (zh) * 2019-06-28 2019-10-22 腾讯科技（深圳）有限公司 任务模型获取方法和装置、存储介质及电子装置
CN110428375A (zh) * 2019-07-24 2019-11-08 东软医疗系统股份有限公司 一种dr图像的处理方法及装置
CN110428375B (zh) * 2019-07-24 2024-03-01 东软医疗系统股份有限公司 一种dr图像的处理方法及装置
CN110838116B (zh) * 2019-11-14 2023-01-03 上海联影医疗科技股份有限公司 医学图像采集方法、装置、设备和计算机可读存储介质
CN110838116A (zh) * 2019-11-14 2020-02-25 上海联影医疗科技有限公司 医学图像采集方法、装置、设备和计算机可读存储介质
CN110969154A (zh) * 2019-11-29 2020-04-07 上海眼控科技股份有限公司 文本识别方法、装置、计算机设备和存储介质
WO2021258785A1 (en) * 2020-06-22 2021-12-30 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for x-ray imaging
CN112206063A (zh) * 2020-09-01 2021-01-12 广东工业大学 一种多模态多角度牙科种植体配准方法

Also Published As

Publication number Publication date
CN107516330B (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN107516330A (zh) 模型生成方法、图像处理方法及医学成像设备
US11769277B2 (en) Deep learning based scatter correction
CN107595312B (zh) 模型生成方法、图像处理方法及医学成像设备
EP3633601A1 (en) Patient-specific deep learning image denoising methods and systems
CN111492406A (zh) 使用机器学习的图像生成
CN109598697B (zh) 二维乳腺造影数据组的确定
CN107133946A (zh) 医学图像处理方法、装置及设备
CN107527359A (zh) 一种pet图像重建方法及pet成像设备
CN107958471A (zh) 基于欠采样数据的ct成像方法、装置、ct设备及存储介质
JP6465763B2 (ja) 画像処理装置、画像処理システム、画像処理方法、及びプログラム
CN110402108A (zh) 校正射线照相系统中散射的装置和方法
Liang et al. Guest editorial low-dose CT: what has been done, and what challenges remain?
Wagner et al. Ultralow‐parameter denoising: trainable bilateral filter layers in computed tomography
Wu et al. End-to-end lung nodule detection in computed tomography
KR102036834B1 (ko) 이미지 처리 방법
CN108701360A (zh) 图像处理系统和方法
CN111524109A (zh) 头部医学影像的评分方法和装置、电子设备及存储介质
Chan et al. An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction
CN111862255A (zh) 正则化图像重建方法、系统、可读存储介质和设备
CN111080736A (zh) 一种基于稀疏变换的低剂量ct图像重建方法
CN110570417B (zh) 肺结节分类装置及图像处理设备
Abbani et al. Deep learning‐based segmentation in prostate radiation therapy using Monte Carlo simulated cone‐beam computed tomography
CN112561972B (zh) 医学图像配准方法
Song et al. Noise2void denoising of pet images
EP4368109A1 (en) Method for training a scatter correction model for use in an x-ray imaging system

Legal Events

Date Code Title Description
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: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258

Applicant after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant