CN108885781A - 用于根据低剂量或低kV计算机断层扫描图像合成虚拟高剂量或高kV计算机断层扫描图像的方法和系统 - Google Patents
用于根据低剂量或低kV计算机断层扫描图像合成虚拟高剂量或高kV计算机断层扫描图像的方法和系统 Download PDFInfo
- Publication number
- CN108885781A CN108885781A CN201580079315.2A CN201580079315A CN108885781A CN 108885781 A CN108885781 A CN 108885781A CN 201580079315 A CN201580079315 A CN 201580079315A CN 108885781 A CN108885781 A CN 108885781A
- Authority
- CN
- China
- Prior art keywords
- medical image
- synthesis
- target
- image
- source
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000002591 computed tomography Methods 0.000 title claims abstract description 33
- 230000002194 synthesizing effect Effects 0.000 title claims description 10
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 128
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 124
- 239000000284 extract Substances 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 77
- 238000012549 training Methods 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims 2
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000010189 synthetic method Methods 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 description 6
- 230000000747 cardiac effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 206010005949 Bone cancer Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010061245 Internal injury Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000023555 blood coagulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/482—Diagnostic techniques involving multiple energy imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
公开了一种用于医疗图像合成的方法和装置，其基于源医疗图像合成目标医疗图像。所述方法可以被用于根据低剂量CT图像或低kV CT图像合成高剂量计算机断层扫描（CT）图像或高kV CT图像。从源医疗图像提取多个图像块区。通过使用基于机器学习的概率模型基于从所述源医疗图像提取的图像块区计算所述合成的目标医疗图像中的体素值来根据所述源医疗图像生成合成的目标医疗图像。
Description
背景技术
本发明涉及合成医学图像数据，以及更特别地，涉及根据低剂量或低kV计算机断层扫描图像来合成虚拟高剂量或高kV计算机断层扫描图像。
计算机断层扫描（CT）组合了从不同角度拍摄的一系列X射线图像并且使用计算机处理来创建身体内部的骨骼、血管和软组织的横断面图像或切片。所述横断面图像或切片可以被组合以重构3D CT容积。CT扫描可以被用于将身体的几乎所有部分可视化并且被用于诊断疾病或损伤以及被用于计划医学治疗、外科手术治疗或放射治疗。例如，CT扫描可以被用于诊断诸如骨肿瘤和骨折之类的肌肉和骨骼紊乱，以确定肿瘤、感染或者血液凝块在患者身体中的位置，指导诸如外科手术、活组织检查和放射治疗之类的过程，检测和监视诸如癌症、心脏病、肺结节和肝脏肿块之类的疾病和状况，监视疾病治疗的有效性，以及检测内伤和内出血。
在CT扫描期间，将患者暴露于电离放射。降低患者在CT扫描中被暴露于的放射剂量是高度合期望的。然而，高剂量CT扫描通常产生高质量CT图像，并且在降低CT扫描的放射剂量水平和从扫描得到的CT图像的图像质量之间存在折衷。影响CT扫描质量的另一个参数是被用于采集CT图像的X射线管的管电势（kV）。低kV CT扫描通常是优选的，因为更低的kV值可以导致更高的衰减值和图像对比度并且还可以导致放射剂量上的降低。然而，低kV CT扫描与高kV CT扫描相比导致了图像噪声上的增加。
发明内容
本发明提供了一种用于使用概率模型和机器学习根据源医疗图像合成虚拟目标医疗图像的方法和系统。本发明的实施例根据低剂量CT图像合成高剂量CT图像或者根据低kV图像合成高kV CT图像。本发明的实施例还可以被应用于其他成像模式以及被应用于根据对应源医疗图像生成合成的目标医疗图像。本发明的实施例可以在下述情况下被应用：图像质量与一些其他因素之间存在折衷，以便根据所采集的较低质量图像合成虚拟的高质量图像，对于其而言，与直接采集高质量图像的情况相比，所述其他因素被改善。
在本发明的一个实施例中，多个图像块区是从源医疗图像提取的。通过基于将似然函数与先验函数进行组合的概率模型计算合成的目标医疗图像中的体素值来根据所述源医疗图像生成合成的目标医疗图像，所述似然函数基于从源医疗图像提取的图像块区来计算针对合成的目标医疗图像中的体素值的概率，以及所述先验函数基于与合成的目标医疗图像相关联的预定条件来计算针对合成的目标医疗图像中的体素值的概率。
本发明的这些和其他优点将通过参考以下详细描述和附图而对于本领域普通技术人员而言是显而易见的。
附图说明
图1示出了根据本发明的实施例的根据所采集的源医疗图像合成虚拟目标医疗图像的方法。
图2示出了根据本发明的实施例的根据源医疗图像计算合成的目标医疗图像的体素值的方法。
图3示出了针对根据第一心脏CT扫描中的低剂量CT图像合成高剂量CT图像的示例性结果。
图4图示了针对根据第二心脏CT扫描中的低剂量CT图像合成高剂量CT图像的示例性结果。
图5示出了针对根据腹部CT扫描中的低kV CT图像合成高kV CT图像的示例性结果；以及
图6是能够实施本发明的计算机的高级别框图。
具体实施方式
本发明涉及一种用于根据所采集的源医疗图像合成虚拟目标医疗图像的方法和系统。本文中描述了本发明的实施例以给出医疗图像合成方法的生动理解。数字图像通常由一个或多个对象（或形状）的数字表示组成。本文中通常在识别和操纵对象方面描述对象的数字表示。这样的操纵是在计算机系统的存储器或其他电路/硬件中完成的虚拟操纵。因此，要理解的是，可以使用存储在计算机系统内的数据在计算机系统内实施本发明的实施例。
本发明的实施例提供了用于根据源医疗图像合成目标医疗图像的框架。本发明的实施例可以用于在图像质量与用于特殊类型成像模式的一些其他因素（诸如放射剂量、采集速率、帧速率、换能器频率、管电势、视场、旋转速率、成本等等）之间存在折衷的情况中，以便根据所采集的较低质量医疗图像合成虚拟高质量医疗图像，对于其而言，与直接采集高质量图像的情况相比，其他因素被改善。本发明的实施例还可以被用来根据不同成像模式所采集的图像合成一个成像模式的虚拟图像。本文中使用根据所采集的低剂量CT容积合成高剂量计算机断层扫描（CT）容积的示例以及根据低kV CT容积合成高kV CT容积的示例对本发明的实施例进行描述。然而，本发明不限于这些示例并且可以被类似地应用以执行根据任意类型的采集的源医疗图像合成任意类型的虚拟目标医疗图像。
图1 示出了根据本发明的实施例的根据所采集的源医疗图像合成虚拟目标医疗图像的方法。图1的方法对源医疗图像中表示患者解剖结构的图像数据进行变换以生成新的合成的目标医疗图像容积。图1的方法可以被用于根据所采集的低剂量CT容积生成高剂量CT容积或者被用于根据低kV CT容积生成高kV CT容积，但是本发明不限于此。
在步骤102处，接收源医疗图像。例如，在一个有利实施方式中，所述源医疗图像可以是患者的解剖区域的低剂量3D CT容积或者低kV 3D CT容积。然而，在其他可能的实施方式中，所述源医疗图像可以是使用任何医疗成像模式所采集的任何类型的医疗图像。例如，所述源医疗图像可以是任何类型的“低质量”图像，对于其而言，对应的高质量图像的采集是可能的。此外，本发明不限于3D医疗图像并且也可以类似地应用于2D医疗图像。尽管图1和图2的方法可以被应用于2D医疗图像或3D医疗图像，但在本文中使用术语“体素”来指代图像元素，而不管图像的维度如何。可以从诸如CT扫描仪的图像采集设备直接接收源医疗图像，或者可以通过从计算机系统的存储器或储存设备加载源医疗图像来接收源医疗图像，或者可以通过经由来自另一个计算机系统的网络传输在计算机系统处接收源医疗图像来接收源医疗图像。
在步骤104处，通过使用基于机器学习的概率模型计算针对合成的目标医疗图像的体素值来生成合成的目标医疗图像。所述合成的目标医疗图像是基于接收的源医疗图像而生成的目标图像类型的新图像。所述合成的目标医疗图像是在下述意义上的虚拟图像：该图像是由计算机系统基于已经采集的源医疗图像执行图1和图2的方法而生成的，而不是使用图像采集设备所采集的。所述合成的目标医疗图像可以表示高质量医疗图像并且可以是对可能使用特定类型的图像采集所采集的高质量图像的近似。在有利的实施例中，所述目标医疗图像可以是合成的高剂量3D CT容积（根据所采集的低剂量CT容积生成）或者是合成的高kV 3D CT容积（根据所采集的低kV容积生成），但是本发明不限于此。
所接收的源医疗图像中的每个体素在合成的目标医疗图像中具有对应的体素。使用基于机器学习的概率模型来计算合成的目标医疗图像的体素值。在有利的实施例中，遵循对后验概率取最大值的原理，给出看不见的源图像V（例如，低剂量CT图像），其中它的体素由n来标引，合成目标图像W被生成为使得：
，（1）
其中术语是将关于目标医疗图像W的先验知识进行量化的先验函数，以及是在给定所观察的源图像V的情况下计算针对合成的目标医疗图像W的概率的似然函数。
先验函数基于关于目标医疗图像W的先验知识计算针对合成的目标医疗图像W的概率。即，先验函数基于与目标类型的图像相关联的预定条件（例如，高剂量CT）来计算概率。例如，先验函数可以强化诸如W为空间平滑的条件、W为稀疏的条件或者W服从根据目标图像的训练集合（例如，高剂量CT图像的集合）而学习的统计信息的条件等等的条件。先验函数评估合成目标图像W的体素值并且基于合成目标图像W的体素值多大程度上满足先验知识条件来计算概率。在可能的实施方式中，先验函数通过用最小化的L2范数回馈（reward）合成目标医疗图像W来在合成目标医疗图像W上强化空间平滑条件。例如，的先验函数可以被用于强化空间平滑条件，其中c是归一化常数以及α控制平滑的程度。在另一个可能的实施例中，先验函数通过用最小化的L0范数回馈合成目标医疗图像W来在合成目标医疗图像W上强化稀疏条件。例如，的先验函数可以被用于强化稀疏条件。在另一个可能的实施方式中，统计信息可以在目标图像的训练集合上计算并且被用来实现先验函数。例如，可以计算诸如目标图像的训练集合中的强度分布的均值和标准差之类的统计信息，并且先验函数可以基于合成的目标医疗图像中的这些统计信息与针对图像的训练集合所计算的统计信息的比较来计算针对合成的目标医疗图像的强度分布的概率。在可能的实施例中，诸如高斯分布的概率分布可以根据目标图像的训练集合的强度分布而学习，并且该概率分布可以被用作来确定针对合成的目标医疗图像W的概率。
使用机器学习方法根据目标图像（例如，高剂量CT图像）和对应的源图像（例如，低剂量CT图像）的训练集合对似然函数进行建模。在有利的实施例中，不是在整体层面对图像进行建模，而是在图像块区层面实行建模。在离线训练阶段期间，采集成对的源图像和目标图像。每对图像针对同一患者并且具有对应性。例如，每对图像可以是针对同一患者的对应的低剂量CT图像和高剂量CT图像，或者是针对同一患者的对应的低kVCT图像和高kV CT图像。对于以m标引的每个体素，存储以m为中心的具有一定大小的一对对应的图像块区P m 和Q m ，其中P m 是源（例如，低剂量）图像块区以及Q m 是对应的目标（例如，高剂量）图像块区。在针对所有训练的图像对的所有体素重复该步骤之后，我们以对应的源训练样本和目标训练样本的集合来结束，其中M是在所有训练图像对中的所有体素的总数量。
对应的源训练样本和目标训练样本的集合然后在在线测试阶段期间被用来确定针对合成的目标医疗图像中的体素的个体似然函数。根据有利的实施例，可以基于针对合成的目标医疗图像W中的每个体素的个体似然函数来计算似然函数。例如，可以将计算为，其中V n 和W n 是分别在源医疗图像和合成的目标医疗图像中以体素n为中心的对应的图像块区。
图2图示了根据本发明的实施例的用于计算来自源医疗图像的合成的目标医疗图像的体素值的方法。可以使用图2的方法来实施图1的步骤104。在步骤202处，从源医疗图像采集多个图像块区。在有利的实施例中，提取以源医疗图像中的每个体素为中心的相应图像块区。
在步骤204处，针对从源医疗图像提取的每个图像块区找到源训练样本集合中的K个最近邻区。即，对于从源医疗图像提取的每个图像块区V n 而言，针对来自源训练样本集合的图像块区V n 找到K个最近的邻近源训练样本。例如，通过下述方式来针对图像块区V n 找到K个最近的邻近源训练样本：使用相似性（或差异性）测量将图像块区V n 与源训练样本集合中的每个源训练样本进行比较，并且选择关于图像块区V n 具有最高相似性测量（或最低差异性测量）的K个源训练样本。在示例性实施方式中，K可以被设定为K=5-10（即，针对每个图像块区选择五到十个最近邻区），但是本发明不限于此。在可能的实施方式中，相似性测量可以每个源训练样本图像块区和测量图像块区V n 中的强度分布之间的相似性。在另一个可能的实施方式中，可以使用距离平方和（SSD）来测量每个源训练样本图像块区和图像块区V n 中的强度分布之间的差异。
在步骤206处，针对源医疗图像的每个图像块区识别K个对应的目标训练样本。基于针对图像块区V n 的K个最近的邻近源训练样本来识别针对图像块区V n 的K个对应的目标训练样本。特别地，针对每个图像块区V n 识别与K个最近的邻近源训练样本相对应的K个对应的目标训练样本。
在步骤208处，针对源医疗图像中的每个图像块区，基于针对源图像中的每个图像块区所识别的K个对应的目标训练样本来确定针对合成的目标医疗图像中的对应体素的个体似然函数。针对合成的目标医疗图像中的每个体素n的个体似然性可以被定义为的函数，其中W n 是以体素n为中心的合成的目标医疗图像的图像块区，以及是针对源医疗图像中以体素n为中心的图像块区V n 所识别的K个对应的目标训练样本。在有利的实施例中，可以从针对源医疗图像中以体素n为中心中的对应的图像块区V n 所识别的K个对应的目标训练样本的强度分布来学习针对合成的目标医疗图像中的每个体素n的概率分布（诸如高斯分布或高斯函数或其他函数的混合）。该概率函数可以被用作针对合成的目标医疗图像中的体素n的个体似然函数。在该情况下，针对每个体素n的个体似然函数可以使用所学习的概率分布来计算针对以每个体素n为中心的图像块区W n 中的强度分布的概率。
在步骤210处，基于针对合成的目标医疗图像中的每个体素的相应个体似然函数以及针对合成的目标医疗图像的先验函数来计算合成的目标医疗图像的体素值。特别地，体素强度值被计算为对将似然函数和先验函数进行组合的公式（1）（）的概率函数取最大值，其中针对合成的目标医疗图像中的所有体素根据个体似然函数计算似然函数。如以上所描述那样计算先验函数。可以使用任何已知的优化技术来计算对公式（1）的概率函数取最大值的体素强度值，所述优化技术诸如是但不限于梯度下降。这导致了合成的目标医疗图像。
返回图1，在步骤106处，输出合成的目标医疗图像。例如，可以通过在计算机系统的显示设备上显示合成的目标医疗图像来输出合成的目标医疗图像。
可以使用图1和图2的方法来根据所采集的低剂量CT图像合成高剂量CT图像。在这种情况下，高剂量CT图像的合成提供了具有高剂量CT成像的高质量的图像，同时患者仅被暴露于与采集低剂量CT图像相关联的低剂量的放射。图1和图2的方法还可以被用于根据所采集的低kV CT图像合成高kV CT图像。高kV CT图像的合成提供了具有与高kV CT成像相关联的高质量和低噪声的图像以及原始的低kV CT图像提供了高衰减和高对比度，而仅需要对患者的低kV CT扫描。图1和图2的方法还可以被类似地应用于其他成像模式和成像领域。例如，在超声方面，图像采集中高频的使用导致较少的噪声，但是信号也不能穿透，以及低频的使用允许较大的信号穿透性但是有更多噪声。根据本发明的实施例，可以采集低频超声图像并且可以使用图1和图2的方法来合成虚拟的高频超声图像。在这种情况下，所采集的低频超声图像提供了具有更大信号穿透性的图像并且合成的高频医疗图像提供了具有较高图像质量和较少噪声的图像，而仅需要对低频超声的采集。如上文所描述的，图1和图2的方法可以被应用于在图像质量和与图像采集有关的一些其他因素（诸如放射剂量、采集速度、帧速率、换能器频率、管电势、视场、旋转速度、成本等）之间存在折衷的任何情况，以便根据所采集的较低质量医疗图像合成虚拟的高质量医疗图像，对于其而言，与直接采集高质量图像的情况相比，与图像采集有关的其他因素被改善。
图3图示了针对根据第一心脏CT扫描中的低剂量CT图像合成高剂量CT图像的示例性结果。如在图3中示出的，图像302示出低剂量CT图像，图像304示出在高剂量CT扫描中采集的完全真实的（ground truth）高剂量CT，以及图像306示出了使用图1和图2的方法基于低剂量CT图像302所生成的合成的高剂量CT图像。
图4图示了针对根据第二心脏CT扫描中的低剂量CT图像合成的高剂量CT图像的示例性结果。如在图4中示出的，图像402示出了低剂量CT图像，图像404示出了在高剂量CT扫描中采集的完全真实的高剂量CT，以及图像406示出了使用图1和图2的方法基于低剂量CT图像402所生成的合成的高剂量CT图像。
图5图示了针对根据腹部CT扫描中的低kV CT图像合成高kV CT图像的示例性结果。如在图5中示出的，图像502示出了低kV CT图像，图像504示出了在高kV CT扫描中采集的完全真实的高kV CT，以及图像506示出了使用图1和图2的方法基于低KV CT图像502所生成的合成的高kV CT图像。
上文所描述的用于医疗图像合成的方法可以使用公知的计算机处理器、存储器单元、储存设备、计算机软件以及其他部件而在计算机上实施。在图6中图示了这样的计算机的高级别框图。计算机602包含处理器604，其通过执行定义这样的操作的计算机程序指令来控制计算机602的总体操作。计算机程序指令可以被储存在储存设备612（例如，磁盘）中并且当期望执行计算机程序指令时被加载进存储器610中。因此，图1和图2的方法的步骤可以由储存在存储器610和/或储存设备612中的计算机程序指令来定义并且由执行所述计算机程序指令的处理器604来控制。图像采集设备620（CT扫描设备）可以被连接到计算机602以向计算机602输入图像数据。将图像采集设备620和计算机602实现为一个设备是可能的。图像采集设备620和计算机602通过网络进行无线通信也是可能的。在可能的实施例中，可以关于图像采集设备620远程定位计算机602并且本文中所描述的方法步骤可以作为服务器或基于云的服务的部分来实行。计算机602还包括用于经由网络与其他设备通信的一个或多个网络接口606。计算机602还包括使得能够实现与计算机602的用户交互的其他输入/输出设备608（例如，显示器、键盘、鼠标、扬声器、按键等）。这样的输入/输出设备608可以与计算机程序集合相结合地用作注释工具来对从图像采集设备620接收的容积加注释。本领域技术人员将认识到实际计算机的实施方式也可以包含其他部件，并且图6是出于说明目的对这样的计算机的一些部件的高级别表示。
上文所描述的用于医疗图像合成的方法可以使用以客户端-服务器关系进行操作的计算机来实施。通常，在这样的系统中，将客户端计算机远离服务器计算机进行定位并且经由网络进行交互。客户端-服务器关系可以由运行于相应的客户端计算机和服务器计算机上的计算机程序来定义和控制。
上文所描述的用于医疗图像合成的方法可以在基于网络的云计算系统内实施。在这样的基于网络的云计算系统中，被连接到网络的服务器或另一个处理器经由网络与一个或多个客户端计算机进行通信。客户端计算机可以例如经由驻留且操作于客户端计算机上的网络浏览器应用与服务器进行通信。客户端计算机可以在服务器上储存数据以及经由网络访问数据。客户端计算机可以经由网络向服务器传输针对数据的请求或者针对在线服务的请求。服务器可以实行所请求的服务并且向一个或多个客户端计算机提供数据。服务器还可以传输被适配为使客户端计算机实行指定功能（例如实行计算、在屏幕上显示指定数据等等）的数据。例如，服务器可以传输被适配为使客户端计算机实行本文中所描述的一个或多个方法步骤（包括图1和图2的一个或多个步骤）的请求。本文中所描述的方法的某些步骤（包括图1和图2的一个或多个步骤）可以由在基于网络的云计算系统中的服务器或另一个处理器来实行。本文中所描述的方法的某些步骤（包括图1和图2的一个或多个步骤）可以由在基于网络的云计算系统中的客户端计算机来实行。本文中所描述的方法的步骤（包括图1和图2的一个或多个步骤）可以由在基于网络的云计算系统中的服务器和/或客户端计算机（以任何组合）来实行。
前述详细描述要被理解为在每个方面都是说明性和示例性的，而不是限制性的，并且本文中所公开的发明的范围并非根据所述详细描述来确定的，而是根据如根据由专利法允许的所有方面所解释的权利要求来确定。要理解的是，本文中示出和描述的实施例仅说明本发明的原理，并且可以在不偏离本发明的范围和精神的情况下由本领域技术人员实施各种修改。本领域技术人员可以在不偏离本发明的范围和精神的情况下实施各种其他特征组合。
Claims (29)
1.一种用于根据源医疗图像合成目标医疗图像的方法，其包括：
从源医疗图像提取多个图像块区；以及
通过基于将基于从所述源医疗图像提取的图像块区来计算针对合成的目标医疗图像中的体素值的概率的似然函数与基于与合成的目标医疗图像相关联的预定条件来计算针对合成的目标医疗图像中的体素值的概率的先验函数进行组合的概率模型计算合成的目标医疗图像中的体素值来根据所述源医疗图像生成合成的目标医疗图像。
2.根据权利要求1所述的方法，其中通过基于将基于从所述源医疗图像提取的图像块区来计算针对合成的目标医疗图像中的体素值的概率的似然函数与基于与合成的目标医疗图像相关联的预定条件来计算针对合成的目标医疗图像中的体素值的概率的先验函数进行组合的概率模型计算合成的目标医疗图像中的体素值来根据所述源医疗图像生成合成的目标医疗图像包括：
针对所述源医疗图像中的多个图像块区中的每个检测源训练样本集合中的K个最近邻区；
针对所述源医疗图像中的多个图像块区中的每个根据所述源训练样本集合中的K个最近邻区识别K个对应的目标训练样本；
基于针对以所述源医疗图像中的对应体素为中心的所述源医疗图像的多个图像块区中相应的一个所识别的所述K个对应的目标训练样本来确定针对所述合成的目标医疗图像中的多个体素中的每个的个体似然函数；以及
将似然函数计算为针对所述合成的目标医疗图像中的多个体素的个体似然函数的组合。
3.根据权利要求2所述的方法，其中基于针对以所述源医疗图像中的对应体素为中心的所述源医疗图像的多个图像块区中相应的一个所识别的所述K个对应的目标训练样本来确定针对所述合成的目标医疗图像中的多个体素中的每个的个体似然函数包括：
针对所述合成的目标医疗图像中的多个体素中的每个，基于针对以所述源医疗图像中的对应体素为中心的所述源医疗图像的多个图像块区中相应的一个所识别的所述K个对应的目标训练样本中的强度分布来学习概率函数。
4.根据权利要求3所述的方法，其中基于针对以所述源医疗图像中的对应体素为中心的所述源医疗图像的多个图像块区中相应的一个所识别的所述K个对应的目标训练样本中的强度分布来学习概率函数包括：
基于针对以所述源医疗图像中的对应体素为中心的所述源医疗图像的多个图像块区中相应的一个所识别的所述K个对应的目标训练样本中的强度分布来学习高斯分布。
5.根据权利要求3所述的方法，其中将似然函数计算为针对所述合成的目标医疗图像中的多个体素的个体似然函数的组合包括：
针对所述合成的目标医疗图像中的多个体素中的每个，基于针对所述体素所学习的概率函数来计算针对以所述体素为中心的图像块区的概率；以及
将似然函数计算为针对所述合成的目标医疗图像中的多个体素中的每个所计算的概率的总和。
6.根据权利要求2所述的方法，其中通过基于将基于从所述源医疗图像提取的图像块区来计算针对合成的目标医疗图像中的体素值的概率的似然函数与基于与合成的目标医疗图像相关联的预定条件来计算针对合成的目标医疗图像中的体素值的概率的先验函数进行组合的概率模型计算合成的目标医疗图像中的体素值来根据所述源医疗图像生成合成的目标医疗图像进一步包括：
针对所述合成的目标医疗图像中的多个体素计算体素值以对所述概率模型取最大值。
7.根据权利要求6所述的方法，其中所述先验函数包括根据目标训练样本集合中的强度分布所学习的概率函数。
8.根据权利要求6所述的方法，其中所述先验函数基于空间平滑条件来计算概率。
9.根据权利要求6所述的方法，其中所述先验函数基于稀疏条件来计算概率。
10.根据权利要求1所述的方法，其中所述源医疗图像是低剂量计算机断层扫描（CT）图像以及所述合成的目标医疗图像是合成的高剂量CT图像。
11.根据权利要求1所述的方法，其中所述源医疗图像是低kV计算机断层扫描（CT）图像以及所述合成的目标医疗图像是合成的高kV CT图像。
12.一种用于根据源医疗图像合成目标医疗图像的装置，其包括：
用于从源医疗图像提取多个图像块区的装置；以及
用于通过基于将基于从所述源医疗图像提取的图像块区来计算针对合成的目标医疗图像中的体素值的概率的似然函数与基于与合成的目标医疗图像相关联的预定条件来计算针对合成的目标医疗图像中的体素值的概率的先验函数进行组合的概率模型计算合成的目标医疗图像中的体素值来根据所述源医疗图像生成合成的目标医疗图像的装置。
13.根据权利要求12所述的装置，其中用于通过基于将基于从所述源医疗图像提取的图像块区来计算针对合成的目标医疗图像中的体素值的概率的似然函数与基于与合成的目标医疗图像相关联的预定条件来计算针对合成的目标医疗图像中的体素值的概率的先验函数进行组合的概率模型计算合成的目标医疗图像中的体素值来根据所述源医疗图像生成合成的目标医疗图像的装置包括：
用于针对所述源医疗图像中的多个图像块区中的每个检测源训练样本集合中的K个最近邻区的装置；
用于针对所述源医疗图像中的多个图像块区中的每个根据所述源训练样本集合中的K个最近邻区识别K个对应的目标训练样本的装置；
用于基于针对以所述源医疗图像中的对应体素为中心的所述源医疗图像的多个图像块区中相应的一个所识别的所述K个对应的目标训练样本来确定针对所述合成的目标医疗图像中的多个体素中的每个的个体似然函数的装置；以及
用于将似然函数计算为针对所述合成的目标医疗图像中的多个体素的个体似然函数的组合的装置。
14.根据权利要求13所述的装置，其中用于通过基于将基于从所述源医疗图像提取的图像块区来计算针对合成的目标医疗图像中的体素值的概率的似然函数与基于与合成的目标医疗图像相关联的预定条件来计算针对合成的目标医疗图像中的体素值的概率的先验函数进行组合的概率模型计算合成的目标医疗图像中的体素值来根据所述源医疗图像生成合成的目标医疗图像的装置包括：
用于针对所述合成的目标医疗图像中的多个体素计算体素值以对所述概率模型取最大值的装置。
15.根据权利要求14所述的装置，其中所述先验函数包括根据目标训练样本集合中的强度分布所学习的概率函数。
16.根据权利要求14所述的装置，其中所述先验函数基于空间平滑条件来计算概率。
17.根据权利要求14所述的装置，其中所述先验函数基于稀疏条件来计算概率。
18.根据权利要求12所述的装置，其中所述源医疗图像是低剂量计算机断层扫描（CT）图像以及所述合成的目标医疗图像是合成的高剂量CT图像。
19.根据权利要求12所述的装置，其中所述源医疗图像是低kV计算机断层扫描（CT）图像以及所述合成的目标医疗图像是合成的高kV CT图像。
20.一种非临时性计算机可读介质，其存储用于根据源医疗图像合成目标医疗图像的计算机程序指令，所述计算机程序指令当被处理器执行时使所述处理器执行包括以下各项的操作：
从源医疗图像提取多个图像块区；以及
通过基于将基于从所述源医疗图像提取的图像块区来计算针对合成的目标医疗图像中的体素值的概率的似然函数与基于与合成的目标医疗图像相关联的预定条件来计算针对合成的目标医疗图像中的体素值的概率的先验函数进行组合的概率模型计算合成的目标医疗图像中的体素值来根据所述源医疗图像生成合成的目标医疗图像。
21.根据权利要求20所述的非临时性计算机可读介质，其中通过基于将基于从所述源医疗图像提取的图像块区来计算针对合成的目标医疗图像中的体素值的概率的似然函数与基于与合成的目标医疗图像相关联的预定条件来计算针对合成的目标医疗图像中的体素值的概率的先验函数进行组合的概率模型计算合成的目标医疗图像中的体素值来根据所述源医疗图像生成合成的目标医疗图像包括：
针对所述源医疗图像中的多个图像块区中的每个检测源训练样本集合中的K个最近邻区；
针对所述源医疗图像中的多个图像块区中的每个根据所述源训练样本集合中的K个最近邻区识别K个对应的目标训练样本；
基于针对以所述源医疗图像中的对应体素为中心的所述源医疗图像的多个图像块区中相应的一个所识别的所述K个对应的目标训练样本来确定针对所述合成的目标医疗图像中的多个体素中的每个的个体似然函数；以及
将似然函数计算为针对所述合成的目标医疗图像中的多个体素的个体似然函数的组合。
22.根据权利要去21所述的非临时性计算机可读介质，其中基于针对以所述源医疗图像中的对应体素为中心的所述源医疗图像的多个图像块区中相应的一个所识别的所述K个对应的目标训练样本来确定针对所述合成的目标医疗图像中的多个体素中的每个的个体似然函数包括：
针对所述合成的目标医疗图像中的多个体素中的每个，基于针对以所述源医疗图像中的对应体素为中心的所述源医疗图像的多个图像块区中相应的一个所识别的所述K个对应的目标训练样本中的强度分布来学习概率函数。
23.根据权利要求22所述的非临时性计算机可读介质，其中将似然函数计算为针对所述合成的目标医疗图像中的多个体素的个体似然函数的组合包括：
针对所述合成的目标医疗图像中的多个体素中的每个，基于针对所述体素所学习的概率函数来计算针对以所述体素为中心的图像块区的概率；以及
将似然函数计算为针对所述合成的目标医疗图像中的多个体素中的每个所计算的概率的总和。
24.根据权利要求21所述的方法，其中通过基于将基于从所述源医疗图像提取的图像块区来计算针对合成的目标医疗图像中的体素值的概率的似然函数与基于与合成的目标医疗图像相关联的预定条件来计算针对合成的目标医疗图像中的体素值的概率的先验函数进行组合的概率模型计算合成的目标医疗图像中的体素值来根据所述源医疗图像生成合成的目标医疗图像进一步包括：
针对所述合成的目标医疗图像中的多个体素计算体素值以对所述概率模型取最大值。
25.根据权利要去24所述的非临时性计算机可读介质，其中所述先验函数包括根据目标训练样本集合中的强度分布所学习的概率函数。
26.根据权利要去24所述的非临时性计算机可读介质，其中所述先验函数基于空间平滑条件来计算概率。
27.根据权利要求24所述的非临时性计算机可读介质，其中所述先验函数基于稀疏条件来计算概率。
28.根据权利要求20所述的非临时性计算机可读介质，其中所述源医疗图像是低剂量计算机断层扫描（CT）图像以及所述合成的目标医疗图像是合成的高剂量CT图像。
29.根据权利要求20所述的非临时性计算机可读介质，其中所述源医疗图像是低kV计算机断层扫描（CT）图像以及所述合成的目标医疗图像是合成的高kV CT图像。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/US2015/027875 WO2016175755A1 (en) | 2015-04-28 | 2015-04-28 | METHOD AND SYSTEM FOR SYNTHESIZING VIRTUAL HIGH DOSE OR HIGH kV COMPUTED TOMOGRAPHY IMAGES FROM LOW DOSE OR LOW kV COMPUTED TOMOGRAPHY IMAGES |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108885781A true CN108885781A (zh) | 2018-11-23 |
| CN108885781B CN108885781B (zh) | 2022-07-08 |
Family
ID=53040689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201580079315.2A Active CN108885781B (zh) | 2015-04-28 | 2015-04-28 | 用于根据低剂量或低kV计算机断层扫描图像合成虚拟高剂量或高kV计算机断层扫描图像的方法和系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10335105B2 (zh) |
| CN (1) | CN108885781B (zh) |
| WO (1) | WO2016175755A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019019199A1 (en) * | 2017-07-28 | 2019-01-31 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE CONVERSION |
| WO2019074938A1 (en) * | 2017-10-09 | 2019-04-18 | The Board Of Trustees Of The Leland Stanford Junior University | CONTRAST DOSE REDUCTION FOR MEDICAL IMAGING USING DEEP LEARNING |
| EP3834135A4 (en) | 2018-08-07 | 2022-05-04 | BlinkAI Technologies, Inc. | IMAGE ENHANCEMENT ARTIFICIAL INTELLIGENCE TECHNIQUES |
| US11039806B2 (en) | 2018-12-20 | 2021-06-22 | Canon Medical Systems Corporation | Apparatus and method that uses deep learning to correct computed tomography (CT) with sinogram completion of projection data |
| US11348243B2 (en) | 2020-01-24 | 2022-05-31 | GE Precision Healthcare LLC | Systems and methods for medical image style transfer using deep neural networks |
| JP2024515595A (ja) * | 2021-04-13 | 2024-04-10 | プリズマティック、センサーズ、アクチボラグ | コンピュータ断層撮影における深層学習画像再構成の信頼度表示の決定 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101677348A (zh) * | 2008-09-16 | 2010-03-24 | 富士施乐株式会社 | 图像处理装置、图像显示系统以及图像处理方法 |
| US20110006430A1 (en) * | 2005-06-24 | 2011-01-13 | Stmicroelectronics (Crolles 2) Sas | Copper diffusion barrier |
| US20130001688A1 (en) * | 2010-10-20 | 2013-01-03 | Globalfoundries Singapore Pte. Ltd. | Self-aligned body fully isolated device |
| CN103034989A (zh) * | 2013-01-09 | 2013-04-10 | 清华大学 | 一种基于优质先验图像的低剂量cbct图像去噪方法 |
| WO2014036473A1 (en) * | 2012-08-31 | 2014-03-06 | Kenji Suzuki | Supervised machine learning technique for reduction of radiation dose in computed tomography imaging |
| CN104053016A (zh) * | 2014-06-24 | 2014-09-17 | 深圳市江波龙电子有限公司 | 一种图像预览方法及装置 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8467570B2 (en) * | 2006-06-14 | 2013-06-18 | Honeywell International Inc. | Tracking system with fused motion and object detection |
| US7916897B2 (en) * | 2006-08-11 | 2011-03-29 | Tessera Technologies Ireland Limited | Face tracking for controlling imaging parameters |
| US8111923B2 (en) * | 2008-08-14 | 2012-02-07 | Xerox Corporation | System and method for object class localization and semantic class based image segmentation |
| US8311338B2 (en) * | 2009-09-15 | 2012-11-13 | Tandent Vision Science, Inc. | Method and system for learning a same-material constraint in an image |
| KR101068465B1 (ko) * | 2009-11-09 | 2011-09-28 | 한국과학기술원 | 삼차원 물체 인식 시스템 및 방법 |
| KR101643607B1 (ko) * | 2009-12-30 | 2016-08-10 | 삼성전자주식회사 | 영상 데이터 생성 방법 및 장치 |
| US8942917B2 (en) * | 2011-02-14 | 2015-01-27 | Microsoft Corporation | Change invariant scene recognition by an agent |
| US8818105B2 (en) * | 2011-07-14 | 2014-08-26 | Accuray Incorporated | Image registration for image-guided surgery |
| US9158995B2 (en) * | 2013-03-14 | 2015-10-13 | Xerox Corporation | Data driven localization using task-dependent representations |
| US9449392B2 (en) * | 2013-06-05 | 2016-09-20 | Samsung Electronics Co., Ltd. | Estimator training method and pose estimating method using depth image |
| US9324145B1 (en) * | 2013-08-08 | 2016-04-26 | Given Imaging Ltd. | System and method for detection of transitions in an image stream of the gastrointestinal tract |
| CN107003124B (zh) * | 2014-06-10 | 2020-07-07 | 西门子医疗保健诊断公司 | 抽屉视觉系统 |
| US9582916B2 (en) * | 2014-11-10 | 2017-02-28 | Siemens Healthcare Gmbh | Method and system for unsupervised cross-modal medical image synthesis |
| US9892361B2 (en) * | 2015-01-21 | 2018-02-13 | Siemens Healthcare Gmbh | Method and system for cross-domain synthesis of medical images using contextual deep network |
| US9595120B2 (en) * | 2015-04-27 | 2017-03-14 | Siemens Healthcare Gmbh | Method and system for medical image synthesis across image domain or modality using iterative sparse representation propagation |
-
2015
- 2015-04-28 WO PCT/US2015/027875 patent/WO2016175755A1/en active Application Filing
- 2015-04-28 CN CN201580079315.2A patent/CN108885781B/zh active Active
- 2015-04-28 US US15/553,744 patent/US10335105B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110006430A1 (en) * | 2005-06-24 | 2011-01-13 | Stmicroelectronics (Crolles 2) Sas | Copper diffusion barrier |
| CN101677348A (zh) * | 2008-09-16 | 2010-03-24 | 富士施乐株式会社 | 图像处理装置、图像显示系统以及图像处理方法 |
| US20130001688A1 (en) * | 2010-10-20 | 2013-01-03 | Globalfoundries Singapore Pte. Ltd. | Self-aligned body fully isolated device |
| WO2014036473A1 (en) * | 2012-08-31 | 2014-03-06 | Kenji Suzuki | Supervised machine learning technique for reduction of radiation dose in computed tomography imaging |
| CN103034989A (zh) * | 2013-01-09 | 2013-04-10 | 清华大学 | 一种基于优质先验图像的低剂量cbct图像去噪方法 |
| CN104053016A (zh) * | 2014-06-24 | 2014-09-17 | 深圳市江波龙电子有限公司 | 一种图像预览方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2016175755A1 (en) | 2016-11-03 |
| CN108885781B (zh) | 2022-07-08 |
| US10335105B2 (en) | 2019-07-02 |
| US20180042564A1 (en) | 2018-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2019257675B2 (en) | Image enhancement using generative adversarial networks | |
| JP7245364B2 (ja) | 変形可能な層を有するＣｙｃｌｅＧＡＮを用いたｓＣＴ画像生成 | |
| CN101443816B (zh) | 用于图像引导下辐射治疗的图像可变形配准 | |
| Onofrey et al. | Generalizable multi-site training and testing of deep neural networks using image normalization | |
| CN108885781A (zh) | 用于根据低剂量或低kV计算机断层扫描图像合成虚拟高剂量或高kV计算机断层扫描图像的方法和系统 | |
| JP2020503095A (ja) | 解剖学的モデルパラメータの機械学習 | |
| Whitfield et al. | Automated delineation of radiotherapy volumes: are we going in the right direction? | |
| US8655040B2 (en) | Integrated image registration and motion estimation for medical imaging applications | |
| CN104145295B (zh) | 使用不同指示器来确定放射治疗目标的位置变化 | |
| US20220313176A1 (en) | Artificial Intelligence Training with Multiple Pulsed X-ray Source-in-motion Tomosynthesis Imaging System | |
| CN110910342B (zh) | 通过使用深度学习来分析骨骼创伤 | |
| JP2023512139A (ja) | 放射線パラメータを判定するためのシステムおよび方法 | |
| Lappas et al. | Automatic contouring of normal tissues with deep learning for preclinical radiation studies | |
| US11837352B2 (en) | Body representations | |
| US11645767B2 (en) | Capturing a misalignment | |
| EP4233000A1 (en) | Detection of image structures via dimensionality-reducing projections | |
| Mochizuki et al. | Cycle‐generative adversarial network‐based bone suppression imaging for highly accurate markerless motion tracking of lung tumors for cyberknife irradiation therapy | |
| JP2024015883A (ja) | 情報処理装置、情報処理方法、プログラム、学習済みモデルおよび学習モデル生成方法 | |
| Mochizuki et al. | GAN-based bone suppression imaging for high-accurate markerless motion tracking of lung tumors in CyberKnife treatment | |
| Vergalasova | On-Board Imaging of Respiratory Motion: Investigation of Markerless and Self-Sorted Four-Dimensional Cone-Beam CT (4D-CBCT) | |
| Li et al. | Temporal Subtraction of Digital Breast Tomosynthesis Images for Improved Mass Detection |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |