CN109949215B - 一种低剂量ct图像模拟方法 - Google Patents
一种低剂量ct图像模拟方法 Download PDFInfo
- Publication number
- CN109949215B CN109949215B CN201910248006.3A CN201910248006A CN109949215B CN 109949215 B CN109949215 B CN 109949215B CN 201910248006 A CN201910248006 A CN 201910248006A CN 109949215 B CN109949215 B CN 109949215B
- Authority
- CN
- China
- Prior art keywords
- dose
- low
- network
- original
- image data
- 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.)
- Active
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种低剂量CT图像模拟方法，包括获取非一一对应的原始高剂量CT图像和原始低剂量CT图像；对所述原始CT图像进行预处理，分别得到相应的原始CT图像数据；构建由生成网络和判别网络构成的CT图像模拟网络模型，并初始化网络参数；将所述原始CT图像数据输入所述CT图像模拟网络模型，交替训练所述生成网络和判别网络，直至得到网络的最优参数并保存；向设置为最优参数的所述低剂量CT图像模拟网络模型输入高剂量CT图像，即可生成与所述高剂量CT图像一一对应的模拟低剂量CT图像。本发明得到与原始高剂量CT图像一一对应的低剂量CT图像，可以为CT重建、校正等算法的开发提供数据，以便进行训练、对比、验证、算法优化等工作。
Description
技术领域
本发明涉及一种医学影像设备技术领域，尤其涉及一种低剂量CT图像模拟方法。
背景技术
电子计算机断层扫描（Computed Tomography，CT）具有扫描时间快，图像清晰等特点，可用于多种疾病的检查，已经成为医院中最重要的检查工具之一，CT扫描中的辐射问题也受到了越来越广泛的关注。因此，发展能够在CT扫描检测中减少对患者辐射剂量的新技术已经成为医学领域的迫切需求。
目前已有大量研究把卷积神经网络、生成对抗神经网络等深度学习方法运用到了低剂量CT图像重建中，并取得了良好的效果。这些深度学习方法在训练时要求训练数据（低剂量CT图像）和标签（高剂量CT图像）必须是一一对应的，但是在医学临床中符合这样要求的数据几乎不可能得到。因此，急需一种使用高剂量CT图像模拟出具有真实低剂量CT图像特征的低剂量CT图像的方法。
传统研究主要有以下几种方法：（1）在高剂量图片的基础上，直接添加泊松或高斯噪声，得到含噪声的低剂量图像；（2）在高剂量图片的基础上，利用解析正投方法得到含噪声的投影数据，并在此数据上进行反投重建，得到低剂量的图像；（3）以高剂量图片形成的3D图像为模体，输入到蒙特卡罗模拟器来生成投影数据，并在此数据上进行反投重建，得到低剂量的图像。
发明人在研究的时候，发现传统方法至少存在以下问题：1、添加的低剂量图像的噪声或者特征单一，无法模拟实际系统情况；2、模拟时间长（20节点的CPU电脑的模拟时间一般需要几天到十几天），参数调节困难。
发明内容
本发明要解决的技术问题，在于提供一种低剂量CT图像模拟方法，采用深度学习网络模型，自动捕获低剂量CT图像特征，将高剂量CT图像快速准确地转化为与之对应的低剂量CT图像。
本发明具体包括如下步骤：
一种低剂量CT图像模拟方法，包括如下步骤：
步骤10、获取非一一对应的原始高剂量CT图像和原始低剂量CT图像；
步骤20、对所述原始高剂量CT图像和原始低剂量CT图像进行预处理，分别得到原始高剂量CT图像数据和原始低剂量CT图像数据；
步骤30、构建由低剂量生成网络、高剂量生成网络、低剂量判别网络和高剂量判别网络构成的CT图像模拟网络模型，并初始化网络参数；
步骤40、将所述原始高剂量CT图像数据和原始低剂量CT图像数据输入所述CT图像模拟网络模型，交替训练所述生成网络和判别网络，直至得到网络模型的最优参数并保存；
步骤50、向设置为最优参数的所述低剂量CT图像模拟网络模型输入高剂量CT图像，即可生成与所述高剂量CT图像一一对应的模拟低剂量CT图像。
进一步的，所述“非一一对应的原始高剂量CT图像和原始低剂量CT图像”包括不同人体同一部位的原始高剂量CT图像和原始低剂量CT图像，以及同一人体同一部位的原始高剂量CT图像和原始低剂量CT图像。
进一步的，对所述原始高剂量CT图像和原始低剂量CT图像切割成设定大小的图像块，然后将CT值进行归一化，分别得到原始高剂量CT图像数据和原始低剂量CT图像数据。
进一步的，构建由低剂量生成网络、高剂量生成网络、低剂量判别网络和高剂量判别网络构成的CT图像模拟网络模型；所述低剂量生成网络用于将原始高剂量CT图像数据生成模拟低剂量CT图像数据，所述高剂量生成网络用于将原始低剂量CT图像数据生成模拟高剂量CT图像数据，所述低剂量判别网络用于计算所述原始低剂量CT图像数据与模拟低剂量CT图像数据的损失，所述高剂量判别网络用于计算所述原始高剂量CT图像数据与所述模拟高剂量CT图像数据的损失；所述生成网络和判别网络的参数随机初始化设置成-1到1之间的任意实数。
进一步的，所述步骤40具体为：
步骤41、随机选取原始高剂量CT图像数据通过低剂量生成网络得到生成低剂量CT图像数据；
步骤42、随机选取原始低剂量CT图像数据通过高剂量生成网络得到生成高剂量CT图像数据；
步骤43、将所述原始高剂量CT图像数据与所述生成高剂量CT图像数据输入高剂量判别网络，通过公式1计算损失Ladv1:
Ladv1=E[(DA(A)-1)2]+
E[DA(GBA(B))2] 公式1
其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，DA是高剂量判别网络，GBA是高剂量生成网络；
步骤44、将所述原始低剂量CT图像数据与所述生成低剂量CT图像数据输入低剂量判别网络，通过公式2计算损失Ladv2，
Ladv2=E[(DB(B)-1)2]+
E[DB(GAB(A))2] 公式2
其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，DB是低剂量判别网络，GAB是低剂量生成网络；
步骤45、通过公式3计算低剂量生成网络的损失LossGAB，
LossGAB=E[||GBA(GAB(A))-A||1]+E[DA(GBA(B))-1)2] 公式3
其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，DA是高剂量判别网络，GAB是低剂量生成网络；GBA是高剂量生成网络；
步骤46、通过公式4计算高剂量生成网络的损失LossGBA，
LossGBA=E[||GAB(GBA(B))-B||1]+E[DB(GAB(A))-1)2] 公式4
其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，DB是低剂量判别网络，GAB是低剂量生成网络；GBA是高剂量生成网络；
步骤47、更新训练网络的参数并重复以上步骤，直至Ladv1、Ladv2、LossGAB和LossGBA均达到最小值时，将低剂量生成网络、高剂量生成网络、低剂量判别网络和高剂量判别网络的参数作为最优参数并保存。
本发明具有如下优点：
1、由于采用了基于大数据的深度学习网络模型，能够捕获低剂量CT图像特征并根据这些特征自动将高剂量CT图像转化为与之一一对应的模拟低剂量CT图像，所生成的低剂量CT图像能够模拟实际系统情况，解决了传统方法无法模拟实际系统情况的问题；
2、由于采用了基于大数据的深度学习网络模型，参数根据计算出来的损失自动更新，在训练结束后即可使用最优参数生成模拟低剂量CT图像，无需采用3D图像为模体、算法简单、无需反投重建、效率大为提高，解决了传统方法模拟时间长，参数调节困难的问题。
附图说明
下面参照附图结合实施例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为本发明实施例低剂量CT图像模拟方法的流程图；
图2为本发明实施例CT图像模拟网络模型结构示意图。
具体实施方式
请参阅图1至2，本发明实施例是这样实现的：
一种低剂量CT图像模拟方法，包括如下步骤：
步骤10、获取非一一对应的原始高剂量CT图像和原始低剂量CT图像；
所述“非一一对应的原始高剂量CT图像和原始低剂量CT图像”包括不同人体同一部位的原始高剂量CT图像和原始低剂量CT图像，以及同一人体同一部位的原始高剂量CT图像和原始低剂量CT图像（在临床上，因为人体位置的偏差以及人体内器官的偏差，同一个人体在不同时间拍摄的高剂量CT图像和低剂量CT图像也不是完全一一对应的）。原始高剂量CT图像和原始低剂量CT图像对应同一个身体部位，即可满足CT图像模拟网络模型的训练条件。
步骤20、对所述原始高剂量CT图像和原始低剂量CT图像进行预处理，分别得到原始高剂量CT图像数据和原始低剂量CT图像数据；
在一较佳实施例中，对所述原始高剂量CT图像和原始低剂量CT图像切割成设定大小的图像块（比如原始高剂量CT图像大小为512×512，可以设定切割后每张图像块的大小为64×64，或者其他尺寸的图像块，图像块的大小可根据需要选择）。由于数字图像可以表示为矩阵的形式，所以在数字图像处理程序中，通常用二维数组来存放图像数据（在CT图像中，二维数组中的数即为CT值），将图像块中的CT值进行归一化（比如用min-max和Z-score等方法进行归一化），分别得到原始高剂量CT图像数据和原始低剂量CT图像数据。由于基于大数据的神经网络训练需要海量的训练数据，可以根据需要通过设置一定的步长将CT图像切割成设定大小的图像块，使训练数据的数量增加为原CT图像数量的数百倍甚至数千倍，而且使用小尺寸的图像块训练网络可以降低训练网络对电脑配置的要求。
步骤30、构建由低剂量生成网络、高剂量生成网络、低剂量判别网络和高剂量判别网络构成的CT图像模拟网络模型，并初始化网络参数；
在一较佳实施例中，构建由低剂量生成网络GNormalToLow、高剂量生成网络GLowToNormal、低剂量判别网络DLow和高剂量判别网络DNormal构成的CT图像模拟网络模型；所述低剂量生成网络GNormalToLow用于将原始高剂量CT图像数据生成模拟低剂量CT图像数据，所述高剂量生成网络GLowToNormal用于将原始低剂量CT图像数据生成模拟高剂量CT图像数据。所述低剂量判别网络DLow用于计算所述原始低剂量CT图像数据与模拟低剂量CT图像数据的损失（用于判别所述模拟低剂量CT图像数据和原始低剂量CT图像数据是否来自于同一数据分布），所述高剂量判别网络DNormal用于计算所述原始高剂量CT图像数据与所述模拟高剂量CT图像数据的损失（用于判别所述模拟高剂量CT图像数据和原始高剂量CT图像数据是否来自于同一数据分布），所述生成网络和判别网络的参数随机初始化设置成-1到1之间的任意实数。
本实施例的网络模型构建是基于Cycle-GAN深度学习模型方法，Cycle-GAN是一个从一个域（比如高剂量域）到另一个域（比如低剂量域）的单向GAN，加上一个域（比如低剂量域）到另一个域（比如高剂量域）的单向GAN。低剂量生成网络GNormalToLow和高剂量生成网络GLowToNormal的网络结构一致，均采用类U-Net模型，DNormal和DLow的网络结构一致，均采用PatchGAN模型来实现局部判断。DNormal用于计算所述原始高剂量CT图像数据与模拟高剂量CT图像数据的损失，用于判别模拟高剂量CT图像数据和原始高剂量CT图像数据是否来自于同一数据分布，并为低剂量生成网络GNormalToLow参数的更新提供依据；DLow用于计算所述原始低剂量CT图像数据与模拟低剂量CT图像数据的损失，用于判别模拟低剂量CT图像数据和原始低剂量CT图像数据是否来自与同一数据分布，并为高剂量生成网络GLowToNormal参数的更新提供依据。
步骤40、将所述原始高剂量CT图像数据和原始低剂量CT图像数据输入所述CT图像模拟网络模型，交替训练所述生成网络和判别网络，直至得到网络模型的最优参数并保存；
在一较佳实施例中，可参阅图2，所述步骤40具体为：
步骤41、随机选取原始高剂量CT图像数据通过低剂量生成网络GNormalToLow得到生成低剂量CT图像数据；
步骤42、随机选取原始低剂量CT图像数据通过高剂量生成网络GLowToNormal得到生成高剂量CT图像数据；
步骤43、将所述原始高剂量CT图像数据与所述生成高剂量CT图像数据输入高剂量判别网络，通过公式1计算损失Ladv1:
Ladv1=E[(DA(A)-1)2]+
E[DA(GBA(B))2] 公式1
其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，DA是高剂量判别网络DNormal，GBA是高剂量生成网络GLowToNormal；
损失Ladv1用来量化原始高剂量CT图像数据与生成高剂量CT图像数据的误差，如果误差非常接近于0，则生成的高剂量CT图像十分逼近原始高剂量CT图像。
步骤44、将所述原始低剂量CT图像数据与所述生成低剂量CT图像数据输入低剂量判别网络，通过公式2计算损失Ladv2，
Ladv2=E[(DB(B)-1)2]+
E[DB(GAB(A))2] 公式2
其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，DB是低剂量判别网络DLow，GAB是低剂量生成网络GNormalToLow；
损失Ladv2用来量化原始低剂量CT图像数据与生成低剂量CT图像数据的误差，如果误差非常接近于0，则生成的低剂量CT图像十分逼近原始低剂量CT图像。
步骤45、通过公式3计算低剂量生成网络的损失LossGAB，
LossGAB=E[||GBA(GAB(A))-A||1]+E[DA(GBA(B))-1)2] 公式3
其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，DA是高剂量判别网络DNormal，GAB是低剂量生成网络GNormalToLow；GBA是高剂量生成网络GLowToNormal；
步骤46、通过公式4计算高剂量生成网络的损失LossGBA，
LossGBA=E[||GAB(GBA(B))-B||1]+E[DB(GAB(A))-1)2] 公式4
其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，DB是低剂量判别网络DLow，GAB是低剂量生成网络GNormalToLow；GBA是高剂量生成网络GLowToNormal；
其中E[||GBA(GAB(A))-A||1]用来计算原始高剂量CT图片经GAB（即低剂量生成网络GNormalToLow）和GBA（即高剂量生成网络GLowToNormal）二次模拟的高剂量图片与原始高剂量CT图片的损失cycle_loss1，E[||GAB(GBA(B))-B||1]用来计算原始低剂量CT图片经GBA和GAB二次模拟的低剂量图片与原始低剂量CT图片的损失cycle_loss2。在损失函数中加入cycle_loss1和cycle_loss2这两项损失有助于网络训练，使网络在训练过程中不至于崩溃，且可以尽快收敛，得到最优参数。
步骤47、更新训练网络的参数并重复以上步骤，直至Ladv1、Ladv2、LossGAB和LossGBA均达到最小值时，将低剂量生成网络、高剂量生成网络、低剂量判别网络和高剂量判别网络的参数作为最优参数并保存。
系统根据损失值通过Adam优化器自动更新参数，当Ladv1、Ladv2、LossGAB和LossGBA均达到最小值时（对神经网络进行多轮训练后，当各损失函数的值不再减小而是一直保持着同样的值时，即可停止训练，选取损失值最小的那轮参数值作为网络的最优参数），此时的网络损失达到最小，即原始高剂量CT图像数据与所述生成高剂量CT图像数据几乎没有区别，原始低剂量CT图像数据与所述生成低剂量CT图像数据几乎没有区别，记录此时GNormalToLow、GLowToNormal、DNormal和DLow网络对应的参数，即最优参数。
步骤50、向设置为最优参数的所述低剂量CT图像模拟网络模型输入高剂量CT图像，即可生成与所述高剂量CT图像一一对应的模拟低剂量CT图像。
低剂量生成网络GNormalToLow设置为最优参数后，实现生成低剂量CT图像与原始低剂量CT图像几乎没有区别。因此原始高剂量CT图像通过设置为最优参数的低剂量生成网络GNormalToLow即可生成符合真实低剂量CT图像特征的模拟低剂量CT图像。
本发明将深度学习技术用于低剂量CT图像模拟过程中，不仅可以提高生成低剂量CT图像的质量，而且可以提升生成低剂量CT图像的速度。本发明实施例基于Cycle-GAN网络模型进行说明，其它可以达到同样技术效果的深度学习网络模型还包括：DiscoGAN（Discover Cross-Domain Relations with GAN）、DualGAN（Unsupervised Dual LearningGAN）、UNIT（Unsupervised Image-to-Image Translation Networks）、MUNIT（MultimodalUnsupervised Image-to-Image Translation），这些深度学习网络模型均可以在没有成对训练数据的情况下，通过映射的方式构建低剂量CT图像和高剂量CT图像之间的相互映射关系，自动捕获低剂量CT图像的特征并将其转移到高剂量CT图像上，以实现高剂量CT图像向低剂量CT图像的转化。
DiscoGAN提出一个基于GAN的网络框架学习发现跨域关系(cross-domainrelation)，把寻找这种关系变成了一种风格的图片（比如高剂量CT图像）生成另一种风格的图片(比如低剂量CT图像)。
DualGAN能够用两组不同域的无标签图像来训练图像翻译器，该框架中主要包含两个GAN，一个GAN称为主要GAN，用来学习将图像从一个域（比如高剂量域）翻译到另一个域（比如低剂量域），另一个GAN称为对偶GAN，用来学习一个与主要GAN相反的过程，从而形成一个闭环。
UINT是基于VAE（Variational Autoencode）和GAN，由6个子网络组成，这六个子网络分别是：编码器E1和E2，生成器G1和G2，判别器D1和D2。来自不同分布的高剂量CT图像和低剂量CT图片有着相同的潜在码，编码器E1和E2分别负责把高剂量CT图片和低剂量CT图片编码成潜在码，生成器G1和G2负责把潜在码转换成高剂量CT图像和低剂量CT图像，判别器D1和D2负责评估生成图片的真假。
MUNIT是一种多无监督图像迁移网络框架，首先假设图像的潜在空间可以分解成为内容空间和风格空间（高剂量CT图像的潜在空间可以分解为内容空间和风格空间，低剂量CT图像的潜在空间也可以分解为内容空间和风格空间），进一步假设，不同领域的图像共享一个共同的内容空间，但不共享风格空间（即高剂量CT图像和低剂量CT图像共享一个共同的内容空间，不共享风格空间），为了将图像（比如高剂量CT图像）转换为目标域（比如低剂量CT图像），可以将其内容代码（比如高剂量CT图像的内容空间）与目标样式空间（比如低剂量CT图像的风格空间）中的随机样式代码重新组合后，就可以产生不同的图片（比如与高剂量CT图像向对应的低剂量CT图像）。
本发明采用了基于大数据的深度学习网络模型，能够捕获低剂量CT图像特征并根据这些特征自动将高剂量CT图像转化为与之一一对应的模拟低剂量CT图像，所生成的低剂量CT图像能够模拟实际系统情况，解决了传统方法噪声或者特征单一，无法模拟实际系统情况的问题；根据计算出来的损失自动更新，在训练结束后即可使用最优参数生成模拟低剂量CT图像，无需采用3D图像为模体、算法简单、无需反投重建、效率大为提高，解决了传统方法模拟时间长，参数调节困难的问题。与传统的模拟低剂量CT图像相比，本发明不仅可以提取真实低剂量CT图像的几乎全部特征并把这些特征转移到高剂量CT图像中，而且可以节省大量时间，实现为低剂量CT图像重建深度学习方法提供一一对应的训练数据（低剂量CT图像）和标签（高剂量CT图像）。此外，本发明得到的低剂量CT图像，也可以为CT其他校正、重建等算法的开发提供数据，以便进行对比、验证、算法优化等等工作。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。
Claims (3)
1.一种低剂量CT图像模拟方法，其特征在于，包括如下步骤：
步骤10、获取非一一对应的原始高剂量CT图像和原始低剂量CT图像；所述“非一一对应的原始高剂量CT图像和原始低剂量CT图像”包括不同人体同一部位的原始高剂量CT图像和原始低剂量CT图像，以及同一人体同一部位的原始高剂量CT图像和原始低剂量CT图像；
步骤20、对所述原始高剂量CT图像和原始低剂量CT图像进行预处理，分别得到原始高剂量CT图像数据和原始低剂量CT图像数据；
步骤30、构建由低剂量生成网络、高剂量生成网络、低剂量判别网络和高剂量判别网络构成的CT图像模拟网络模型，并初始化网络参数；
步骤40、将所述原始高剂量CT图像数据和原始低剂量CT图像数据输入所述CT图像模拟网络模型，交替训练所述生成网络和判别网络，直至得到网络模型的最优参数并保存, 步骤40具体为:
步骤41、随机选取原始高剂量CT图像数据通过低剂量生成网络得到生成低剂量CT图像数据；
步骤42、随机选取原始低剂量CT图像数据通过高剂量生成网络得到生成高剂量CT图像数据；
步骤43、将所述原始高剂量CT图像数据与所述生成高剂量CT图像数据输入高剂量判别网络，通过公式1计算损失Ladv1:
Ladv1=E[(DA(A)-1)2]+
E[DA(GBA(B))2] 公式1
其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，DA是高剂量判别网络，GBA是高剂量生成网络；
步骤44、将所述原始低剂量CT图像数据与所述生成低剂量CT图像数据输入低剂量判别网络，通过公式2计算损失Ladv2，
Ladv2=E[(DB(B)-1)2]+ 
E[DB(GAB(A))2] 公式2
其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，DB是低剂量判别网络，GAB是低剂量生成网络；
步骤45、通过公式3计算低剂量生成网络的损失LossGAB，
LossGAB=E[||GBA(GAB(A))-A||1]+E[DA(GBA(B))-1)2] 公式3
其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，DA是高剂量判别网络，GAB是低剂量生成网络；GBA是高剂量生成网络；
步骤46、通过公式4计算高剂量生成网络的损失LossGBA，
LossGBA=E[||GAB(GBA(B))-B||1]+E[DB(GAB(A))-1)2] 公式4
其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，DB是低剂量判别网络，GAB是低剂量生成网络；GBA是高剂量生成网络；
步骤47、更新训练网络的参数并重复以上步骤，直至Ladv1、Ladv2、LossGAB和LossGBA均达到最小值时，将低剂量生成网络、高剂量生成网络、低剂量判别网络和高剂量判别网络的参数作为最优参数并保存；
步骤50、向设置为最优参数的所述低剂量CT图像模拟网络模型输入高剂量CT图像，即可生成与所述高剂量CT图像一一对应的模拟低剂量CT图像。
2.根据权利要求1所述的一种低剂量CT图像模拟方法，其特征在于，所述步骤20具体为：对所述原始高剂量CT图像和原始低剂量CT图像切割成设定大小的图像块，然后将CT值进行归一化，分别得到原始高剂量CT图像数据和原始低剂量CT图像数据。
3.根据权利要求1所述的一种低剂量CT图像模拟方法，其特征在于，所述步骤30具体为：构建由低剂量生成网络、高剂量生成网络、低剂量判别网络和高剂量判别网络构成的CT图像模拟网络模型；所述低剂量生成网络用于将原始高剂量CT图像数据生成模拟低剂量CT图像数据，所述高剂量生成网络用于将原始低剂量CT图像数据生成模拟高剂量CT图像数据，所述低剂量判别网络用于计算所述原始低剂量CT图像数据与模拟低剂量CT图像数据的损失，所述高剂量判别网络用于计算所述原始高剂量CT图像数据与所述模拟高剂量CT图像数据的损失；所述生成网络和判别网络的参数随机初始化设置成-1到1之间的任意实数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910248006.3A CN109949215B (zh) | 2019-03-29 | 2019-03-29 | 一种低剂量ct图像模拟方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910248006.3A CN109949215B (zh) | 2019-03-29 | 2019-03-29 | 一种低剂量ct图像模拟方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109949215A CN109949215A (zh) | 2019-06-28 |
| CN109949215B true CN109949215B (zh) | 2023-03-31 |
Family
ID=67012902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910248006.3A Active CN109949215B (zh) | 2019-03-29 | 2019-03-29 | 一种低剂量ct图像模拟方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109949215B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047524A (zh) * | 2019-11-13 | 2020-04-21 | 浙江工业大学 | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 |
| CN111179366B (zh) * | 2019-12-18 | 2023-04-25 | 深圳先进技术研究院 | 基于解剖结构差异先验的低剂量图像重建方法和系统 |
| CN111369463B (zh) * | 2020-03-04 | 2021-02-23 | 浙江明峰智能医疗科技有限公司 | 基于深度学习的头部低剂量ct图像钙化点保留方法 |
| WO2021189383A1 (zh) * | 2020-03-26 | 2021-09-30 | 深圳先进技术研究院 | 生成高能ct图像模型的训练及生成方法、设备、存储介质 |
| CN111489406B (zh) * | 2020-03-26 | 2023-11-14 | 深圳先进技术研究院 | 生成高能ct图像模型的训练及生成方法、设备、存储介质 |
| CN112150378B (zh) * | 2020-09-18 | 2022-06-24 | 浙江明峰智能医疗科技有限公司 | 基于自逆卷积生成对抗网络的低剂量全身pet图像增强方法 |
| CN112634390B (zh) * | 2020-12-17 | 2023-06-13 | 深圳先进技术研究院 | 基于Wasserstein生成对抗网络模型的高能图像合成方法、装置 |
| CN114219820A (zh) * | 2021-12-08 | 2022-03-22 | 苏州工业园区智在天下科技有限公司 | 神经网络的生成方法、去噪方法及其装置 |
| CN114331921A (zh) * | 2022-03-09 | 2022-04-12 | 南昌睿度医疗科技有限公司 | 一种低剂量ct图像降噪方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003017187A1 (en) * | 2001-08-17 | 2003-02-27 | Deus Technologies, Llc | Computer-aided diagnosis system for thoracic computer tomography images |
| WO2004074982A2 (en) * | 2003-02-14 | 2004-09-02 | The University Of Chicago | Method of training massive training artificial neural networks (mtann) for the detection of abnormalities in medical images |
| 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 |
| CN105118078A (zh) * | 2015-09-24 | 2015-12-02 | 中国科学院苏州生物医学工程技术研究所 | 欠采样的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 |
| CN108492269A (zh) * | 2018-03-23 | 2018-09-04 | 西安电子科技大学 | 基于梯度正则卷积神经网络的低剂量ct图像去噪方法 |
| CN108961237A (zh) * | 2018-06-28 | 2018-12-07 | 安徽工程大学 | 一种基于卷积神经网络的低剂量ct图像分解方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9681856B2 (en) * | 2012-02-23 | 2017-06-20 | Siemens Aktiengesellschaft | Image fusion for interventional guidance |
| US20180018757A1 (en) * | 2016-07-13 | 2018-01-18 | Kenji Suzuki | Transforming projection data in tomography by means of machine learning |
| US20180197317A1 (en) * | 2017-01-06 | 2018-07-12 | General Electric Company | Deep learning based acceleration for iterative tomographic reconstruction |
-
2019
- 2019-03-29 CN CN201910248006.3A patent/CN109949215B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003017187A1 (en) * | 2001-08-17 | 2003-02-27 | Deus Technologies, Llc | Computer-aided diagnosis system for thoracic computer tomography images |
| WO2004074982A2 (en) * | 2003-02-14 | 2004-09-02 | The University Of Chicago | Method of training massive training artificial neural networks (mtann) for the detection of abnormalities in medical images |
| 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 |
| CN105118078A (zh) * | 2015-09-24 | 2015-12-02 | 中国科学院苏州生物医学工程技术研究所 | 欠采样的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 |
| CN108492269A (zh) * | 2018-03-23 | 2018-09-04 | 西安电子科技大学 | 基于梯度正则卷积神经网络的低剂量ct图像去噪方法 |
| CN108961237A (zh) * | 2018-06-28 | 2018-12-07 | 安徽工程大学 | 一种基于卷积神经网络的低剂量ct图像分解方法 |
Non-Patent Citations (3)
| Title |
|---|
| Low dose CT image statistical reconstruction algorithms based on discrete shearlet;Haiyan Zhang;《Multimedia Tools and Applications》;20170701;15049–15064 * |
| 生成对抗网络在医学图像处理中的应用;陈锟等;《生命科学仪器》;20181025;第71-80+91页 * |
| 神经网络在CT重建方面应用的最新进展;方伟 等;《中国体视学与图像分析》;20190325;第24卷(第1期);第16-28页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109949215A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109949215B (zh) | 一种低剂量ct图像模拟方法 | |
| CN108921851B (zh) | 一种基于3d对抗网络的医学ct图像分割方法 | |
| CN113454637A (zh) | 使用深度学习对非欧式3d数据集的自动语义分割 | |
| CN110728729B (zh) | 一种基于注意机制的无监督ct投影域数据恢复方法 | |
| Zhang et al. | The extraction method of tooth preparation margin line based on S‐Octree CNN | |
| US10991091B2 (en) | System and method for an automated parsing pipeline for anatomical localization and condition classification | |
| Zanjani et al. | Mask-MCNet: tooth instance segmentation in 3D point clouds of intra-oral scans | |
| US11302094B2 (en) | System and method for segmenting normal organ and/or tumor structure based on artificial intelligence for radiation treatment planning | |
| WO2024032098A1 (zh) | 伪影去除模型的训练方法、装置、设备、介质及程序产品 | |
| CN112508808A (zh) | 基于生成对抗网络的ct双域联合金属伪影校正方法 | |
| CN111242948A (zh) | 图像处理、模型训练方法、装置、设备和存储介质 | |
| CN110060315A (zh) | 一种基于人工智能的图像运动伪影消除方法及系统 | |
| CN112990478A (zh) | 联邦学习数据处理系统 | |
| CN115272511A (zh) | 基于双解码器的cbct图像中金属伪影去除系统、方法、终端及介质 | |
| CN113837191B (zh) | 基于双向无监督域适应融合的跨星遥感图像语义分割方法 | |
| Niu et al. | Noise entangled gan for low-dose ct simulation | |
| DE102021124537A1 (de) | Energiebasierte variational autoencoder | |
| CN116664710A (zh) | 基于Transformer的CT图像金属伪影无监督校正方法 | |
| CN115239740A (zh) | 基于GT-UNet的全心分割算法 | |
| Unal et al. | Customized design of hearing aids using statistical shape learning | |
| DE102021124428A1 (de) | Trainieren energiebasierter variational autoencoder | |
| CN110060314B (zh) | 一种基于人工智能的ct迭代重建加速方法及系统 | |
| Kim et al. | Random walk small intestine models for virtual patient populations | |
| CN113538663B (zh) | 一种基于深度特征解耦的可控人体形状补全方法 | |
| US20240105328A1 (en) | Neural network simulator for ultrasound images and clips |
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 |