CN109035169A - 一种无监督/半监督ct图像重建深度网络训练方法 - Google Patents
一种无监督/半监督ct图像重建深度网络训练方法 Download PDFInfo
- Publication number
- CN109035169A CN109035169A CN201810798715.4A CN201810798715A CN109035169A CN 109035169 A CN109035169 A CN 109035169A CN 201810798715 A CN201810798715 A CN 201810798715A CN 109035169 A CN109035169 A CN 109035169A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- supervised
- unsupervised
- semi
- 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 37
- 238000012549 training Methods 0.000 title claims abstract description 20
- 238000010586 diagram Methods 0.000 claims abstract description 57
- 238000002591 computed tomography Methods 0.000 claims abstract description 6
- 238000003384 imaging method Methods 0.000 claims abstract description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 claims 1
- 238000006731 degradation reaction Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 26
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013136 deep learning model Methods 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000008816 organ damage Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种无监督/半监督CT图像重建深度网络训练方法。首先获取CT扫描协议下的CT弦图数据以及CT设备的成像系统参数，数据中包括无标注低剂量CT弦图数据，及少量低剂量CT弦图数据对应有标注CT弦图数据。其中有标注CT弦图数据指已知低剂量数据对应高剂量的清晰CT弦图数据信息。分别构建无标注与有标注数据两个部分的损失函数并加权求和获得无监督/半监督网络总体损失函数，通过此损失函数引导训练去噪网络。仅利用无标注数据或仅少量利用有标注数据训练获得精度较高，速度较快的CT图像去噪网络的效果。本发明旨在建立弦图数据复原模型和深度学习模型相结合的方法，从而实现CT图像优质重建。
Description
技术领域
本发明属于图像处理技术领域，涉及医学影像的图像处理，特别涉及一种基于深度学习与误差建模框架融合的无监督/半监督CT图像重建深度网络训练方法。
背景技术
CT(电子计算机断层扫描)目前广泛被应用于临床医学影像诊断。但是剂量过高的X射线会对人体造成潜在危害，容易诱发恶性肿瘤，引起器官损伤等，因此，尽可能大幅降低X射线的使用剂量已经成为医学CT成像领域研究的关键技术之一，然而这往往会导致CT弦图数据中严重退化，出现严重噪声。
为了解决低剂量CT图像中包含的噪声问题，有两种常见的方法被提出，一种是对噪声进行建模并与先验部分共同构建最大后验模型的方法，一种是深度学习方法。
基于最大后验模型的方法在实际使用中精度较高，但是由于算法中的存在大量的迭代过程，因此计算代价较大，耗时较长(是深度学习去噪速度的几十甚至上百倍)，同时，由于这种方法每次只能处理一张CT图像，因此缺乏对共性特征的提取，这也限制了这种方法所能达到的最好效果。
基于深度学习的方法速度快，并且在由于大量精确有标注数据情况下效果较好，但是有标注数据获取成本高，对病人损伤大，因此实际应用中往往难以获取到大量有标注数据，并且由于有标注数据一般是由高剂量数据仿真得到对应低剂量数据，而对较低剂量CT弦图仿真过程本身也会引入大量噪声，而数据的噪声也会对网络的精度产生很大影响。总的来说，有标注数据的数量以及质量这两个因素都会限制深度学习在实际应用中性能。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种无监督/半监督CT图像重建深度网络训练方法，能充分利用无标注CT弦图数据，把大量无标注低剂量CT弦图图像有效放入网络训练，并可以利用有标注数据提升效果，是一种速度快，精度高的深度学习训练方法，其CT弦图去噪更快，且所获重建CT图像成像质量更好。
为了实现上述目的，本发明采用的技术方案是：
一种无监督/半监督CT图像重建深度网络训练方法，包括如下步骤：
步骤S1：获取CT扫描协议下的CT弦图数据及参数，包括无标注低剂量CT弦图数据(如果有少量有标注CT弦图数据会帮助进一步提升效果)，初始化网络结构与网络参数；
步骤S2：确定有标注数据损失函数(如无有标注数据则略过该步骤)；
步骤S3：确定无标注数据损失函数；
步骤S4：以步骤S1获得的CT弦图数据为输入，应用步骤S2及S3构造的有标注及无标注数据损失函数加权相加作为网络的损失函数，通过梯度下降法更新网络参数；
步骤S5：根据步骤S4更新得到的深度网络对CT图像进行去噪处理，并对去噪后的CT弦图数据采用滤波反投影算法进行CT图像重建，得到输出结果。
所述步骤S1中获取的CT设备的成像系统参数包括X射线入射光子强度I0、系统电子噪声的方差
所述步骤S2中，有标注投影数据的损失函数为：
loss＝‖fθ(x)-ytrue‖2 (1)
其中θ为网络参数，fθ(x)为网络输出的CT弦图数据，ytrue是对应的高剂量CT弦图数据；
所述步骤S3中，根据弦图复原模型可以定义无标注CT弦图数据的损失函数：
其中θ为网络参数，fθ(x)为网络输出的CT弦图数据，p为感受器上观测的原始投影数据，I为到达感受器的X射线光子强度，I0为X射线入射光子强度，pi、Ii、fθ(x)i分别代表第i个数据点上对应的数据，ε为系统电子噪声，D2是二阶差商矩阵，k为CT弦图数据二阶TV稀疏先验系数，‖*‖1代表L1-范数。
所述步骤S4中构建的网络损失函数为如下完整形式：
其中ytrue为有标注数据集中的高剂量弦图数据，C1为无标注数据集，C2为有标注数据集，λ为无标注数据损失函数与有标注数据损失函数的权重比，两类数据的损失函数加权相加，形成无监督/半监督网络损失函数，其中无监督情况下，λ＝0，半监督情况下，λ≠0，为L2-范数，代表均方误差损失函数；
所述步骤S4采用交替优化算法最小化网络损失函数，具体步骤包括：
S4.1)给出损失函数：
S4.2)建立交替优化算法的迭代格式与终止条件：
迭代格式为:
迭代终止条件可通过设计最大迭代次数或保证目标函数的下降量上限值确定；
S4.3)对问题(5)、(6)进行求解，给出迭代的具体算式；
S4.4)设置迭代的初始值设置为：θ0为网络参数随机初始化，I0＝round(p)，其中，round(·)为取整函数，p为步骤S1所获得的投影数据。
S4.5)进行(5)、(6)的迭代运算，直到满足终止条件，得到更新后的网络参数θ。
所述的(5)式即求解如下的问题：
其解Ik+1的任意分量满足
其中，(8)式即：
因此，通过下面两步来求解问题(9)
S5.1)将Ik中不满足(9)式第一个不等式的分量，以步长1不停下降，直到满足(9)式第一个不等式，作为Ik+1的对应分量；
S5.2)将Ik中不满足(9)式第二个不等式的分量，以步长1不停上升，直到满足(9)式第二个不等式，作为Ik+1的对应分量。
所述的(6)式即求如下的问题：
通过adam优化器实现梯度下降，得到网络参数θ。
步骤S5采用步骤S4更新得到的网络对CT弦图进行去噪，并采用滤波反投影算法进行迭代重建得到CT图像。
本发明相比于现有方法，速度更快，成像质量更高，同时避免了较难获取的有标注数据的采集过程，实用性大大增加。
附图说明
利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。
图1为本发明的流程图。
图2(a)为实例1中使用的高剂量(近似不含噪)CT弦图数据图像；图2(b)为实例1中所使用的高剂量(近似不含噪)CT弦图数据投影重建的CT图像。
图3(a)为原始低剂量CT(含噪)弦图数据投影重建的CT图像，图3(b)为利用实例1方法重建的CT图像。
图4(a)为低剂量情形下(含噪)弦图数据图像；图4(b)为实例1方法估计的弦图数据图像。
图5为弦图数据的近似分片平面先验展示。左上角为灰度图展示，右上角为红框处图像的放大图。可以看出，弦图数据可以较好地近似若干平面的拼合。
具体实施方式
结合以下实例对本发明作进一步描述。
实施例1：
采用"2016Low-dose CT Grand Challenge datasets"网站提供的真实病人CT数据作为本发明的实验数据来源。其中我们只使用50张剂量为10mAs的低剂量CT数据作为我们的实验训练数据(不包含预测数据)。选择弦图的二阶TV稀疏特性(如图5所示)为先验，参考图1，本发明依次包括如下步骤：
步骤S1：获取CT扫描协议下无标注低剂量投影数据(这里采用50张剂量为10mAs的低剂量CT弦图数据)，初始化网络结构与网络参数；
步骤S2：由于缺失有标注数据，故略过此步骤；
步骤S3：确定无标注数据相应的损失函数，表达式为：
其中θ为网络参数，fθ(x)为网络输出的CT弦图数据，p为感受器上观测的原始投影数据，I为到达感受器的X射线光子强度，I0为X射线入射光子强度，pi、Ii、fθ(x)i分别代表第i个数据点上对应的数据，ε为系统电子噪声，D2是二阶差商矩阵，k为CT弦图数据二阶TV稀疏先验系数，‖*‖1代表L1-范数；
步骤S4：以步骤S1获得的CT弦图数据为输入，应用步骤S3构造的损失函数，更新网络参数θ；
求解过程采用如下迭代格式：
(3)式即求解如下的问题：
可以通过下面两步来求解问题(5)
其解Ik+1的任意分量满足
其中，(8)式即：
S3.1)将Ik中不满足(6)式第一个不等式的分量，以步长1不停下降，直到满足(6)式第一个不等式，作为Ik+1的对应分量；
S3.2)将Ik中不满足(6)式第二个不等式的分量，以步长1不停上升，直到满足(6)式第二个不等式，作为Ik+1的对应分量。
(4)式即求如下的问题：
通过adam优化器实现梯度下降，得到网络参数θ。
设置迭代的初始值设置为：设置迭代的初始值设置为：θ0为网络参数随机初始化，I0＝round(p)，其中，round(·)为取整函数，p为步骤S1所获得的投影数据。
迭代终止条件为达到最大迭代步数。
步骤S5：根据步骤S4更新得到的网络对CT弦图数据进行去噪处理，并对去噪后的CT弦图数据采用滤波反投影算法进行CT图像重建，得到输出结果。
图2为(a)实例1中使用的高剂量(近似不含噪)CT弦图数据图像；(b)实例1中所使用的高剂量(近似不含噪)CT弦图数据投影重建的CT图像，图像右下角矩形框中的图像为原图矩形框中图像提高对比度并放大三倍的结果。
图3(a)为原始低剂量CT(含噪)弦图数据投影重建的CT图像，图3(b)为利用实例1方法重建的CT图像，图像右下角矩形框中的图像为原图矩形框中图像提高对比度并放大三倍的结果。
图4(a)为低剂量情形下(含噪)弦图数据图像；图4(b)为实例1方法估计的弦图数据图像。
可以看出，实例1方法估计的弦图数据图像有效的去除了大部分噪点，经过反投影后的CT图像明显去处了大部分伪影。
实施例2：
采用"2016Low-dose CT Grand Challenge datasets"网站提供的真实病人CT数据作为本发明的实验数据来源。其中我们使用50张剂量为10mAs的低剂量CT数据，10对剂量为(10mAs，200mAs)的CT弦图数据对作为我们的实验训练数据(不包含预测数据)。选择弦图的二阶TV稀疏特性(如图5所示)为先验，参考图1，本发明依次包括如下步骤:
步骤S1：获取CT扫描协议下无标注低剂量CT弦图数据(这里采用50张剂量为10mAs的低剂量CT数据，10对剂量为(10mAs，200mAs)的CT弦图数据对)，初始化网络结构与网络参数；
步骤S2：确定有标注数据相应的损失函数，表达式为：
loss＝‖fθ(x)-ytrue‖2 (1)
步骤S3：确定无标注数据相应的损失函数，表达式为：
其中θ为网络参数，fθ(x)为网络输出的CT弦图数据，p为感受器上观测的原始投影数据，I为到达感受器的X射线光子强度，I0为X射线入射光子强度，pi、Ii、fθ(x)i分别代表第i个数据点上对应的数据，ε为系统电子噪声，D2是二阶差商矩阵，k为CT弦图数据二阶TV稀疏先验系数，‖*‖1代表L1-范数。
步骤S4：构建的半监督网络损失函数为如下完整形式：
求解过程采用如下迭代格式:
A.(4)式即求解如下的问题：
可以通过下面两步来求解问题(6)
其解Ik+1的任意分量满足
其中，(7)式即：
S4.1)将Ik中不满足(8)式第一个不等式的分量，以步长1不停下降，直到满足(8)式第一个不等式，作为Ik+1的对应分量；
S4.2)将Ik中不满足(8)式第二个不等式的分量，以步长1不停上升，直到满足(8)式第二个不等式，作为Ik+1的对应分量。
B.(5)式即求如下的问题：
通过adam优化器实现梯度下降，得到网络参数θ。
设置迭代的初始值设置为：θ0为网络参数随机初始化， I0＝round(p)，其中，round(·)为取整函数，p为步骤S1所获得的投影数据。
迭代终止条件为达到最大迭代步数。
步骤S5：根据步骤S4更新得到的网络对CT弦图数据进行去噪处理，并对去噪后的CT弦图数据采用滤波反投影算法进行CT图像重建，得到输出结果。
Claims (9)
1.一种无监督/半监督CT图像重建深度网络训练方法，其特征在于，包括如下步骤：
步骤S1：获取CT扫描协议下的CT弦图数据及成像系统参数，所述CT弦图数据包括无标注低剂量CT弦图数据，初始化网络结构与网络参数；
步骤S2：获取的CT弦图数据中，如还包括有标注CT弦图数据，则确定有标注数据损失函数，否则略过本步骤；
步骤S3：确定无标注数据损失函数；
步骤S4：以步骤S1获得的CT弦图数据为输入，应用步骤S2及S3构造的有标注及无标注数据损失函数加权相加，构建无监督/半监督网络损失函数，通过梯度下降法更新网络参数；
步骤S5：根据步骤S4更新得到的网络对CT图像进行去噪处理，并对去噪后的CT弦图数据采用滤波反投影算法进行CT图像重建，得到输出结果。
2.根据权利要求1所述无监督/半监督CT图像重建深度网络训练方法，其特征在于，所述步骤S1中获取的CT设备的成像系统参数包括X射线入射光子强度I0和系统电子噪声的方差
3.根据权利要求1所述无监督/半监督CT图像重建深度网络训练方法，其特征在于，所述步骤S2中，有标注数据损失函数为：
loss＝‖fθ(x)-ytrue‖2 (1)
其中θ为网络参数，x为网络输入的CT弦图数据，fθ(x)为网络输出的CT弦图数据，ytrue是对应的高剂量CT弦图数据。
4.根据权利要求1所述无监督/半监督CT图像重建深度网络训练方法，其特征在于，所述步骤S3中，根据弦图复原模型，定义无标注数据损失函数：
其中θ为网络参数，fθ(x)为网络输出的CT弦图数据，p为感受器上观测的原始投影数据，I为到达感受器的X射线光子强度，I0为X射线入射光子强度，pi、Ii、fθ(x)i分别代表第i个数据点上对应的数据，ε为系统电子噪声，D2是二阶差商矩阵，k为CT弦图数据二阶TV稀疏先验系数，‖*‖1代表L1-范数。
5.根据权利要求1至4任一权利要求所述无监督/半监督CT图像重建深度网络训练方法，其特征在于，所述步骤S4中构建的无监督/半监督网络损失函数为如下完整形式：
其中ytrue为有标注数据集中的高剂量弦图数据，C1为无标注数据集，C2为有标注数据集，λ为无标注数据损失函数与有标注数据损失函数的权重比，两类数据的损失函数加权相加，形成无监督/半监督网络损失函数，其中无监督情况下，λ＝0，半监督情况下，λ≠0，为L2-范数，代表均方误差损失函数。
6.根据权利要求5所述无监督/半监督CT图像重建深度网络训练方法，其特征在于，所述步骤S4采用交替优化算法最小化无监督/半监督网络损失函数，具体步骤包括：
S4.1)给出损失函数：
S4.2)建立交替优化算法的迭代格式与终止条件：
迭代格式为：
迭代终止条件通过设计最大迭代次数确定；
S4.3)对公式(5)和(6)进行求解，给出迭代的具体算式；
S4.4)设置迭代的初始值设置为：θ0为随机初始化的网络参数，I0＝round(p)，其中，round(·)为取整函数，p为感受器上观测的原始投影数据；
S4.5)进行S4.2)迭代格式的迭代运算，直到满足终止条件，得到更新后的网络参数θ。
7.根据权利要求6所述无监督/半监督CT图像重建深度网络训练方法，其特征在于：所述的公式(5)，即求解如下的问题：
其解Ik+1的任意分量满足
其中，(8)式即：
因此，通过以下两步来求解问题(9)
S5.1)将Ik中不满足(9)式第一个不等式的分量，以步长1不停下降，直到满足(9)式第一个不等式，作为Ik+1的对应分量；
S5.2)将Ik中不满足(9)式第二个不等式的分量，以步长1不停上升，直到满足(9)式第二个不等式，作为Ik+1的对应分量。
8.根据权利要求7所述无监督/半监督CT图像重建深度网络训练方法，其特征在于：所述的(6)式即求如下的问题：
通过adam优化器实现梯度下降，经过一定次数的梯度回传后，得到训练好的网络，及对应的网络参数θ。
9.根据权利要求1所述无监督/半监督CT图像重建深度网络训练方法，其特征在于：所述的步骤S5采用步骤S4中更新得到的网络对低剂量CT弦图数据进行去噪，并采用滤波反投影算法，对去噪后的CT弦图数据进行重建得到CT图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810798715.4A CN109035169B (zh) | 2018-07-19 | 2018-07-19 | 一种无监督/半监督ct图像重建深度网络训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810798715.4A CN109035169B (zh) | 2018-07-19 | 2018-07-19 | 一种无监督/半监督ct图像重建深度网络训练方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109035169A true CN109035169A (zh) | 2018-12-18 |
| CN109035169B CN109035169B (zh) | 2020-06-12 |
Family
ID=64643688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810798715.4A Active CN109035169B (zh) | 2018-07-19 | 2018-07-19 | 一种无监督/半监督ct图像重建深度网络训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109035169B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886342A (zh) * | 2019-02-26 | 2019-06-14 | 视睿（杭州）信息科技有限公司 | 基于机器学习的模型训练方法和装置 |
| CN109924949A (zh) * | 2019-03-05 | 2019-06-25 | 北京工业大学 | 一种基于卷积神经网络的近红外光谱断层成像重建方法 |
| CN109934281A (zh) * | 2019-03-08 | 2019-06-25 | 电子科技大学 | 一种二分类网络的非监督训练方法 |
| CN110097611A (zh) * | 2019-04-28 | 2019-08-06 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置、设备及存储介质 |
| CN110415311A (zh) * | 2019-07-29 | 2019-11-05 | 上海联影医疗科技有限公司 | Pet图像重建方法、系统、可读存储介质和设备 |
| CN111583321A (zh) * | 2019-02-19 | 2020-08-25 | 富士通株式会社 | 图像处理装置、方法及介质 |
| CN112330575A (zh) * | 2020-12-03 | 2021-02-05 | 华北理工大学 | 一种卷积神经网络医学ct图像去噪方法 |
| CN112634255A (zh) * | 2020-12-30 | 2021-04-09 | 清华大学 | 脑部病灶检测模型的建立方法、装置以及计算机设备 |
| CN113065662A (zh) * | 2020-01-02 | 2021-07-02 | 阿里巴巴集团控股有限公司 | 数据处理方法、自学习系统及电子设备 |
| CN113723649A (zh) * | 2020-05-25 | 2021-11-30 | 中国石油化工股份有限公司 | 基于半监督模型的化工工艺异常监控方法及模型优化方法 |
| CN113781461A (zh) * | 2021-09-16 | 2021-12-10 | 人工智能与数字经济广东省实验室(广州) | 一种病人智能监控排序方法 |
| WO2022011690A1 (zh) * | 2020-07-17 | 2022-01-20 | 深圳高性能医疗器械国家研究院有限公司 | 一种自监督学习方法及应用 |
| CN114037059A (zh) * | 2021-11-05 | 2022-02-11 | 北京百度网讯科技有限公司 | 预训练模型、模型的生成方法、数据处理方法及装置 |
| CN115471662A (zh) * | 2022-11-03 | 2022-12-13 | 深圳比特微电子科技有限公司 | 语义分割模型的训练方法、识别方法、装置和存储介质 |
| CN117274080A (zh) * | 2023-09-13 | 2023-12-22 | 西安交通大学 | 一种低剂量ct弦图恢复方法及相关装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810735A (zh) * | 2014-02-28 | 2014-05-21 | 南方医科大学 | 一种低剂量x射线ct图像统计迭代重建方法 |
| CN104574416A (zh) * | 2015-01-27 | 2015-04-29 | 南方医科大学 | 一种低剂量能谱ct图像去噪方法 |
| CN106600568A (zh) * | 2017-01-19 | 2017-04-26 | 沈阳东软医疗系统有限公司 | 一种低剂量ct图像去噪方法及装置 |
| CN106780641A (zh) * | 2016-11-14 | 2017-05-31 | 西安交通大学 | 一种低剂量x射线ct图像重建方法 |
-
2018
- 2018-07-19 CN CN201810798715.4A patent/CN109035169B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810735A (zh) * | 2014-02-28 | 2014-05-21 | 南方医科大学 | 一种低剂量x射线ct图像统计迭代重建方法 |
| CN104574416A (zh) * | 2015-01-27 | 2015-04-29 | 南方医科大学 | 一种低剂量能谱ct图像去噪方法 |
| CN106780641A (zh) * | 2016-11-14 | 2017-05-31 | 西安交通大学 | 一种低剂量x射线ct图像重建方法 |
| CN106600568A (zh) * | 2017-01-19 | 2017-04-26 | 沈阳东软医疗系统有限公司 | 一种低剂量ct图像去噪方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| KANG EUNHEE ET AL.: "A deep convolutional neural network using directional wavelets for low-dose X-ray CT reconstruction", 《MEDICAL PHYSICS》 * |
| 刘冰 等: "面对高光谱影像分类的半监督阶梯网络", 《测绘科学技术学报》 * |
| 章云港 等: "基于卷积神经网络的低剂量CT图像去噪方法", 《光学学报》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583321A (zh) * | 2019-02-19 | 2020-08-25 | 富士通株式会社 | 图像处理装置、方法及介质 |
| CN109886342A (zh) * | 2019-02-26 | 2019-06-14 | 视睿（杭州）信息科技有限公司 | 基于机器学习的模型训练方法和装置 |
| CN109924949A (zh) * | 2019-03-05 | 2019-06-25 | 北京工业大学 | 一种基于卷积神经网络的近红外光谱断层成像重建方法 |
| CN109934281A (zh) * | 2019-03-08 | 2019-06-25 | 电子科技大学 | 一种二分类网络的非监督训练方法 |
| US11593977B2 (en) | 2019-04-28 | 2023-02-28 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image reconstruction in positron emission tomography |
| CN110097611B (zh) * | 2019-04-28 | 2023-09-22 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置、设备及存储介质 |
| CN110097611A (zh) * | 2019-04-28 | 2019-08-06 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置、设备及存储介质 |
| CN110415311A (zh) * | 2019-07-29 | 2019-11-05 | 上海联影医疗科技有限公司 | Pet图像重建方法、系统、可读存储介质和设备 |
| CN110415311B (zh) * | 2019-07-29 | 2024-04-16 | 上海联影医疗科技股份有限公司 | Pet图像重建方法、系统、可读存储介质和设备 |
| CN113065662A (zh) * | 2020-01-02 | 2021-07-02 | 阿里巴巴集团控股有限公司 | 数据处理方法、自学习系统及电子设备 |
| CN113723649A (zh) * | 2020-05-25 | 2021-11-30 | 中国石油化工股份有限公司 | 基于半监督模型的化工工艺异常监控方法及模型优化方法 |
| WO2022011690A1 (zh) * | 2020-07-17 | 2022-01-20 | 深圳高性能医疗器械国家研究院有限公司 | 一种自监督学习方法及应用 |
| CN112330575A (zh) * | 2020-12-03 | 2021-02-05 | 华北理工大学 | 一种卷积神经网络医学ct图像去噪方法 |
| CN112634255B (zh) * | 2020-12-30 | 2022-12-02 | 清华大学 | 脑部病灶检测模型的建立方法、装置以及计算机设备 |
| CN112634255A (zh) * | 2020-12-30 | 2021-04-09 | 清华大学 | 脑部病灶检测模型的建立方法、装置以及计算机设备 |
| CN113781461A (zh) * | 2021-09-16 | 2021-12-10 | 人工智能与数字经济广东省实验室(广州) | 一种病人智能监控排序方法 |
| CN114037059A (zh) * | 2021-11-05 | 2022-02-11 | 北京百度网讯科技有限公司 | 预训练模型、模型的生成方法、数据处理方法及装置 |
| CN115471662A (zh) * | 2022-11-03 | 2022-12-13 | 深圳比特微电子科技有限公司 | 语义分割模型的训练方法、识别方法、装置和存储介质 |
| CN117274080A (zh) * | 2023-09-13 | 2023-12-22 | 西安交通大学 | 一种低剂量ct弦图恢复方法及相关装置 |
| CN117274080B (zh) * | 2023-09-13 | 2024-04-12 | 西安交通大学 | 一种低剂量ct弦图恢复方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109035169B (zh) | 2020-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035169A (zh) | 一种无监督/半监督ct图像重建深度网络训练方法 | |
| Chen et al. | LEARN: Learned experts’ assessment-based reconstruction network for sparse-data CT | |
| Kang et al. | Cycle‐consistent adversarial denoising network for multiphase coronary CT angiography | |
| JP6581104B2 (ja) | データ及びモデルを用いた画像再構成ならびに補正のためのシステム及び方法 | |
| CN106846430B (zh) | 一种图像重建方法 | |
| CN110288609B (zh) | 一种注意力机制引导的多模态全心脏图像分割方法 | |
| CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
| CN108898642A (zh) | 一种基于卷积神经网络的稀疏角度ct成像方法 | |
| Liu et al. | Deep learning with noise‐to‐noise training for denoising in SPECT myocardial perfusion imaging | |
| Luo et al. | A novel left ventricular volumes prediction method based on deep learning network in cardiac MRI | |
| CN105678821B (zh) | 一种基于自编码器图像融合的动态pet图像重建方法 | |
| Khalafvand et al. | Three‐dimensional CFD/MRI modeling reveals that ventricular surgical restoration improves ventricular function by modifying intraventricular blood flow | |
| CN106491151A (zh) | Pet图像获取方法及系统 | |
| CN109993808B (zh) | 一种基于dsn的动态双示踪pet重建方法 | |
| CN106204674A (zh) | 基于结构字典和动力学参数字典联合稀疏约束的动态pet图像重建方法 | |
| Song et al. | Low-dose cardiac-gated spect studies using a residual convolutional neural network | |
| Xia et al. | Physics-/model-based and data-driven methods for low-dose computed tomography: A survey | |
| WO2023134030A1 (zh) | 一种基于流模型的pet系统衰减校正方法 | |
| Feng et al. | Dual residual convolutional neural network (DRCNN) for low-dose CT imaging | |
| Niu et al. | Noise entangled GAN for low-dose CT simulation | |
| Liu et al. | MRCON-Net: Multiscale reweighted convolutional coding neural network for low-dose CT imaging | |
| Du et al. | X-ray CT image denoising with MINF: A modularized iterative network framework for data from multiple dose levels | |
| Abdalah et al. | Reconstruction of 4-D dynamic SPECT images from inconsistent projections using a spline initialized FADS algorithm (SIFADS) | |
| CN105976412B (zh) | 一种基于离线字典稀疏正则化的低管电流强度扫描的ct图像重建方法 | |
| Zeng | Emission expectation maximization look‐alike algorithms for x‐ray CT and other applications |
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: 20230428 Address after: Room 1507, No. 9, Zhifeng Street, Huangpu District, Guangzhou City, Guangdong Province, 510555 Patentee after: Guangzhou Benying Medical Technology Co.,Ltd. Address before: Beilin District Xianning West Road 710049, Shaanxi city of Xi'an province No. 28 Patentee before: XI'AN JIAOTONG University |