CN107595312B - 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 PDFInfo
- Publication number
- CN107595312B CN107595312B CN201710775674.2A CN201710775674A CN107595312B CN 107595312 B CN107595312 B CN 107595312B CN 201710775674 A CN201710775674 A CN 201710775674A CN 107595312 B CN107595312 B CN 107595312B
- Authority
- CN
- China
- Prior art keywords
- data
- image data
- image
- decomposed
- neural network
- 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
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (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,获取包含散射分量的第一图像数据以及散射分量抑制的第二图像数据,对第一数据图像或其相关数据、第二数据图像或其相关数据分解分别得到分解数据,根据分解数据得到训练数据,根据训练数据,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,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,安全性较好,不需要在DR设备中增加滤线栅,能够降低DR设备的成本,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
【技术领域】
本方案涉及图像处理技术领域,尤其涉及一种模型生成方法、图像处理方法及医学成像设备。
【背景技术】
DR(Digital Radiography,数字化X线摄影)设备是一种重要的医学成像设备。DR设备利用具有很强穿透能力的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。
用高能X射线辐照待检测目标时,在X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。因此,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。
在实现本方案过程中,发明人发现现有技术中至少存在如下问题:
带滤线栅的DR设备的安全性较差、成本较高。
【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;
对所述第一图像数据或所述第一图像数据的相关数据进行分解,得到多组第一分解数据,对所述第二图像数据或所述第二图像数据的相关数据进行分解,得到多组第二分解数据,所述第一分解数据的组数与所述第二分解数据的组数相同;
将每一组第一分解数据与对应的第二分解数据组成一组匹配数据,得到多组匹配数据;
从所述多组匹配数据中选取多组训练数据;
根据所述多组训练数据,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。
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:对所述第一图像数据进行归一化处理,得到第三图像数据,以及对所述第二图像数据进行归一化处理,得到第四图像数据;
对所述第一图像数据或所述第一图像数据的相关数据进行分解,得到多组第一分解数据,对所述第二图像数据或所述第二图像数据的相关数据进行分解,得到多组第二分解数据,包括:对所述第三图像数据进行分解,得到多组第一分解数据,对所述第四图像数据进行与所述第三图像数据的分解相对应的分解,得到多组第二分解数据。
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,对所述第一图像数据或所述第一图像数据的相关数据进行分解,得到多组第一分解数据,包括:对所述第一图像数据或所述第一图像数据的相关数据按频率分解成从高到低的多组第一分解数据,所述多组第一分解数据分别属于不同的频段;
对所述第二图像数据或所述第二图像数据的相关数据进行与所述第一图像数据或所述第一图像数据的相关数据的分解相对应的分解,得到多组第二分解数据,包括:对所述第二图像数据或所述第二图像数据的相关数据按频率分解成从高到低的多组第二分解数据,所述多组第二分解数据分别属于不同的频段。
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,对所述第一图像数据或所述第一图像数据的相关数据进行分解,得到多组第一分解数据,包括:对所述第一图像数据或所述第一图像数据的相关数据进行小波分解或者拉普拉斯分解,得到多组第一分解数据;
对所述第二图像数据或所述第二图像数据的相关数据进行与所述第一图像数据或所述第一图像数据的相关数据的分解相对应的分解,得到多组第二分解数据,包括:对所述第二图像数据或所述第二图像数据的相关数据进行小波分解或者拉普拉斯分解,得到多组第二分解数据。
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,根据所述多组训练数据中的第一分解数据,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多尺度卷积神经网络模型;
将所述多组训练数据中的第一分解数据输入所述第一多尺度卷积神经网络模型进行机器学习,得到所述第一多尺度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多尺度卷积神经网络模型,生成散射校正模型。
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。
第三方面,本方案实施例提供一种医学成像设备,所述医学成像设备包括:
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;
将所述待处理图像按频率分解成从高到低的多频段图像;
采用基于神经网络的散射校正模型对所述多频段图像进行散射校正,获取校正的多频段图像;
将所述校正的多频段图像进行合并,形成输出图像。
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,所述基于神经网络的散射校正模型通过如下方式获得:
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;将所述第一图像数据按频率分解成从高到低的第一组多频段图像;
将所述第二图像数据按频率分解成从高到低的第二组多频段图像;
机器学习获取所述第一组多频段图像与所述第二组多频段图像的每个频段图像的映射关系;
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。
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,采用基于神经网络的散射校正模型对所述多频段图像进行散射校正,获取校正的多频段图像包括:
将所述多频段图像分别输入基于神经网络的散射校正模型,获取相对应的散射校正的梯度特征或者灰度特征;
根据散射校正的梯度特征或者灰度特征获取校正的多频段图像。
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,所述第一图像数据或所述第二图像数据通过如下方式进行分解:
采用拉普拉斯分解的方法进行分解;
或,采用小波变换方法进行分解。
本发明实施例具有以下有益效果:
本发明的一个实施例,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,对第一图像数据或第一图像数据的相关数据进行分解,得到多组第一分解数据,对第二图像数据或第二图像数据的相关数据进行分解,得到多组第二分解数据,第一分解数据的组数与第二分解数据的组数相同,将每一组第一分解数据与对应的第二分解数据组成一组匹配数据,得到多组匹配数据,从多组匹配数据中选取多组训练数据,根据多组训练数据,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,利用神经网络进行机器学习,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7个尺度卷积神经网络的训练和重建流程示意图。
图3(a)为图2中单个卷积神经网络的结构示例图。
图3(b)为输入数据和标签数据的分解过程示意图。
图4为本发明实施例提供的图像处理方法的第一流程示例图。
图5为本发明实施例提供的图像处理方法的第二流程示例图。
图6是医学成像设备的简化框图。
图7(a)为本发明一实施例中使用的待处理的DR图像数据。
图7(b)为使用神经网络对图7(a)进行散射校正获得的图像数据。
【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,对第一图像数据或第一图像数据的相关数据进行分解,得到多组第一分解数据,对第二图像数据或第二图像数据的相关数据进行分解,得到多组第二分解数据,第一分解数据的组数与第二分解数据的组数相同。可选地,第二图像数据或第二图像数据的相关数据的分解是与第一图像数据或第一图像数据的相关数据的分解相对应的分解,。可选地,对第一图像数据或第二图像数据进行分解的方法可以采用基于拉普拉斯(金字塔)或者基于小波变换等多尺度分解方法。
S103,将每一组第一分解数据与对应的第二分解数据组成一组匹配数据,得到多组匹配数据。
S104,从多组匹配数据中选取多组训练数据。
S105,根据多组训练数据,采用神经网络(Neural Networks,简称NN)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。
其中,神经网络可以是基于多尺度的卷积神经网络或者深度信任网络模型、堆栈自编码网络模型等,下述实施例以卷积神经网络(Convolutional Neural Networks,简称CNN)为例说明。
需要说明的是,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。第一图像数据和第二图像数据的不同之处在于:第一图像数据是受到散射射线影响的图像数据,因此第一图像数据具有散射分量;第二图像数据是散射射线抑制的图像数据,因此第二图像数据的散射分量被去除或者抑制。
下面举例说明第一图像数据和第二图像数据的获取方式。
第一图像数据和第二图像数据的获取方式示例一: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。
第一图像数据和第二图像数据的获取方式示例二: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。
第一图像数据和第二图像数据的获取方式示例三: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。
需要说明的是,以上为举例说明,并不用于对本发明实施例中第一图像数据和第二图像数据的获取方式进行限制。
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:对第一图像数据进行归一化处理和/或数据扩充处理,得到第三图像数据;对所述第二图像数据进行归一化处理和/或数据扩充处理,得到第四图像数据;对所述第一图像数据或所述第一图像数据的相关数据进行分解,得到多组第一分解数据,对所述第二图像数据或所述第二图像数据的相关数据进行分解,得到多组第二分解数据,包括:对所述第三图像数据进行分解,得到多组第一分解数据,对所述第四图像数据进行分解,得到多组第二分解数据。
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。
相应地,在一个示例性的实现过程中,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。通过上述操作,可得到不同方向的样本,提高作为输入数据的样本的数量。
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。通过上述操作,可得到不同方向的样本,提高作为标签数据/参考数据的样本的数量。
下面举例说明第一扩展图像数据和第二扩展图像数据的归一化处理过程。
示例一,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。
示例二,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。
需要说明的是,尽管上述列举了两种归一化处理过程的示例,但是,本发明实施例并不对归一化处理的具体方式进行限定,因此,除了上述列举的两种归一化处理方式,还可以采用其他的归一化处理方式。
在一个示例性的实现过程中,对第一图像数据或第一图像数据的相关数据进行分解,得到多组第一分解数据,包括:对第一图像数据或第一图像数据的相关数据按频率分解成从高到低的多组第一分解数据,多组第一分解数据分别属于不同的频段;对第二图像数据或第二图像数据的相关数据进行与第一图像数据或第一图像数据的相关数据的分解相对应的分解,得到多组第二分解数据,包括:对第二图像数据或第二图像数据的相关数据按频率分解成从高到低的多组第二分解数据,多组第二分解数据分别属于不同的频段。
例如,对待分解的数据,可以分别按照拉普拉斯金字塔算法分解为从高到低的多个频带,例如4~8个频带,优选地,可以分解为7个频带。
需要说明的是,第一图像数据或其相关数据和第二图像数据或其相关数据需要采用相同的分解方式,并且分解后得到相同组数的分解数据。例如,假设第一图像数据分解后得到8组第一分解数据,那么第二图像数据分解后也得到8组第二分解数据。并且,每一组第一分解数据都对应一组第二分解数据,相对应的第一分解数据和第二分解数据对应相同的频带。本文中,也可以将相对应的第一分解数据和第二分解数据称为配对的第一分解数据和第二分解数据。
在一个示例性的实现过程中,对第一图像数据或第一图像数据的相关数据进行分解,得到多组第一分解数据,包括:对第一图像数据或第一图像数据的相关数据进行小波分解或者拉普拉斯分解,得到多组第一分解数据;对第二图像数据或第二图像数据的相关数据进行与第一图像数据或第一图像数据的相关数据的分解相对应的分解,得到多组第二分解数据,包括:对第二图像数据或第二图像数据的相关数据进行小波分解或者拉普拉斯分解,得到多组第二分解数据。小波分解的方法具体可参考文献Orthonormal bases ofcompactly supported wavelets[J].Communications on pure and appliedmathematics,1988,41(7):909-996。
通过步骤S103,可以将每一组第一分解数据与对应的第二分解数据组成一组匹配数据,得到多组匹配数据。
步骤S104中,从多组匹配数据中选取多组训练数据时,可以按照滑动窗或者随机的方式选取匹配数据中相同位置的数据块,数据块的尺度大小可设置在40~80(像素点个数)范围内,对应地,数据块的大小可以取为40×40至80×80之间任意数值。优选地,数据块的大小可以取50×50。当然也可以根据频带的不同取其他大小的图像块。
在一个示例性的实现过程中,根据多组训练数据中的第一分解数据,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多尺度卷积神经网络模型;将多组训练数据输入第一多尺度卷积神经网络模型进行机器学习,得到第一多尺度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第一多尺度卷积神经网络模型,生成散射校正模型。
下面举例说明本发明实施例的模型生成方法流程。图2为本发明实施例提供的7个尺度卷积神经网络的训练和重建流程示意图。图2中,g0表示原始图像数据或待处理的图像,包括带散射分量的图像数据和不带散射分量的图像数据,对g0进行一次向下采样得到g1,对g1进行一次向下采样得到g2,同理,g3、g4、g5、g6分别由表示g2、g3、g4、g5进行一次向下采样得到。图2中,“G↑”向上采样,“G↓”表示向下采样。待处理的图像在卷积神经网络重建的过程包括:
首先,原始数据g0经过虚线框(1)后,得到7组不同频带的待检测图像数据L0、L1、L2、L3、L4、L5、L6,且L0、L6分别对应最高频和最低频,其中L0为g0分别经过下采样、上采样之后得到的中间图像与g0的差值图像;L1为g1分别经过下采样、上采样之后得到的中间图像与g1的差值图像;L2为g2分别经过下采样、上采样之后得到的中间图像与g2的差值图像;L3为g3分别经过下采样、上采样之后得到的中间图像与g3的差值图像;L4为g4分别经过下采样、上采样之后得到的一个中间图像与g4的差值图像;L5为g5分别经过下采样、上采样之后得到的一个中间图像与g5的差值图像;L6为g5经过下采样获得。
然后,上述7组分解后的多频段待检测图像被分别输入虚线框(2)中的7个卷积神经网络CNN1、CNN2、CNN3、CNN4、CNN5、CNN6,卷积神经网络CNN1、CNN2、CNN3、CNN4、CNN5、CNN6分别输出神经网络模拟的散射抑制的不同频带图像数据L0′、L1′、L2′、L3′、L4′、L5′、L6′,其中:L0′为L0输入卷积神经网络CNN1模拟得到的散射抑制差值图像;L1′为L1输入卷积神经网络CNN2模拟得到的散射抑制差值图像;L2′为L2输入卷积神经网络CNN3模拟得到的散射抑制差值图像;L3′为L3输入卷积神经网络CNN4模拟得到的散射抑制差值图像;L4′为L4输入卷积神经网络CNN5模拟得到的散射抑制差值图像;L5′为L5输入卷积神经网络CNN6模拟得到的散射抑制差值图像;L6′为L6输入卷积神经网络CNN7模拟得到的散射抑制的图像。
神经网络的模拟数据L0′、L1′、L2′、L3′、L4′、L5′、L6′经过虚线框(3)进行重建。其中,L6′经过上采样得到中间图像,该中间图像与L5′进行相加运算,得到R5;R5经过上采样得到中间图像,该中间图像与L4′进行相加运算,得到R4;R4经过上采样得到中间图像,该中间图像与L3′进行相加运算,得到R3;R3经过上采样得到中间图像,该中间图像与L2′进行相加运算,得到R2;R2经过上采样得到中间图像,该中间图像与L1′进行相加运算,得到R1;R1经过上采样得到中间图像,该中间图像与L0′进行相加运算,得到R0,该R0为待检测图像经过神经网络学习得到的散射抑制的图像。。
考虑到散射线造成的模糊在不同的频带表现不一样,本申请中将待检测数据分解为从高到低的不同频段,采用上述方法,可以对不同频段的图像进行散射线抑制,从而得到更好的散射线抑制效果,同时也降低了学习的难度。
图3(a)为图2中单个卷积神经网络的结构示例图。图2中的卷积神经网络CNN1、CNN2、CNN3、CNN4、CNN5、CNN6都可以采用图3(a)所示的结构。参见图3(a),在一个示例性的实现过程中,卷积神经网络可以包括10层,其中包括5个卷积层、4个激活层和1个代价层。其中,卷积层核的大小可选3*3到9*9,优选的,可以全部采用3*3的核,第一个卷积层输入作为训练数据的先验的包含散射分量的DR图像块,输出64个特征图,第2个到第4个卷积层都是输入64个特征图,输出64个卷积图,最后一个卷积层输入64个特征图,输出一个残差图。其中,激活层的激活函数可以采用relu激活函数(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(例如图2中的R0)与标签数据(指通过不带散射分量的图像获得的训练数据)的均方误差,其中,均方误差Loss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。需要说明的是,不同卷积神经网络中作为训练数据的输入数据和标签数据也是经过多尺度分解的,输入数据和标签数据的分解过程如图3(b)所示,本实施例中以作为训练数据的输入数据为例说明:
图3(b)中,t0表示作为训练数据的输入数据,包括带散射分量的图像数据和不带散射分量的图像数据(先验数据),对t0进行一次向下采样得到t1,对t1进行一次向下采样得到t2,同理,t3、t4、t5、t6分别由表示t2、t3、t4、t5进行一次向下采样得到。图3b中,“G↑”向上采样,“G↓”表示向下采样。
进一步的,可得到7组不同频带的图像数据S0、S1、S2、S3、S4、S5、S6,且S0、S6分别对应最高频和最低频,其中S0为t0分别经过下采样、上采样之后得到的中间图像与t0的差值图像;S1为t1分别经过下采样、上采样之后得到的中间图像与t1的差值图像;S2为t2分别经过下采样、上采样之后得到的中间图像与t2的差值图像;S3为t3分别经过下采样、上采样之后得到的中间图像与t3的差值图像;S4为t4分别经过下采样、上采样之后得到的一个中间图像与t4的差值图像;S5为t5分别经过下采样、上采样之后得到的一个中间图像与t5的差值图像;S6为t5经过下采样获得。
对应地,S0作为卷积神经网络CNN1的输入数据(训练数据);S1作为卷积神经网络CNN2的输入数据;S2作为卷积神经网络CNN3的输入数据;S3作为卷积神经网络CNN4的输入数据;S4作为卷积神经网络CNN5的输入数据;S5作为卷积神经网络CNN6的输入数据,S6作为卷积神经网络CNN7的输入数据。
在本发明实施例中,代价层可以采用重建数据和标签数据的1范数、重建数据与标签数据的加权1范数、重建数据与标签数据的加权2范数或其他可以度量重建数据与标签数据的相似性的代价。
需要说明的是,上述各个卷积神经网络的训练数据可以是从先验数据获取的原始图像块,还可以是从先验数据的原始图像块提取的梯度结构或者梯度特征。
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,对第一图像数据或其相关数据进行分解,得到多组第一分解数据,对第二图像数据或其相关数据进行分解,得到多组第二分解数据,第一分解数据的组数与第二分解数据的组数相同,将每一组第一分解数据与对应的第二分解数据组成一组匹配数据,得到多组匹配数据,从多组匹配数据中选取多组训练数据,根据多组训练数据,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,利用神经网络进行机器学习,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。
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4为本发明实施例提供的图像处理方法的第一流程示例图。如图4所示,本实施例中,图像处理方法可以包括如下步骤:
S401,获取包含散射分量的待处理图像数据。
S402,确定待处理图像数据的成像参数。
S403,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。
S404,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;对归一化图像数据进行分解,得到多组分解数据;将分解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。
图7(a)为本发明一实施例中使用的待处理的DR图像数据,带有较多的散射线伪影,脊柱和肺内血管的对比度较低;图7(b)为使用神经网络对图7(a)进行散射校正获得的DR图像数据,由图7(b)可见,散射校正后的图像的结构对比度有较大提升,脊柱和肺内组织更加清晰。
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,在由带散射分量的图像数据获取不带散射分量的图像数据过程中,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。
图5为本发明实施例提供的图像处理方法的第二流程示例图。如图5所示,本实施例中,图像处理方法可以包括如下步骤:
S501,获取包含散射分量的待处理图像。
S502,将待处理图像按频率分解成从高到低的多频段图像。
S503,采用基于神经网络的散射校正模型对多频段图像进行散射校正,获取校正多频段图像。
S504,将校正多频段图像进行合并,形成输出图像。
在一个示例性的实现过程中,基于神经网络的散射校正模型通过如下方式获得: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、与第一图像数据对应的散射分量抑制的第二图像数据;将第一图像数据按频率分解成从高到低的第一组多频段图像;将第二图像数据按频率分解成从高到低的第二组多频段图像;机器学习获取第一组多频段图像与第二组多频段图像的每个频段图像的映射关系;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。
在一个示例性的实现过程中,映射关系通过如下方法获得:分别计算第一组多频段图像、第二组多频段图像的每个频段图像的梯度结构;根据梯度结构迭代更新卷积神经网络中的参数。
其中,梯度结构可以通过如下方式获取:
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;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。进一步度,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。
在一个示例性的实现过程中,第一图像数据或第二图像数据通过如下方式进行分解:采用拉普拉斯分解的方法进行分解;或,采用小波变换方法进行分解。
在一个示例性的实现过程中,采用基于神经网络的散射校正模型对多频段图像进行散射校正,获取校正的多频段图像包括:将多频段图像分别输入基于神经网络的散射校正模型,获取相对应的散射校正的梯度特征或者灰度特征;根据散射校正的梯度特征或者灰度特征获取校正的多频段图像。
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6是医学成像设备的简化框图。参见图6,该医学成像设备600可以包括与一个或多个数据存储工具连接的处理器601,该数据存储工具可以包括存储介质606和内存单元604。医学成像设备600还可以包括输入接口605和输出接口607,用于与另一装置或系统进行通信。被处理器601的CPU执行的程序代码可存储在内存单元604或存储介质606中。
医学成像设备600中的处理器601调用存储在内存单元604或存储介质606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或三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。
可见,医学成像设备600利用软件就能够获得经过散射校正的高质量医学图像,不需要加装滤线栅。这样,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。
实施例五
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;将待处理图像按频率分解成从高到低的多频段图像;采用基于神经网络的散射校正模型对所述多频段图像进行散射校正,获取校正的多频段图像;将校正的多频段图像进行合并,形成输出图像。
在一个示例性的实现过程中,基于神经网络的散射校正模型通过如下方式获得: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、与第一图像数据对应的所述散射分量被抑制的第二图像数据;将第一图像数据按频率分解成从高到低的第一组多频段图像;将第二图像数据按频率分解成从高到低的第二组多频段图像;机器学习获取第一组多频段图像与第二组多频段图像的每个频段图像的映射关系;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。
在一个示例性的实现过程中,采用基于神经网络的散射校正模型对所述多频段图像进行散射校正,获取校正的多频段图像包括:将所述多频段图像分别输入基于神经网络的散射校正模型,获取相对应的散射校正的梯度特征或者灰度特征;根据散射校正的梯度特征或者灰度特征获取校正的多频段图像。
在一个示例性的实现过程中,第一图像数据或第二图像数据通过如下方式进行分解:采用拉普拉斯分解的方法进行分解;或,采用小波变换方法进行分解。
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6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 (9)
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、且所述散射分量被抑制的第二图像数据;
对所述第一图像数据或所述第一图像数据的相关数据进行分解,得到多组第一分解数据,对所述第二图像数据或所述第二图像数据的相关数据进行分解,得到多组第二分解数据,所述第一分解数据的组数与所述第二分解数据的组数相同;
将每一组第一分解数据与对应的第二分解数据组成一组匹配数据,得到多组匹配数据;
从所述多组匹配数据中选取多组训练数据;
根据所述多组训练数据,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:对所述第一图像数据进行归一化处理和/或数据扩充处理,得到第三图像数据,以及对所述第二图像数据进行归一化处理和/或数据扩充处理,得到第四图像数据;
对所述第一图像数据或所述第一图像数据的相关数据进行分解,得到多组第一分解数据,对所述第二图像数据或所述第二图像数据的相关数据进行分解,得到多组第二分解数据,包括:对所述第三图像数据进行分解,得到多组第一分解数据,对所述第四图像数据进行分解,得到多组第二分解数据。
3.根据权利要求1所述的方法,其特征在于,对所述第一图像数据或所述第一图像数据的相关数据进行分解,得到多组第一分解数据,包括:
对所述第一图像数据或所述第一图像数据的相关数据按频率分解成从高到低的多组第一分解数据,所述多组第一分解数据分别属于不同的频段;
对所述第二图像数据或所述第二图像数据的相关数据进行与所述第一图像数据或所述第一图像数据的相关数据的分解相对应的分解,得到多组第二分解数据,包括:
对所述第二图像数据或所述第二图像数据的相关数据按频率分解成从高到低的多组第二分解数据,所述多组第二分解数据分别属于不同的频段。
4.根据权利要求1所述的方法,其特征在于,对所述第一图像数据或所述第一图像数据的相关数据进行分解,得到多组第一分解数据,包括:
对所述第一图像数据或所述第一图像数据的相关数据进行小波分解或者拉普拉斯分解,得到多组第一分解数据;
对所述第二图像数据或所述第二图像数据的相关数据进行分解,得到多组第二分解数据,包括:
对所述第二图像数据或所述第二图像数据的相关数据进行小波分解或者拉普拉斯分解,得到多组第二分解数据。
5.根据权利要求1所述的方法,其特征在于,根据所述多组训练数据中的第一分解数据,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多尺度卷积神经网络模型;
将所述多组训练数据中的第一分解数据输入所述第一多尺度卷积神经网络模型进行机器学习,得到所述第一多尺度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多尺度卷积神经网络模型,生成散射校正模型。
6.一种图像处理方法,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5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。
7.一种医学成像设备,其特征在于,所述医学成像设备包括:
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;
将所述待处理图像按频率分解成从高到低的多频段图像;
采用基于神经网络的散射校正模型对所述多频段图像进行散射校正,获取校正的多频段图像;
将所述校正的多频段图像进行合并,形成输出图像;
所述基于神经网络的散射校正模型通过如下方式获得:
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被抑制的第二图像数据;
将所述第一图像数据按频率分解成从高到低的第一组多频段图像;
将所述第二图像数据按频率分解成从高到低的第二组多频段图像;
机器学习获取所述第一组多频段图像与所述第二组多频段图像的每个频段图像的映射关系;
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。
8.根据权利要求7所述的设备,其特征在于,采用基于神经网络的散射校正模型对所述多频段图像进行散射校正,获取校正的多频段图像包括:
将所述多频段图像分别输入基于神经网络的散射校正模型,获取相对应的散射校正的梯度特征或者灰度特征;
根据散射校正的梯度特征或者灰度特征获取校正的多频段图像。
9.根据权利要求7所述的设备,其特征在于,所述第一图像数据或所述第二图像数据通过如下方式进行分解:
采用拉普拉斯分解的方法进行分解;
或,采用小波变换方法进行分解。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710775674.2A CN107595312B (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 |
---|---|---|---|
CN201710775674.2A CN107595312B (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 |
---|---|
CN107595312A CN107595312A (zh) | 2018-01-19 |
CN107595312B true CN107595312B (zh) | 2020-12-04 |
Family
ID=61056329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710775674.2A Active CN107595312B (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) | CN107595312B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108606805B (zh) * | 2018-03-15 | 2022-02-11 | 东软医疗系统股份有限公司 | 一种散射校正方法、装置及设备 |
CN108670282B (zh) * | 2018-03-28 | 2021-12-17 | 上海联影医疗科技股份有限公司 | 一种骨硬化伪影校正方法 |
CN108537794B (zh) * | 2018-04-19 | 2021-09-21 | 上海联影医疗科技股份有限公司 | 医学图像数据处理方法、装置和计算机可读存储介质 |
EP3576047A1 (en) * | 2018-05-29 | 2019-12-04 | Koninklijke Philips N.V. | Scatter correction for x-ray imaging |
JP7224829B2 (ja) * | 2018-09-28 | 2023-02-20 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置および方法 |
EP3692918B1 (de) * | 2019-02-08 | 2021-05-19 | Siemens Healthcare GmbH | Lernbasierte korrektur von rasterartefakten in der röntgenbildgebung |
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6740883B1 (en) * | 1998-08-14 | 2004-05-25 | Robert Z. Stodilka | Application of scatter and attenuation correction to emission tomography images using inferred anatomy from atlas |
CN106680785A (zh) * | 2017-03-06 | 2017-05-17 | 浙江工业大学 | 基于小波变换空间变迹的sar图像旁瓣抑制方法 |
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 |
CN107516330A (zh) * | 2017-08-31 | 2017-12-26 | 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 |
CN110022772A (zh) * | 2016-11-25 | 2019-07-16 | 三星电子株式会社 | X射线装置及其获取医学图像的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8433154B2 (en) * | 2010-12-13 | 2013-04-30 | Carestream Health, Inc. | Enhanced contrast for scatter compensation in X-ray imaging |
-
2017
- 2017-08-31 CN CN201710775674.2A patent/CN107595312B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6740883B1 (en) * | 1998-08-14 | 2004-05-25 | Robert Z. Stodilka | Application of scatter and attenuation correction to emission tomography images using inferred anatomy from atlas |
CN110022772A (zh) * | 2016-11-25 | 2019-07-16 | 三星电子株式会社 | X射线装置及其获取医学图像的方法 |
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 |
CN106680785A (zh) * | 2017-03-06 | 2017-05-17 | 浙江工业大学 | 基于小波变换空间变迹的sar图像旁瓣抑制方法 |
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 |
CN107516330A (zh) * | 2017-08-31 | 2017-12-26 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN107595312A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107595312B (zh) | 模型生成方法、图像处理方法及医学成像设备 | |
CN107516330B (zh) | 模型生成方法、图像处理方法及医学成像设备 | |
US11120582B2 (en) | Unified dual-domain network for medical image formation, recovery, and analysis | |
US11610346B2 (en) | Image reconstruction using machine learning regularizers | |
US10475214B2 (en) | Tomographic reconstruction based on deep learning | |
US11769277B2 (en) | Deep learning based scatter correction | |
EP3716214B1 (en) | Medical image processing apparatus and method for acquiring training images | |
US9406154B2 (en) | Iterative reconstruction in image formation | |
US7187794B2 (en) | Noise treatment of low-dose computed tomography projections and images | |
CN104820969B (zh) | 一种实时图像盲复原方法 | |
Maier et al. | GPU denoising for computed tomography | |
CN111489406A (zh) | 生成高能ct图像模型的训练及生成方法、设备、存储介质 | |
Ghadrdan et al. | Low-dose computed tomography image denoising based on joint wavelet and sparse representation | |
US11823441B2 (en) | Machine learning apparatus, machine learning method, and non-transitory computer-readable storage medium | |
US20240185485A1 (en) | Machine learning-based improvement in iterative image reconstruction | |
CN115239836A (zh) | 一种基于端到端神经网络的极端稀疏视角ct重建方法 | |
KR102329938B1 (ko) | 뉴럴 네트워크를 이용한 콘빔 단층촬영 영상 처리 방법 및 그 장치 | |
WO2022091869A1 (ja) | 医用画像処理装置、医用画像処理方法及びプログラム | |
Li | Low-Dose CT Image Denoising Using Deep Learning Methods | |
CN112509091A (zh) | 医学图像重建方法、装置、设备及介质 | |
WO2023205896A1 (en) | Systems and methods for detecting structures in 3d images | |
WO2023009452A1 (en) | Systems and methods to reduce unstructured and structured noise in image data | |
CN117830187A (zh) | 医学图像处理方法、装置以及医疗设备 | |
CN117830449A (zh) | 基于生成对抗网络的神经辐射场实现从单张医学x光图像重建新视角图像的方法 | |
CN117115031A (zh) | 一种基于非配对学习的cbct金属伪影去除方法及系统 |
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 | ||
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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |