CN110101401B - 一种肝脏对比剂数字减影造影方法 - Google Patents
一种肝脏对比剂数字减影造影方法 Download PDFInfo
- Publication number
- CN110101401B CN110101401B CN201910312821.1A CN201910312821A CN110101401B CN 110101401 B CN110101401 B CN 110101401B CN 201910312821 A CN201910312821 A CN 201910312821A CN 110101401 B CN110101401 B CN 110101401B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- contrast agent
- digital subtraction
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000002872 contrast media Substances 0.000 title claims abstract description 33
- 210000004185 liver Anatomy 0.000 title claims abstract description 24
- 238000002583 angiography Methods 0.000 title claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 230000006837 decompression Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 7
- 238000002601 radiography Methods 0.000 abstract description 5
- 230000008485 antagonism Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 53
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 208000037157 Azotemia Diseases 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 210000005228 liver tissue Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- MIKKOBKEXMRYFQ-WZTVWXICSA-N meglumine amidotrizoate Chemical compound C[NH2+]C[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.CC(=O)NC1=C(I)C(NC(C)=O)=C(I)C(C([O-])=O)=C1I MIKKOBKEXMRYFQ-WZTVWXICSA-N 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008085 renal dysfunction Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
-
- 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
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种肝脏对比剂数字减影造影方法，包括：利用计算机数字减影技术，对患者被引入对比剂前后的CT进行减影造影处理，并通过动态平衡处理，消除因被拍摄者姿势变化而引起的重影干扰后适当调节亮度和对比度，得到减影造影后的图像。图像增强的过程中引入基于对抗生成模型的图像智能处理方法。本发明通过将CT(A)和CT(B)在对应位置上的数据输入生成模型获得优化后的成像。生成模型采用条件对抗生成网络，输入的CT(A)和CT(B)为网络的条件输入，模型通过对抗性学习方法训练。其有益效果是减少造影时对比剂的引入量，增加判读结果准确性并减轻医生工作压力。
Description
技术领域
本发明涉及一种数字减影造影方法，尤其是一种肝脏引入对比剂CT拍摄图像分割算法，属于医学影像处理技术领域。
背景技术
肝脏是人体代谢的主要器官，参与多种物质在体内的合成、分解、排泄等代谢，当肝脏功能发生障碍时，整个机体都会受影响。
计算机X线断层扫描(Computed Tomography,CT)的成像原理是从各个角度用X光射线照射人体，由于人体内不同器官和组织的密度与厚度是不同的，使得X射线穿过人体不同组织后会存在不同程度的衰减，根据衰减程度可得到不同组织或器官的灰阶投影图像。
当肝脏发生病变时，往往会使用CT对肝脏进行扫描检查，然而CT检查，对肝脏组织间，特别是病灶内、外结构的显示都有不同程度的局限性，这种由于等密度所造成的分辨力不足给临床定性、定量诊断造成困难，因此，目前在肝脏病变时的CT扫描操作时，人们习惯引入经肝脏排泄的典番酸或胆影葡胺等对比剂，使其周围密度的差异尽可能地分开，以其强烈的对比充分展示组织结构、病灶特征。
随着CT等成像技术的应用，医学影像处理与分析已成为目前医学技术发展最快、成果最显著的领域之一。然而对于如有典过敏病史者；氮质血症患者；有哮喘、肾功能障碍、心脏病、肺、支气管患者；糖尿病患者；婴儿及老人等一些特殊人群，引入肝脏对比剂，可能引发不良反应，轻者会引起呕吐、胸闷等不适，重者导致休克甚至死亡。而完全不引入对比剂，对成像的判读效果又会造成负面影响，难以准确判断病情，在本发明未作出之前，无肝脏对比剂数字减影造影方法使用，检索专利文献，无该技术方案公开。
发明内容
为了克服现有技术中无肝脏对比剂数字减影造影方法的不足，本发明的目的是为了提供一种肝脏对比剂数字减影造影方法，该造影方法会将患者被引入肝脏对比剂前后的CT扫描图像通过计算机处理，去除因患者姿势变化等因素造成的重影、位移等干扰，然后引入与本发明相匹配的一种多模态肝脏CT影像增强方法，在更低的对比差异水平下辅助医生判断病情严重程度。此造影方法能够减少对比剂引入的剂量，从而达到减少对比剂对人体的危害、降低医疗成本的目的。在此基础上，运用深度学习方法对增强的影像进行3D分割，精确标注图像中病灶的位置，全自动化分析判读标记图像，减轻医生工作压力。
为了达到本发明的目的，本发明解决其技术问题所采用的技术方案是：
一种肝脏对比剂数字减影造影方法，包括下述步骤：
步骤一：采集向患者引入对比剂前的CT拍摄影像，定义为CT(A)，采集向患者引入对比剂后的CT拍摄影像，定义为CT(B)，将采集到的多组CT(A)和CT(B)建立CT序列数据；
步骤二：采用宽度为3像素的高斯核卷积对CT序列数据中的CT拍摄影像进行预处理，处理过程先进行滤波去除噪声，然后进行动态平衡处理，将处理后的CT(A)和CT(B)的样本通过图像增强处理模型处理得到单一的增强后CT影像的图像；
步骤三：将增强后的图像进入分割模型实现病灶的图像语义分割。
进一步地，模型为3D全卷积网络，所述3D全卷积网络采用4级Unet为主干结构。
进一步地，主干结构的中部增加卷积循环网络层，可用于关联CT影像人体各横断面的数据。
进一步地，所述3D全卷积网络包括为压缩部分和解压缩部分，压缩部分和解压缩部分各自包括4个等级的处理。
进一步地，主干结构的左右两部分的各个层级之间存在密集连接。
进一步地，压缩部分每个等级包括降采样、2层卷积连接和激活函数层，图像数据每经过一个等级，尺寸减半，通道数倍增。
进一步地，解压缩部分每个等级包括连接、升采样、2层卷积连接和激活函数层，图像数据每经过一个等级，尺寸倍增，输出通道数减半。
进一步地，所述图像增强处理模型包括双条件输入的对抗生成性网络(conditional generative adverserial network)，CT(A)和CT(B)分别作为两个依赖条件输入所述对抗生成性忘了，分别经过两个独立的初级模块后，进入同一个融合模块，再经过融合模块网络，得到增强后的图像。
进一步地，两个独立的初级模块和联合模块各采用4层的卷积神经网络模块，融合模块网络采用步长为2的降采样加通道方向的连接。
进一步地，所述增强模型由对抗生成网络(GAN)进行训练，在训练时通过随机噪声发生器向生成网络输入随机信号，判别网络为一个19层的ResNet，通过梯度下降算法训练，采用每3次更新判别网络后更新1次生成网络的步骤训练。
放射科医生为患者拍摄未引入对比剂的普通CT，得到普通CT(A)，然后根据患者的体质，向患者引入少量的对比剂，再次以同样方式为患者拍摄引入对比剂后的CT，得到引入对比剂后CT(B)，利用计算机数字减影技术进行减影造影处理，并且通过动态平衡处理，消除因被拍摄者姿势变化而引起的重影干扰，适当调节亮度和对比度，从而得到减影造影后的图像。图像增强的过程中引入基于对抗生成模型的图像智能处理方法。此方法通过将CT(A)和CT(B)在对应位置上的数据输入生成模型获得优化后的成像。生成模型采用条件对抗生成网络，输入的CT(A)和CT(B)为网络的条件输入，模型通过对抗性学习方法训练。通过这种方法，本发明由神经网络模型实现智能化的减影造影过程，实现低对比度条件下生成增强的肝脏影像，从而达到减少对比剂使用量的发明目的。增强后的图像除直接用于人工视觉分析外，输入与本发明相匹配的一种多模态肝脏CT影像分割方法进行人工智能判读，精确标注图像中病灶的位置，并辅助医生判断病情严重程度。
本发明的有益效果是减少造影时对比剂的引入量，增加判读结果准确性并减轻医生工作压力。
附图说明
下面通过附图和实施例对本发明作进一步说明。
图1是本发明示意图。
图2是一种基于对抗生成网络的智能成像增强方法示意图。
图3是对抗生成网络的训练方法。
图4是对增强后影像的肝脏和肿瘤分割模型。
具体实施方式
本发明所述的操作方法由图1所示的总步骤描述。数据来自2次X光CT扫描拍摄得到的CT序列数据CT(A)和CT(B)。其中CT(A)拍摄于对比剂引入前，CT(B)在引入后。图像首先对CT(A)和CT(B)进行相同的预处理：处理过程先进行滤波去除噪声，滤波采用长、宽、高皆为5像素的3D高斯核进行图像卷积实现。之后进行动态平衡处理，先计算图像像素强度值分布的直方图(取[0,255]区间，分为50个单位)，然后用标准直方图均衡化算法实现动态平衡。
处理后的CT(A)和CT(B)样本输入图2的智能成像增强模型，增强模型输出单一的增强后CT影像。新影像输入图4所示的分割模型，得到影像分割和分析结果。
依据图2，增强模型采用一个双条件输入的对抗生成性网络(conditionalgenerative adverserial network)，CT(A)和CT(B)分别作为两个依赖条件，输入经过2个独立的初级模块后，进入一个融合模块，再经过融合后的网络，得到增强后的图像。其中，2个生成通道的模块和联合模块各采用4层的卷积神经网络模块，融合单元采用步长为2的降采样加通道方向的连接。
增强模型由图3所示的对抗生成网络(GAN)进行训练。随机噪声发生器在训练时向生成网络输入随机信号，起样本扩增的作用。生成网络具体结构如图2所示。真实对比影像由传统的标准剂量对比剂下的CT摄影的结果提供。判别网络为一个19层的ResNet。网络通过梯度下降算法训练，采用每3次更新判别网络后更新1次生成网络的步骤训练。训练完成的网络在使用时，判别网络和随机噪声发生器都被移除。
增强后的图像进入分割模型实现病灶的图像语义分割。图4所示，分割模型为3D全卷积网络(模型的输入影像、输出分割结果皆为3D数据)，采用4级Unet为主干结构，在此基础上增加了中间的卷积循环网络层(M级)用于实现模型在影像垂直轴方向上各层横断面数据间建立关联(区别于影像的矢状轴和冠状轴方向的数据分层)，和左右两部分的各个层级之间存在密集连接(增加数据前后高密度连接)。全卷积网络总体分为压缩(左)和解压缩(右)两部分，各分为4个等级的处理。压缩部分每个等级包括降采样、2层卷积连接+激活函数层，图像数据每经过一级，尺寸减半，通道数倍增，第一级E1输出为24通道，之后为48,96,192。解压缩部分每个等级包括连接、升采样、2层卷积连接+激活函数层，图像数据每经过一级，尺寸倍增，输出通道数减半，D4～D1分别为96，48，24，3。
分割模型通过由CT影像和对应的分割标记组成的成对样本进行训练得到。一般训练用数据量不少于50对样本，分割标记由医学专家人工绘制。一个CT影像大小为D×512×512，D为在人体轴向上的切片数量，一般不定。在模型的训练过程中，在随机选取的CT影像样本中在随机位置采样得到30×256×256的切块，在标记数据中在同样位置获得相同大小的切块。将影像切块输入模型，将其输出和标记切块对比，计算差异，然后将这种差异通过“反向传播”算法获取模型参数的调整值，更新模型。整个过程重复多次，一般进行至少40000次循环以上。
Claims (9)
1.一种肝脏对比剂数字减影造影方法，其特征在于，包括下述步骤：
步骤一：采集向患者引入对比剂前的CT拍摄影像，定义为CT(A)，采集向患者引入对比剂后的CT拍摄影像，定义为CT(B)，将采集到的多组CT(A)和CT(B)建立CT序列数据；
步骤二：采用宽度为3像素的高斯核卷积对CT序列数据中的CT拍摄影像进行预处理，处理过程先进行滤波去除噪声，然后进行动态平衡处理，将处理后的CT(A)和CT(B)的样本通过图像增强处理模型处理得到单一的增强后CT影像的图像；
步骤三：将增强后的图像进入分割模型实现病灶的图像语义分割；
所述图像增强处理模型包括双条件输入的对抗生成性网络(conditional
generative adverserialnetwork)，CT(A)和CT(B)分别作为两个依赖条件输入所述对抗生成性网络，分别经过两个独立的初级模块后，进入同一个融合模块，再经过融合模块网络，得到增强后的图像。
2.根据权利要求1所述的一种肝脏对比剂数字减影造影方法，其特征在于，分割模型为3D全卷积网络，所述3D全卷积网络采用4级Unet为主干结构。
3.根据权利要求2所述的一种肝脏对比剂数字减影造影方法，其特征在于，主干结构的中部增加卷积循环网络层，以关联CT影像人体各横断面的数据。
4.根据权利要求2所述的一种肝脏对比剂数字减影造影方法，其特征在于，所述3D全卷积网络包括为压缩部分和解压缩部分，压缩部分和解压缩部分各自包括4个等级的处理。
5.根据权利要求4所述的一种肝脏对比剂数字减影造影方法，其特征在于，主干结构的左右两部分的各个层级之间存在密集连接。
6.根据权利要求4或5所述的一种肝脏对比剂数字减影造影方法，其特征在于，压缩部分每个等级包括降采样、2层卷积连接和激活函数层，图像数据每经过一个等级，尺寸减半，通道数倍增。
7.根据权利要求4或5所述的一种肝脏对比剂数字减影造影方法，其特征在于，解压缩部分每个等级包括连接、升采样、2层卷积连接和激活函数层，图像数据每经过一个等级，尺寸倍增，输出通道数减半。
8.根据权利要求1所述的一种肝脏对比剂数字减影造影方法，其特征在于，两个独立的初级模块和融合模块各采用4层的卷积神经网络模块，融合模块网络采用步长为2的降采样加通道方向的连接。
9.根据权利要求1所述的一种肝脏对比剂数字减影造影方法，其特征在于，所述图像增强处理模型由对抗生成网络(GAN)进行训练，在训练时通过随机噪声发生器向生成网络输入随机信号，判别网络为一个19层的ResNet，通过梯度下降算法训练，采用每3次更新判别网络后更新1次生成网络的步骤训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910312821.1A CN110101401B (zh) | 2019-04-18 | 2019-04-18 | 一种肝脏对比剂数字减影造影方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910312821.1A CN110101401B (zh) | 2019-04-18 | 2019-04-18 | 一种肝脏对比剂数字减影造影方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110101401A CN110101401A (zh) | 2019-08-09 |
| CN110101401B true CN110101401B (zh) | 2023-04-07 |
Family
ID=67485746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910312821.1A Active CN110101401B (zh) | 2019-04-18 | 2019-04-18 | 一种肝脏对比剂数字减影造影方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110101401B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541941B (zh) * | 2020-12-07 | 2023-12-15 | 明峰医疗系统股份有限公司 | 一种基于ct定位片的扫描流程决策方法及系统 |
| CN113017667B (zh) * | 2021-02-05 | 2024-09-24 | 上海市第六人民医院 | 一种血管狭窄的量化方法、装置、设备和可读存储介质 |
| CN115100092B (zh) * | 2022-06-28 | 2024-05-28 | 深圳睿心智能医疗科技有限公司 | 冠脉ct图像的减影方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053417A (zh) * | 2018-01-30 | 2018-05-18 | 浙江大学 | 一种基于混合粗分割特征的3DU-Net网络的肺分割装置 |
| 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 |
| WO2018200493A1 (en) * | 2017-04-25 | 2018-11-01 | The Board Of Trustees Of The Leland Stanford Junior University | Dose reduction for medical imaging using deep convolutional neural networks |
| CN109035356A (zh) * | 2018-07-05 | 2018-12-18 | 四川大学 | 一种基于pet图形成像的系统及方法 |
| WO2019019199A1 (en) * | 2017-07-28 | 2019-01-31 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE CONVERSION |
| CN109377520A (zh) * | 2018-08-27 | 2019-02-22 | 西安电子科技大学 | 基于半监督循环gan的心脏图像配准系统及方法 |
| CN109493308A (zh) * | 2018-11-14 | 2019-03-19 | 吉林大学 | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 |
| CN109584252A (zh) * | 2017-11-03 | 2019-04-05 | 杭州依图医疗技术有限公司 | 基于深度学习的ct影像的肺叶段分割方法、装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020510463A (ja) * | 2017-01-27 | 2020-04-09 | アーテリーズ インコーポレイテッド | 全層畳み込みネットワークを利用する自動化されたセグメンテーション |
| US11257259B2 (en) * | 2017-08-15 | 2022-02-22 | Siemens Healthcare Gmbh | Topogram prediction from surface data in medical imaging |
-
2019
- 2019-04-18 CN CN201910312821.1A patent/CN110101401B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018200493A1 (en) * | 2017-04-25 | 2018-11-01 | The Board Of Trustees Of The Leland Stanford Junior University | Dose reduction for medical imaging using deep convolutional neural networks |
| WO2019019199A1 (en) * | 2017-07-28 | 2019-01-31 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE CONVERSION |
| CN109584252A (zh) * | 2017-11-03 | 2019-04-05 | 杭州依图医疗技术有限公司 | 基于深度学习的ct影像的肺叶段分割方法、装置 |
| CN108053417A (zh) * | 2018-01-30 | 2018-05-18 | 浙江大学 | 一种基于混合粗分割特征的3DU-Net网络的肺分割装置 |
| 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 |
| CN109035356A (zh) * | 2018-07-05 | 2018-12-18 | 四川大学 | 一种基于pet图形成像的系统及方法 |
| CN109377520A (zh) * | 2018-08-27 | 2019-02-22 | 西安电子科技大学 | 基于半监督循环gan的心脏图像配准系统及方法 |
| CN109493308A (zh) * | 2018-11-14 | 2019-03-19 | 吉林大学 | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| GAN-based Synthetic Medical Image Augmentation for increased CNN Performance in Liver Lesion Classification;Frid-Adar M , Diamant I , Klang E , et al.;《Neurocomputing》;20181210;全文 * |
| Sharpness-Aware Low-Dose CT Denoising Using Conditional Generative Adversarial Network;Yi X , Babyn P .;《Journal of Digital Imaging》;20181031;第31卷(第5期);全文 * |
| 基于深度学习的医学图像肺结节检测算法研究;王厚华;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20190215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110101401A (zh) | 2019-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104700397B (zh) | 医用图像中的构造物分割用的医用图像处理装置 | |
| CN108629816B (zh) | 基于深度学习进行薄层磁共振图像重建的方法 | |
| CN110101401B (zh) | 一种肝脏对比剂数字减影造影方法 | |
| JP4170767B2 (ja) | 画像処理装置 | |
| CN112258415B (zh) | 一种基于生成对抗网络的胸部x光片超分辨率和去噪方法 | |
| CN102085100B (zh) | 医用图像处理装置以及医用图像处理方法 | |
| CN111047524A (zh) | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 | |
| KR101902883B1 (ko) | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 | |
| CN112435164B (zh) | 基于多尺度生成对抗网络的低剂量ct肺部图像的同时超分辨率和去噪方法 | |
| CN113808106B (zh) | 一种基于深度学习的超低剂量pet图像重建系统及方法 | |
| DE10355382A1 (de) | Verfahren und System zur Vermessung von Luftwegen | |
| KR20040102038A (ko) | 이미지 픽셀 인코딩 방법, 이미지 처리 방법 및 하나이상의 이미지 픽셀들에 의해 재생된 객체의 특성 인식을위한 이미지 처리 방법 | |
| CN110728727A (zh) | 一种低剂量能谱ct投影数据的恢复方法 | |
| CN116645283A (zh) | 基于自监督感知损失多尺度卷积神经网络的低剂量ct图像去噪方法 | |
| US20210113173A1 (en) | Computed tomography (ct) system and ct image reconstruction method | |
| Shi et al. | A Virtual Monochromatic Imaging Method for Spectral CT Based on Wasserstein Generative Adversarial Network With a Hybrid Loss. | |
| CN114049334A (zh) | 一种以ct图像为输入的超分辨率mr成像方法 | |
| CN117876261A (zh) | 一种基于深度学习的cbct散射校正成像方法 | |
| Xue et al. | PET Synthesis via Self-supervised Adaptive Residual Estimation Generative Adversarial Network | |
| Liang et al. | A self-supervised deep learning network for low-dose CT reconstruction | |
| CN116994113A (zh) | 一种基于残差UNet和高效的多尺度注意力方法用于CT图像中肝脏和肿瘤的自动分割 | |
| CN116402954A (zh) | 一种基于深度学习的脊柱三维结构的重建方法 | |
| JP2008100121A (ja) | 脳組織内毛細血管の血流動態に関するインデックス演算方法、装置及び記憶媒体 | |
| CN116596785A (zh) | 基于纹理特征引导的纹理保持低剂量ct图像去噪 | |
| CN109801251A (zh) | 医学影像的融合方法及基于融合医学影像学习的图像检测方法 |
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 |