CN109035137A - 一种基于最优传输理论的多模态医学图像融合方法 - Google Patents
一种基于最优传输理论的多模态医学图像融合方法 Download PDFInfo
- Publication number
- CN109035137A CN109035137A CN201810844859.9A CN201810844859A CN109035137A CN 109035137 A CN109035137 A CN 109035137A CN 201810844859 A CN201810844859 A CN 201810844859A CN 109035137 A CN109035137 A CN 109035137A
- Authority
- CN
- China
- Prior art keywords
- optimal transmission
- image
- mass center
- medical image
- images
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 75
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000002156 mixing Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 14
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 241000269913 Pseudopleuronectes americanus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于最优传输理论的多模态医学图像融合方法，属于计算机图形学和医学图像处理技术领域，该方法包含如下步骤：S1：输入两张待融合的不同模态医学图像；S2：对源图像进行取反，对取反后的源图像进行归一化操作；S3：计算归一化操作之后源图像之间的最优传输质心；S4：根据最优传输质心进行图像取反，重构结果融合图像。本发明方法能够在保留更多源图像信息的情况下，消除掉较多的噪声，同时降低计算复杂度的方法，进行更快速有效的多模态医学图像的融合。同时，本发明方法运行速度快，输入图像后能够快速地给出融合结果，效率较高，鲁棒性强，不仅适应于医学图像，也可以对非医学图像进行有效地融合。
Description
技术领域
本发明属于计算机图形学和医学图像处理技术领域，涉及一种基于最优传输理论的多模态医学图像融合方法。
背景技术
多模态医学图像融合是将单个或多个成像模式的多个医学图像合并以提高成像质量，不同模态的医学图像反映了关于人体脏器和病变组织的不同信息，但是单一的医学图像并不能完整反映相关的信息内涵，因此通过对多个图像进行融合以提高成像质量，并减少随机性和冗余度，同时可以增强医学图像在医疗问题诊断和评估中的临床适用性，因此多模式医学图像融合增强了鲁棒性，提高了生物医学研究和临床诊断的准确性。从融合图像获得的附加信息可以很好地用于更精确的定位异常。多模态医学图像融合涵盖了广泛的热门话题领域。包括图像处理、计算机视觉、模式识别、机器学习和人工智能。
目前为止研究的多模态医学图像方法主要都基于图像多尺度分析方法，先对图像使用相应的分解方法进行分解，再分别对分解后的子图像使用不用的融合规则进行融合，最后将融合后的子图像进行重构得到最终的融合图像。最常见的为使用小波分解、Laplacian金字塔分解等分解方法对图像进行分解，使用主成分分析(PCA)、脉冲耦合神经网络(PCNN)等融合规则对子图像进行融合，最后再重构得到融合图像。基于多尺度分析的融合方法，虽然能够区分出图像的不同频带的信息，再加以融合，能够得到分辨率高、结构信息较好的融合图像，但是这些方法在融合过程中引入过多的噪声，计算复杂度较高，在一定程度还会造成医学图像颜色的失真。
发明内容
有鉴于此，本发明的目的在于提供一种基于最优传输理论的多模态医学图像融合方法，能够在保留更多源图像信息的情况下，消除掉较多的噪声，同时降低计算复杂度的方法，进行更快速有效的多模态医学图像的融合。
为达到上述目的，本发明提供如下技术方案：
一种基于最优传输理论的多模态医学图像融合方法，该方法包含如下步骤：
S1：输入两张待融合的不同模态医学图像；
S2：对源图像进行取反，对取反后的源图像进行归一化操作；
S3：计算归一化操作之后源图像之间的最优传输质心；
S4：根据最优传输质心进行图像取反，重构结果融合图像。
进一步，步骤S2中，使用255作为取反参数进行图像取反处理：
p′k＝255-pk
其中，pk(k＝1,2)表示输入源图像，p′k表示取反处理后的图像；
具体为：将输入源图像分为三个通道，分别对三个通道进行取反处理：
其中，分别表示输入源图像取反后的三个通道值。
进一步，步骤S2中，对取反后的图像进行归一化处理，即将图像像素值转换为像素值的概率分布，满足：每一个概率分布值的范围为0～1，且概率分布值的总和为1。
进一步，步骤S3中，最优传输质心根据最优传输理论来求解两张图像之间的最优传输计划和最优传输距离，使用传输距离来度量两张图像之间的距离：
其中，为N维向量空间中的包含两个元素p′1,p′2的单纯形，为在N×N维向量空间中的最优传输计划，C为两张图像之间的代价矩阵，γ为熵约束参数，E(Τ)＝-∑i,jΤi,jlogΤi,j为传输计划Τ的熵，Τi,j表示所述传输计划Τ中的第i行第j列元素。
进一步，步骤S3包含如下步骤：
S31：将图像融合问题转化为质心求解问题，将图像看作是概率空间中的两个点：
其中，为在中的单纯形，M为输入图像数量，p′k和λk分别表示第k个输入图像和相对应的质心权重参数，p为输入图像之间的质心，λk为质心权重参数，满足，∑kλk＝1；
S32：将质心求解问题转化为使用最优传输计划的集合问题，进行求解：
其中，KLλ(Τ|ξ)表示最优传输计划Τ和卷积核ξ之间的KL散度，Tk和ξk表示第k个输入图像p′k同质心p之间的最优传输计划和所对应的卷积核，为最优传输计划Τ的约束集；
S33：对传输计划集合进行约束，两个约束条件满足：
其中，(Tk)k表示传输计划，为传输计划Tk的转置。
进一步，步骤S33中，使用Bregman迭代方法求解传输计划，满足：
其中，表示，表示两个缩放向量，可初始化为
进一步，步骤S33中，两个缩放向量的更新满足：
其中，p(l)表示第l次迭代得到的当前质心，为第l+1次迭代得到的缩放向量，当前迭代质心通过几何方法替代进行求解，满足，
进一步，步骤S4具体为：对输入图像的RGB三通道分别通过多次迭代后，进行组合，还原为最终的融合图像：
F′＝255-p
其中，F′表示融合图像。
本发明的有益效果在于：本发明提供的基于最优传输理论的多模态医学图像融合方法使用最优传输距离来度量输入图像之间的距离，通过该距离来计算图像之间的质心。同时本方法解决了使用最优传输初始定义会造成融合图像缺失的情况，在消除较多的噪声，保留了较多的源图像信息，保护了图像的颜色信息，没有造成融合图像颜色的失真。本发明所述方法计算简单，时间复杂度低，鲁棒性强，融合效果较好，针对不同模态的医学图像有着很强的适应性。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明方法的流程图；
图2为本发明方法示意图；
图3为本实施例输入两张不同模态的医学图像源图像及其取反结果；
图4为本实施例使用取反后的图像进行最优传输质心计算的结果；
图5为本实施例对质心进行取反以重构融合图像的结果；
图6为本实施例不同模态的医学图像(MRI-CT，MRI-PET，MRI-SPECT)融合结果图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
如图1所示，本发明方法提供一种基于最优传输理论的多模态医学图像融合方法，该方法包括以下步骤：
S1：输入两张待融合的不同模态医学图像；
S2：对源图像进行取反，得到取反后的图像作为新的源图像，进行归一化操作；
S3：计算新的源图像之间的最优传输质心；
S4：对得到的质心进行图像取反，重构结果融合图像。
在本实施例中，初始输入图像为标准医学图像数据集，其包括不同模态(MRI，CT，PET和SPECT)的医学图像，默认图像的大小为256*256像素，每一个像素三通道RGB值范围为0～255。使用255作为取反参数对源图像pk(k＝1,2)进行取反预处理：
p′k＝255-pk
其中，pk为输入图像，可以分为RGB三个通道在这里分别对三个通道进行取反处理：
图3为分别对两张初始输入图像进行取反后的结果图像，然后对它们进行归一化处理，也就是将图像像素值转换为像素值的概率分布，每一个概率分布值的范围为0～1，且概率分布值的总和为1。
在本实施例中，将图像看作是概率空间中的两个点，如图2所示，可以根据最优传输理论来求解两张图像之间的最优传输计划和最优传输距离，使用传输距离来度量两张图像之间的距离：
其中，为两张输入图像之间的最优传输计划，C为他们之间的代价矩阵，一般用欧式距离来表示，γ为熵约束参数，E(Τ)＝-∑i,jΤi,jlogΤi,j为传输计划Τ的熵。
具体地，将图像融合问题转换为求解下面的质心求解问题，将图像看作是概率空间中的两个点：
其中，为在中的单纯形，M为输入图像数量，p′k和λk分别表示第k个输入图像和相对应的质心权重参数，p为输入图像之间的质心，λk为质心权重参数，其值控制了源图像在最终的质心中所占的比例，且∑kλk＝1。
具体地，上述的质心求解问题可以转换为使用最优传输计划的集合来求解下述问题：
其中，KLλ(Τ|ξ)表示最优传输计划Τ和卷积核ξ之间的KL散度，Tk和ξk表示第k个输入图像p′k同质心p之间的最优传输计划和所对应的卷积核，为最优传输计划Τ的约束集，最优传输计划构成的集合对于图像来说，核ξ可以定义为标准偏差为σ2＝γ的1-D高斯卷积核。
具体地，上述公式中对最优传输计划集合进行约束的两个约束集和可以表示为：
具体地，可以通过两个缩放向量使用Bregman迭代方法快速地求解传输计划(Tk)k：
其中，两个缩放向量可以初始化为
具体地，通过下述公式来更新缩放向量
具体地，在每一次迭代过程中，会获得一个当前迭代质心p(l)，可以通过下述公式计算求解，该公式为上述最优传输计划求解公式和质心公式的变形结合，可以做到快速的计算质心：
其中，为了更加简便地求解，上述公式可以使用一个几何方法代替上述公式求解当前质心：
具体地，对输入图像的RGB三通道分别通过一定次数的迭代后，再将其进行组合，还原为图像，如图4所示，为两张取反后的医学图像进行最优传输质心计算后的结果，可以看出两张图像得到了很好地融合。
最后，如图5所示，对上述实施方法所得到的最优传输质心p进行图像取反操作，即可重构融合图像：
F′＝255-p
上述多模态医学图像融合方法是基于最优传输理论的，将图像看作是概率空间上的两个点，通过最优传输理论的最优传输距离进行他们之间的距离度量，再通过该距离来计算他们之间的质心，将融合问题转换为了优化问题，并且消除了医学图像特有的黑色背景对结果的影响。图6是本发明方法分别对三种不同的模态组合(MRI-CT，MRI-PET和MRI-SPECT)进行融合的结果，可以看出融合结果a(1)，a(2)和a(3)将两张源图像的信息很好地融合在了一起，并没有引入过多的噪声，图像清晰度较高。本发明方法运行速度快，输入图像后能够快速地给出融合结果，效率较高，鲁棒性强，不仅适应于医学图像，也可以对非医学图像进行有效地融合。
最后说明的是，以上优选实施例仅用以说明发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (8)
1.一种基于最优传输理论的多模态医学图像融合方法，其特征在于：该方法包含如下步骤：
S1：输入两张待融合的不同模态医学图像；
S2：对源图像进行取反，对取反后的源图像进行归一化操作；
S3：计算归一化操作之后源图像之间的最优传输质心；
S4：根据最优传输质心进行图像取反，重构结果融合图像。
2.根据权利要求1所述的一种基于最优传输理论的多模态医学图像融合方法，其特征在于：步骤S2中，使用255作为取反参数进行图像取反处理：
p′k＝255-pk
其中，pk(k＝1,2)表示输入源图像，p′k表示取反处理后的图像；
具体为：将输入源图像分为三个通道，分别对三个通道进行取反处理：
其中，分别表示输入源图像取反后的三个通道值。
3.根据权利要求2所述的一种基于最优传输理论的多模态医学图像融合方法，其特征在于：步骤S2中，对取反后的图像进行归一化处理，即将图像像素值转换为像素值的概率分布，满足：每一个概率分布值的范围为0～1，且概率分布值的总和为1。
4.根据权利要求3所述的一种基于最优传输理论的多模态医学图像融合方法，其特征在于：步骤S3中，最优传输质心根据最优传输理论来求解两张图像之间的最优传输计划和最优传输距离，使用传输距离来度量两张图像之间的距离：
其中，为N维向量空间中的包含两个元素p′1,p′2的单纯形，为在N×N维向量空间中的最优传输计划，C为两张图像之间的代价矩阵，γ为熵约束参数，E(Τ)＝-∑i,jΤi,jlogΤi,j为传输计划Τ的熵，Τi,j表示所述传输计划Τ中的第i行第j列元素。
5.根据权利要求4所述的一种基于最优传输理论的多模态医学图像融合方法，其特征在于：步骤S3包含如下步骤：
S31：将图像融合问题转化为质心求解问题，将图像看作是概率空间中的两个点：
其中，为在中的单纯形，M为输入图像数量，p′k和λk分别表示第k个输入图像和相对应的质心权重参数，p为输入图像之间的质心，λk为质心权重参数，满足，∑kλk＝1；
S32：将质心求解问题转化为使用最优传输计划的集合问题，进行求解：
其中，KLλ(Τ|ξ)表示最优传输计划Τ和卷积核ξ之间的KL散度，Tk和ξk表示第k个输入图像p′k同质心p之间的最优传输计划和所对应的卷积核，为最优传输计划Τ的约束集；
S33：对传输计划集合进行约束，两个约束条件满足：
其中，(Tk)k表示传输计划，为传输计划Tk的转置。
6.根据权利要求5所述的一种基于最优传输理论的多模态医学图像融合方法，其特征在于：步骤S33中，使用Bregman迭代方法求解传输计划，满足：
其中，表示第l次迭代得到的传输计划，表示第l次迭代得到的两个缩放向量， 可初始化为
7.根据权利要求6所述的一种基于最优传输理论的多模态医学图像融合方法，其特征在于：步骤S33中，两个缩放向量的更新满足：
其中，p(l)表示第l次迭代得到的当前质心，为第l+1次迭代得到的缩放向量，当前迭代质心通过几何方法替代进行求解，满足，
8.根据权利要求7所述的一种基于最优传输理论的多模态医学图像融合方法，其特征在于：步骤S4具体为：对输入图像的RGB三通道分别通过多次迭代后，进行组合，还原为最终的融合图像：
F′＝255-p
其中，F′表示融合图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810844859.9A CN109035137B (zh) | 2018-07-27 | 2018-07-27 | 一种基于最优传输理论的多模态医学图像融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810844859.9A CN109035137B (zh) | 2018-07-27 | 2018-07-27 | 一种基于最优传输理论的多模态医学图像融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109035137A true CN109035137A (zh) | 2018-12-18 |
| CN109035137B CN109035137B (zh) | 2022-11-25 |
Family
ID=64646328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810844859.9A Active CN109035137B (zh) | 2018-07-27 | 2018-07-27 | 一种基于最优传输理论的多模态医学图像融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109035137B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242905A (zh) * | 2020-01-06 | 2020-06-05 | 科大讯飞(苏州)科技有限公司 | 一种x光样本图像的生成方法、生成设备和存储装置 |
| CN111667600A (zh) * | 2020-06-17 | 2020-09-15 | 科大讯飞(苏州)科技有限公司 | 一种安检巡检方法、装置、巡检终端、存储介质及系统 |
| CN111815735A (zh) * | 2020-09-09 | 2020-10-23 | 南京安科医疗科技有限公司 | 一种人体组织自适应的ct重建方法及重建系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110268328A1 (en) * | 2008-12-25 | 2011-11-03 | Ezer Bar-Aviv | Denoising medical images |
| US20130202177A1 (en) * | 2010-06-30 | 2013-08-08 | Medic Vision - Imaging Solutions Ltd. | Non-linear resolution reduction for medical imagery |
| US20140297648A1 (en) * | 2011-09-26 | 2014-10-02 | Camegie Mellon University | Quantitative Comparison of Image Data Using a Linear Optimal Transportation |
| CN104504705A (zh) * | 2014-12-25 | 2015-04-08 | 东南大学 | 小动物多模态医学影像配准及融合方法 |
| CN106204511A (zh) * | 2016-07-15 | 2016-12-07 | 西安交通大学第附属医院 | 一种二维图像与ct、mr图像的三维融合方法 |
| CN106679676A (zh) * | 2017-01-10 | 2017-05-17 | 北京航空航天大学 | 一种单视场多功能光学敏感器及实现方法 |
| CN106709943A (zh) * | 2017-01-12 | 2017-05-24 | 重庆邮电大学 | 一种基于最优传输的点云配准方法 |
| CN106952339A (zh) * | 2017-03-15 | 2017-07-14 | 重庆邮电大学 | 一种基于最优传输理论的点云采样方法 |
| CN107146201A (zh) * | 2017-05-08 | 2017-09-08 | 重庆邮电大学 | 一种基于改进图像融合的图像拼接方法 |
| US20170337682A1 (en) * | 2016-05-18 | 2017-11-23 | Siemens Healthcare Gmbh | Method and System for Image Registration Using an Intelligent Artificial Agent |
-
2018
- 2018-07-27 CN CN201810844859.9A patent/CN109035137B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110268328A1 (en) * | 2008-12-25 | 2011-11-03 | Ezer Bar-Aviv | Denoising medical images |
| US20130202177A1 (en) * | 2010-06-30 | 2013-08-08 | Medic Vision - Imaging Solutions Ltd. | Non-linear resolution reduction for medical imagery |
| US20140297648A1 (en) * | 2011-09-26 | 2014-10-02 | Camegie Mellon University | Quantitative Comparison of Image Data Using a Linear Optimal Transportation |
| CN104504705A (zh) * | 2014-12-25 | 2015-04-08 | 东南大学 | 小动物多模态医学影像配准及融合方法 |
| US20170337682A1 (en) * | 2016-05-18 | 2017-11-23 | Siemens Healthcare Gmbh | Method and System for Image Registration Using an Intelligent Artificial Agent |
| CN106204511A (zh) * | 2016-07-15 | 2016-12-07 | 西安交通大学第附属医院 | 一种二维图像与ct、mr图像的三维融合方法 |
| CN106679676A (zh) * | 2017-01-10 | 2017-05-17 | 北京航空航天大学 | 一种单视场多功能光学敏感器及实现方法 |
| CN106709943A (zh) * | 2017-01-12 | 2017-05-24 | 重庆邮电大学 | 一种基于最优传输的点云配准方法 |
| CN106952339A (zh) * | 2017-03-15 | 2017-07-14 | 重庆邮电大学 | 一种基于最优传输理论的点云采样方法 |
| CN107146201A (zh) * | 2017-05-08 | 2017-09-08 | 重庆邮电大学 | 一种基于改进图像融合的图像拼接方法 |
Non-Patent Citations (4)
| Title |
|---|
| WEN ZHANG,ECT;: "Enhancing diffusion MRI measures by integrating grey and white matter morphometry with hyperbolic wasserstein distance", 《2017 IEEE 14TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2017)》 * |
| 汪家旺: "CT、MR图像融合技术临床应用研究", 《中华放射学杂志》 * |
| 熊哲源: "无线多媒体传感器网络图像编码算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 陈书贞等: "基于改进暗通道和导向滤波的单幅图像去雾算法", 《自动化学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242905A (zh) * | 2020-01-06 | 2020-06-05 | 科大讯飞(苏州)科技有限公司 | 一种x光样本图像的生成方法、生成设备和存储装置 |
| CN111667600A (zh) * | 2020-06-17 | 2020-09-15 | 科大讯飞(苏州)科技有限公司 | 一种安检巡检方法、装置、巡检终端、存储介质及系统 |
| CN111815735A (zh) * | 2020-09-09 | 2020-10-23 | 南京安科医疗科技有限公司 | 一种人体组织自适应的ct重建方法及重建系统 |
| CN111815735B (zh) * | 2020-09-09 | 2020-12-01 | 南京安科医疗科技有限公司 | 一种人体组织自适应的ct重建方法及重建系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109035137B (zh) | 2022-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Song et al. | PET image super-resolution using generative adversarial networks | |
| US11645748B2 (en) | Three-dimensional automatic location system for epileptogenic focus based on deep learning | |
| Huang et al. | DU-GAN: Generative adversarial networks with dual-domain U-Net-based discriminators for low-dose CT denoising | |
| Singh et al. | Multimodal medical image sensor fusion model using sparse K-SVD dictionary learning in nonsubsampled shearlet domain | |
| Ataloglou et al. | Fast and precise hippocampus segmentation through deep convolutional neural network ensembles and transfer learning | |
| Nie et al. | STRAINet: Spatially varying sTochastic residual AdversarIal networks for MRI pelvic organ segmentation | |
| CN109035137A (zh) | 一种基于最优传输理论的多模态医学图像融合方法 | |
| Li et al. | Fusion of medical sensors using adaptive cloud model in local Laplacian pyramid domain | |
| Saidy et al. | Chest X-ray image segmentation using encoder-decoder convolutional network | |
| Wang et al. | Medical image inpainting with edge and structure priors | |
| Kang et al. | Fusion of brain PET and MRI images using tissue-aware conditional generative adversarial network with joint loss | |
| Seo et al. | Neural contrast enhancement of CT image | |
| Wang et al. | IGNFusion: an unsupervised information gate network for multimodal medical image fusion | |
| Liu et al. | Automated classification and measurement of fetal ultrasound images with attention feature pyramid network | |
| Xia et al. | Deep residual neural network based image enhancement algorithm for low dose CT images | |
| Chen et al. | DuSFE: Dual-Channel Squeeze-Fusion-Excitation co-attention for cross-modality registration of cardiac SPECT and CT | |
| Fu et al. | OIF-Net: An Optical Flow Registration-Based PET/MR Cross-Modal Interactive Fusion Network for Low-Count Brain PET Image Denoising | |
| Luo et al. | Tissue segmentation in nasopharyngeal ct images using two-stage learning | |
| Huang et al. | ADDNS: An asymmetric dual deep network with sharing mechanism for medical image fusion of CT and MR-T2 | |
| Chen et al. | Self-learning based medical image representation for rigid real-time and multimodal slice-to-volume registration | |
| KR102476888B1 (ko) | 디지털 병리이미지의 인공지능 진단 데이터 처리 장치 및 그 방법 | |
| Zhang et al. | Structure-preserving low-dose computed tomography image denoising using a deep residual adaptive global context attention network | |
| CN116258732A (zh) | 一种基于pet/ct图像跨模态特征融合的食管癌肿瘤靶区分割方法 | |
| Rao et al. | Deep learning-based medical image fusion using integrated joint slope analysis with probabilistic parametric steered image filter | |
| Liu et al. | Attention Based Cross-Domain Synthesis and Segmentation From Unpaired Medical Images |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230802 Address after: 226000 Building 2, No. 5 Xindong Road, Development Zone, Nantong City, Jiangsu Province -22108 Patentee after: Jiangsu Aiying Medical Technology Co.,Ltd. Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. Effective date of registration: 20230802 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2 Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |