CN109978965A - 一种模拟ct图像生成方法、装置、计算机设备和存储介质 - Google Patents

一种模拟ct图像生成方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN109978965A
CN109978965A CN201910215080.5A CN201910215080A CN109978965A CN 109978965 A CN109978965 A CN 109978965A CN 201910215080 A CN201910215080 A CN 201910215080A CN 109978965 A CN109978965 A CN 109978965A
Authority
CN
China
Prior art keywords
image
picture point
classification
characteristic information
probability
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.)
Pending
Application number
CN201910215080.5A
Other languages
English (en)
Inventor
王子贤
刘凡
汪思瀚
吴甜颖
杨晨
郑佳敏
蒋亦樟
钱鹏江
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN201910215080.5A priority Critical patent/CN109978965A/zh
Publication of CN109978965A publication Critical patent/CN109978965A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • 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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

本发明适用于计算机领域，提供了一种模拟CT图像生成方法，包括：获取MR扫描图像；对MR扫描图像处理获取多个mdixon序列图像；根据序列图像确定扫描图像中各图像点的特征信息；根据各点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与各点对应的成分类别的概率；根据各点对应的成分类别的概率确定各点对应的CT值；根据CT值生成模拟CT图像。本发明实施例提供的模拟CT图像生成方法，在输入MR扫描图像后，通过处理生成多个mdixon序列图像，再从多个mdixon序列图像中提取各图像点的特征信息，结合预先训练生成四元医学影像分类模型，直接确定各图像点对应的CT值，从而生成模拟CT图像，处理数据量少，有效地提高了处理效率。

Description

一种模拟CT图像生成方法、装置、计算机设备和存储介质
技术领域
本发明属于计算机领域，尤其涉及一种模拟CT图像生成方法、装置、计算机设备和存储介质。
背景技术
CT(Computed Tomography，电子计算机断层扫描)和MR(Magnetic Resonance，核磁共振)是目前医学上常用的两种成像技术。CT用X射线束对人体某部一定厚度的层面进行扫描，由探测器接收透过该层面的X射线，转变为可见光后，由光电转换变为电信号，再经数字转换器转为数字，输入计算机处理。MR通过静电场中的人体施加某种特定频率的视频脉冲，使人体组织中的氢质子收到激励而发生核磁共振现象，当终止射频脉冲后，质子在弛豫过程中感应出MR信号，经过对MR信号的接受、空间编码和图像重建等处理过程，及产生MR图像。
而在现有的诊断过程中，经常需要根据MR图像模拟出可能的CT图像，然而现有的CT模拟生成图像技术，是利用图像对应点的匹配并通过计算模拟生成CT图像。由于在生成模拟CT图像中需要用到大量的数据计算，导致图像处理效率低，且模拟出的CT图像性能不佳。
可见，现有的模拟CT图像生成图像技术，还存在着图像处理效率低、生成效果不好的技术问题。
发明内容
本发明实施例的目的在于提供一种模拟CT图像生成方法，旨在解决现有的模拟CT图像生成技术还存在的图像处理效率低、生成效果不好的技术问题。
本发明实施例是这样实现的，一种模拟CT图像生成方法，包括：
获取待转化为模拟CT图像的MR扫描图像；
对所述MR扫描图像进行处理获取所述MR扫描图像的多个mdixon序列图像，所述多个mdixon序列图像包括脂肪图、水图、正相位图以及反相位图；
根据多个mdixon序列图像确定所述MR扫描图像中各图像点的特征信息，所述特征信息包括各图像点的空间坐标以及在多个mdixon序列图像中的MR值；
根据所述各图像点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与所述各图像点对应的成分类别的概率，所述成分类别包括脂肪、软组织、空气以及骨骼；
根据所述各图像点对应的成分类别的概率确定各图像点对应的CT值；
根据所述CT值生成模拟CT图像。
本发明实施例的另一目的在于提供一种模拟CT图像生成装置，其特征在于，所述方法包括：
MR扫描图像获取单元，用于获取待转化为模拟CT图像的MR扫描图像；
MR扫描图像处理单元，用于对所述MR扫描图像进行处理获取所述MR扫描图像的多个mdixon序列图像，所述多个mdixon序列图像包括脂肪图、水图、正相位图以及反相位图；
特征信息确定单元，用于根据多个mdixon序列图像确定所述MR扫描图像中各图像点的特征信息，所述特征信息包括各图像点的空间坐标以及在多个mdixon序列图像中的MR值；
分类单元，用于根据所述各图像点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与所述各图像点对应的成分类别的概率，所述成分类别包括脂肪、软组织、空气以及骨骼；
CT值确定单元，用于根据所述各图像点对应的成分类别的概率确定各图像点对应的CT值；以及
模拟CT图像生成单元，用于根据所述CT值生成模拟CT图像。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述的模拟CT图像生成方法的步骤。
本发明实施例的另一目的在于一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述的模拟CT图像生成方法的步骤。
本发明实施例提供的一种模拟CT图像生成方法，通过将所述MR扫描图像处理为多个mdixon序列图像，包括脂肪图、水图、正相位图以及反相位图，然后根据各序列图像确定原MR扫描图像中各图像点的特征信息，所述特征信息包括各图像点的空间坐标以及在多个mdixon序列图像中的MR值，并根据各图像点的特征信息以及基于层次支持向量机算法预先训练生成好的四元医学影像分类模型确定各图像点对应的成分类别的概率，所述成分类别包括脂肪、软组织、空气以及骨骼，并根据各成分类别的概率确定相应的CT值，从而直接确定模拟CT图像。本发明实施例提供的模拟CT图像生成方法，在输入MR扫描图像后，能够自行对MR图像进行处理，直接输出相应的CT图像，有效地提高了处理效率，且处理过程中所采用的四元医学影像分类模型通过大量样本数据预先训练生成，有效地保证了处理过程中的准确率，提高了生成的CT图像的效果。
附图说明
图1为本发明实施例提供的一种模拟CT图像生成方法的步骤流程图；
图2为本发明实施例提供的一种图像点分类方法的步骤流程图；
图3为本发明实施例提供的一种训练生成四元医学影像分类模型的步骤流程图；
图4为本发明实施例提供的一种训练生成多个二元医学影像分类模型的步骤流程图；
图5为本发明实施例提供的一种模拟CT图像生成装置的结构示意图；
图6为本发明实施例提供的一种分类单元的结构示意图；
图7为本发明实施例提供的一种四元医学影像分类模型训练生成单元的结构示意图；
图8为本发明实施例提供的一种二元医学影像分类模型训练生成模块的结构示意图。
图9为本发明实施例提供的模拟CT图像生成方法与传统模拟CT图像生成方法性能对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
本发明实施例为解决现有的CT模拟图像生成技术还存在的图像处理效率低、生成效果不好的技术问题，提供了一种图像处理效率高、图像生成质量高的CT模拟图像方法，在接收到MR扫描图像后，通过提取MR扫描图像中的特性信息，并以特征信息作为输入，结合预先训练好的四元医学影像分类模型直接确定各图像点对应成分类别的概率，所述四元医学影像分类模型是预先基于层次支持向量机算法，并利用样本数据训练生成的，最终根据对应的对应的成分类别的概率确定各图像点对应CT值，从而直接生成模拟CT图像，整个模拟CT图像生成过程，数据处理量小，处理效率高，且最终生成的模拟CT图像效果质量高。
如图1所示，在一个实施例中，提出了一种模拟CT图像生成方法，具体可以包括以下步骤：
步骤S102，获取待转化为模拟CT图像的MR扫描图像。
在本发明实施例中，CT图像是由一定数目由黑到白不同灰度的像素按矩阵排列所构成，这些像素事实上反映的是相应体素的X线吸收系数，即CT值，因此只需要确定MR图像中各图像点对应的CT值，即可确定相应的模拟CT图像。
步骤S104，对所述MR扫描图像进行处理获取所述MR扫描图像的多个mdixon序列图像。
在本发明实施例中，所述mdixon是一种脂肪抑制技术，利用自旋回波序列，在不同的回波时间，分别采集水和脂肪质子的正相位和反相位两种回波信号，通过将两种不通过信号相加减，从而达到水、脂分离的效果，即可以得到多个mdixon序列图像，所述mdixon序列图像包括脂肪图、水图、正相位图以及反相位图。
步骤S106，根据多个mdixon序列图像确定所述MR扫描图像中各图像点的特征信息。
在本发明实施例中，所述所述特征信息包括各图像点的空间坐标以及在多个mdixon序列图像中的MR值。
在本发明实施例中，对于MR扫描图像中的每一个图像点都可以用一个三维坐标表示所述图像点的空间坐标，与此同时，将该图像点在每一个mdixon序列图像中对应的MR值与该图像点的空间坐标组合作为该图像点的特征信息。
步骤S108，根据所述各图像点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与所述各图像点对应的成分类别的概率。
在本发明实施例中，所述成分类别包括脂肪、软组织、空气以及骨骼，即输入一组特征信息后，能够根据所述特征信息直接确定该图像点为脂肪、软组织、空气或者骨骼的概率。
作为本发明的一个优选实施例，由于支持向量机算法训练生成的分类模型是用于二元分类，为实现四元医学影像分类模型，我们采用层次支持向量机算法进行训练，即先训练生成多个二元医学影像分类模型，然后将所述多个二元医学影像分类模型构建决策树，从而生成四元医学影像分类模型。
步骤S110，根据所述各图像点对应的成分类别的概率确定各图像点对应的CT值。
在本发明实施例中，根据各图像点对应的成分类别的概率作为权重，对各成分类别的标准CT值进行加权运算从而确定各图像点的CT值。
步骤S112，根据所述CT值生成模拟CT图像。
在本发明实施例中，CT值一般取值在-1000Hu～1000Hu之间，其中常见的，致密骨的CT值为1000Hu，水的CT值为0Hu，空气的CT值为-1000Hu，在知晓每个图像点的CT值之后，就可以简单的确定一幅CT图像，该CT图像即为模拟CT图像。
本发明实施例提供的一种模拟CT图像生成方法，通过将所述MR扫描图像处理为多个mdixon序列图像，包括脂肪图、水图、正相位图以及反相位图，然后根据各序列图像确定原MR扫描图像中各图像点的特征信息，所述特征信息包括各图像点的空间坐标以及在多个mdixon序列图像中的MR值，并根据各图像点的特征信息以及基于层次支持向量机算法预先训练生成好的四元医学影像分类模型确定各图像点对应的成分类别的概率，所述成分类别包括脂肪、软组织、空气以及骨骼，并根据各成分类别的概率确定相应的CT值，从而直接确定模拟CT图像。本发明实施例提供的模拟CT图像生成方法，在输入MR扫描图像后，能够自行对MR图像进行处理，直接输出相应的CT图像，有效地提高了处理效率，且处理过程中所采用的四元医学影像分类模型通过大量样本数据预先训练生成，有效地保证了处理过程中的准确率，提高了生成的CT图像的效果。
在一个优选实施例中，由于MR扫描图像中包含的图像点数据量过大，如果对每一个图像点一一进行分类处理会导致处理效率较低，因此，提供了一种基于K-最邻近算法的图像分类优化方法，用于提高图像点分类效率的方法，如图2所示，步骤S106具体包括以下步骤：
步骤S202，根据预设的取样规则在所述MR扫描图像中确定多个样本图像点。
在本发明实施例中，所述预设的取样规则可以是简单随机取样，也可为了保证数据的全面性，采用定点取样。
在本发明实施例中，优选的，样本图像点的采样个数在20000左右，在降低图像点分类计算量的同时，还能有效的保证最终的图像效果。
步骤S204，根据所述各样本图像点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与所述各样本图像点对应的成分类别的概率。
在本发明实施例中，同样的，需要确定与各样本图像点对应的成分类别的概率，所述成分类别包括脂肪、软组织、空气以及骨骼。
步骤S206，在所述多个样本图像点中确定与MR扫描图像中各剩余图像点距离最近的多个参考图像点并确定各剩余图像点与所述多个参考图像点之间的距离。
在本发明实施例中，我们采用K-最邻近算法计算剩余图像点的成分概率，即需要确定与剩余图像点最接近的K个样本图像点作为参考图像点，一般的，K值优选5～7。
在本发明实施例中，相比于常规的K-最临近算法，还额外获取了剩余各图像点距离其K个参考点之间的距离。
步骤S208，根据所述各剩余图像点与所述多个参考图像点之间的距离确定所述多个参考图像点对所述各剩余图像点的影响权重。
在本发明实施例中，相比于常规的K-最邻近算法是直接利用K个参考点的属性的众数确定待确定图像点的属性，本发明还额外引入了权重来确定剩余图像点的属性，其中权重是根据剩余各图像点距离其参考图像点之间的距离确定，即距离越近的参考图像点的影响因子越大。
步骤S210，根据所述多个参考图像点对所述各剩余图像点的影响权重以及所述与各参考图像点对应的成分类别的概率确定与所述各剩余图像点对应的成分类别的概率。
在本发明实施例中，当确定多个参考图像点的影响因子以及多个参考点对应的成分类别的概率之后，通过加权计算即可确定剩余各图像点对应的成分类别的概率，即完成了整个MR扫描图像各图像点的成分类别的分类。
本发明实施例提供的一种确定各图像点对应的成分类别的概率的方法，通过结合K-最邻近算法，先计算部分样本点对应的成分类别的概率，然后根据剩余各图像点距离各样本点的距离确定参考点，最后根据参考点的对应的成分类别的概率确定剩余图像点的对应的成分类别的概率，相比于对每一个图像点一一进行计算，在有效地降低数据处理量同时，也保证了准确率。
在一个实施例中，如图3所示，基于层次支持向量机算法训练生成的四元医学影像分类模型的方法具体可以包括以下步骤：
步骤S302，基于支持向量机算法训练生成多个二元医学影像分类模型。
在本发明实施例中，所述支持向量机算法训练生成的模型一般只能为二元医学影像分类模型。为了更加清楚的说明二元分类模型，以本发明提供的成分类别分类为例，当成分类别包括脂肪、软组织、空气以及骨骼四种可能时，二元医学分类模型则包括(脂肪，软组织、空气、骨骼)、(软组织，脂肪、空气、骨骼)、(脂肪、软组织，空气、骨骼)、(脂肪、骨骼，软组织、空气)等等，其中，每个括号中逗号的前后两部分是分出的两类结果。
作为本发明实施例的一个优选实施例，所述支持向量机算法采用软间隔支持向量机算法，相比于普通的支持向量机算法，采用软间隔支持向量机算法对含有少量异常点的数据也有良好的分类效果。
在本发明实施例中，基于支持向量机算法以及基于软间隔支持向量机算法的具体步骤以及算法的计算公式具体请参阅图4及其解释说明。
步骤S304，确定所述多个二元医学影像分类模型的分类正确概率。
在本发明实施例中，对于不同的二元医学影像分类模型(具体请参阅前述S302的解释说明)，分类的准确率不同，即分类效果不同，在训练生成二元医学影像分类模型后，一般需要通过多个测试样本测试各二元医学影像分类模型的准确率，即将多个测试样本输入向量输入到二元医学影像分类模型，得到响应输出结果，根据响应输出结果与实际结果的差异确定各二元医学影像分类模型的准确率。
步骤S306，根据所述分类正确概率以及所述多个二元医学影像分类模型构建四元医学影像分类模型。
在本发明实施例中，基于决策树算法根据多个二元医学影像分类模型构建建立四元医学分类模型，其中，保证可靠性更好的二元医学影像分类模型排在前面，即将准确率最高的二元医学影像分类模型设置在第一层，然后进一步对已分类的两类再次进行分类，直至独立对应于脂肪、软组织、空气以及骨骼的四元分类器。
本发明实施例提供了一种基于层次支持向量机算法训练生成的四元医学影像分类模型的生成方法，其中包括基于支持向量机算法训练生成多个二元医学影像分类模型，并计算各二元医学影像分类模型的分类正确概率，然后根据所述二元医学影像分类模型构建四元医学影像分类模型。本发明实施例中通过训练生成多个二元医学影像分类模型，并根据各二元医学影像分类模型的分类准确率将可靠性更好的二元医学影像分类模型排在前面进行分类，有效地保证了最终生成的四元医学影像分类模型的准确率。
在一个实施例中，如图4所示，基于支持向量机算法训练生成多个二元医学影像分类模型的生成方法的步骤具体包括：
步骤S402，获取MR扫描样本图像。
在本发明实施例中，所述MR扫描样本图像为预先采集病人的已知MR图像。
步骤S404，对所述MR扫描样本图像进行处理获取所述MR扫描样本图像的多个mdixon序列样本图像。
在本发明实施例中，所述多个mdixon序列样本图像包括脂肪图、水图、正相位图以及反相位图。
在本发明实施例中，步骤S404与前述步骤S104相同，具体请参阅前述步骤S104的解释说明。
步骤S406，根据所述多个mdixon序列样本图像确定所述MR扫描样本图像中各图像点的特征信息。
在本发明实施例中，所述特征信息包括各图像点的空间坐标以及在多个mdixon序列样本图像中的MR值。
在本发明实施例中，步骤S406与前述步骤S106相同，具体请参阅前述步骤S106的解释说明。
步骤S408，获取所述MR扫描样本图像中各图像点对应的成分类别。
在本发明实施例中，由于所述MR扫描样本图像为预先采集的已知MR图像，即图像中的各图像点对应的成分类别是已知的，所述成分类别包括脂肪、软组织、空气和骨骼。
步骤S410，基于支持向量机算法以及不同的成分类别分类情况，根据所述特征信息以及成分类别确定不同的二元医学影像分类模型。
在本发明实施例中，所述支持向量机算法的学习条件为：
即在满足于yi(ωTxi+b)≥1的条件下，确定ω，b，使得取值最小。其中，ω，b为二元分类模型中的分类参数，xi为输入向量，yi为输出，yi通常根据分类结果取值1或者-1。
作为本发明实施例的一个优选实施例，当采用软间隔支持向量机算法时，所述软间隔支持向量机算法的学习条件为：
s.t.…yi(ωTxi+b)≥1-εi，εi≥0，i＝1,2,...m
即在满足于yi(ωTxi+b)≥1-εi的条件下，确定ω，b，εi，使得取值最小。其中，ω，b为二元分类模型中的分类参数，εi为软间隔支持向量机额外引入的松弛变量，xi为输入向量，yi为目标输出结果，yi通常根据分类结果取值1或者-1。通过引入松弛变量，使得对使得ω，b的约束条件降低，即对异常点也可以进行有效地分类，但与此同时，也需要额外对异常点设置惩罚，即预先设置惩罚参数C，C＞0，C越大，对异常点分类的惩罚越大，C越小，对异常点分类的惩罚越小。
本发明实施例公开了一种基于支持向量机算法训练生成多个二元医学影像分类模型的生成方法，并具体给出了支持向量机算法的学习条件，能够利用少量的训练样本训练出分类效果好的二元医学影像分类模型，且训练过程数据处理量少，训练效率高。
如图5所示，在一个实施例中，提供了一种模拟CT图像生成装置，具体可以包括MR扫描图像获取单元510、MR扫描图像处理单元520、特征信息确定单元530、分类单元540、CT值确定单元550以及模拟CT图像生成单元560。
所述MR扫描图像获取单元510，用于获取待转化为模拟CT图像的MR扫描图像。
在本发明实施例中，CT图像是由一定数目由黑到白不同灰度的像素按矩阵排列所构成，这些像素事实上反映的是相应体素的X线吸收系数，即CT值，因此只需要确定MR图像中各图像点对应的CT值，即可确定相应的模拟CT图像。
所述MR扫描图像处理单元520，用于对所述MR扫描图像进行处理获取所述MR扫描图像的多个mdixon序列图像。
在本发明实施例中，所述mdixon是一种脂肪抑制技术，利用自旋回波序列，在不同的回波时间，分别采集水和脂肪质子的正相位和反相位两种回波信号，通过将两种不通过信号相加减，从而达到水、脂分离的效果，即可以得到多个mdixon序列图像，所述mdixon序列图像包括脂肪图、水图、正相位图以及反相位图。
所述特征信息确定单元530，用于根据多个mdixon序列图像确定所述MR扫描图像中各图像点的特征信息。
在本发明实施例中，所述所述特征信息包括各图像点的空间坐标以及在多个mdixon序列图像中的MR值。
在本发明实施例中，对于MR扫描图像中的每一个图像点都可以用一个三维坐标表示所述图像点的空间坐标，与此同时，将该图像点在每一个mdixon序列图像中对应的MR值与该图像点的空间坐标组合作为该图像点的特征信息。
所述分类单元540，用于根据所述各图像点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与所述各图像点对应的成分类别的概率。
在本发明实施例中，所述成分类别包括脂肪、软组织、空气以及骨骼，即输入一组特征信息后，能够根据所述特征信息直接确定该图像点为脂肪、软组织、空气或者骨骼的概率。
作为本发明的一个优选实施例，由于支持向量机算法训练生成的分类模型是用于二元分类，为实现四元医学影像分类模型，我们采用层次支持向量机算法进行训练，即先训练生成多个二元医学影像分类模型，然后将所述多个二元医学影像分类模型构建决策树，从而生成四元医学影像分类模型。
所述CT值确定单元550，用于根据所述各图像点对应的成分类别的概率确定各图像点对应的CT值。
在本发明实施例中，根据各图像点对应的成分类别的概率作为权重，对各成分类别的标准CT值进行加权运算从而确定各图像点的CT值。
所述模拟CT图像生成单元560，用于根据所述CT值生成模拟CT图像。
在本发明实施例中，CT值一般取值在-1000Hu～1000Hu之间，其中常见的，致密骨的CT值为1000Hu，水的CT值为0Hu，空气的CT值为-1000Hu，在知晓每个图像点的CT值之后，就可以简单的确定一幅CT图像，该CT图像即为模拟CT图像。
本发明实施例提供的一种模拟CT图像生成装置，通过将所述MR扫描图像处理为多个mdixon序列图像，包括脂肪图、水图、正相位图以及反相位图，然后根据各序列图像确定原MR扫描图像中各图像点的特征信息，所述特征信息包括各图像点的空间坐标以及在多个mdixon序列图像中的MR值，并根据各图像点的特征信息以及基于层次支持向量机算法预先训练生成好的四元医学影像分类模型确定各图像点对应的成分类别的概率，所述成分类别包括脂肪、软组织、空气以及骨骼，并根据各成分类别的概率确定相应的CT值，从而直接确定模拟CT图像。本发明实施例提供的模拟CT图像生成方法，在输入MR扫描图像后，能够自行对MR图像进行处理，直接输出相应的CT图像，有效地提高了处理效率，且处理过程中所采用的四元医学影像分类模型通过大量样本数据预先训练生成，有效地保证了处理过程中的准确率，提高了生成的CT图像的效果。
如图6所示，在一个实施例中，分类单元530具体包括：样本点确定模块631、样本分类模块632、参考点及距离确定模块633、权重确定模块634以及剩余图像点分类模块635。
所述样本点确定模块631，用于根据预设的规则在所述MR扫描图像中确定多个样本图像点。
在本发明实施例中，所述预设的取样规则可以是简单随机取样，也可为了保证数据的全面性，采用定点取样。
在本发明实施例中，优选的，样本图像点的采样个数在20000左右，在降低图像点分类计算量的同时，还能有效的保证最终的图像效果。
所述样本分类模块632，用于根据所述各样本图像点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与所述各样本图像点对应的成分类别的概率。
在本发明实施例中，同样的，需要确定与各样本图像点对应的成分类别的概率，所述成分类别包括脂肪、软组织、空气以及骨骼。
所述参考点及距离确定模块633，用于在所述多个样本图像点中确定与MR扫描图像中各剩余图像点距离最近的多个参考图像点并确定各剩余图像点与所述多个参考图像点之间的距离。
在本发明实施例中，我们采用K-最邻近算法计算剩余图像点的成分概率，即需要确定与剩余图像点最接近的K个样本图像点作为参考图像点，一般的，K值优选5～7。
在本发明实施例中，相比于常规的K-最临近算法，还额外获取了剩余各图像点距离其K个参考点之间的距离。
所述权重确定模块634，用于根据所述各剩余图像点与所述多个参考图像点之间的距离确定所述多个参考图像点对所述各剩余图像点的影响权重。
在本发明实施例中，相比于常规的K-最邻近算法是直接利用K个参考点的属性的众数确定待确定图像点的属性，本发明还额外引入了权重来确定剩余图像点的属性，其中权重是根据剩余各图像点距离其参考图像点之间的距离确定，即距离越近的参考图像点的影响因子越大。
所述剩余图像点分类模块635，用于根据所述多个参考图像点对所述各剩余图像点的影响权重以及所述与各参考图像点对应的成分类别的概率确定与所述各剩余图像点对应的成分类别的概率。
在本发明实施例中，当确定多个参考图像点的影响因子以及多个参考点对应的成分类别的概率之后，通过加权计算即可确定剩余各图像点对应的成分类别的概率，即完成了整个MR扫描图像各图像点的成分类别的分类。
本发明实施例提供的一种分类单元的结构示意图，通过结合K-最邻近算法，先计算部分样本点对应的成分类别的概率，然后根据剩余各图像点距离各样本点的距离确定参考点，最后根据参考点的对应的成分类别的概率确定剩余图像点的对应的成分类别的概率，相比于对每一个图像点一一进行计算，在有效地降低数据处理量同时，也保证了准确率。
在一个实施例中，提供了一种模拟CT图像生成装置，其与图5所示的模拟CT图像生成装置的区别在于，还包括四元医学影像分类模型训练生成单元560，如图7所示，所述四元医学影像分类模型训练生成单元560包括二元医学影像分类模型训练生成模块761、分类正确概率确定模块762以及四元医学影像分类模型构建模块763。
所述二元医学影像分类模型训练生成模块761，用于基于支持向量机算法训练生成多个二元医学影像分类模型。
在本发明实施例中，所述支持向量机算法训练生成的模型一般只能为二元医学影像分类模型。为了更加清楚的说明二元分类模型，以本发明提供的成分类别分类为例，当成分类别包括脂肪、软组织、空气以及骨骼四种可能时，二元医学分类模型则包括(脂肪，软组织、空气、骨骼)、(软组织，脂肪、空气、骨骼)、(脂肪、软组织，空气、骨骼)、(脂肪、骨骼，软组织、空气)等等，其中，每个括号中逗号的前后两部分是分出的两类结果。
作为本发明实施例的一个优选实施例，所述支持向量机算法采用软间隔支持向量机算法，相比于普通的支持向量机算法，采用软间隔支持向量机算法对含有少量异常点的数据也有良好的分类效果。
所述分类正确概率确定模块762，用于确定所述多个二元医学影像分类模型的分类正确概率。
在本发明实施例中，对于不同的二元医学影像分类模型(具体请参阅前述S761的解释说明)，分类的准确率不同，即分类效果不同，在训练生成二元医学影像分类模型后，一般需要通过多个测试样本测试各二元医学影像分类模型的准确率，即将多个测试样本输入向量输入到二元医学影像分类模型，得到响应输出结果，根据响应输出结果与实际结果的差异确定各二元医学影像分类模型的准确率。
所述四元医学影像分类模型构建模块763，用于根据所述分类正确概率以及所述多个二元医学影像分类模型构建四元医学影像分类模型。
在本发明实施例中，基于决策树算法根据多个二元医学影像分类模型构建建立四元医学分类模型，其中，保证可靠性更好的二元医学影像分类模型排在前面，即将准确率最高的二元医学影像分类模型设置在第一层，然后进一步对已分类的两类再次进行分类，直至独立对应于脂肪、软组织、空气以及骨骼的四元分类器。
本发明实施例提供了一种四元医学影像分类模型训练生成单元的结构示意图，其中包括基于支持向量机算法训练生成多个二元医学影像分类模型，并计算各二元医学影像分类模型的分类正确概率，然后根据所述二元医学影像分类模型构建四元医学影像分类模型。本发明实施例中通过训练生成多个二元医学影像分类模型，并根据各二元医学影像分类模型的分类准确率将可靠性更好的二元医学影像分类模型排在前面进行分类，有效地保证了最终生成的四元医学影像分类模型的准确率。
如图8所示，在一个实施例中，二元医学影像分类模型训练生成模块761具体包括MR扫描样本图像获取次模块801、MR扫描样本图像处理次模块802、特征信息确定次模块803、MR扫描样本图像成分类别确定次模块804以及二元医学影像分类模型确定次模块805。
所述MR扫描样本图像获取次模块801，用于获取MR扫描样本图像。
在本发明实施例中，所述MR扫描样本图像为预先采集病人的已知MR图像。
所述MR扫描样本图像处理次模块802，用于对所述MR扫描样本图像进行处理获取所述MR扫描样本图像的多个mdixon序列样本图像。
在本发明实施例中，所述多个mdixon序列样本图像包括脂肪图、水图、正相位图以及反相位图。
在本发明实施例中，MR扫描样本图像处理次模块802与前述MR扫描图像处理单元520具有相似的功能，具体请参阅前述MR扫描图像处理单元520的解释说明。
所述特征信息确定次模块803，用于根据所述多个mdixon序列样本图像确定所述MR扫描样本图像中各图像点的特征信息。
在本发明实施例中，所述多个mdixon序列样本图像包括脂肪图、水图、正相位图以及反相位图。
在本发明实施例中，特征信息确定次模块803与前述特征信息确定单元630具有相似的功能，具体请参阅前述特征信息确定单元630的解释说明。
所述MR扫描样本图像成分类别确定次模块804，用于获取所述MR扫描样本图像中各图像点对应的成分类别。
在本发明实施例中，由于所述MR扫描样本图像为预先采集的已知MR图像，即图像中的各图像点对应的成分类别是已知的，所述成分类别包括脂肪、软组织、空气和骨骼。
所述二元医学影像分类模型确定次模块805，用于基于支持向量机算法以及不同的成分类别分类情况，根据所述特征信息以及成分类别确定不同的二元医学影像分类模型。
在本发明实施例中，所述支持向量机算法的学习条件为：
即在满足于yi(ωTxi+b)≥1的条件下，确定ω，b，使得取值最小。其中，ω，b为二元分类模型中的分类参数，xi为输入向量，yi为输出，yi通常根据分类结果取值1或者-1。
作为本发明实施例的一个优选实施例，当采用软间隔支持向量机算法时，所述软间隔支持向量机算法的学习条件为：
s.t.…yi(ωTxi+b)≥1-εi，εi≥0，i＝1,2,...m
即在满足于yi(ωTxi+b)≥1-εi的条件下，确定ω，b，εi，使得取值最小。其中，ω，b为二元分类模型中的分类参数，εi为软间隔支持向量机额外引入的松弛变量，xi为输入向量，yi为目标输出结果，yi通常根据分类结果取值1或者-1。通过引入松弛变量，使得对使得ω，b的约束条件降低，即对异常点也可以进行有效地分类，但与此同时，也需要额外对异常点设置惩罚，即预先设置惩罚参数C，C＞0，C越大，对异常点分类的惩罚越大，C越小，对异常点分类的惩罚越小。
本发明实施例公开了一二元医学影像分类模型确定模块的结构示意图，并具体给出了支持向量机算法的学习条件，能够利用少量的训练样本训练出分类效果好的二元医学影像分类模型，且训练过程数据处理量少，训练效率高。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待转化为模拟CT图像的MR扫描图像；
对所述MR扫描图像进行处理获取所述MR扫描图像的多个mdixon序列图像，所述多个mdixon序列图像包括脂肪图、水图、正相位图以及反相位图；
根据多个mdixon序列图像确定所述MR扫描图像中各图像点的特征信息，所述特征信息包括各图像点的空间坐标以及在多个mdixon序列图像中的MR值；
根据所述各图像点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与所述各图像点对应的成分类别的概率，所述成分类别包括脂肪、软组织、空气以及骨骼；
根据所述各图像点对应的成分类别的概率确定各图像点对应的CT值；
根据所述CT值生成模拟CT图像。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取待转化为模拟CT图像的MR扫描图像；
对所述MR扫描图像进行处理获取所述MR扫描图像的多个mdixon序列图像，所述多个mdixon序列图像包括脂肪图、水图、正相位图以及反相位图；
根据多个mdixon序列图像确定所述MR扫描图像中各图像点的特征信息，所述特征信息包括各图像点的空间坐标以及在多个mdixon序列图像中的MR值；
根据所述各图像点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与所述各图像点对应的成分类别的概率，所述成分类别包括脂肪、软组织、空气以及骨骼；
根据所述各图像点对应的成分类别的概率确定各图像点对应的CT值；
根据所述CT值生成模拟CT图像。
为了直观的表征上述模拟CT图像生成方法的技术性能，现按照权利要求1公开的方法，针对美国凯斯西储大学招募的志愿者的医学图像数据完成实施例，实验过程中共采集了8名病人的实验数据，同时与传统的给予分割的模拟CT生成方法比较平均百分比误差、均方根误差以及召回率。具体实验数据请参阅图9。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种模拟CT图像生成方法，其特征在于，包括：
获取待转化为模拟CT图像的MR扫描图像；
对所述MR扫描图像进行处理获取所述MR扫描图像的多个mdixon序列图像，所述多个mdixon序列图像包括脂肪图、水图、正相位图以及反相位图；
根据多个mdixon序列图像确定所述MR扫描图像中各图像点的特征信息，所述特征信息包括各图像点的空间坐标以及在多个mdixon序列图像中的MR值；
根据所述各图像点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与所述各图像点对应的成分类别的概率，所述成分类别包括脂肪、软组织、空气以及骨骼；
根据所述各图像点对应的成分类别的概率确定各图像点对应的CT值；
根据所述CT值生成模拟CT图像。
2.根据权利要求1所述的模拟CT图像生成方法，其特征在于，所述根据所述各图像点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与所述各图像点对应的成分类别的概率的步骤，具体包括：
根据预设的取样规则在所述MR扫描图像中确定多个样本图像点；
根据所述各样本图像点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与所述各样本图像点对应的成分类别的概率；
在所述多个样本图像点中确定与MR扫描图像中各剩余图像点距离最近的多个参考图像点并确定各剩余图像点与所述多个参考图像点之间的距离；
根据所述各剩余图像点与所述多个参考图像点之间的距离确定所述多个参考图像点对所述各剩余图像点的影响权重；
根据所述多个参考图像点对所述各剩余图像点的影响权重以及所述与各参考图像点对应的成分类别的概率确定与所述各剩余图像点对应的成分类别的概率。
3.根据权利要求1所述的模拟CT图像生成方法，其特征在于，所述基于层次支持向量机算法训练生成的四元医学影像分类模型的生成方法包括：
基于支持向量机算法训练生成多个二元医学影像分类模型；
确定所述多个二元医学影像分类模型的分类正确概率；
根据所述分类正确概率以及所述多个二元医学影像分类模型构建四元医学影像分类模型。
4.根据权利要求3所述的模拟CT图像生成方法，其特征在于，所述基于支持向量机算法训练生成多个二元医学影像分类模型的生成方法包括：
获取MR扫描样本图像；
对所述MR扫描样本图像进行处理获取所述MR扫描样本图像的多个mdixon序列样本图像，所述多个mdixon序列样本图像包括脂肪图、水图、正相位图以及反相位图；
根据所述多个mdixon序列样本图像确定所述MR扫描样本图像中各图像点的特征信息，所述特征信息包括各图像点的空间坐标以及在多个mdixon序列样本图像中的MR值；
获取所述MR扫描样本图像中各图像点对应的成分类别；
基于支持向量机算法以及不同的成分类别分类情况，根据所述各图像点的特征信息以及对应的成分类别确定不同的二元医学影像分类模型。
5.一种模拟CT图像生成装置，其特征在于，所述方法包括：
MR扫描图像获取单元，用于获取待转化为模拟CT图像的MR扫描图像；
MR扫描图像处理单元，用于对所述MR扫描图像进行处理获取所述MR扫描图像的多个mdixon序列图像，所述多个mdixon序列图像包括脂肪图、水图、正相位图以及反相位图；
特征信息确定单元，用于根据多个mdixon序列图像确定所述MR扫描图像中各图像点的特征信息，所述特征信息包括各图像点的空间坐标以及在多个mdixon序列图像中的MR值；
分类单元，用于根据所述各图像点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与所述各图像点对应的成分类别的概率，所述成分类别包括脂肪、软组织、空气以及骨骼；
CT值确定单元，用于根据所述各图像点对应的成分类别的概率确定各图像点对应的CT值；以及
模拟CT图像生成单元，用于根据所述CT值生成模拟CT图像。
6.根据权利要求5所述的CT图像生成装置，其特征在于，所述分类单元包括：
样本点确定模块，用于根据预设的规则在所述MR扫描图像中确定多个样本图像点；
样本分类模块，用于根据所述各样本图像点的特征信息以及基于层次支持向量机算法训练生成的四元医学影像分类模型确定与所述各样本图像点对应的成分类别的概率；
参考点及距离确定模块，用于在所述多个样本图像点中确定与MR扫描图像中各剩余图像点距离最近的多个参考图像点并确定各剩余图像点与所述多个参考图像点之间的距离；
权重确定模块，用于根据所述各剩余图像点与所述多个参考图像点之间的距离确定所述多个参考图像点对所述各剩余图像点的影响权重；以及
剩余图像点分类模块，用于根据所述多个参考图像点对所述各剩余图像点的影响权重以及所述与各参考图像点对应的成分类别的概率确定与所述各剩余图像点对应的成分类别的概率。
7.根据权利要求5所述的CT图像生成装置，其特征在于，所述CT图像生成装置还包括四元医学影像分类模型训练生成单元，所述四元医学影像分类模型训练生成单元包括：
二元医学影像分类模型训练生成模块，用于基于支持向量机算法训练生成多个二元医学影像分类模型；
分类正确概率确定模块，用于确定所述多个二元医学影像分类模型的分类正确概率；以及
四元医学影像分类模型构建模块，用于根据所述分类正确概率以及所述多个二元医学影像分类模型构建四元医学影像分类模型。
8.根据权利要求7所述的CT图像生成装置，其特征在于，所述二元医学影像分类模型训练生成模块包括：
MR扫描样本图像获取次模块，用于获取MR扫描样本图像；
MR扫描样本图像处理次模块，用于对所述MR扫描样本图像进行处理获取所述MR扫描样本图像的多个mdixon序列样本图像，所述多个mdixon序列样本图像包括脂肪图、水图、正相位图以及反相位图；
特征信息确定次模块，用于根据所述多个mdixon序列样本图像确定所述MR扫描样本图像中各图像点的特征信息，所述特征信息包括各图像点的空间坐标以及在多个mdixon序列样本图像中的MR值；；
MR扫描样本图像成分类别确定次模块，用于获取所述MR扫描样本图像中各图像点对应的成分类别；
二元医学影像分类模型确定次模块，用于基于支持向量机算法以及不同的成分类别分类情况，根据所述特征信息以及成分类别确定不同的二元医学影像分类模型。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至4中任一项权利要求所述的模拟CT图像生成方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至4中任一项权利要求所述模拟CT图像生成方法的步骤。
CN201910215080.5A 2019-03-21 2019-03-21 一种模拟ct图像生成方法、装置、计算机设备和存储介质 Pending CN109978965A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910215080.5A CN109978965A (zh) 2019-03-21 2019-03-21 一种模拟ct图像生成方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910215080.5A CN109978965A (zh) 2019-03-21 2019-03-21 一种模拟ct图像生成方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN109978965A true CN109978965A (zh) 2019-07-05

Family

ID=67079775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910215080.5A Pending CN109978965A (zh) 2019-03-21 2019-03-21 一种模拟ct图像生成方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN109978965A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111751771A (zh) * 2020-07-02 2020-10-09 北京万东医疗科技股份有限公司 一种水脂分离装置及方法
CN113240645A (zh) * 2021-05-17 2021-08-10 赤峰学院附属医院 显示处理方法、装置、存储介质、处理器及终端设备
CN113808227A (zh) * 2020-06-12 2021-12-17 杭州普健医疗科技有限公司 一种医学影像对齐方法、介质及电子设备
CN114581605A (zh) * 2022-02-22 2022-06-03 清华大学 工件的扫描图像生成方法、装置、设备及计算机存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808227A (zh) * 2020-06-12 2021-12-17 杭州普健医疗科技有限公司 一种医学影像对齐方法、介质及电子设备
CN113808227B (zh) * 2020-06-12 2023-08-25 杭州普健医疗科技有限公司 一种医学影像对齐方法、介质及电子设备
CN111751771A (zh) * 2020-07-02 2020-10-09 北京万东医疗科技股份有限公司 一种水脂分离装置及方法
CN111751771B (zh) * 2020-07-02 2022-09-30 北京万东医疗科技股份有限公司 一种水脂分离装置及方法
CN113240645A (zh) * 2021-05-17 2021-08-10 赤峰学院附属医院 显示处理方法、装置、存储介质、处理器及终端设备
CN113240645B (zh) * 2021-05-17 2024-04-16 赤峰学院附属医院 显示处理方法、装置、存储介质、处理器及终端设备
CN114581605A (zh) * 2022-02-22 2022-06-03 清华大学 工件的扫描图像生成方法、装置、设备及计算机存储介质

Similar Documents

Publication Publication Date Title
Sun et al. An adversarial learning approach to medical image synthesis for lesion detection
CN109978965A (zh) 一种模拟ct图像生成方法、装置、计算机设备和存储介质
CN110148192B (zh) 医学影像成像方法、装置、计算机设备和存储介质
CN111080584B (zh) 医学图像的质控方法、计算机设备和可读存储介质
CN109800805A (zh) 基于人工智能的图像处理系统以及计算机设备
CN110400617A (zh) 医学成像中的成像和报告的结合
CN113706491A (zh) 基于混合注意力弱监督迁移学习的半月板损伤分级方法
CN115830017B (zh) 基于图文多模态融合的肿瘤检测系统、方法、设备及介质
CN115239674B (zh) 基于多尺度判别的计算机血管造影成像合成方法
Ferreira et al. GAN-based generation of realistic 3D data: A systematic review and taxonomy
CN114881848A (zh) 一种多序列mr转ct的方法
Anaam et al. Studying the applicability of generative adversarial networks on HEp-2 cell image augmentation
Gheorghiță et al. Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data
CN110270015A (zh) 一种基于多序列MRI的sCT生成方法
CN116433654A (zh) 一种改进的U-Net网络实现脊柱整体分割方法
WO2020056196A1 (en) Fully automated personalized body composition profile
Amirkolaee et al. Medical image translation using an edge-guided generative adversarial network with global-to-local feature fusion
CN114494014A (zh) 一种磁共振图像超分辨率重建方法及装置
CN113011514B (zh) 基于双线性池化应用于ct影像的颅内出血亚类型分类算法
Lim et al. Automatic artifact detection algorithm in fetal MRI
CN114565623A (zh) 肺血管分割方法、装置、存储介质及电子设备
CA3104607A1 (en) Contrast-agent-free medical diagnostic imaging
Cao et al. Enhancing the MR neuroimaging by using the deep super-resolution reconstruction
CN117078703B (zh) 一种基于mri引导的ct图像分割方法及系统
Cahan et al. X-ray2CTPA: Generating 3D CTPA scans from 2D X-ray conditioning

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