CN108765294A - 一种基于全卷积网络和条件生成对抗网络的图像合成方法 - Google Patents

一种基于全卷积网络和条件生成对抗网络的图像合成方法 Download PDF

Info

Publication number
CN108765294A
CN108765294A CN201810592830.6A CN201810592830A CN108765294A CN 108765294 A CN108765294 A CN 108765294A CN 201810592830 A CN201810592830 A CN 201810592830A CN 108765294 A CN108765294 A CN 108765294A
Authority
CN
China
Prior art keywords
pet
image
cgan
fcn
suv
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.)
Withdrawn
Application number
CN201810592830.6A
Other languages
English (en)
Inventor
夏春秋
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.)
Shenzhen Vision Technology Co Ltd
Original Assignee
Shenzhen Vision Technology 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 Shenzhen Vision Technology Co Ltd filed Critical Shenzhen Vision Technology Co Ltd
Priority to CN201810592830.6A priority Critical patent/CN108765294A/zh
Publication of CN108765294A publication Critical patent/CN108765294A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/40Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038Image mosaicing, e.g. composing plane images from plane sub-images
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10104Positron emission tomography [PET]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine (AREA)

Abstract

本发明中提出的一种基于全卷积网络和条件生成对抗网络的图像合成方法,其内容主要包括:预处理数据、训练全卷积网络(FCN)、计算损失权重、训练条件生成对抗网络(cGAN),其过程为,先输入预处理数据,包括源计算机断层扫描(CT)图像和目标正电子发射断层扫描(PET)图像,设置图像尺寸;然后将FCN中的层转化成卷积并删除分类层,附加通道维度卷积,生成类PET的图像;接着计算损失权重判断类PET图像的质量;再将源CT图像和类PET图像输入到cGAN,使用cGAN改进和细化FCN输出,直至生成PET图像。本发明扩展了数据集,避免了图像混合步骤,避免了使用手工标记和标注医疗数据,节约时间并提高系统性能。

Description

一种基于全卷积网络和条件生成对抗网络的图像合成方法
技术领域
本发明涉及图像合成领域,尤其是涉及了一种基于全卷积网络和条件生成对抗网络的图像合成方法。
背景技术
正电子发射断层扫描(PET)和计算机断层扫描(CT)的结合已成为肿瘤诊断和分期的标准组成部分。相对于正常组织而言,PET中氟-D-葡萄糖(FDG)的积累增加是许多癌症有用的标志物之一,有助于发现和定位恶性病变。PET/CT成像正成为一种新的药物治疗方法的重要评价工具,对肿瘤进行判断,包括鉴别肿瘤是否有复发、对肿瘤进行分期和再分期、寻找肿瘤的原发病灶及转移灶、指导和确定肿瘤的治疗方案、并且评价疗效;此外,也是健康体检的手段,包括对病灶的准确定位,判断抑郁症、帕金森氏病、老年性痴呆等疾病,在脑功能方面也有很好的临床检查价值。就目前而言,虽然PET成像有许多优点,其应用也在稳步增加,但是PET/CT与CT扫描相比增加了辐射暴露、增加了成本,因此在医疗领域内的应用比例较小。
本发明提出了一种基于全卷积网络和条件生成对抗网络的图像合成方法,先输入预处理数据,包括源计算机断层扫描(CT)图像和目标正电子发射断层扫描(PET)图像,设置图像尺寸并保持尺寸相似;接着将全卷积网络(FCN)的层转化成卷积并删除分类层,附加通道维度卷积,生成初始的类似PET图像;接着计算算是权重判断生成的类PET图像质量,进而确定合适的初始FCN模型;然后将源CT图像、目标PET图像和类PET图像输入到条件生成对抗网络(cGAN)中,使用cGAN改进和细化FCN输出,直到生成PET图像。本发明扩展了数据集,避免了图像混合步骤,避免了使用手工标记和标注医疗数据,节约时间并提高系统性能。
发明内容
针对PET成像困难和成本高的问题,本发明的目的在于提供一种基于全卷积网络和条件生成对抗网络的图像合成方法,先输入预处理数据,包括源计算机断层扫描(CT)图像和目标正电子发射断层扫描(PET)图像,设置图像尺寸并保持尺寸相似;接着将全卷积网络(FCN)的层转化成卷积并删除分类层,附加通道维度卷积,生成初始的类PET图像;接着计算损失权重判断生成的类PET图像质量;然后将源CT图像、目标PET图像和类PET图像输入到条件生成对抗网络(cGAN)中,使用cGAN改进和细化FCN输出,直到生成PET图像。
为解决上述问题,本发明提供一种基于全卷积网络和条件生成对抗网络的图像合成方法,其主要内容包括:
(一)输入预处理数据;
(二)训练全卷积网络;
(三)计算损失权重;
(四)训练条件生成对抗网络。
其中,所述的图像合成方法,先输入预处理数据,包括源计算机断层扫描(CT)图像和目标正电子发射断层扫描(PET)图像,设置图像尺寸并保持尺寸相似;接着将全卷积网络(FCN)的层转化成卷积并删除分类层,附加通道维度卷积,生成初始的类PET图像;接着计算损失权重判断生成PET图像质量;然后将源CT图像、目标PET图像和类PET图像输入到条件生成对抗网络(cGAN)中,使用cGAN改进和细化FCN输出,直到生成PET图像。
进一步地,所述的判断生成PET图像质量,判断是否为高质量的重建,使用绝对平均误差(MAE)和峰值信噪比(PSNR),将度量的平均值作为最终得分;高SUV区域代表恶性病变,低SUV区域是在恶性病变与非恶性之间产生对比,利用平均得分,以便在高和低的SUV区域获得最好的平衡。
其中,所述的预处理数据,FCN和cGAN的训练输入包括尺寸相似的两种类型的图像,分别是源CT图像和目标PET图像,由于PET的分辨率低于CT,因此使用线性插值方法,利用给定的偏移量、像素间距和切片厚度将两者对齐;其次将PET的值限制在有限范围内,通过选择极端值和缩放,调整PET图像的范围使其能够包含大部分的恶性病变。
进一步地,所述的有限范围,PET中氟-D-葡萄糖(FDG)的积累增加有助于发现和定位恶性病变,标准提取值(SUV)是作为FDG提取量的相对估量:
其中,其中,r是PET在感兴趣区域内测量的放射性浓度,a′是注入放射性标记FDG的衰变校正量,w是患者重量。
其中,所述的训练全卷积网络,将所有全连接层转化成卷积并删除分类层;附加1×1通道维度的卷积,以生成初始的类似PET图像;利用反向传播,从像素级l2的损失值开始进行端到端学习;使用FCN-4s(反卷积步长为4)作为网络将粗糙、高层的信息与精细、低层的信息结合。
其中,所述的计算损失权重,在PET中恶性病变通常以高SUV值(>2.5)出现,损失权重表述如下:
其中N代表样本数量,然而在训练cGAN时,则需要将SUV值分为高SUV(>2.5)和低SUV(≤2.5),cGAN的损失函数将高低SUV损失权重相加,cGAN的训练能够在高SUV区域取得更好的反应,同时不影响其他区域。
其中,所述的训练条件生成对抗网络,FCN的输出在SUV较高的区域能够有较好的响应,而在低对比度的区域则不够精确和模糊,因此使用cGAN改进FCN的输出;cGAN结构的输入有两个通道,分别是带有源CT图像的通道和带有相应FCN输出的通道;此外在训练cGAN过程优化生成器。
进一步地,所述的cGAN结构,将FCN的输出连接到cGAN中,目标表述如下:
其中,试图将G最小化,试图将D最大化,ct是CT输入部分,pet是相应的PET输入部分,z是随机噪声。
进一步地,所述的优化生成器,训练cGAN过程遵循了FCN中基于像素级l2损失和鉴频器的交叉熵分类误差来优化生成器的原则,最终优化过程如下:
其中G*是最佳设置。
附图说明
图1是本发明一种基于全卷积网络和条件生成对抗网络的图像合成方法的系统框架图。
图2是本发明一种基于全卷积网络和条件生成对抗网络的图像合成方法的FCN-4s结构图。
图3是本发明一种基于全卷积网络和条件生成对抗网络的图像合成方法的cGAN结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于全卷积网络和条件生成对抗网络的图像合成方法的系统框架图。主要包括预处理数据,训练全卷积网络,计算损失权重,训练条件生成对抗网络。
图像合成方法,先输入预处理数据,包括源计算机断层扫描(CT)图像和目标正电子发射断层扫描(PET)图像,设置图像尺寸并保持尺寸相似;接着将全卷积网络(FCN)的层转化成卷积并删除分类层,附加通道维度卷积,生成初始的类PET图像;接着计算损失权重判断生成PET图像质量;然后将源CT图像、目标PET图像和类PET图像输入到条件生成对抗网络(cGAN)中,使用cGAN改进和细化FCN输出,直到生成PET图像。
预处理数据,向网络中输入两种类型的尺寸相似的图像,分别是源CT图像和目标PET图像,由于PET分辨率低于CT,因此使用线性插值方法,利用给定的偏移量、像素间距和切片厚度将两者对齐;其次将PET的值限制在有限范围内,通过选择极端值和缩放,调整PET图像的范围使其能够包含大部分的恶性病变。
其中,PET中氟-D-葡萄糖(FDG)的积累增加有助于发现和定位恶性病变,标准提取值(SUV)是作为FDG提取量的相对估量:
r是PET在感兴趣区域内测量的放射性浓度,a′是注入放射性标记FDG的衰变校正量,w是患者重量。
图2是本发明一种基于全卷积网络和条件生成对抗网络的图像合成方法的FCN-4s结构图。本图显示了使用FCN-4s网络,利用了上采样、反卷积和池化地方式,将粗糙的高层的信息与精细的低层的信息结合,如Pool2以类似的方式将Pool3和Pool4层连接。
训练全卷积网络,将所有全连接层转化成卷积并删除分类层;附加1×1通道维度的卷积,以生成初始的类似PET图像;利用反向传播,从像素级l2的损失值开始进行端到端学习。
计算损失权重,在PET扫描中恶性病变通常以高SUV值(>2.5)出现,损失权重表述如下:
其中N代表样本数量,然而在训练cGAN时,则需要将SUV值分为高SUV(>2.5)和低SUV(≤2.5),cGAN的损失函数将高低SUV损失权重相加,cGAN的训练能够在高SUV区域取得更好的反应,同时不影响其他区域。
图3是本发明一种基于全卷积网络和条件生成对抗网络的图像合成方法的cGAN结构图。本图显示了训练cGAN从CT图像预测PET图像,鉴频器D是用来判断生成的图片是真实的还是虚拟的,生成器G生成图片以欺骗鉴频器。
训练条件生成对抗网络,FCN的输出在SUV较高的区域能够有较好的响应,而在低对比度的区域则不够精确和模糊,因此使用cGAN改进FCN的输出;cGAN的输入有两个通道,分别是带有源CT图像的通道和带有相应FCN输出的通道;此外在训练cGAN过程优化生成器。
进一步地,将FCN的输出连接到cGAN中,目标表述如下:
其中,试图将G最小化,试图将D最大化,ct是CT输入部分,pet是相应的PET输入部分,z是随机噪声。
进一步地,训练cGAN过程遵循了FCN中基于像素级l2损失和鉴频器的交叉熵分类误差来优化生成器的原则,最终优化过程如下:
其中G*是最佳设置。
对于本领域技术人员,本发明不限制于上述实施例的细节,在不背离本发明的精神和范围的情况下,能够以其他具体形式实现本发明。此外,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,这些改进和变型也应视为本发明的保护范围。因此,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (10)

1.一种基于全卷积网络和条件生成对抗网络的图像合成方法,其特征在于,主要包括预处理数据(一);训练全卷积网络(二);计算损失权重(三);训练条件生成对抗网络(四)。
2.基于权利要求书1所述的图像合成方法,其特征在于,首先输入预处理数据,包括源计算机断层扫描(CT)图像和目标正电子发射断层扫描(PET)图像,设置PET图像和CT图像的尺寸和数值;接着将全卷积网络(FCN)中的层转化成卷积并删除分类层,附加通道维度卷积,生成初始的类似PET的图像;接着计算损失权重判断生成PET图像质量,进而确定合适的初始FCN模型;然后将源CT图像、目标PET图像和类PET图像输入到条件生成对抗网络(cGAN)中,使用cGAN改进和细化FCN输出,直到生成PET图像。
3.基于权利要求书2所述的判断生成PET图像质量,其特征在于,判断是否为高质量的重建,使用绝对平均误差(MAE)和峰值信噪比(PSNR),将度量的平均值作为最终得分;高SUV区域代表恶性病变,低SUV区域是在恶性病变与非恶性之间产生对比,利用平均得分,以便在高和低的SUV区域获得最好的平衡。
4.基于权利要求书1所述的预处理数据(一),其特征在于,FCN和cGAN的训练输入尺寸相似的两种类型的图像,分别是源CT图像和目标PET图像,由于PET的分辨率低于CT,因此使用线性插值方法,利用给定的偏移量、像素间距和切片厚度将两者对齐;其次将PET的值限制在有限范围内,通过选择极端值和缩放,调整PET图像的范围使其能够包含大部分的恶性病变。
5.基于权利要求书4所述的有限范围,其特征在于,PET中氟-D-葡萄糖(FDG)的积累增加有助于发现和定位恶性病变,标准提取值(SUV)是作为FDG提取量的相对估量:
其中,r是PET在感兴趣区域内测量的放射性浓度,a′是注入放射性标记FDG的衰变校正量,w是患者重量。
6.基于权利要求书1所述的训练全卷积网络(二),其特征在于,将所有全连接层转化成卷积并删除分类层;附加1×1通道维度的卷积,以生成初始的类似PET图像;利用反向传播,从像素级l2的损失值开始进行端到端学习;使用FCN-4s(反卷积步长为4)作为网络将粗糙、高层的信息与精细、低层的信息结合。
7.基于权利要求书1所述的计算损失权重(三),其特征在于,在PET扫描中恶性病变通常以高SUV值(>2.5)出现,损失权重表述如下:
其中N代表样本数量,然而在训练cGAN时,则需要将SUV值分为高SUV(>2.5)和低SUV(≤2.5),cGAN的损失函数将高低SUV损失权重相加,cGAN的训练能够在高SUV区域取得更好的反应,同时不影响其他区域。
8.基于权利要求书1所述的训练条件生成对抗网络(四),其特征在于,FCN的输出在SUV较高的区域能够有较好的响应,而在低对比度的区域则不够精确和模糊,因此使用cGAN改进FCN的输出;cGAN结构的输入有两个通道,分别是带有源CT图像的通道和带有相应FCN输出的通道;此外在训练cGAN过程优化生成器。
9.基于权利要求书8所述的cGAN结构,其特征在于,将FCN的输出连接到cGAN中,目标表述如下:
其中,试图将G最小化,试图将D最大化,ct是CT输入部分,pet是相应的PET输入部分,z是随机噪声。
10.基于权利要求书8所述的优化生成器,其特征在于,训练cGAN过程遵循了FCN中基于像素级l2损失和鉴频器的交叉熵分类误差来优化生成器的原则,最终优化过程如下:
其中G*是最佳设置。
CN201810592830.6A 2018-06-11 2018-06-11 一种基于全卷积网络和条件生成对抗网络的图像合成方法 Withdrawn CN108765294A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810592830.6A CN108765294A (zh) 2018-06-11 2018-06-11 一种基于全卷积网络和条件生成对抗网络的图像合成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810592830.6A CN108765294A (zh) 2018-06-11 2018-06-11 一种基于全卷积网络和条件生成对抗网络的图像合成方法

Publications (1)

Publication Number Publication Date
CN108765294A true CN108765294A (zh) 2018-11-06

Family

ID=64020982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810592830.6A Withdrawn CN108765294A (zh) 2018-06-11 2018-06-11 一种基于全卷积网络和条件生成对抗网络的图像合成方法

Country Status (1)

Country Link
CN (1) CN108765294A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110047138A (zh) * 2019-04-24 2019-07-23 复旦大学 一种磁共振薄层图像重建方法
CN110147830A (zh) * 2019-05-07 2019-08-20 东软集团股份有限公司 训练影像数据生成网络的方法、影像数据分类方法及装置
CN110265142A (zh) * 2019-06-11 2019-09-20 透彻影像(北京)科技有限公司 一种用于病变区域复原图的辅助诊断系统和方法
CN110580472A (zh) * 2019-09-12 2019-12-17 合肥工业大学 一种基于全卷积网络和条件对抗网络的视频前景检测方法
CN110610527A (zh) * 2019-08-15 2019-12-24 苏州瑞派宁科技有限公司 计算suv的方法、装置、设备、系统及计算机存储介质
CN111436958A (zh) * 2020-02-27 2020-07-24 之江实验室 一种用于pet图像衰减校正的ct图像生成方法
CN111436929A (zh) * 2019-01-17 2020-07-24 复旦大学 一种神经生理信号的生成和识别方法
CN111476764A (zh) * 2020-03-27 2020-07-31 西安科技大学 一种运动模糊ct图像三维重建的方法
WO2021081759A1 (zh) * 2019-10-29 2021-05-06 中国科学院深圳先进技术研究院 一种协同成像方法、装置、存储介质和协同成像设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862293A (zh) * 2017-09-14 2018-03-30 北京航空航天大学 基于对抗生成网络的雷达生成彩色语义图像系统及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862293A (zh) * 2017-09-14 2018-03-30 北京航空航天大学 基于对抗生成网络的雷达生成彩色语义图像系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
AVI BEN-COHEN, EYAL KLANG. ET. AL.: ""Cross-Modality Synthesis from CT to PET using FCN and GAN Networks for Improved Automated Lesion Detection"", 《ARXIV》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111436929B (zh) * 2019-01-17 2021-06-01 复旦大学 一种神经生理信号的生成和识别方法
CN111436929A (zh) * 2019-01-17 2020-07-24 复旦大学 一种神经生理信号的生成和识别方法
CN110047138A (zh) * 2019-04-24 2019-07-23 复旦大学 一种磁共振薄层图像重建方法
CN110147830A (zh) * 2019-05-07 2019-08-20 东软集团股份有限公司 训练影像数据生成网络的方法、影像数据分类方法及装置
CN110147830B (zh) * 2019-05-07 2022-02-11 东软集团股份有限公司 训练影像数据生成网络的方法、影像数据分类方法及装置
CN110265142A (zh) * 2019-06-11 2019-09-20 透彻影像(北京)科技有限公司 一种用于病变区域复原图的辅助诊断系统和方法
CN110610527A (zh) * 2019-08-15 2019-12-24 苏州瑞派宁科技有限公司 计算suv的方法、装置、设备、系统及计算机存储介质
CN110610527B (zh) * 2019-08-15 2023-09-22 苏州瑞派宁科技有限公司 计算suv的方法、装置、设备、系统及计算机存储介质
CN110580472A (zh) * 2019-09-12 2019-12-17 合肥工业大学 一种基于全卷积网络和条件对抗网络的视频前景检测方法
WO2021081759A1 (zh) * 2019-10-29 2021-05-06 中国科学院深圳先进技术研究院 一种协同成像方法、装置、存储介质和协同成像设备
CN111436958A (zh) * 2020-02-27 2020-07-24 之江实验室 一种用于pet图像衰减校正的ct图像生成方法
US11823384B2 (en) 2020-02-27 2023-11-21 Zhejiang Lab CT image generation method for attenuation correction of pet images
CN111476764B (zh) * 2020-03-27 2021-08-24 西安科技大学 一种运动模糊ct图像三维重建的方法
CN111476764A (zh) * 2020-03-27 2020-07-31 西安科技大学 一种运动模糊ct图像三维重建的方法

Similar Documents

Publication Publication Date Title
CN108765294A (zh) 一种基于全卷积网络和条件生成对抗网络的图像合成方法
Zhou et al. Comparison of a photon-counting-detector CT with an energy-integrating-detector CT for temporal bone imaging: a cadaveric study
Higashigaito et al. Contrast-enhanced abdominal CT with clinical photon-counting detector CT: assessment of image quality and comparison with energy-integrating detector CT
Wong et al. Incremental value of 111-in pentetreotide SPECT/CT fusion imaging of neuroendocrine tumors
JP5442530B2 (ja) 画像処理装置、画像表示装置およびプログラム並びにx線ct装置
Hoch et al. Extraskeletal osteosarcoma: a case report and review of the literature
CN104103055B (zh) 自动获取最优输出数据
Win et al. Normal SUV values measured from NaF18-PET/CT bone scan studies
Gureyev et al. Propagation‐based x‐ray phase‐contrast tomography of mastectomy samples using synchrotron radiation
Flohr et al. Basic principles and clinical potential of photon-counting detector CT
Forghani et al. Applications of dual-energy computed tomography for the evaluation of head and neck squamous cell carcinoma
Wehrse et al. Potential of ultra-high-resolution photon-counting CT of bone metastases: initial experiences in breast cancer patients
Yin et al. Clinical-radiomics nomograms for pre-operative differentiation of sacral chordoma and sacral giant cell tumor based on 3D computed tomography and multiparametric magnetic resonance imaging
US10074190B2 (en) Texture analysis map for image data
Puong et al. Dual-energy contrast enhanced digital mammography using a new approach for breast tissue canceling
Dangelmaier et al. Dual layer computed tomography: reduction of metal artefacts from posterior spinal fusion using virtual monoenergetic imaging
Pettersson et al. Structure delineation in the presence of metal–A comparative phantom study using single and dual-energy computed tomography with and without metal artefact reduction
Sui et al. Exploration of the total-body PET/CT reconstruction protocol with ultra-low 18F-FDG activity over a wide range of patient body mass indices
Dunning et al. Optimal virtual monoenergetic photon energy (keV) for photon-counting-detector computed tomography angiography
Kawahara et al. Accuracy of the raw-data-based effective atomic numbers and monochromatic CT numbers for contrast medium with a dual-energy CT technique
Pawałowski et al. Combination of dual-energy computed tomography and iterative metal artefact reduction to increase general quality of imaging for radiotherapy patients with high dense materials. Phantom study
Zhao et al. CT pulmonary angiography using organ dose modulation with an iterative reconstruction algorithm and 3D Smart mA in different body mass indices: image quality and radiation dose
CN107680078A (zh) 一种图像处理方法和装置
Kobayashi et al. Optimisation of swallowing CT examination: dose reduction and image quality
Szolar et al. Ultrafast computed tomography and three-dimensional image processing of CT sialography in patients with parotid masses poorly defined by magnetic resonance imaging

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20181106

WW01 Invention patent application withdrawn after publication