CN110010229A - 一种基于生成对抗网络的超声影像模拟方法 - Google Patents

一种基于生成对抗网络的超声影像模拟方法 Download PDF

Info

Publication number
CN110010229A
CN110010229A CN201910281478.9A CN201910281478A CN110010229A CN 110010229 A CN110010229 A CN 110010229A CN 201910281478 A CN201910281478 A CN 201910281478A CN 110010229 A CN110010229 A CN 110010229A
Authority
CN
China
Prior art keywords
image
confrontation network
ultrasonic
ultrasonic image
analogy method
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
Application number
CN201910281478.9A
Other languages
English (en)
Other versions
CN110010229B (zh
Inventor
彭博
黄星
周竞宇
王世元
张全
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum 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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN201910281478.9A priority Critical patent/CN110010229B/zh
Publication of CN110010229A publication Critical patent/CN110010229A/zh
Application granted granted Critical
Publication of CN110010229B publication Critical patent/CN110010229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种基于生成对抗网络的超声影像模拟方法，包括以下步骤：首先，在CT图像或者MR图像中得到切片，得到切片后根据图像的形态学特性分割图像的不同区域；然后给不同的区域分配不同的反射系数值；通过大量的k‑Wave模拟的超声影像训练模型，当模型收敛后，使用训练好的模型来实时模拟超声影像。本发明能够实时的完成超声影像模拟，得到的图像相对于传统卷积法效果更逼真，具有很好的临床应用。

Description

一种基于生成对抗网络的超声影像模拟方法
技术领域
本发明涉及医学图像处理技术领域，特别是涉及一种基于生成对抗网络的超声影像模拟方法。
背景技术
通过医学超声，临床医生可以快速的可视化存在潜在问题的区域。例如，可以帮助医生快速判断患者是否在急诊室或重症监护室发生气胸(肺部塌陷)。这也是为什么越来越多的临床医生(例如医生，护士，技师)正在使用超声波来体检和临床进行快速诊断的原因。由于越来越多放射学领域之外的临床医生需要应用超声波技术，所以适当地训练临床医生变得越来越重要。
通常在医学超声中，大于8帧/秒的帧速率能允许机器向操作员提供即时反馈信息，继而完成交互式任务和训练。虽然现在已有几个完善的超声模拟器(例如Field II，Focus和k-Wave)，但它们还不能完全适用于当下环境。这是因为通过生物组织的超声波传播的数值建模是复杂的，且通常计算量大，不能实时生成超声图像。例如，在Field II中，在使用多个(例如16个)CPU的并行计算下获得合理大小的B模式图像通常需要20小时，计算速度较慢，且成像质量低。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于生成对抗网络的超声影像模拟方法，使用生成对抗网络快速、真实的模拟超声影像，解决了在医学超声影像模拟领域中，对于模拟得到的超声影像不能够高质量的实时成像问题。
本发明的目的是通过以下技术方案来实现的：一种基于生成对抗网络的超声影像模拟方法，包括以下步骤：
S1：获取病人的CT/MR图像并切割该CT/MR图像，得到对应的组织切片图像；
S2：根据图像形态学特征将组织切片图像分割成不同区域，并给不同的区域分配相应的反射系数值，得到反射系数图；
S3：收集超声模拟数据训练生成对抗网络，所述生成对抗网络包括生成器和鉴别器，生成器通过超声模拟数据的反射系数图生成对应的B模式图像，鉴别器通过输入该B模式图像和该反射系数图判断两者是否为真实的图像对，若是，则输出该B模式图像，若否，则进行反向传播更新生成对抗网络；
S4：生成对抗网络训练完毕后，将新的反射系数图输入所述生成器，由于模型收敛此时生成器生成的B模式图像即为逼真的超声图像。
所述的S2还包括以下子步骤：
S21：使用模糊C均值聚类方法自动将组织切片图像分为多种组织类型图像；
S22：根据可用反射系数值将反射系数分配给每种组织类型图像，得到反射系数图。
所述的S3中，使用k-Wave预先模拟的数据训练生成对抗网络。
所述k-Wave预先模拟的数据包含多个二维的数值模型，每个模型包含圆形内含物、矩形内含物或三角形内含物，各个内含物的size函数的取值范围为3mm～10mm。
所述的S3中，使用adam优化算法进行反向传播更新生成对抗网络，其损失函数为条件生成对抗损失与L1距离函数损失的加权求和，即其中，λ为权值。
所述生成器为u-net生成器。
所述鉴别器为马尔可夫鉴别器，其使用的激活函数为lrelu，卷积层为3层。
本发明的有益效果是：利用深度学习中的生成对抗网络来拟合超声影像模拟过程，将两者结合，最终在进行超声影像模拟时，能够实时生成逼真的超声图像(速度快、成像质量好)，解决了在传统超声成像模拟中所存在的速度与质量相矛盾的问题。
附图说明
图1为基于生成对抗网络的超声影像模拟器流程图；
图2为超声模拟的超声参数图
图3为生成对抗网络的细节图；
图4为本发明与Field II方法的对比图；
图5为本发明与Field II对于统计学特性分析的对比图；
图6为本发明对于MR数据与Field II分析的对比图。
具体实施方式
下面将结合实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1-6，本发明提供一种技术方案：一种基于生成对抗网络(GAN)的超声影像模拟方法，包括以下步骤：
S1：获取病人的CT/MR图像并切割该CT/MR图像，得到对应的组织切片图像；随着3D计算机断层扫描(CT)和磁共振成像(MR)扫描的数据的增多，更加容易获得解剖学相关超声数据。因此，本发明使用CT和MR数据提供的真实解剖信息来简化超声模拟。
S2：根据图像形态学特征将组织切片图像分割成不同区域，并给不同的区域分配相应的反射系数值，得到反射系数图；所述反射系数值是指光(入射光)投向物体时，其表面反射光的强度与入射光的强度之比值，不同区域的图像不同，所对应的反射系数值也不同。
进一步的，所述的S2还包括以下子步骤：
S21：使用模糊C均值聚类方法自动将组织切片图像分为多种组织类型图像；所述模糊C均值聚类方法通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。
S22：根据可用反射系数值将反射系数分配给每种组织类型图像，即根据已知文献(现有技术)中的各种器官或者组织的反射强度按照一定比例将反射系数值分配给每种组织类型，进而得到反射系数图。
S3：收集超声模拟数据训练生成对抗网络，所述生成对抗网络包括生成器和鉴别器，生成器通过超声模拟数据的反射系数图生成对应的B模式图像，鉴别器通过输入该B模式图像和该反射系数图判断两者是否为真实的图像对，若是，则输出该B模式图像，若否，则进行反向传播更新生成对抗网络。
生成器的目标就是尽量生成真实的图片去欺骗判别器，而判别器的目标就是尽量把生成器生成的图片和真实的图片分别开来，生成器和判别器构成了一个动态的“博弈过程”，最终模型收敛，使用生成器来生成B模式图像；
所述的S3中，使用k-Wave预先模拟的数据训练生成对抗网络，k-Wave是一款专门用于超声、光声仿真的开源软件，能够模拟出大量的数据。
进一步的，所述k-Wave预先模拟的数据包含多个二维的数值模型，每个模型包含圆形内含物、矩形内含物或三角形内含物，各个内含物的size函数的取值范围为3mm～10mm，将数值模型进行K-wave模拟，用于超声模拟的超声参数列于图2中，该模拟过程总共进行了100次模拟，并将每个所得图像分成4个块，因此，总共有400个图像块(256*256)用于训练，能够满足训练生成对抗网络的需求，得到逼真的超声图像。
所述的S3中，使用adam优化算法进行反向传播更新生成对抗网络，adam(自适应矩估计)，概率论中矩的含义是，如果一个随机变量X服从某个分布，X的一阶矩是E(X)，也就是样本平均值，X的二阶矩就是E(X^2)，也就是样本平方的平均值。
Adam算法根据损失函数对每个参数的梯度的一阶矩估计和二阶矩估计动态调整针对于每个参数的学习速率。其损失函数为条件生成对抗损失与L1距离函数损失的加权求和，即其中，λ为权值。
本发明中提到的生成对抗网络采用Isola等人提出的“image to image”方法生成超声B模式图像。此模型在训练时的参数：batch_size为1，L1距离损失的权重为100，最大的迭代epoch为200，学习率为0.0002，能够完成成对的图像之间像素级别的转换。对于此模型的细节信息如图3所示，可以看到生成器是使用完全对称的u-net，卷积与反卷积的核大小都为5x5，在鉴别器方面卷积核大小为5x5。
在数学上，生成器G的输入是图像x和一些随机噪声z，输出是另一个图像y。如公式1所示，条件生成器G被训练以产生一系列输出图像，这些输出图像尽可能不被训练的鉴别器D区分，训练的鉴别器D被训练成尽可能地检测“伪造的”图像。形式上，这个条件GAN模型的目标函数可以写成：
为了避免生成的Bmode超声图像中的大量模糊，使用L1距离函数来调整由生成器G生成的图像，
因此，在零和极小极大优化框架中，最终的优化目标函数如所述的
Adam算法也是基于梯度下降的方法，但是每次迭代参数的学习步长都有一个确定的范围，不会因为很大的梯度导致很大的学习步长，参数的值比较稳定，计算梯度的一阶矩估计和二阶矩估计为不同的参数设计独立的自适应性学习率。
正如上所说，输入和输出之间会共享很多的信息。对于生成器G如果使用普通的卷积神经网络，那么会导致每一层都承载保存着所有的信息，这样神经网络很容易出错。因而，所述生成器为u-net生成器，u-net结构完全对称，使用跳跃连接联合高层语义与低层细粒度表层信息，可以将一部分信息拼接到后面相对称的结构。
所述鉴别器为马尔可夫鉴别器(PatchGAN)，由于L1已经可以保证低频的正确性，所以利用PatchGAN来约束高频，将高频限制在期望范围内，PatchGAN的基本思路就是它的惩罚项是加在n×n的patch上的，然后把所有的patch平均得到最终的输出，基本的GAN模型细节如下图3所示。
其使用的激活函数为lrelu，卷积层为3层，在神经网络中，激活函数的作用是能够给神经网络加入一些非线性因素，使得神经网络可以更好地解决较为复杂的问题，当激活函数输出值是有限的时候，基于梯度的优化方法会更加稳定，因为特征的表示受有限权值的影响更显著；当激活函数的输出是无限的时候，模型的训练会更加高效，不过在这种情况下，一般需要更小的学习率。
S4：生成对抗网络训练完毕后，将新的反射系数图输入所述生成器，由于模型收敛此时生成器生成的B模式图像即为逼真的超声图像
如图4所示，本发明与传统算法相对比在反射系数图(图4A)与B模式图像(图4B：Field II模拟的B模式图像)的映射有较好的效果，可以逼真地模拟超声B模式图像(图4C：本发明模拟的B模式图像)，可以很容易地看出本发明提出的生成对抗网络获得的目标对比度和特征与使用Field II模拟器获得的结果相当。
如图5所示，基于GAN的模拟器获得的超声数据是遵循瑞利散射的，本发明也使用了MR数据模拟的B模式图像与Field II模拟的B模式图像进行了对比(图5A：结果直方图；图5B：针对图4B与图4C中区域1和区域2进行的统计学的瑞利分布分析图)。
如图6所示，将对比度增强的MR乳房数据(图6A：对比增强的MR图像)转换成反射率图，反射率图包含五个不同的成分(图6B)：脂肪，纤维腺组织，肌肉，微血管丰富区域和库珀韧带，与Field II模拟器模拟的超声图像(图6C：Field II模拟的B模式图像)相比，本发明产生了相当好的B模式图像(图6D：本发明模拟的B模式图像)。
通过本发明，可以解决在医学图像处理中的超声影像模拟所存在的速度与质量二者相矛盾的问题，在传统超声成像模拟中，图像质量好的模拟需要的时间很长，模拟时间短的成像质量不高，本发明利用深度学习中的生成对抗网络来拟合超声影像模拟过程，将两者结合，最终在进行超声影像模拟时，可以达到速度快、成像质量好的优点，将本发明用于实时超声医学培训等领域中，可快速可视化潜在问题区域，实用效果显著。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.一种基于生成对抗网络的超声影像模拟方法，其特征在于，包括以下步骤：
S1：获取病人的CT/MR图像并切割该CT/MR图像，得到对应的组织切片图像；
S2：根据图像形态学特征将组织切片图像分割成不同区域，并给不同的区域分配相应的反射系数值，得到反射系数图；
S3：收集超声模拟数据训练生成对抗网络，所述生成对抗网络包括生成器和鉴别器，生成器通过超声模拟数据的反射系数图生成对应的B模式图像，鉴别器通过输入该B模式图像和该反射系数图判断两者是否为真实的图像对，若是，则输出该B模式图像，若否，则进行反向传播更新生成对抗网络；
S4：生成对抗网络训练完毕后，将新的反射系数图输入所述生成器，由于模型收敛此时生成器生成的B模式图像即为逼真的超声图像。
2.根据权利要求1所述的一种基于生成对抗网络的超声影像模拟方法，其特征在于：所述的S2还包括以下子步骤：
S21：使用模糊C均值聚类方法自动将组织切片图像分为多种组织类型图像；
S22：根据可用反射系数值将反射系数分配给每种组织类型图像，得到反射系数图。
3.根据权利要求1所述的一种基于生成对抗网络的超声影像模拟方法，其特征在于：所述的S3中，使用k-Wave预先模拟的数据训练生成对抗网络。
4.根据权利要求3所述的一种基于生成对抗网络的超声影像模拟方法，其特征在于：所述k-Wave预先模拟的数据包含多个二维的数值模型，每个模型包含圆形内含物、矩形内含物或三角形内含物，各个内含物的size函数的取值范围为3mm～10mm。
5.根据权利要求1所述的一种基于生成对抗网络的超声影像模拟方法，其特征在于：所述的S3中，使用adam优化算法进行反向传播更新生成对抗网络，其损失函数为条件生成对抗损失与L1距离函数损失的加权求和，即其中，λ为权值。
6.根据权利要求1所述的一种基于生成对抗网络的超声影像模拟方法，其特征在于：所述生成器为u-net生成器。
7.根据权利要求1或6所述的一种基于生成对抗网络的超声影像模拟方法，其特征在于：所述鉴别器为马尔可夫鉴别器，其使用的激活函数为lrelu，卷积层为3层。
CN201910281478.9A 2019-04-09 2019-04-09 一种基于生成对抗网络的超声影像模拟方法 Active CN110010229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910281478.9A CN110010229B (zh) 2019-04-09 2019-04-09 一种基于生成对抗网络的超声影像模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910281478.9A CN110010229B (zh) 2019-04-09 2019-04-09 一种基于生成对抗网络的超声影像模拟方法

Publications (2)

Publication Number Publication Date
CN110010229A true CN110010229A (zh) 2019-07-12
CN110010229B CN110010229B (zh) 2020-06-02

Family

ID=67170579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910281478.9A Active CN110010229B (zh) 2019-04-09 2019-04-09 一种基于生成对抗网络的超声影像模拟方法

Country Status (1)

Country Link
CN (1) CN110010229B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260652A (zh) * 2020-01-09 2020-06-09 浙江传媒学院 一种基于mimo-gan的图像生成系统和方法
CN111476764A (zh) * 2020-03-27 2020-07-31 西安科技大学 一种运动模糊ct图像三维重建的方法
CN114267432A (zh) * 2022-03-01 2022-04-01 中南大学 生成对抗网络交替训练及医疗图像分类方法、装置、介质
CN115035766A (zh) * 2022-06-24 2022-09-09 首都医科大学附属北京同仁医院 一种眼科教学培训方法、系统及设备
WO2022213654A1 (zh) * 2021-04-07 2022-10-13 中国科学院深圳先进技术研究院 一种超声图像的分割方法、装置、终端设备和存储介质
CN116030037A (zh) * 2023-02-23 2023-04-28 西南石油大学 一种基于自监督学习的超声图像模拟方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101022765A (zh) * 2004-08-31 2007-08-22 华盛顿州大学 用于评估狭窄血管的壁振动的超声技术
CN107909621A (zh) * 2017-11-16 2018-04-13 深圳市唯特视科技有限公司 一种基于双生成对抗网络的医学图像合成方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101022765A (zh) * 2004-08-31 2007-08-22 华盛顿州大学 用于评估狭窄血管的壁振动的超声技术
CN107909621A (zh) * 2017-11-16 2018-04-13 深圳市唯特视科技有限公司 一种基于双生成对抗网络的医学图像合成方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ANTONIA CRESWELL 等: "Generative Adversarial Networks: An Overview", 《SUBMITTED TO IEEE-SPM》 *
张付良 等: "Field II 超声模拟器的并行与分布式", 《科研信息化技术与应用》 *
张龙 等: "协作式生成对抗网络", 《自动化学报》 *
陈锟 等: "生成对抗网络在医学图像处理中的应用", 《生命科学仪器》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260652A (zh) * 2020-01-09 2020-06-09 浙江传媒学院 一种基于mimo-gan的图像生成系统和方法
CN111260652B (zh) * 2020-01-09 2023-09-08 浙江传媒学院 一种基于mimo-gan的图像生成系统和方法
CN111476764A (zh) * 2020-03-27 2020-07-31 西安科技大学 一种运动模糊ct图像三维重建的方法
CN111476764B (zh) * 2020-03-27 2021-08-24 西安科技大学 一种运动模糊ct图像三维重建的方法
WO2022213654A1 (zh) * 2021-04-07 2022-10-13 中国科学院深圳先进技术研究院 一种超声图像的分割方法、装置、终端设备和存储介质
CN114267432A (zh) * 2022-03-01 2022-04-01 中南大学 生成对抗网络交替训练及医疗图像分类方法、装置、介质
CN114267432B (zh) * 2022-03-01 2022-05-24 中南大学 生成对抗网络交替训练及医疗图像分类方法、装置、介质
CN115035766A (zh) * 2022-06-24 2022-09-09 首都医科大学附属北京同仁医院 一种眼科教学培训方法、系统及设备
CN115035766B (zh) * 2022-06-24 2023-08-01 首都医科大学附属北京同仁医院 一种眼科教学培训方法、系统及设备
CN116030037A (zh) * 2023-02-23 2023-04-28 西南石油大学 一种基于自监督学习的超声图像模拟方法

Also Published As

Publication number Publication date
CN110010229B (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
CN110010229A (zh) 一种基于生成对抗网络的超声影像模拟方法
Su et al. Lung nodule detection based on faster R-CNN framework
Lou et al. Generation of anatomically realistic numerical phantoms for photoacoustic and ultrasonic breast imaging
Li et al. Methodology for generating a 3D computerized breast phantom from empirical data
JP4652023B2 (ja) 病気の発見に役立つ画像データの処理方法及び装置
CN110010219A (zh) 光学相干层析图像视网膜病变智能检测系统及检测方法
CN110464380A (zh) 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法
CN109829880A (zh) 一种基于深度学习的ct图像检测方法、装置和控制设备
CN109661684A (zh) 用于现实交互式超声模拟的射线追踪方法
CN109410337A (zh) 一种基于vr模型的人工智能医疗系统实现方法、系统
Ning et al. Real-time and multimodality image-guided intelligent HIFU therapy for uterine fibroid
Cerrolaza et al. 3d fetal skull reconstruction from 2dus via deep conditional generative networks
CN109598697A (zh) 二维乳腺造影数据组的确定
Peng et al. A real-time medical ultrasound simulator based on a generative adversarial network model
CN111477337B (zh) 基于个体自适应传播网络的传染病预警方法、系统及介质
Guo et al. MMFGAN: A novel multimodal brain medical image fusion based on the improvement of generative adversarial network
Yunchao et al. Application of computer vision and deep learning in breast cancer assisted diagnosis
Vashishtha et al. An overview of medical imaging techniques for knee osteoarthritis disease
Benbelkacem et al. Lung infection region quantification, recognition, and virtual reality rendering of CT scan of COVID-19
Wang et al. Deep transfer learning-based multi-modal digital twins for enhancement and diagnostic analysis of brain mri image
Lu et al. PKRT-Net: prior knowledge-based relation transformer network for optic cup and disc segmentation
Badano et al. The stochastic digital human is now enrolling for in silico imaging trials—methods and tools for generating digital cohorts
Zhang et al. Photoacoustic digital brain and deep-learning-assisted image reconstruction
Bakic Breast tissue description and modeling in mammography
Torrents-Barrena et al. Fetal MRI synthesis via balanced auto-encoder based generative adversarial networks

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