CN108053456A - 一种pet重建图像优化方法及系统 - Google Patents
一种pet重建图像优化方法及系统 Download PDFInfo
- Publication number
- CN108053456A CN108053456A CN201711113839.6A CN201711113839A CN108053456A CN 108053456 A CN108053456 A CN 108053456A CN 201711113839 A CN201711113839 A CN 201711113839A CN 108053456 A CN108053456 A CN 108053456A
- Authority
- CN
- China
- Prior art keywords
- artifact
- pet
- image
- mrow
- convolution
- 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
Classifications
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/416—Exact reconstruction
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)
- Image Processing (AREA)
- Image Analysis (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明提供了一种PET重建图像优化方法及系统，旨在解决现有的PET重建图像会产生伪影，从而造成的PET重建图像质量低的问题。该方法首先对有伪影的PET图像样本进行训练学习，构建出深度卷积神经网络，将待处理的有伪影的PET重建图像输入该深度卷积神经网络，经过层层运算提取并输出伪影图像；最后将该伪影图像从有伪影的PET重建图像中去除，即可得到去除伪影的、高质量的、优化的PET重建图像。
Description
技术领域
本发明属于PET成像技术领域，尤其涉及一种PET重建图像优化方法及系统。
背景技术
正电子发射断层成像(Positron Emission Tomography,PET)是一种发射型成像技术，PET成像技术是实现分子水平显像的最佳途径之一，其为医学上的临床诊断、治疗和愈后监测、以及新药研究、开发研制等提供了十分有力的分析手段。
由于低剂量采样得到的测量数据比用正常剂量采样得到的测量数据具有更低的信噪比，因此为了降低测量数据的信噪比，目前医学上大多采用低计数采样方法，如：减少探测器晶体数目或减少放射性药物使用量。
然而，针对低剂量采样、欠采样或稀疏采样得到的测量数据，使用现有传统的PET图像重建算法会产生严重的伪影，影响重建图像的质量，尤其在临床上，这些伪影将会直接影响医生的诊断行为。
发明内容
本发明提供了一种PET重建图像优化方法及系统，旨在解决现有的PET重建图像会产生伪影，从而造成的PET重建图像质量低的问题。
为解决上述技术问题，本发明提供了一种PET重建图像优化方法，所述方法包括：
对有伪影的PET图像样本依次进行卷积运算、批标准化运算和非线性激活运算操作以组成一层网络，并得到输出图像；将输出图像作为下一层的输入图像，重复执行所述卷积运算、批标准化运算和非线性激活运算操作以组成若干层网络，经过若干层网络堆叠构建出深度卷积神经网络；
利用所述深度卷积神经网络最后一层的输出图像以及预设训练方法，对若干个PET图像样本对进行训练，得到样本伪影特征的卷积核权重以及卷积核偏置参数并输入至所述深度卷积神经网络；其中，每个所述PET图像样本对由一个所述有伪影的PET图像样本和与所述有伪影的PET图像样本对应的无伪影的PET图像样本组成；
将有伪影的PET重建图像输入所述深度卷积神经网络，以提取并输出伪影图像；
计算所述有伪影的PET重建图像与所述伪影图像的差值以去除伪影图像，得到优化的PET重建图像。
进一步地，所述深度卷积神经网络共包括M*N层，所述M*N层分为M段，每段包括N层，且每段中的N层具有相同的卷积核大小和卷积核个数。
进一步地，所述利用所述样本伪影特征的卷积核权重以及卷积核偏置参数，同时对所述有伪影的PET图像样本依次进行卷积运算、批标准化运算和非线性激活运算操作以组成一层网络，经过多层网络堆叠以构建深度卷积神经网络；其中，将上一层的输出图像作为当前层的输入图像，并且在除去最后一层的每一层，均对输入图像依次进行卷积运算、批标准化运算和非线性激活运算操作，在最后一层对输入图像进行卷积运算具体包括：
步骤A：将有伪影的PET图像样本的每个像素按照二维矩阵方式排布后输入图像输入至所述深度卷积神经网络；
步骤B：利用下述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像；
其中，S表示卷积输出图像，i,j表示有伪影的PET图像样本的像素位置，I表示有伪影的PET图像样本，K表示有伪影的PET图像样本的卷积核，a,b分别表示有伪影的PET图像样本的卷积核的宽和高；
步骤C：利用下述批标准化运算公式(2)对所述卷积输出图像进行计算，得到批标准化运算输出图像；
其中，H′表示批标准化运算输出图像，H等于所述卷积运算的卷积输出图像S，μ表示卷积输出图像S的像素的均值，σ表示卷积输出图像S的像素的标准差；
步骤D：利用下述非线性激活运算公式(3)对批标准化运算输出图像进行计算，得到非线性整流输出图像；
f(h)＝max{0,h}(3)
其中，f(h)表示非线性整流的输出图像，h等于所述批标准化运算输出图像H′；
步骤F：令R＝R+1，R的初始值为1，R表示所述深度卷积神经网络的第R层，将所述步骤D得到的非线性整流输出图像作为输入图像，返回执行步骤B至步骤D，直至R＝M*N-1，得到非线性整流的输出图像；
步骤G：当R＝M*N时，将步骤F中，R为第M*N-1层得到的非线性整流输出图像作为输入图像，利用所述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像，以完成对所述深度卷积神经网络的构建。
进一步地，所述预设训练方法为适应性矩估计算法。
进一步地，所述有伪影的PET重建图像的大小为512*512像素。
为了解决上述技术问题，本发明还提供了一种PET重建图像优化系统，所述系统包括：
神经网络构建模块：用于对有伪影的PET图像样本依次进行卷积运算、批标准化运算和非线性激活运算操作以组成一层网络，并得到输出图像；将输出图像作为下一层的输入图像，重复执行所述卷积运算、批标准化运算和非线性激活运算操作以组成若干层网络，经过若干层网络堆叠构建出深度卷积神经网络；
样本训练模块：用于利用所述深度卷积神经网络最后一层的输出图像以及预设训练方法，对若干个PET图像样本对进行训练，得到样本伪影特征的卷积核权重以及卷积核偏置参数并输入至所述深度卷积神经网络；其中，每个所述PET图像样本对由一个所述有伪影的PET图像样本和与所述有伪影的PET图像样本对应的无伪影的PET图像样本组成；
伪影图像提取模块：用于将有伪影的PET重建图像输入所述深度卷积神经网络，以提取并输出伪影图像；
PET重建图像优化模块：用于计算所述有伪影的PET重建图像与所述伪影图像的差值以去除伪影图像，得到优化的PET重建图像。
本发明与现有技术相比，有益效果在于：
本发明提供了一种PET重建图像优化方法，该方法首先对有伪影的PET图像样本进行训练学习，构建出深度卷积神经网络；将待处理的有伪影的PET重建图像输入该深度卷积神经网络，以提取并输出伪影图像；最后将该伪影图像从有伪影的PET重建图像中去除，即可得到去除伪影的、高质量的、优化的PET重建图像。
附图说明
图1是本发明实施例提供的一种PET重建图像优化方法流程图；
图2是本发明实施例提供的深度卷积神经网络架构示意图；
图3是本发明实施例提供的一种PET重建图像优化方法的步骤S101的细化流程图；
图4是本发明实施例提供的一种PET重建图像优化方法的步骤S103的细化流程图；
图5是本发明实施例提供的一种PET重建图像优化系统示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
作为本发明的第一个实施例，如图1所示，本发明提供的一种PET重建图像优化方法，该方法包括下述步骤：
步骤S101：对有伪影的PET图像样本依次进行卷积运算、批标准化运算和非线性激活运算操作以组成一层网络，并得到输出图像；将输出图像作为下一层的输入图像，重复执行所述卷积运算、批标准化运算和非线性激活运算操作以组成若干层网络，经过若干层网络堆叠构建出深度卷积神经网络。需要说明的是，在构建网络的最后一层时，为了保证网络模型能够学习到正确的均值和数据分布，因此在最后一层并不进行批标准化运算，仅在最后一层对输入图像进行卷积运算即可。
其中，深度卷积神经网络共包括M*N层，该M*N层分为M段，每段包括N层，且每段中的N层具有相同的卷积核大小和卷积核个数。其中，M和N的层数主要通过具体实验来设定，选择效果较好的层数。如图2所示，为本发明提供的一个深度卷积神经网络架构示意图，本实施例构建了一个12层的深度卷积神经网络、该12层分为了4段、每段3层(即M＝4，N＝3，M*N＝12)。其中，M1表示第一段卷积(包括R1、R2、R3层)、M2表示第二段卷积包括(R4、R5、R6层)、M3表示第三段卷积包括(R7、R8、R9层)、M4表示第四段卷积(包括R10、R11、R12层)，M1、M2、M3、M4的卷积核大小分别为7、5、3、3，M1、M2、M3、M4的卷积核个数分别为128、64、32、32。该卷积核的大小和卷积核的个数根据实验确定。
如图3所示，步骤S101具体包括如下步骤：
步骤S201：将有伪影的PET图像样本的每个像素按照二维矩阵方式排布后输入图像输入至深度卷积神经网络。由于伪影噪声特征具有二维结构，因此使用卷积神经网络能够有效的提取伪影噪声特征信息。
步骤S202：利用下述卷积运算公式(1)对输入图像进行计算，得出卷积输出图像。
其中，S表示卷积输出图像，i,j表示有伪影的PET图像样本的像素位置，I表示有伪影的PET图像样本，K表示有伪影的PET图像样本的卷积核，a,b分别表示有伪影的PET图像样本的卷积核的宽和高。
步骤S203：利用下述批标准化运算公式(2)对所述卷积输出图像进行计算，得到批标准化运算输出图像。
其中，H′表示批标准化运算输出图像，H等于所述卷积运算的卷积输出图像S，μ表示卷积输出图像S的像素的均值，σ表示卷积输出图像S的像素的标准差。
μ通过如下公式(4)获得：
σ通过如下公式(5)获得：
其中，c表示有伪影的PET图像样本的编号，Hc表示第c个有伪影的PET图像样本的卷积输出图像；m表示有伪影的PET重建图像样本的总数，δ表示防止σ为0的常数，在本实施例中，δ＝10-8。需要说明的是，本实施例使用了500到1000个PET图像样本对作为训练样本，其中，每个所述PET图像样本对由一个有伪影的PET图像样本和一个对应的无伪影的PET图像样本组成。在对500到1000个训练样本进行训练学习时，并不是一次性将所有500到1000个样本进行训练，而是分批进行训练，每批次抽出固定个数的样本，如每次抽出32个样本(即m＝32)进行训练学习，因此，在步骤S201将有伪影的PET图像样本输入至深度卷积神经网络时，并不是只输入一个有伪影的PET图像样本，而是一次输入一批(m＝32)个有伪影的PET图像样本，则步骤S203中c＝1,2,...,32，c即表示当前输入深度卷积神经网络的一批(m＝32)个有伪影的PET图像样本里的第c个样本，则μ表示当前m个(32个)样本的像素的均值，σ表示当前m个(32个)样本的像素的标准差。
步骤S204：利用下述非线性激活运算公式(3)对批标准化运算输出图像进行计算，得到非线性整流输出图像。非线性激活运算即为非线性整流的过程，目的是为了通过非线性整流来优化深度卷积神经网络。
f(h)＝max{0,h}(3)
其中，f(h)表示非线性整流的输出图像，h等于所述批标准化运算输出图像H′。
通过上述S201至S204，即组成了一层网络。
步骤S205：令R＝R+1，R的初始值为1，R表示所述深度卷积神经网络的第R层，将步骤S204得到的非线性整流输出图像作为输入图像，返回执行步骤S202至步骤S204，直至R＝M*N-1，得到非线性整流的输出图像。
步骤S206：当R＝M*N时，将步骤S205中，R为第M*N-1层得到的非线性整流输出图像作为输入图像，利用所述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像(即最后一层的输出图像)。为了保证神经网络模型能够学习到正确的均值和数据分布，因此在最后一层并不进行批标准化。
通过上述S201至S206即完成了对深度卷积神经网络的初步构建。
步骤S102：利用深度卷积神经网络最后一层的输出图像以及预设训练方法对若干个PET图像样本对进行训练，得到样本伪影特征的卷积核权重以及卷积核偏置参数并输入至所述深度卷积神经网络，以实现对所述深度卷积神经网络的优化；其中，每个所述PET图像样本对由一个所述有伪影的PET图像样本和与所述有伪影的PET图像样本对应的一个无伪影的PET图像样本组成。步骤S102的目的是通过训练学习得到伪影的特征，以便后续将这些伪影的特征通过权重的方式保存在深度卷积神经网络中。
在本实施例中，预设训练方法采用的是适应性矩估计算法(Adaptive MomentEstimation，Adam)，Adam训练方法是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。经过大量的实验得出，采用Adam训练方法可以达到最优的效果。本实施例使用了500到1000个PET图像样本对作为训练样本。Adam训练方法具体如下表1所示：
表1：Adam算法
表1说明了深度卷积神经网络在训练的时候，每一次迭代是如何计算的过程，参数θ指代所有参数(包括样本伪影特征的卷积核权重以及卷积核偏置)，表示目标函数，表示梯度的逐元素乘积，x表示有伪影的PET图像样本，y表示无伪影的PET图像样本，z表示第z个PET图像样本对(或表示第z个有伪影的PET图像样本、或表示第z个无伪影的PET图像样本)，←表示更新。上述步骤S206在深度卷积神经网络最后一层输出的卷积输出图像带入到Adam训练方法里进行训练，最后一层输出的卷积输出图像即为目标函数中的f(x(z)；θ)。可以理解为，训练的过程就是不停的修改参数的过程，最后得到一个最优参数，输入至所述深度卷积神经网络，以实现对所述深度卷积神经网络的优化，从而构成一个完整的深度卷积神经网络。
另外，由于现实中并没有100％精确的无伪影的PET图像，而为了保证训练学习过程得到更精确的神经网络，因此，在本实施例中采用高质量的PET重建图像作为若干个PET图像样本对中的无伪影的PET图像样本。
需要说明的是，为了更好的评估构建的深度卷积神经网络的性能，本实施例在完成对训练样本的训练之后，还使用了100到500个PET图像样本对作为测试样本进行了测试。而为了防止训练样本和测试样本过拟合的问题，训练样本和测试样本采用的是不同的样本对。
步骤S103：将有伪影的PET重建图像输入深度卷积神经网络，经过层层运算以提取并输出伪影图像。在将有伪影的PET重建图像输入深度卷积神经网络时，其所经过的层层运算过程与上述步骤S101通过训练学习构建深度卷积神经网络的过程保持一致，因此，在步骤S103中，该有伪影的PET重建图像经过所述深度卷积神经网络的每一层时，将上一层的输出图像作为当前层的输入图像，并且在第1层至第M*N-1层的每一层，均对输入图像依次进行卷积运算、批标准化运算和非线性激活运算(如图2中的R1至R11层的每一层均需进行卷积运算、批标准化运算和非线性激活运算)，在第M*N层(如图2中的R12层)仅对输入图像进行卷积运算。如图4所示，步骤S103具体包括以下步骤S301至S306：
步骤S301：将有伪影的PET重建图像(即需要被优化的图像)的每个像素按照二维矩阵方式排布后作为输入图像输入至所述深度卷积神经网络；
步骤S302：利用下述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像；
其中，S表示卷积输出图像，i,j表示有伪影的PET重建图像的像素位置，I表示有伪影的PET重建图像，K表示有伪影的PET重建图像卷积核，a,b分别表示有伪影的PET重建图像卷积核的宽和高；
步骤S303：利用下述批标准化运算公式(2)对所述卷积输出图像进行计算，得到批标准化运算输出图像；
其中，H′表示批标准化运算输出图像，H等于所述卷积运算的卷积输出图像S，μ表示卷积输出图像S的像素的均值，σ表示卷积输出图像S的像素的标准差；其中，δ表示防止σ为0的常数；
步骤S304：利用下述非线性激活运算公式(3)对批标准化运算输出图像进行计算，得到非线性整流输出图像；
f(h)＝max{0,h}(3)
其中，f(h)表示非线性整流的输出图像，h等于所述批标准化运算输出图像H′；
步骤S305：令R＝R+1，R的初始值为1，R表示所述深度卷积神经网络的第R层，将所述步骤S304得到的非线性整流输出图像作为输入图像，返回执行步骤S302至步骤S304，直至R＝M*N-1，得到非线性整流的输出图像；
步骤S306：当R＝M*N时，将步骤S305中，R为第M*N-1层得到的非线性整流输出图像作为输入图像，利用所述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像，将得到的卷积输出图像作为所述伪影图像输出。
参见图2，上述步骤S301至S306可以理解为，将前一层的输出图像作为当前层的输入图像(如R1在步骤S304得出的输出图像即为R2的输入图像)，一层一层进行运算处理，最终输出深度卷积神经网络的是伪影图像。
步骤S104：计算所述有伪影的PET重建图像与所述伪影图像的差值以去除伪影图像，得到优化的PET重建图像。
需要说明的是，本发明所提供的方法是在利用传统的PET图像重建方法得到有伪影的PET重建图像基础上进行的，因此在步骤S103将有伪影的PET重建图像输入之前，需要按照预置的传统PET图像重建方法对PET扫描数据进行计算，获得有伪影的PET重建图像。另外，本实施例中的有伪影的PET重建图像的大小为512*512像素，因此，通过深度卷积神经网络最终输出的伪影图像的大小也为512*512像素。
综上所述，本发明第一个实施例所提供的方法，为了提高PET重建图像的质量，首先构建深度卷积神经网络，并基于深度学习的改善算法，利用预设训练方法对若干个有伪影的PET重建图像样本进行训练，得到样本伪影特征的相关参数，然后将该相关参数带入到深度卷积神经网络；将待处理的有伪影的PET重建图像输入该深度卷积神经网络，经过层层运算以提取并输出伪影图像；最后将该伪影图像从有伪影的PET重建图像中去除，即可得到去除伪影的、高质量的、优化的PET重建图像。
作为本发明的第二个实施例，如图5所示，本发明提供的一种PET重建图像优化系统，该系统包括：
神经网络构建模块101：用于对有伪影的PET图像样本依次进行卷积运算、批标准化运算和非线性激活运算操作以组成一层网络，并得到输出图像；将输出图像作为下一层的输入图像，重复执行所述卷积运算、批标准化运算和非线性激活运算操作以组成若干层网络，经过若干层网络堆叠构建出深度卷积神经网络。需要说明的是，在构建网络的最后一层时，为了保证网络模型能够学习到正确的均值和数据分布，因此在最后一层并不进行批标准化运算，仅在最后一层对输入图像进行卷积运算即可。
其中，深度卷积神经网络共包括M*N层，该M*N层分为M段，每段包括N层，且每段中的N层具有相同的卷积核大小和卷积核个数。其中，M和N的层数主要通过具体实验来设定，选择效果较好的层数。如图2所示，为本发明提供的一个深度卷积神经网络架构示意图，本实施例构建了一个12层的深度卷积神经网络、该12层分为了4段、每段3层(即M＝4，N＝3，M*N＝12)。其中，M1表示第一段卷积(包括R1、R2、R3层)、M2表示第二段卷积包括(R4、R5、R6层)、M3表示第三段卷积包括(R7、R8、R9层)、M4表示第四段卷积(包括R10、R11、R12层)，M1、M2、M3、M4的卷积核大小分别为7、5、3、3，M1、M2、M3、M4的卷积核个数分别为128、64、32、32。该卷积核的大小和卷积核的个数根据实验确定。如图3所示，模块101具体通过如下步骤实现：
步骤S201：将有伪影的PET图像样本的每个像素按照二维矩阵方式排布后输入图像输入至深度卷积神经网络。由于伪影噪声特征具有二维结构，因此使用卷积神经网络能够有效的提取伪影噪声特征信息。
步骤S202：利用下述卷积运算公式(1)对输入图像进行计算，得出卷积输出图像。
其中，S表示卷积输出图像，i,j表示有伪影的PET图像样本的像素位置，I表示有伪影的PET图像样本，K表示有伪影的PET图像样本的卷积核，a,b分别表示有伪影的PET图像样本的卷积核的宽和高。
步骤S203：利用下述批标准化运算公式(2)对所述卷积输出图像进行计算，得到批标准化运算输出图像。
其中，H′表示批标准化运算输出图像，H等于所述卷积运算的卷积输出图像S，μ表示卷积输出图像S的像素的均值，σ表示卷积输出图像S的像素的标准差。
μ通过如下公式(4)获得：
σ通过如下公式(5)获得：
其中，c表示有伪影的PET图像样本的编号，Hc表示第c个有伪影的PET图像样本的卷积输出图像；m表示有伪影的PET重建图像样本的总数，δ表示防止σ为0的常数，在本实施例中，δ＝10-8。需要说明的是，本实施例使用了500到1000个PET图像样本对作为训练样本，其中，每个所述PET图像样本对由一个有伪影的PET图像样本和一个对应的无伪影的PET图像样本组成。在对500到1000个训练样本进行训练学习时，并不是一次性将所有500到1000个样本进行训练，而是分批进行训练，每批次抽出固定个数的样本，如每次抽出32个样本(即m＝32)进行训练学习，因此，在步骤S201将有伪影的PET图像样本输入至深度卷积神经网络时，并不是只输入一个有伪影的PET图像样本，而是一次输入一批(m＝32)个有伪影的PET图像样本，则步骤S203中c＝1,2,...,32，c即表示当前输入深度卷积神经网络的一批(m＝32)个有伪影的PET图像样本里的第c个样本，则μ表示当前m个(32个)样本的像素的均值，σ表示当前m个(32个)样本的像素的标准差。
步骤S204：利用下述非线性激活运算公式(3)对批标准化运算输出图像进行计算，得到非线性整流输出图像。非线性激活运算即为非线性整流的过程，目的是为了通过非线性整流来优化深度卷积神经网络。
f(h)＝max{0,h}(3)
其中，f(h)表示非线性整流的输出图像，h等于所述批标准化运算输出图像H′。
通过上述S201至S204，即组成了一层网络。
步骤S205：令R＝R+1，R的初始值为1，R表示所述深度卷积神经网络的第R层，将步骤S204得到的非线性整流输出图像作为输入图像，返回执行步骤S202至步骤S204，直至R＝M*N-1，得到非线性整流的输出图像。
步骤S206：当R＝M*N时，将步骤S205中，R为第M*N-1层得到的非线性整流输出图像作为输入图像，利用所述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像(即最后一层的输出图像)。为了保证神经网络模型能够学习到正确的均值和数据分布，因此在最后一层并不进行批标准化。
通过上述S201至S206即完成了对深度卷积神经网络的初步构建。
样本训练模块102：用于利用深度卷积神经网络最后一层的输出图像以及预设训练方法对若干个PET图像样本对进行训练，得到样本伪影特征的卷积核权重以及卷积核偏置参数并输入至所述深度卷积神经网络，以实现对所述深度卷积神经网络的优化；其中，每个所述PET图像样本对由一个所述有伪影的PET图像样本和与所述有伪影的PET图像样本对应的一个无伪影的PET图像样本组成。样本训练模块102的目的是通过训练学习得到伪影的特征，以便后续将这些伪影的特征通过权重的方式保存在深度卷积神经网络中。
在本实施例中，预设训练方法采用的是适应性矩估计算法(Adaptive MomentEstimation，Adam)，Adam训练方法是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。经过大量的实验得出，采用Adam训练方法可以达到最优的效果。本实施例使用了500到1000个PET图像样本对作为训练样本。Adam训练方法具体如下表1所示：
表1：Adam算法
表1说明了深度卷积神经网络在训练的时候，每一次迭代是如何计算的过程，参数θ指代所有参数(包括样本伪影特征的卷积核权重以及卷积核偏置)，表示目标函数，表示梯度的逐元素乘积，x表示有伪影的PET图像样本，y表示无伪影的PET图像样本，z表示第z个PET图像样本对(或表示第z个有伪影的PET图像样本、或表示第z个无伪影的PET图像样本)，←表示更新。上述步骤S206在深度卷积神经网络最后一层输出的卷积输出图像带入到Adam训练方法里进行训练，最后一层输出的卷积输出图像即为目标函数中的f(x(z)；θ)。可以理解为，训练的过程就是不停的修改参数的过程，最后得到一个最优参数，输入至所述深度卷积神经网络，以实现对所述深度卷积神经网络的优化，从而构成一个完整的深度卷积神经网络。
另外，由于现实中并没有100％精确的无伪影的PET图像，而为了保证训练学习过程得到更精确的神经网络，因此，在本实施例中采用高质量的PET重建图像作为若干个PET图像样本对中的无伪影的PET图像样本。
需要说明的是，为了更好的评估构建的深度卷积神经网络的性能，本实施例在完成对训练样本的训练之后，还使用了100到500个PET图像样本对作为测试样本进行了测试。而为了防止训练样本和测试样本过拟合的问题，训练样本和测试样本采用的是不同的样本对。
伪影图像提取模块103：将有伪影的PET重建图像输入深度卷积神经网络，经过层层运算以提取并输出伪影图像。模块103具体用于(包括以下步骤S301至S306)：
步骤S301：将有伪影的PET重建图像的每个像素按照二维矩阵方式排布后作为输入图像输入至所述深度卷积神经网络；
步骤S302：利用下述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像；
其中，S表示卷积输出图像，i,j表示有伪影的PET重建图像的像素位置，I表示有伪影的PET重建图像，K表示有伪影的PET重建图像卷积核，a,b分别表示有伪影的PET重建图像卷积核的宽和高；
步骤S303：利用下述批标准化运算公式(2)对所述卷积输出图像进行计算，得到批标准化运算输出图像；
其中，H′表示批标准化运算输出图像，H等于所述卷积运算的卷积输出图像S，μ表示卷积输出图像S的像素的均值，σ表示卷积输出图像S的像素的标准差；其中，δ表示防止σ为0的常数；
步骤S304：利用下述非线性激活运算公式(3)对批标准化运算输出图像进行计算，得到非线性整流输出图像；
f(h)＝max{0,h}(3)
其中，f(h)表示非线性整流的输出图像，h等于所述批标准化运算输出图像H′；
步骤S305：令R＝R+1，R的初始值为1，R表示所述深度卷积神经网络的第R层，将所述步骤S304得到的非线性整流输出图像作为输入图像，返回执行步骤S302至步骤S304，直至R＝M*N-1，得到非线性整流的输出图像；
步骤S306：当R＝M*N时，将步骤S305中，R为第M*N-1层得到的非线性整流输出图像作为输入图像，利用所述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像，将得到的卷积输出图像作为所述伪影图像输出。
参见图2，上述步骤S301至S306可以理解为，将前一层的输出图像作为当前层的输入图像(如R1在步骤S304得出的输出图像即为R2的输入图像)，一层一层进行运算处理，最终输出深度卷积神经网络的是伪影图像。
PET重建图像优化模块104：计算所述有伪影的PET重建图像与所述伪影图像的差值以去除伪影图像，得到优化的PET重建图像。综上所述，本发明第二个实施例所提供的系统，为了提高PET重建图像的质量，基于深度学习的改善算法，利用预设训练方法对若干个有伪影的PET重建图像样本进行训练，得到样本伪影特征的相关参数，然后利用样本伪影特征的相关参数构建深度卷积神经网络；将待处理的有伪影的PET重建图像输入该深度卷积神经网络，以提取并输出伪影图像；最后将该伪影图像从有伪影的PET重建图像中去除，即可得到去除伪影的、高质量的、优化的PET重建图像。
综上所述，本发明第二个实施例所提供的系统，为了提高PET重建图像的质量，首先构建深度卷积神经网络，并基于深度学习的改善算法，利用预设训练方法对若干个有伪影的PET重建图像样本进行训练，得到样本伪影特征的相关参数，然后将该相关参数带入到深度卷积神经网络；将待处理的有伪影的PET重建图像输入该深度卷积神经网络，经过层层运算以提取并输出伪影图像；最后将该伪影图像从有伪影的PET重建图像中去除，即可得到去除伪影的、高质量的、优化的PET重建图像。
以上所述仅为本发明的较佳实施例而已，并不用以限制发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种PET重建图像优化方法，其特征在于，所述方法包括：
对有伪影的PET图像样本依次进行卷积运算、批标准化运算和非线性激活运算操作以组成一层网络，并得到输出图像；将输出图像作为下一层的输入图像，重复执行所述卷积运算、批标准化运算和非线性激活运算操作以组成若干层网络，经过若干层网络堆叠构建出深度卷积神经网络；
利用所述深度卷积神经网络最后一层的输出图像以及预设训练方法，对若干个PET图像样本对进行训练，得到样本伪影特征的卷积核权重以及卷积核偏置参数并输入至所述深度卷积神经网络；其中，每个所述PET图像样本对由一个所述有伪影的PET图像样本和与所述有伪影的PET图像样本对应的无伪影的PET图像样本组成；
将有伪影的PET重建图像输入所述深度卷积神经网络，以提取并输出伪影图像；
计算所述有伪影的PET重建图像与所述伪影图像的差值以去除伪影图像，得到优化的PET重建图像。
2.如权利要求1所述的方法，其特征在于，所述深度卷积神经网络共包括M*N层，所述M*N层分为M段，每段包括N层，且每段中的N层具有相同的卷积核大小和卷积核个数。
3.如权利要求2所述的方法，其特征在于，所述对有伪影的PET图像样本依次进行卷积运算、批标准化运算和非线性激活运算操作以组成一层网络，并得到输出图像；将输出图像作为下一层的输入图像，重复执行所述卷积运算、批标准化运算和非线性激活运算操作以组成若干层网络，经过若干层网络堆叠构建出深度卷积神经网络具体包括：
步骤A：将有伪影的PET图像样本的每个像素按照二维矩阵方式排布后输入图像输入至所述深度卷积神经网络；
步骤B：利用下述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像；
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>*</mo>
<mi>K</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>a</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>b</mi>
</munder>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>a</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，S表示卷积输出图像，i,j表示有伪影的PET图像样本的像素位置，I表示有伪影的PET图像样本，K表示有伪影的PET图像样本的卷积核，a,b分别表示有伪影的PET图像样本的卷积核的宽和高；
步骤C：利用下述批标准化运算公式(2)对所述卷积输出图像进行计算，得到批标准化运算输出图像；
<mrow>
<msup>
<mi>H</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>H</mi>
<mo>-</mo>
<mi>&mu;</mi>
</mrow>
<mi>&sigma;</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，H′表示批标准化运算输出图像，H等于所述卷积运算的卷积输出图像S，μ表示卷积输出图像S的像素的均值，σ表示卷积输出图像S的像素的标准差；
步骤D：利用下述非线性激活运算公式(3)对批标准化运算输出图像进行计算，得到非线性整流输出图像；
f(h)＝max{0,h} (3)
其中，f(h)表示非线性整流的输出图像，h等于所述批标准化运算输出图像H′；
步骤F：令R＝R+1，R的初始值为1，R表示所述深度卷积神经网络的第R层，将所述步骤D得到的非线性整流输出图像作为输入图像，返回执行步骤B至步骤D，直至R＝M*N-1，得到非线性整流的输出图像；
步骤G：当R＝M*N时，将步骤F中，R为第M*N-1层得到的非线性整流输出图像作为输入图像，利用所述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像，以完成对所述深度卷积神经网络的构建。
4.如权利要求1所述的方法，其特征在于，所述预设训练方法为适应性矩估计算法。
5.如权利要求1所述的方法，其特征在于，所述有伪影的PET重建图像的大小为512*512像素。
6.一种PET重建图像优化系统，其特征在于，所述系统包括：
神经网络构建模块：用于对有伪影的PET图像样本依次进行卷积运算、批标准化运算和非线性激活运算操作以组成一层网络，并得到输出图像；将输出图像作为下一层的输入图像，重复执行所述卷积运算、批标准化运算和非线性激活运算操作以组成若干层网络，经过若干层网络堆叠构建出深度卷积神经网络；
样本训练模块：用于利用所述深度卷积神经网络最后一层的输出图像以及预设训练方法，对若干个PET图像样本对进行训练，得到样本伪影特征的卷积核权重以及卷积核偏置参数并输入至所述深度卷积神经网络；其中，每个所述PET图像样本对由一个所述有伪影的PET图像样本和与所述有伪影的PET图像样本对应的无伪影的PET图像样本组成；
伪影图像提取模块：用于将有伪影的PET重建图像输入所述深度卷积神经网络，以提取并输出伪影图像；
PET重建图像优化模块：用于计算所述有伪影的PET重建图像与所述伪影图像的差值以去除伪影图像，得到优化的PET重建图像。
7.如权利要求6所述的系统，其特征在于，所述深度卷积神经网络共包括M*N层，所述M*N层分为M段，每段包括N层，且每段中的N层具有相同的卷积核大小和卷积核个数。
8.如权利要求7所述的系统，其特征在于，所述神经网络构建模块具体用于：
步骤A：将有伪影的PET图像样本的每个像素按照二维矩阵方式排布后输入图像输入至所述深度卷积神经网络；
步骤B：利用下述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像；
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>*</mo>
<mi>K</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>a</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>b</mi>
</munder>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>a</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，S表示卷积输出图像，i,j表示有伪影的PET图像样本的像素位置，I表示有伪影的PET图像样本，K表示有伪影的PET图像样本的卷积核，a,b分别表示有伪影的PET图像样本的卷积核的宽和高；
步骤C：利用下述批标准化运算公式(2)对所述卷积输出图像进行计算，得到批标准化运算输出图像；
<mrow>
<msup>
<mi>H</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>H</mi>
<mo>-</mo>
<mi>&mu;</mi>
</mrow>
<mi>&sigma;</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，H′表示批标准化运算输出图像，H等于所述卷积运算的卷积输出图像S，μ表示卷积输出图像S的像素的均值，σ表示卷积输出图像S的像素的标准差；
所述μ通过如下公式获得：
σ通过如下公式获得：
其中，c表示有伪影的PET图像样本的编号，Hc表示第c个有伪影的PET图像样本的卷积输出图像；m表示有伪影的PET重建图像样本的总数，δ表示防止σ为0的常数；
步骤D：利用下述非线性激活运算公式(3)对批标准化运算输出图像进行计算，得到非线性整流输出图像；
f(h)＝max{0,h} (3)
其中，f(h)表示非线性整流的输出图像，h等于所述批标准化运算输出图像H′；
步骤F：令R＝R+1，R的初始值为1，R表示所述深度卷积神经网络的第R层，将所述步骤D得到的非线性整流输出图像作为输入图像，返回执行步骤B至步骤D，直至R＝M*N-1，得到非线性整流的输出图像；
步骤G：当R＝M*N时，将步骤F中，R为第M*N-1层得到的非线性整流输出图像作为输入图像，利用所述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像，以完成对所述深度卷积神经网络的构建。
9.如权利要求6所述的系统，其特征在于，所述预设训练方法为适应性矩估计算法。
10.如权利要求6所述的系统，其特征在于，所述有伪影的PET重建图像的大小为512*512像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711113839.6A CN108053456A (zh) | 2017-11-13 | 2017-11-13 | 一种pet重建图像优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711113839.6A CN108053456A (zh) | 2017-11-13 | 2017-11-13 | 一种pet重建图像优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108053456A true CN108053456A (zh) | 2018-05-18 |
Family
ID=62120040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711113839.6A Pending CN108053456A (zh) | 2017-11-13 | 2017-11-13 | 一种pet重建图像优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108053456A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242924A (zh) * | 2018-08-31 | 2019-01-18 | 南方医科大学 | 一种基于深度学习的核磁共振图像的降采样伪影去除方法 |
| CN109559360A (zh) * | 2018-09-29 | 2019-04-02 | 深圳先进技术研究院 | 一种pet图像重建方法、装置和计算设备 |
| CN110335327A (zh) * | 2019-07-10 | 2019-10-15 | 东北大学 | 一种直接解决逆问题的医学图像重建方法 |
| CN110989016A (zh) * | 2019-12-26 | 2020-04-10 | 山东师范大学 | 一种基于移动终端的非视野区域管线勘测系统及方法 |
| CN111325695A (zh) * | 2020-02-29 | 2020-06-23 | 深圳先进技术研究院 | 基于多剂量等级的低剂量图像增强方法、系统及存储介质 |
| CN112508813A (zh) * | 2020-12-04 | 2021-03-16 | 上海交通大学 | 一种基于改进Kernel方法结合稀疏约束的PET图像重建方法 |
| US12033301B2 (en) | 2019-09-09 | 2024-07-09 | Nvidia Corporation | Video upsampling using one or more neural networks |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003106657A2 (en) * | 2002-06-14 | 2003-12-24 | Stowers Institute For Medical Research | Wise/sost nucleic acid sequences and amino acid sequences |
| US20160292856A1 (en) * | 2015-04-06 | 2016-10-06 | IDx, LLC | Systems and methods for feature detection in retinal images |
| CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
| CN107133960A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 基于深度卷积神经网络的图像裂缝分割方法 |
| CN107330949A (zh) * | 2017-06-28 | 2017-11-07 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
-
2017
- 2017-11-13 CN CN201711113839.6A patent/CN108053456A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003106657A2 (en) * | 2002-06-14 | 2003-12-24 | Stowers Institute For Medical Research | Wise/sost nucleic acid sequences and amino acid sequences |
| US20160292856A1 (en) * | 2015-04-06 | 2016-10-06 | IDx, LLC | Systems and methods for feature detection in retinal images |
| CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
| CN107133960A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 基于深度卷积神经网络的图像裂缝分割方法 |
| CN107330949A (zh) * | 2017-06-28 | 2017-11-07 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| YO SEOB HAN 等: ""Deep Residual Learning for Compressed Sensing CT Reconstruction via Persistent Homology Analysis"", 《HTTPS://ARXIV.ORG/ABS/1611.06391V2》 * |
| 丰茂森编: "《遥感图像数字处理》", 30 April 1992 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242924A (zh) * | 2018-08-31 | 2019-01-18 | 南方医科大学 | 一种基于深度学习的核磁共振图像的降采样伪影去除方法 |
| CN109559360A (zh) * | 2018-09-29 | 2019-04-02 | 深圳先进技术研究院 | 一种pet图像重建方法、装置和计算设备 |
| CN109559360B (zh) * | 2018-09-29 | 2020-08-28 | 深圳先进技术研究院 | 一种pet图像重建方法、装置和计算设备 |
| CN110335327A (zh) * | 2019-07-10 | 2019-10-15 | 东北大学 | 一种直接解决逆问题的医学图像重建方法 |
| US12033301B2 (en) | 2019-09-09 | 2024-07-09 | Nvidia Corporation | Video upsampling using one or more neural networks |
| US12039694B2 (en) | 2019-09-09 | 2024-07-16 | Nvidia Corporation | Video upsampling using one or more neural networks |
| US12045952B2 (en) | 2019-09-09 | 2024-07-23 | Nvidia Corporation | Video upsampling using one or more neural networks |
| CN110989016A (zh) * | 2019-12-26 | 2020-04-10 | 山东师范大学 | 一种基于移动终端的非视野区域管线勘测系统及方法 |
| CN110989016B (zh) * | 2019-12-26 | 2022-06-24 | 山东师范大学 | 一种基于移动终端的非视野区域管线勘测系统及方法 |
| CN111325695A (zh) * | 2020-02-29 | 2020-06-23 | 深圳先进技术研究院 | 基于多剂量等级的低剂量图像增强方法、系统及存储介质 |
| CN112508813A (zh) * | 2020-12-04 | 2021-03-16 | 上海交通大学 | 一种基于改进Kernel方法结合稀疏约束的PET图像重建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108122265A (zh) | 一种ct重建图像优化方法及系统 | |
| CN108053456A (zh) | 一种pet重建图像优化方法及系统 | |
| CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
| CN110288609B (zh) | 一种注意力机制引导的多模态全心脏图像分割方法 | |
| CN109345476A (zh) | 基于深度残差网络的高光谱图像超分辨率重建方法及装置 | |
| CN105678248B (zh) | 基于深度学习的人脸关键点对齐算法 | |
| CN105678821B (zh) | 一种基于自编码器图像融合的动态pet图像重建方法 | |
| CN111870245B (zh) | 一种跨对比度引导的超快速核磁共振成像深度学习方法 | |
| CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
| CN109410289A (zh) | 一种深度学习的高欠采样超极化气体肺部mri重建方法 | |
| CN109949235A (zh) | 一种基于深度卷积神经网络的胸部x光片去噪方法 | |
| CN109581253A (zh) | 用于磁共振成像的方法和系统 | |
| CN108230277A (zh) | 一种基于卷积神经网络的双能ct图像分解方法 | |
| CN107037385B (zh) | 数字mri图谱的构建方法及设备 | |
| CN109993808B (zh) | 一种基于dsn的动态双示踪pet重建方法 | |
| CN109615674A (zh) | 基于混合损失函数3d cnn的动态双示踪pet重建方法 | |
| CN117036162B (zh) | 轻量级胸部ct图像超分辨率的残差特征注意力融合方法 | |
| CN111325750A (zh) | 一种基于多尺度融合u型链神经网络的医学图像分割方法 | |
| Cheng et al. | DDU-Net: A dual dense U-structure network for medical image segmentation | |
| CN104794739B (zh) | 基于局部稀疏对应点组合的从mr图像预测ct图像的方法 | |
| CN106127686A (zh) | 基于正弦域图像超分辨率提高ct重建图像分辨率的方法 | |
| CN108053025A (zh) | 多柱神经网络医学影像分析方法及装置 | |
| CN104200441A (zh) | 基于高阶奇异值分解的磁共振图像去噪方法 | |
| CN114820849A (zh) | 基于深度学习的磁共振cest图像重建方法、装置及设备 | |
| CN117122303A (zh) | 一种脑网络的预测方法、系统、设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180518 |