CN110246137A - 一种成像方法、装置及存储介质 - Google Patents
一种成像方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110246137A CN110246137A CN201910532012.1A CN201910532012A CN110246137A CN 110246137 A CN110246137 A CN 110246137A CN 201910532012 A CN201910532012 A CN 201910532012A CN 110246137 A CN110246137 A CN 110246137A
- Authority
- CN
- China
- Prior art keywords
- image
- tissue
- nervus opticus
- network
- nerves
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 276
- 210000005036 nerve Anatomy 0.000 claims abstract description 199
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 62
- 230000011218 segmentation Effects 0.000 claims description 26
- 210000004072 lung Anatomy 0.000 claims description 23
- 210000005013 brain tissue Anatomy 0.000 claims description 20
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 14
- 238000013170 computed tomography imaging Methods 0.000 claims description 13
- 230000003187 abdominal effect Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000000694 effects Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 241001235022 Aplysia punctata Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- 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
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30092—Stomach; Gastric
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/441—AI-based methods, deep learning or artificial neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种成像方法、装置及存储介质,利用训练好的可面向多种目标成像任务的第一神经网络和第二神经网络对被测组织进行成像。第一神经网络利用被测组织的降采数据重建获得质量较优的图像;第二神经网络对第一神经网络输出的质量较优的图像执行与目标成像任务相对应的图像处理操作,获得符合目标成像任务的被测组织的目标图像。相比现有技术,该方法所成目标图像与目标成像任务相互匹配,能精准反映医生所需的信息,因此目标图像可用性更强。当面对不同的目标成像任务时,第一神经网络和第二神经网络即分别采用与目标成像任务相对应的参数。对成像任务的适用性非常广,十分便捷可靠。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种成像方法、装置及存储介质。
背景技术
医学成像是目前医学领域常用的技术手段。传统的医学成像方法以图像的整体质量为导向,要求最终获得的图像具有较高的信噪比和分辨率,以及较优的对比度,但是图像的实际应用效果不佳。由于这种成像方法着重强调需保证图像中大部分区域的质量,反而忽视了小部分区域的质量,例如图像中某些病灶区域存在严重伪影和噪声,导致图像难以精准反映病灶的真实状况。
由此可见,在实际应用中,因为传统医学成像方法以图像的整体质量为导向,所获得的图像常无法精准地反映医生所需的信息。
发明内容
基于上述问题,本申请提供了一种成像方法、装置及存储介质,以使获得的图像能够精确地反映医生所需的信息。
本申请实施例公开了如下技术方案:
第一方面,本申请提供一种成像方法,应用于对被测组织进行成像;所述方法包括:利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建,获得重建后的图像;所述第一神经网络包括第一神经网络参数和第一神经网络模型;所述被测组织不同的目标成像任务对应不同的所述第一神经网络参数;
利用所述目标成像任务对应的第二神经网络对所述重建后的图像执行所述目标成像任务对应的图像处理操作,获得所述第二神经网络输出的图像作为所述被测组织的目标图像;所述第二神经网络包括第二神经网络参数和第二神经网络模型;所述被测组织不同的目标成像任务对应不同的所述第二神经网络参数。
可选地,所述利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建,获得重建后的图像,具体包括:
对所述被测组织的降采数据进行图像重建获得输入图像;
利用所述目标成像任务对应的第一神经网络对所述输入图像进行重建,获得所述重建后的图像。
可选地,在所述对所述被测组织的降采数据进行图像重建获得输入图像之前,所述方法还包括:
获取历史组织的降采数据和满采数据;所述历史组织与所述被测组织的类型相同;
根据所述历史组织的降采数据和满采数据对所述第一神经网络模型进行训练,并根据所述历史组织的降采数据和满采数据对所述第二神经网络模型进行训练,获得所述第一神经网络参数和所述第二神经网络参数。
可选地,所述根据所述历史组织的降采数据和满采数据对所述第一神经网络模型进行训练,并根据所述历史组织的降采数据和满采数据对所述第二神经网络模型进行训练,获得所述第一神经网络参数和所述第二神经网络参数,具体包括:
利用历史组织的降采数据进行图像重建获得第一重建图像作为所述目标成像任务的输入集;利用所述历史组织的满采数据进行图像重建获得第二重建图像作为所述目标成像任务的第一标注集;对所述第二重建图像执行与所述目标成像任务相对应的图像处理操作,获得图像作为所述第二标注集;
将所述输入集输入至所述第一神经网络模型,获得所述第一神经网络模型的第一输出结果;
将所述第一输出结果输入至所述第二神经网络模型,获得所述第二神经网络模型的第二输出结果;
利用所述第一输出结果和所述第一标注集获得所述第一神经网络模型的第一损失函数的函数值;以及,利用所述第二输出结果和所述第二标注集获得所述第二神经网络模型的第二损失函数的函数值;不同的目标成像任务对应不同的第一损失函数;不同的目标成像任务对应不同的第二损失函数;
依据所述第一损失函数的函数值和所述第二损失函数的函数值判断是否满足训练的迭代条件,如果满足则继续迭代,如果不满足则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数;或者,判断迭代次数是否达到预设次数,如果否则继续迭代,如果是,则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数。
可选地,具体应用于对所述被测组织进行磁共振成像;
所述对所述被测组织的降采数据进行图像重建获得输入图像,具体包括:
对所述被测组织的降采K空间数据进行逆傅里叶变换或敏感度编码方法重建,获得所述输入图像。
可选地,当所述被测组织为脑组织时,所述目标成像任务为灰白质分割;当所述被测组织为腹部组织时,所述目标成像任务为水脂分离。
可选地,具体应用于对所述被测组织进行CT成像;
所述对所述被测组织的降采数据进行图像重建获得输入图像,具体包括:
对所述被测组织的降采弦图进行滤波反投影重建,获得所述输入图像。
可选地,所述被测组织为肺组织,所述目标成像任务为肺组织分割。
第二方面,本申请提供一种成像装置,应用于对被测组织进行成像;所述装置包括:
第一成像模块,用于利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建,获得重建后的图像;所述第一神经网络包括第一神经网络参数和第一神经网络模型;所述被测组织不同的目标成像任务对应不同的所述第一神经网络参数;
第二成像模块,用于利用所述目标成像任务对应的第二神经网络对所述重建后的图像执行所述目标成像任务对应的图像处理操作,获得所述第二神经网络输出的图像作为所述被测组织的目标图像;所述第二神经网络包括第二神经网络参数和第二神经网络模型;所述被测组织不同的目标成像任务对应不同的所述第二神经网络参数。
可选地,所述第一成像模块包括:
输入图像获取单元,用于对所述被测组织的降采数据进行图像重建获得输入图像;
图像重建单元,用于利用目标成像任务对应的第一神经网络对所述输入图像进行重建,获得重建后的图像;
可选地,所述装置还包括:
数据获取模块,用于获取历史组织的降采数据和满采数据;所述历史组织与所述被测组织的类型相同;
网络训练模块,用于根据所述历史组织的降采数据和满采数据对所述第一神经网络模型进行训练,并根据所述历史组织的降采数据和满采数据对所述第二神经网络模型进行训练,获得所述第一神经网络参数和所述第二神经网络参数。
可选地,所述网络训练模块具体包括:
训练集获取单元,用于利用历史组织的降采数据进行图像重建获得第一重建图像作为所述目标成像任务的输入集;利用所述历史组织的满采数据进行图像重建获得第二重建图像作为所述目标成像任务的第一标注集;对所述第二重建图像执行与所述目标成像任务相对应的图像处理操作,获得图像作为所述第二标注集;
第一训练单元,用于将所述输入集输入至所述第一神经网络模型,获得所述第一神经网络模型的第一输出结果;
第二训练单元,用于将所述第一输出结果输入至所述第二神经网络模型,获得所述第二神经网络模型的第二输出结果;
第三训练单元,用于利用所述第一输出结果和所述第一标注集获得所述第一神经网络模型的第一损失函数的函数值;以及,用于利用所述第二输出结果和所述第二标注集获得所述第二神经网络模型的第二损失函数的函数值;不同的目标成像任务对应不同的第一损失函数;不同的目标成像任务对应不同的第二损失函数;
第四训练单元,用于依据所述第一损失函数的函数值和所述第二损失函数的函数值判断是否满足训练的迭代条件,如果满足则继续迭代,如果不满足则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数;或者,用于判断迭代次数是否达到预设次数,如果是,则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数。
可选地,前述装置具体应用于对所述被测组织进行磁共振成像;则所述输入图像获取单元,具体包括:
第一获取单元,用于对所述被测组织的降采K空间数据进行逆傅里叶变换或敏感度编码方法重建,获得所述输入图像。
可选地,前述装置具体应用于对所述被测组织进行CT成像;则所述输入图像获取单元,具体包括:
第二获取单元,用于对所述被测组织的降采弦图进行滤波反投影重建,获得所述输入图像。
第三方面,本申请提供一种计算机可读存储介质,所述介质上存储有计算机程序;所述程序被处理器执行时实现第一方面提供的成像方法。第四方面,本申请提供一种处理器,用于运行计算机程序,所述程序运行时执行第一方面提供的成像方法。
相较于现有技术,本申请具有以下有益效果:
本申请提供的成像方法利用训练好的可面向多种目标成像任务的第一神经网络和第二神经网络对被测组织进行成像。其中,第一神经网络的作用是利用被测组织的降采数据重建获得质量较优的图像;第二神经网络的作用是对第一神经网络输出的质量较优的图像执行与目标成像任务相对应的图像处理操作,从而获得符合目标成像任务的被测组织的目标图像。相比于现有技术,该方法所成目标图像与目标成像任务相互匹配,能够精准反映医生所需的信息,因此目标图像的可用性更强。
此外,本申请中第一神经网络和第二神经网络分别是面向多种目标成像任务生成的,当面对不同的目标成像任务时,第一神经网络和第二神经网络即分别采用与目标成像任务相对应的参数。例如,如果目标成像任务是对脑组织磁共振图像进行灰白质分割,第一神经网络和第二神经网络分别采用与灰白质分割对应的网络参数,最终第二神经网络输出的图像即是灰白质分割后的高质量脑组织磁共振图像。可见,该方法对目标成像任务的适用性非常广,第一神经网络和第二神经网络能够服务于多种的目标成像任务,十分便捷可靠。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种成像方法的流程图;
图2a为本申请实施例提供的另一种成像方法的流程图;
图2b为本申请实施例提供的又一种成像方法的流程图;
图3为本申请实施例提供的一种第一神经网络和第二神经网络的训练示意图;
图4为本申请实施例提供的一种控制设备的硬件结构图;
图5为本申请实施例提供的一种成像装置的结构示意图。
具体实施方式
正如前文描述,目前一些医学成像方法通常重视图像整体质量,因此小部分区域存在的质量问题常被忽视。例如,图像的整体质量较高,但是病灶所在的小部分区域伪影严重,存在噪声,且对比度较差。在此示例中,显然因小部分区域的质量问题,医生难以从图像中获得所需的信息,已酿成图像的可用性较低。
基于此问题,发明人经过研究,提供一种面向目标成像任务的成像方法、装置和存储介质,实现对被测组织的成像。在成像时主要应用两个预先训练好的神经网络,即第一神经网络和第二神经网络。第一神经网络与第二神经网络分别与目标成像任务对应,即成像时第一神经网络和第二神经网络各自采用与目标成像任务相对应的网络参数。该方法首先利用目标成像任务对应的第一神经网络对被测组织的降采数据进行重建,获得重建后的图像。重建后的图像相比于被测组织的降采数据常规重建能够得到的图像,图像质量更高。其后,为获得能够反映医生所需信息的被测组织的图像,将重建后的图像输入第二神经网络,利用第二神经网络对所述重建后的图像执行所述目标成像任务对应的图像处理操作,从而获得第二神经网络输出的被测组织的目标图像。通过第一神经网络保证目标图像的质量,通过第二神经网络保证目标图像与目标成像任务相符,因此目标图像能够精准反映医生所需的信息。此方法有效提高目标图像的可用性。
另外,第一神经网络参数和第二神经网络参数均是与目标成像任务相对应的,因此,面对不同的目标成像任务,只需载入目标成像任务对应的第一神经网络参数以及第二神经网络参数即可。因此该方法对目标成像任务的适用性非常广,第一神经网络和第二神经网络能够服务于多种的目标成像任务,十分便捷可靠。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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,本领域普通技术人员在没有做出创造性劳动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。
第一实施例
参见图1,该图为本申请实施例提供的一种成像方法的流程图。
如图1所示,本实施例提供的成像方法,包括:
步骤101:利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建,获得重建后的图像。
本实施例成像方法的目的是使最终所成图像能够精准反映医生需要的信息。可以理解的是,在不同的应用场景中,医生需要图像上反映的信息是不同的。例如,在磁共振系统对患者A的脑组织进行磁共振成像的场景下,医生希望图像能够具有较好的灰白质分割效果;在磁共振系统对患者B的腹部组织进行磁共振成像的场景下,医生希望图像能够呈现较好的水脂分离效果;在CT系统对患者C的肺组织进行CT成像的场景下,医生希望图像能够呈现较好的肺组织分割效果。
在本实施例中引入目标成像任务的概念,通过实施本实施例提供的成像方法能够完成目标成像任务。目标成像任务表示实施本实施例方法的成像需求。
在实际应用中,被测组织可以是脑组织、腹部组织或肺组织等。本实施例对于被测组织的具体类型不加以限定。需要说明的是,对于同一种被测组织,在不同场景下可能对应不同的目标成像任务。例如,对脑组织进行磁共振成像时的目标成像任务不同于对脑组织进行CT成像时的目标成像任务。
为便于理解,此处对第一神经网络和第二神经网络进行简要介绍。本实施例方法中,第一神经网络与第二神经网络均为预先训练获得。第一神经网络包括第一神经网络参数和第一神经网络模型;所述第二神经网络包括第二神经网络参数和第二神经网络模型。不同的目标成像任务对应不同的第一神经网络参数,并且不同的成像任务对应不同的第二神经网络参数,例如对肺组织进行分割的任务对应的第一神经网络参数不同于对脑组织进行灰白质分割对应的第一神经网络参数。本实施例提供的方法中,第一神经网络和第二神经网络均可面向多种目标成像任务。当目标成像任务确定后,第一神经网络载入与目标成像任务对应的第一神经网络参数,第二神经网络载入与目标成像任务对应的第二神经网络参数,从而,第一神经网络和第二神经网络能够分别实现与目标成像任务相对应的功能。
另外需要说明的是,对于同一种类型的被测组织(例如脑组织),当目标成像任务不同时,需要采用的第一神经网络参数不同,并且需要采用的第二神经网络参数不同。
第一神经网络的功能是利用被测组织的降采数据重建获得质量较优的图像。对于本领域技术人员而言,降采与满采属于磁共振成像和CT成像中比较成熟的技术手段。因此本实施例中,对于降采和满采的原理和操作过程不进行赘述。相对于满采,降采获得的被测组织的数据量较少,对被测组织降采的主要目的是减少扫描时间和扫描剂量,提高成像速度。
在本实施例中,步骤101具有多种可能的实现方式。
第一种实现方式:
利用目标成像任务对应的第一神经网络直接对被测组织的降采数据进行重建,获得重建后的图像。
在本实现方式中,被测组织的降采数据直接作为第一神经网络的输入,而第一神经网络则用于对输入的被测组织的降采数据直接进行处理,即直接利用降采数据重建图像。
第二种实现方式:
步骤101a:对所述被测组织的降采数据进行图像重建获得输入图像。
通过对被测组织的降采数据进行重建,能够初步获得被测组织的图像,但是图像质量稍差,因此有必要提升图像质量。本实施例中将步骤101a获得的图像命名为输入图像,是指需要将其输入到第一神经网络进行图像质量的提升。
步骤101b:利用所述目标成像任务对应的第一神经网络对所述输入图像进行重建,获得所述重建后的图像。
因此,本步骤通过将步骤101a获得的输入图像输入至目标成像任务对应的第一神经网络,所获得的重建后的图像的质量相比于输入图像的质量得到显著提高。在本实现方式中,输入图像作为第一神经网络的输入,二第一神经网络则用于对输入的输入图像进行处理,即利用输入图像来重建图像。在本实现方式中,由于第一神经网络的输入和输出均为图像,因此第一神经网络在图像域实现图像重建,相对于第一种实现方式,第一神经网络的训练难度和结构复杂度均有所降低。
尽管步骤101获得的重建后的图像其质量得到提高,但是仍然难以保证图像中能够反映医生所需的信息,为此,执行下述步骤102。
步骤102:利用所述目标成像任务对应的第二神经网络对所述重建后的图像执行所述目标成像任务对应的图像处理操作,获得所述第二神经网络输出的图像作为所述被测组织的目标图像。
本实施例中,第二神经网络的功能是根据输入其中的图像执行与目标成像任务对应的图像处理操作。
作为一示例,如果被测组织是脑组织,目标成像任务是对脑组织磁共振图像进行灰白质分割,由于第二神经网络具体采用了与该目标成像任务对应的第二神经网络参数,因此本步骤中具体利用第二神经网络对步骤101获得的重建后的图像执行与灰白质分割相对应的图像处理操作。对于本实施例中,对脑组织磁共振图像进行灰白质分割属于比较成熟的技术手段,因此此处对于灰白质分割相对应的图像处理操作的具体流程不加以限定。
作为另一示例,如果被测组织是腹部组织,目标成像任务是对腹部组织磁共振图像进行水脂(水与脂肪)分离,由于第二神经网络具体采用了与该目标成像任务对应的第二神经网络参数,因此本步骤中具体利用第二神经网络对步骤101获得的重建后的图像执行与水脂分离相对应的图像处理操作。对于本实施例中,对磁共振图像中的腹部组织进行水脂分离属于比较成熟的技术手段,因此此处对于水脂分离相对应的图像处理操作的具体流程不加以限定。
作为又一示例,如果被测组织是肺组织,目标成像任务是对肺组织CT图像进行肺组织分割,由于第二神经网络具体采用了与该目标成像任务对应的第二神经网络参数,因此本步骤中具体利用第二神经网络对步骤101获得的重建后的图像执行与肺组织分割相对应的图像处理操作。对于本实施例中,对CT图像中的肺组织进行分割属于比较成熟的技术手段,因此此处对于肺组织分割相对应的图像处理操作的具体流程不加以限定。
可以理解的是,本步骤获得的被测组织的目标图像符合目标成像任务,能够反映医生所需的信息。
以上即为本实施例提供的成像方法,该方法利用训练好的可面向多种目标成像任务的第一神经网络和第二神经网络对被测组织进行成像。其中,第一神经网络的作用是利用被测组织的降采数据重建获得质量较优的图像;第二神经网络的作用是对第一神经网络输出的质量较优的图像执行与目标成像任务相对应的图像处理操作,从而获得符合目标成像任务的被测组织的目标图像。相比于现有技术,该方法所成图像与目标成像任务相互匹配,能够精准反映医生所需的信息,因此目标图像的可用性更强。
此外,本实施例中第一神经网络和第二神经网络分别是面向多种目标成像任务生成的,当面对不同的目标成像任务时,第一神经网络和第二神经网络即分别采用与目标成像任务相对应的参数。该方法对目标成像任务的适用性非常广,第一神经网络和第二神经网络能够服务于多种的目标成像任务,十分便捷可靠。
为使本申请中第一神经网络和第二神经网络能够适用于多种目标成像任务,可以在对被测组织进行成像之前,预先训练第一神经网络和第二神经网络。本申请在前述实施例的基础上进一步提供了另一种成像方法。此方法主要基于上述实施例中,步骤101的第二种实现方式。下面结合实施例和附图对该方法的具体实现进行描述和说明。
第二实施例
参见图2a,该图为本申请实施例提供的另一种成像方法的流程图。
如图2a所示,本实施例提供的成像方法,包括:
步骤200:获取历史组织的降采数据和满采数据,历史组织与所述被测组织的类型相同。
为保证训练获得的第一神经网络和第二神经网络在实际应用中适用于被测组织,本实施例中历史组织与被测组织的类型相同。例如,被测组织是肺组织,历史组织也是肺组织;被测组织是脑组织,历史组织也是脑组织。
本申请实施例重点根据所述历史组织的降采数据和满采数据对所述第一神经网络模型进行训练,并根据所述历史组织的降采数据和满采数据对所述第二神经网络模型进行训练,获得所述第一神经网络参数和所述第二神经网络参数。为便于理解,下面结合步骤201至205a或者步骤200至205b对此过程进行详细的描述。
步骤201:获得目标成像任务对应的输入集、第一标注集和第二标注集。
输入集、第一标注集和第二标注集可统称为第一神经网络与第二神经网络的训练集。需要说明的是,在训练过程中,第一神经网络与第二神经网络并不是孤立地训练,输入集作为第一神经网络的输入,第一神经网络的输出作为第二神经网络的输入,因此,输入集、第一标注集和第二标注集能够影响对于第一神经网络的训练,同时,输入集、第一标注集和第二标注集能够影响对于第二神经网络的训练。
在本实施例中,具体可以获得多个目标成像任务分别对应的训练集,例如,第一目标成像任务对应的训练集D1,第二目标成像任务对应的训练集D2,第三目标成像任务对应的训练集D3等。在具体执行对于第一神经网络和第二神经网络的训练时,可以首先采用训练集D1训练获得对应于第一目标成像任务的第一神经网络参数和第二神经网络参数。训练结束后,再采用训练集D2训练获得对应于第二目标成像任务的第一神经网络参数和第二神经网络参数。面向其他目标成像任务进行网络训练的过程以此类推,此处不再枚举。
本实施例中,结合步骤200至205a或者步骤200至205b描述具体地训练过程。为便于理解,在步骤200至205a或者步骤200至205b中将以多个目标成像任务中的一个目标成像任务为示例进行描述。
为保证训练获得的第一神经网络和第二神经网络在实际应用中适用于目标成像任务,本步骤获取的训练集需要与目标成像任务相互匹配,相互对应。
目标成像任务的输入集包括:利用历史组织的降采数据进行图像重建后得到的第一重建图像。本实施例中对于输入集中第一重建图像的数量不进行限定。例如,输入集可以包含100幅或200幅第一重建图像。
由于第一神经网络和第二神经网络训练完毕进行实际应用时,对被测组织的降采数据进行图像重建获得的输入图像作为第一神经网络的输入,因此,为保证第一神经网络在实际应用中的适用性,要求历史组织与被测组织的降采方式相同;历史组织的降采数据的重建方式与被测组织的降采数据的重建方式相同。
作为一示例,需要对被测组织进行磁共振成像,所获得的被测组织的降采数据具体为降采K空间数据,降采K空间数据为通过笛卡尔采样轨迹采样获得,应用时第一神经网络的输入图像是对被测组织的降采K空间数据进行敏感度编码方法重建获得的图像。则本步骤获取的输入集也应包括:利用历史组织的降采K空间数据进行敏感度编码方法重建后得到的第一重建图像,其中历史组织的降采K空间数据为通过笛卡尔采样轨迹采样获得。
作为另一示例,需要对被测组织进行CT成像,所获得的被测组织的降采数据具体为降采弦图(例如CT机对被测组织进行180°扫描获得的弦图),应用时第一神经网络的输入图像是对被测最值得降采弦图进行滤波反投影重建获得的图像。则本步骤获取的输入集也包括利用历史组织的降采弦图进行滤波反投影重建获得的第一重建图像。
可以理解的是,以上仅为示例。在本实施例中,为对被测组织进行磁共振成像,被测组织的降采K空间数据还可以是以下任意一种采样轨迹采样获得:射线状采样轨迹、随机采样轨迹或泊松分布采样轨迹。并且,对于降采K空间数据进行重建的方法还可以是逆傅里叶变换等其他重建方法。此处对于被测组织的降采轨迹不进行限定,对于被测组织的降采K空间数据的重建方式不进行限定。
目标成像任务的第一标注集包括:利用所述历史组织的满采数据进行图像重建后得到的第二重建图像。对于本领域技术人员来说,如何利用满采数据重建图像属于较为成熟的技术手段,例如,如果本实施例成像方法具体应用于对所述被测组织进行磁共振成像,则可以利用历史组织的满采数据进行逆傅里叶变换重建获得第二重建图像;如果本实施例成像方法具体应用于对被测组织进行CT成像,则可以利用历史组织的满采数据进行滤波反投影重建获得第二重建图像。本实施例中对于获得第二重建图像的具体实现方式不进行限定。此外,本实施例中对于第一标注集中第二重建图像的数量不进行限定。例如,第一标注集可以包含100幅或200幅第二重建图像。
可以理解的是,由于第二重建图像是根据历史组织的满采数据进行图像重建获得的,因此第二重建图像的质量优于第一重建图像。
目标成像任务的第二标注集包括:对所述第二重建图像执行与所述目标成像任务相对应的图像处理操作后获得的图像。本实施例中对于第二标注集中图像的数量不进行限定。例如,第二标注集中可以包含100幅或200幅图像。
通过执行步骤201已经获得目标成像任务对应的输入集、第一标注集和第二标注集,下面将利用目标成像任务对应的输入集、第一标注集和第二标注集对第一神经网络和第二神经网络进行训练。可参见图3,该图为本申请实施例提供的一种第一神经网络和第二神经网络的训练示意图。
步骤202:将所述输入集输入至第一神经网络模型,获得所述第一神经网络模型的第一输出结果。
所述第一神经网络包括所述第一神经网络参数和第一神经网络模型;所述第二神经网络包括所述第二神经网络参数和第二神经网络模型。
当输入集中任意一幅图像输入至第一神经网络模型后,第一神经网络模型对该图像进行处理,并输出第一输出结果。第一输出结果为图像形式。由于第一神经网络和第二神经网络尚未训练完成,因此,在训练过程中第一输出结果的质量低于第一标注集的质量。
步骤203:将所述第一输出结果输入至第二神经网络模型,获得所述第二神经网络模型的第二输出结果。
当第一输出结果输入至第二神经网络模型后,第二神经网络模型对第一输出结果进行处理,并输出第二输出结果。第二输出结果为图像形式。由于第二神经网络和第一神经网络尚未训练完成,因此,在训练过程中第二输出结果难以精准反映医生所需的信息,难以良好呈现目标成像任务要求的图像效果。而第二标注集能够较为精准反映医生所需的信息,良好呈现目标成像任务要求的图像效果。
步骤204:利用所述第一输出结果和所述第一标注集获得所述第一神经网络模型的第一损失函数的函数值;以及,利用所述第二输出结果和所述第二标注集获得所述第二神经网络模型的第二损失函数的函数值。
作为示例,本实施例中第一损失函数可以是L1范数或L2范数;第二损失函数可以是交叉熵。此处对于第一损失函数和第二损失函数的具体类型均不加以限定。
可以理解的是,第一神经网络以及第二神经网络的训练过程为迭代过程。同一次迭代训练时,所采用的第一输出结果、第一标注集、第二输出结果和第二标注集应对应于同一历史组织。第一损失函数的函数值与第一神经网络模型的第一输出结果和第一标注集相关。在实际应用中,第一输出结果与第一标注集越接近,第一损失函数的函数值越小,表示越逼近对于第一神经网络的训练期望。第二损失函数的函数值与第二神经网络的第二输出结果和第二标注集相关。在实际应用中,第二输出结果与第二标注集越接近,第二损失函数的函数值越小,表示越逼近对于第二神经网络的训练期望。
可以理解的是,在实际应用中,本实施例可以是根据上一次迭代得到的第一损失函数的函数值和第二损失函数的函数值具体进行下一次的迭代训练,以使第一神经网络参数和第二神经网络参数不断调整变化。
需要说明的是,不同的目标成像任务对应不同的第一损失函数;不同的目标成像任务对应不同的第二损失函数。
下面结合步骤205a和205b具体描述如何确定第一神经网络最终采用的第一神经网络参数以及第二神经网络最终采用的第二神经网络参数。步骤205a和步骤205b分别描述两种具体地实现形式,在实际应用中可以选择其中的一种实现方式。
步骤205a:依据所述第一损失函数的函数值和所述第二损失函数的函数值判断是否满足训练的迭代条件,如果满足则继续迭代,如果不满足则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数。
图2a所示的第一种实现方式中,作为一示例,迭代条件可以为“第一损失函数的函数值不小于第一预设阈值和/或第二损失函数的函数值不小于第二预设阈值”。当迭代条件满足时,表示当前第一神经网络参数和第二神经网络参数仍不符合训练期望,有待于对第一神经网络和第二神经网络继续进行迭代训练。当迭代条件不再满足时,即第一损失函数的函数值小于第一预设阈值且第二损失函数的函数值小于第二预设阈值,表示当前第一神经网络参数和第二神经网络参数已经符合训练期望,无需继续对第一神经网络和第二神经网络进行迭代训练。
可以理解的是,由于第一神经网络模型的输出作为第二神经网络模型的输入,因此第一神经网络模型和第二神经网络模型是两个相互关联而非相互独立的神经网络模型。因此在训练目标成像任务对应的第一神经网络参数时,并非仅依据第一损失函数的函数值;在训练目标成像任务对应的第二神经网络参数时,也并非仅依据第二损失函数的函数值。从上述迭代条件的示例即可看到,仅当第一损失函数的函数值小于第一预设阈值且第二损失函数的函数值小于第二预设阈值才可结束迭代并确定最终的网络参数。
图2b为本申请实施例提供的又一种成像方法的流程图。图2b与图2a的区别在于步骤205b的实现形式。
步骤205b:判断迭代次数是否达到预设次数,如果否则继续迭代,如果是,则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数。
通过步骤205b可以看到,在确定第一神经网络参数及第二神经网络参数的第二种实现方式中,以迭代次数确定训练进程的停止与否。作为示例,本实施例中预设次数可以为1000次或2000次等,此处对于具体的预设次数不进行限定。每进行一次迭代,进行迭代次数的加1累积,迭代次数达到预设次数时,表示迭代次数足够多,需要停止迭代结束训练,并将最后一次迭代采用的第一神经网络参数和第二神经网络参数选用为第一神经网络和第二神经网络实际应用时分别采用的参数。而如果迭代次数未达到预设次数,表示迭代次数过少,网络训练不充分,需要继续训练参数以使其符合训练期望。
根据所述第一神经网络模型和训练好的所述第一神经网络参数,即可得到所述目标成像任务对应的第一神经网络。同理,根据所述第二神经网络模型和训练好的所述第二神经网络参数,即可得到所述目标成像任务对应的第二神经网络。
通过以上步骤200至205a,或者步骤200至205b完成针对某一目标成像任务的第一神经网络和第二神经网络的训练。通过训练,得到目标成像任务对应的第一神经网络参数和第二神经网络参数。
为便于后续的应用,可以将第一神经网络参数和第二神经网络参数各自与目标成像任务的对应关系存储起来。
作为一种可能的实现方式,当执行某一目标成像任务时,成像设备(例如磁共振设备或CT机)通常采用预定的扫描序列对被测组织进行扫描,不同的目标成像任务采用的扫描序列是不同的。例如,针对第一目标成像任务采用第一组扫描序列,针对第二目标成像任务采用第二组扫描序列。如果历史组织的降采数据是通过第一组扫描序列进行扫描获得,则可以明确输入集对应于第一目标成像任务;如果被测组织的降采数据是通过第一组扫描序列进行扫描获得,则可以明确输入于训练好的第一神经网络的输入图像对应于第一目标成像任务。如果历史组织的降采数据是通过第二组扫描序列进行扫描获得,则可以明确输入集对应于第二目标成像任务;如果被测组织的降采数据是通过第二组扫描序列进行扫描获得,则可以明确输入于训练好的第一神经网络的输入图像对应于第二目标成像任务。
因此,在本实施例中,作为一种可能的实现方式,可以将第一神经网络参数与扫描序列的对应关系存储起来;将第二神经网络参数与扫描序列的对应关系存储起来。
可以理解的是,通过以上步骤200至205a或者步骤200至205b完成针对某一目标成像任务的第一神经网络和第二神经网络的训练。为保证第一神经网络和第二神经网络分别对于多种目标成像任务的适用性,可以通过循环执行步骤200至205a或者步骤200至205b,逐次完成对多种目标成像任务的第一神经网络和第二神经网络的训练。
下面步骤206至208描述了对被测组织的具体成像过程。其中,步骤207至208具体描述训练好的第一神经网络和第二神经网络的实际应用过程。需要说明的是,步骤206至208中提及的目标成像任务具体为前述步骤200至205a或者步骤200至205b训练第一神经网络和第二神经网络所面向的多种目标成像任务之一。
步骤206:对所述被测组织的降采数据进行图像重建获得输入图像。
在本实施例中,作为一种可能的实现方式,可以在获得被测组织的降采数据时,获取扫描被测组织的成像设备(例如磁共振设备或CT机)采用的扫描序列。进而,根据该扫描序列,预先存储的第一神经网络参数与扫描序列的对应关系,以及预先存储的第二神经网络参数与扫描序列的对应关系,确定该被测组织对应的目标成像任务,该目标成像任务对应的第一神经网络参数,以及该目标成像任务对应的第二神经网络参数。
可以理解的是,当目标成像任务对应的第一神经网络参数确定后,目标成像任务对应的第一神经网络也随之确定;同理,当目标成像任务对应的第二神经网络参数确定后,目标成像任务对应的第二神经网络也随之确定。
步骤207:将所述输入图像输入至目标成像任务对应的第一神经网络,利用所述第一神经网络对所述输入图像进行重建,获得重建后的图像。
步骤208:将所述重建后的图像输入至所述目标成像任务对应的第二神经网络,利用所述第二神经网络对所述重建后的图像执行所述目标成像任务对应的图像处理操作,获得所述第二神经网络输出的图像作为所述被测组织的目标图像。
在本实施例中,步骤206至208的实现方式与前述实施例中步骤101a、101b至102的实现方式相同。关于步骤207至208的描述可参照前述实施例,此处不再赘述。
以上即为本申请实施例提供的成像方法。该方法通过对第一神经网络和第二神经网络进行训练,使第一神经网络和第二神经网络均可面向多种成像任务,既可适用于对被测组织进行磁共振成像,又可适用于对被测组织进行CT成像。当具体用于对脑组织进行磁共振成像时,作为示例,目标成像任务可以是灰白质分割;当具体用于对腹部组织进行磁共振成像时,作为示例,目标成像任务可以是水脂分离;当具体用于对肺部组织进行CT成像时,作为示例,目标成像任务可以是肺组织分割。
灰白质分割:大脑分为灰质和白质,对脑组织进行灰白质分割,可利用分割结果测量大脑体积。
水脂分离:将水的信号和脂肪的信号单独显示出来,获得水像和脂像。一幅水像相当于完全把脂肪剔除的压脂图像。对腹部组织进行水脂分割,可利用水脂分离得到的图像进行精确的脂肪定量计算。
肺组织分割:对肺部各种组织进行分割,可利用分割结果分析肺组织的生长状态。
当需要面向某一目标成像任务对被测组织进行成像时,只需将目标成像任务对应的第一神经网络参数载入,从而获得目标成像任务对应的第一神经网络;以及将目标成像任务对应的第二神经网络参数载入,从而获得目标成像任务对应的第二神经网络。利用目标成像任务对应的第一神经网络和目标成像任务对应的第二神经网络,即可相应地获得面向目标成像任务的被测组织的图像,即目标图像。相比于现有技术,该方法利用降采方式获得被测组织的降采数据,因此有效提高了扫描速度,同时降低了扫描剂量。此外,利用预先训练好的第一神经网络和第二神经网络对被测组织进行成像,成像速度得以提高,有助于提升医生的工作效率。
另外,由于第一神经网络与第二神经网络是面向多种目标成像任务进行训练的,其中一些目标成像任务可能对应于磁共振成像的应用,一些目标成像任务可能对应于CT成像任务的应用,因此,第一神经网络和第二神经网络能够面向磁共振成像设备应用,第一神经网络和第二神经网络还能够面向CT机应用。可见,本实施例提供的方法可以在不同的成像设备上实现,十分便捷。
在上述第二实施例中,具体描述了基于第一实施例步骤101的第二种实现方式的神经网络训练过程。可以理解的是,基于第一实施例步骤101的第一种实现方式,第一神经网络和第二神经网络也具有相应的训练流程。可结合第一种实现方式和第二种实现方式的区别进行理解,此处不再赘述。
前述实施例的成像方法可以由控制设备执行。下面结合附图和实施例,对本申请提供的控制设备进行详细描述。
第三实施例
参见图4,该图为本申请实施例提供的控制设备的硬件结构图。该控制设备可应用于CT系统或磁共振成像系统中。当控制设备应用于CT系统中,具体用于控制CT机对被测组织进行成像;当控制设备应用于磁共振成像系统中,具体用于控制磁共振成像设备对被测组织进行成像。
如图4所示,本实施例提供的控制设备,包括:
处理器401,通信接口402,存储器403,总线404。其中,处理器401、通信接口402和存储器403通过总线404完成相互间的通信。
其中,存储器403中可以存储有成像的逻辑指令,该存储器例如可以是非易失性存储器。处理器401可以调用执行存储器403中的成像的逻辑指令,以执行上述第一实施例或第二实施例提供的成像方法中部分或全部步骤。作为一种实现方式,该成像的逻辑指令可以为控制软件对应的程序,程序被处理器401执行时,实现上述第一实施例或第二实施例提供的成像方法中部分或全部步骤。此时,作为一种可能的实现方式,控制设备可以对应地在显示界面上显示该指令对应的功能界面。
成像的逻辑指令的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行上述第一实施例或第二实施例提供的成像方法中部分或全部步骤。
本申请进一步提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现本申请第一实施例保护的成像方法中部分或全部步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
上述的成像的逻辑指令,可以称为“成像装置”,该装置可以划分成各个功能单元或模块。具体参见以下实施例。
基于前述实施例提供的成像方法和控制设备,相应地,本申请还提供一种成像装置。下面结合实施例和附图对该装置的具体实现进行描述和说明。
第四实施例
参见图5,该图为本申请实施例提供的一种成像装置的结构示意图。
本实施例提供的成像装置应用于对被测组织进行成像,如图5所示,装置包括:
第一成像模块501和第二成像模块502。
第一成像模块501,用于利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建,获得重建后的图像;所述第一神经网络包括第一神经网络参数和第一神经网络模型;所述被测组织不同的目标成像任务对应不同的所述第一神经网络参数;
第二成像模块502,用于利用所述目标成像任务对应的第二神经网络对所述重建后的图像执行所述目标成像任务对应的图像处理操作,获得所述第二神经网络输出的图像作为所述被测组织的目标图像;所述第二神经网络包括第二神经网络参数和第二神经网络模型;所述被测组织不同的目标成像任务对应不同的所述第二神经网络参数。
本申请实施例提供的成像装置利用训练好的可面向多种目标成像任务的第一神经网络和第二神经网络对被测组织进行成像。其中,第一神经网络的作用是利用被测组织的降采数据重建获得质量较优的图像;第二神经网络的作用是对第一神经网络输出的质量较优的图像执行与目标成像任务相对应的图像处理操作,从而获得符合目标成像任务的被测组织的目标图像。相比于现有技术,该装置所成目标图像与目标成像任务相互匹配,能够精准反映医生所需的信息,因此目标图像的可用性更强。
此外,本申请中第一神经网络和第二神经网络分别是面向多种目标成像任务生成的,当面对不同的目标成像任务时,第一神经网络和第二神经网络即分别采用与目标成像任务相对应的参数。例如,如果目标成像任务是对脑组织磁共振图像进行灰白质分割,第一神经网络和第二神经网络分别采用与灰白质分割对应的网络参数,最终第二神经网络输出的图像即是灰白质分割后的高质量脑组织磁共振图像。可见,该装置对目标成像任务的适用性非常广,第一神经网络和第二神经网络能够服务于多种的目标成像任务,十分便捷可靠。
可选地,第一成像模块501包括:
输入图像获取单元,用于对所述被测组织的降采数据进行图像重建获得输入图像;
图像重建单元,用于利用目标成像任务对应的第一神经网络对所述输入图像进行重建,获得重建后的图像;
为使上述实施例中第一神经网络和第二神经网络能够适用于多种目标成像任务,本实施例提供的装置还可进一步包括:
数据获取模块,用于获取历史组织的降采数据和满采数据;所述历史组织与所述被测组织的类型相同;
网络训练模块,用于根据所述历史组织的降采数据和满采数据对所述第一神经网络模型进行训练,并根据所述历史组织的降采数据和满采数据对所述第二神经网络模型进行训练,获得所述第一神经网络参数和所述第二神经网络参数。
可选地,网络训练模块具体包括:训练集获取单元,用于利用历史组织的降采数据进行图像重建获得第一重建图像作为所述目标成像任务的输入集;利用所述历史组织的满采数据进行图像重建获得第二重建图像作为所述目标成像任务的第一标注集;对所述第二重建图像执行与所述目标成像任务相对应的图像处理操作,获得图像作为所述第二标注集。
第一训练单元,用于将所述输入集输入至所述第一神经网络模型,获得所述第一神经网络模型的第一输出结果。
第二训练单元,用于将所述第一输出结果输入至所述第二神经网络模型,获得所述第二神经网络模型的第二输出结果。
第三训练单元,用于利用所述第一输出结果和所述第一标注集获得所述第一神经网络模型的第一损失函数的函数值;以及,用于利用所述第二输出结果和所述第二标注集获得所述第二神经网络模型的第二损失函数的函数值。不同的目标成像任务对应不同的第一损失函数;不同的目标成像任务对应不同的第二损失函数。
第四训练单元,用于依据所述第一损失函数的函数值和所述第二损失函数的函数值判断是否满足训练的迭代条件,如果满足则继续迭代,如果不满足则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数;或者,用于判断迭代次数是否达到预设次数,如果是,则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数。
以上即为本申请实施例提供的成像装置。该装置通过对第一神经网络和第二神经网络进行训练,使第一神经网络和第二神经网络均可面向多种成像任务,既可适用于对被测组织进行磁共振成像,又可适用于对被测组织进行CT成像。当具体用于对脑组织进行磁共振成像时,作为示例,目标成像任务可以是灰白质分割;当具体用于对腹部组织进行磁共振成像时,作为示例,目标成像任务可以是水脂分离;当具体用于对肺部组织进行CT成像时,作为示例,目标成像任务可以是肺组织分割。
如果装置具体应用于对所述被测组织进行磁共振成像,则输入图像获取单元,具体包括:
第一获取单元,用于对所述被测组织的降采K空间数据进行逆傅里叶变换或敏感度编码方法重建,获得所述输入图像。
如果装置具体应用于对所述被测组织进行CT成像,则输入图像获取模块单元,具体包括:
第二获取单元,用于对所述被测组织的降采弦图进行滤波反投影重建,获得所述输入图像。
当需要面向某一目标成像任务对被测组织进行成像时,只需将目标成像任务对应的第一神经网络参数载入,从而获得目标成像任务对应的第一神经网络;以及将目标成像任务对应的第二神经网络参数载入,从而获得目标成像任务对应的第二神经网络。利用目标成像任务对应的第一神经网络和目标成像任务对应的第二神经网络,即可相应地获得面向目标成像任务的被测组织的图像,即目标图像。相比于现有技术,该装置利用降采方式获得被测组织的降采数据,因此有效提高了扫描速度,同时降低了扫描剂量。此外,利用预先训练好的第一神经网络和第二神经网络对被测组织进行成像,成像速度得以提高,有助于提升医生的工作效率。
另外,由于第一神经网络与第二神经网络是面向多种目标成像任务进行训练的,其中一些目标成像任务可能对应于磁共振成像的应用,一些目标成像任务可能对应于CT成像任务的应用,因此,第一神经网络和第二神经网络能够面向磁共振成像设备应用,第一神经网络和第二神经网络还能够面向CT机应用。可见,本实施例提供的装置可以在不同的成像设备或成像系统中实现,十分便捷。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元提示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (13)
1.一种成像方法,其特征在于,应用于对被测组织进行成像;所述方法包括:利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建,获得重建后的图像;所述第一神经网络包括第一神经网络参数和第一神经网络模型;所述被测组织不同的目标成像任务对应不同的所述第一神经网络参数;
利用所述目标成像任务对应的第二神经网络对所述重建后的图像执行所述目标成像任务对应的图像处理操作,获得所述第二神经网络输出的图像作为所述被测组织的目标图像;所述第二神经网络包括第二神经网络参数和第二神经网络模型;所述被测组织不同的目标成像任务对应不同的所述第二神经网络参数。
2.根据权利要求1所述的方法,其特征在于,所述利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建,获得重建后的图像,具体包括:
对所述被测组织的降采数据进行图像重建获得输入图像;
利用所述目标成像任务对应的第一神经网络对所述输入图像进行重建,获得所述重建后的图像。
3.根据权利要求2所述的方法,其特征在于,在所述对所述被测组织的降采数据进行图像重建获得输入图像之前,所述方法还包括:
获取历史组织的降采数据和满采数据;所述历史组织与所述被测组织的类型相同;
根据所述历史组织的降采数据和满采数据对所述第一神经网络模型进行训练,并根据所述历史组织的降采数据和满采数据对所述第二神经网络模型进行训练,获得所述第一神经网络参数和所述第二神经网络参数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述历史组织的降采数据和满采数据对所述第一神经网络模型进行训练,并根据所述历史组织的降采数据和满采数据对所述第二神经网络模型进行训练,获得所述第一神经网络参数和所述第二神经网络参数,具体包括:
利用历史组织的降采数据进行图像重建获得第一重建图像作为所述目标成像任务的输入集;利用所述历史组织的满采数据进行图像重建获得第二重建图像作为所述目标成像任务的第一标注集;对所述第二重建图像执行与所述目标成像任务相对应的图像处理操作,获得图像作为所述第二标注集;
将所述输入集输入至所述第一神经网络模型,获得所述第一神经网络模型的第一输出结果;
将所述第一输出结果输入至所述第二神经网络模型,获得所述第二神经网络模型的第二输出结果;
利用所述第一输出结果和所述第一标注集获得所述第一神经网络模型的第一损失函数的函数值;以及,利用所述第二输出结果和所述第二标注集获得所述第二神经网络模型的第二损失函数的函数值;不同的目标成像任务对应不同的第一损失函数;不同的目标成像任务对应不同的第二损失函数;
依据所述第一损失函数的函数值和所述第二损失函数的函数值判断是否满足训练的迭代条件,如果满足则继续迭代,如果不满足则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数;或者,判断迭代次数是否达到预设次数,如果否则继续迭代,如果是,则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数。
5.根据权利要求2-4任一项所述的方法,其特征在于,具体应用于对所述被测组织进行磁共振成像;
所述对所述被测组织的降采数据进行图像重建获得输入图像,具体包括:
对所述被测组织的降采K空间数据进行逆傅里叶变换或敏感度编码方法重建,获得所述输入图像。
6.根据权利要求5所述的方法,其特征在于,当所述被测组织为脑组织时,所述目标成像任务为灰白质分割;当所述被测组织为腹部组织时,所述目标成像任务为水脂分离。
7.根据权利要求2-4任一项所述的方法,其特征在于,具体应用于对所述被测组织进行CT成像;
所述对所述被测组织的降采数据进行图像重建获得输入图像,具体包括:
对所述被测组织的降采弦图进行滤波反投影重建,获得所述输入图像。
8.根据权利要求7所述的方法,其特征在于,所述被测组织为肺组织,所述目标成像任务为肺组织分割。
9.一种成像装置,其特征在于,应用于对被测组织进行成像;所述装置包括:
第一成像模块,用于利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建,获得重建后的图像;所述第一神经网络包括第一神经网络参数和第一神经网络模型;所述被测组织不同的目标成像任务对应不同的所述第一神经网络参数;
第二成像模块,用于利用所述目标成像任务对应的第二神经网络对所述重建后的图像执行所述目标成像任务对应的图像处理操作,获得所述第二神经网络输出的图像作为所述被测组织的目标图像;所述第二神经网络包括第二神经网络参数和第二神经网络模型;所述被测组织不同的目标成像任务对应不同的所述第二神经网络参数。
10.根据权利要求9所述的装置,其特征在于,所述第一成像模块包括:
输入图像获取单元,用于对所述被测组织的降采数据进行图像重建获得输入图像;
图像重建单元,用于利用目标成像任务对应的第一神经网络对所述输入图像进行重建,获得重建后的图像。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
数据获取模块,用于获取历史组织的降采数据和满采数据;所述历史组织与所述被测组织的类型相同;
网络训练模块,用于根据所述历史组织的降采数据和满采数据对所述第一神经网络模型进行训练,并根据所述历史组织的降采数据和满采数据对所述第二神经网络模型进行训练,获得所述第一神经网络参数和所述第二神经网络参数。
12.根据权利要求11所述的装置,其特征在于,所述网络训练模块具体包括:
训练集获取单元,用于利用历史组织的降采数据进行图像重建获得第一重建图像作为所述目标成像任务的输入集;利用所述历史组织的满采数据进行图像重建获得第二重建图像作为所述目标成像任务的第一标注集;对所述第二重建图像执行与所述目标成像任务相对应的图像处理操作,获得图像作为所述第二标注集;
第一训练单元,用于将所述输入集输入至所述第一神经网络模型,获得所述第一神经网络模型的第一输出结果;
第二训练单元,用于将所述第一输出结果输入至所述第二神经网络模型,获得所述第二神经网络模型的第二输出结果;
第三训练单元,用于利用所述第一输出结果和所述第一标注集获得所述第一神经网络模型的第一损失函数的函数值;以及,用于利用所述第二输出结果和所述第二标注集获得所述第二神经网络模型的第二损失函数的函数值;不同的目标成像任务对应不同的第一损失函数;不同的目标成像任务对应不同的第二损失函数;
第四训练单元,用于依据所述第一损失函数的函数值和所述第二损失函数的函数值判断是否满足训练的迭代条件,如果满足则继续迭代,如果不满足则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数;或者,用于判断迭代次数是否达到预设次数,如果是,则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数。
13.一种计算机可读存储介质,其特征在于,所述介质上存储有计算机程序;所述程序被处理器执行时实现权利要求1-8任一项所述的成像方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910532012.1A CN110246137B (zh) | 2019-06-19 | 2019-06-19 | 一种成像方法、装置及存储介质 |
US16/904,981 US11250543B2 (en) | 2019-06-19 | 2020-06-18 | Medical imaging using neural networks |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910532012.1A CN110246137B (zh) | 2019-06-19 | 2019-06-19 | 一种成像方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110246137A true CN110246137A (zh) | 2019-09-17 |
CN110246137B CN110246137B (zh) | 2021-12-03 |
Family
ID=67888216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910532012.1A Active CN110246137B (zh) | 2019-06-19 | 2019-06-19 | 一种成像方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11250543B2 (zh) |
CN (1) | CN110246137B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766661A (zh) * | 2019-09-26 | 2020-02-07 | 上海联影医疗科技有限公司 | 磁共振成像的水脂分离方法、磁共振成像方法和设备 |
CN111968061A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | 脏器组织高辨识成像方法、装置、存储介质及计算机设备 |
TWI823084B (zh) * | 2020-04-29 | 2023-11-21 | 大陸商上海耕岩智能科技有限公司 | 圖像修復方法及裝置、存儲介質、終端 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11789104B2 (en) | 2018-08-15 | 2023-10-17 | Hyperfine Operations, Inc. | Deep learning techniques for suppressing artefacts in magnetic resonance images |
MX2021011124A (es) * | 2019-03-14 | 2021-10-14 | Hyperfine Inc | Tecnicas de aprendizaje profundo para generar imagenes por resonancia magnetica a partir de datos de frecuencia espacial. |
US11327135B2 (en) * | 2020-03-27 | 2022-05-10 | Siemens Healthcare Gmbh | Artificial intelligence based suppression of chemical species in magnetic resonance imaging |
US20220138943A1 (en) * | 2020-10-30 | 2022-05-05 | Chengdu Yijian Medical Technology Co., Ltd | System and method to detect abnormality of subjects directly from mri k-space data |
US20220139003A1 (en) * | 2020-10-30 | 2022-05-05 | Chengdu Yijian Medical Technology Co., Ltd | Methods and apparatus for mri reconstruction and data acquisition |
CN112802012A (zh) * | 2021-03-09 | 2021-05-14 | 中南大学湘雅医院 | 病理图像检测方法、装置、计算机设备和存储介质 |
KR20230092514A (ko) * | 2021-12-17 | 2023-06-26 | 삼성전자주식회사 | 렌더링 방법 및 장치 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334733A (zh) * | 2017-09-01 | 2018-07-27 | 上海联影医疗科技有限公司 | 医学图像显示方法、显示系统及计算机可读存储介质 |
CN108814603A (zh) * | 2018-05-10 | 2018-11-16 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
US20190005684A1 (en) * | 2017-06-28 | 2019-01-03 | Deepmind Technologies Limited | Generalizable medical image analysis using segmentation and classification neural networks |
CN109410337A (zh) * | 2017-08-15 | 2019-03-01 | 北京蜂鸟互动科技有限公司 | 一种基于vr模型的人工智能医疗系统实现方法、系统 |
CN109583576A (zh) * | 2018-12-17 | 2019-04-05 | 上海联影智能医疗科技有限公司 | 一种医学图像处理装置及方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190336101A1 (en) * | 2016-11-16 | 2019-11-07 | Teratech Corporation | Portable ultrasound system |
US20190294992A1 (en) * | 2017-11-28 | 2019-09-26 | Yudong Zhu | Hybrid learning for intelligent instruments |
US11514325B2 (en) * | 2018-03-21 | 2022-11-29 | The Regents Of The University Of California | Method and system for phase recovery and holographic image reconstruction using a neural network |
KR102215702B1 (ko) * | 2018-06-04 | 2021-02-16 | 한국과학기술원 | 뉴럴 네트워크를 이용한 자기공명영상 처리 방법 및 그 장치 |
US11756160B2 (en) * | 2018-07-27 | 2023-09-12 | Washington University | ML-based methods for pseudo-CT and HR MR image estimation |
KR20210038903A (ko) * | 2018-07-30 | 2021-04-08 | 하이퍼파인 리서치, 인크. | 자기 공명 이미지 재구성을 위한 딥 러닝 기술 |
US11255943B2 (en) * | 2018-08-13 | 2022-02-22 | Siemens Healthcare Gmbh | Motion determination for volumetric magnetic resonance imaging using a deep machine-learning model |
US11789104B2 (en) * | 2018-08-15 | 2023-10-17 | Hyperfine Operations, Inc. | Deep learning techniques for suppressing artefacts in magnetic resonance images |
US10964017B2 (en) * | 2018-11-15 | 2021-03-30 | General Electric Company | Deep learning for arterial analysis and assessment |
US10909681B2 (en) * | 2019-01-03 | 2021-02-02 | The Regents Of The University Of California | Automated selection of an optimal image from a series of images |
US11294014B2 (en) * | 2019-03-07 | 2022-04-05 | Washington University | Methods and systems for real-time 3D MRI |
-
2019
- 2019-06-19 CN CN201910532012.1A patent/CN110246137B/zh active Active
-
2020
- 2020-06-18 US US16/904,981 patent/US11250543B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190005684A1 (en) * | 2017-06-28 | 2019-01-03 | Deepmind Technologies Limited | Generalizable medical image analysis using segmentation and classification neural networks |
CN109410337A (zh) * | 2017-08-15 | 2019-03-01 | 北京蜂鸟互动科技有限公司 | 一种基于vr模型的人工智能医疗系统实现方法、系统 |
CN108334733A (zh) * | 2017-09-01 | 2018-07-27 | 上海联影医疗科技有限公司 | 医学图像显示方法、显示系统及计算机可读存储介质 |
CN108814603A (zh) * | 2018-05-10 | 2018-11-16 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
CN109583576A (zh) * | 2018-12-17 | 2019-04-05 | 上海联影智能医疗科技有限公司 | 一种医学图像处理装置及方法 |
Non-Patent Citations (3)
Title |
---|
WANYING ZHENG等: "Research on integral (3D) image compression technology based on neural network", 《IEEE》 * |
李忠科等: "人工神经网络在激光三维测量系统中的应用", 《测控技术》 * |
高亮等: "《类电磁机制算法的研究与应用》", 31 December 2017, 武汉:华中科技大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766661A (zh) * | 2019-09-26 | 2020-02-07 | 上海联影医疗科技有限公司 | 磁共振成像的水脂分离方法、磁共振成像方法和设备 |
CN110766661B (zh) * | 2019-09-26 | 2022-10-28 | 上海联影医疗科技股份有限公司 | 磁共振成像的水脂分离方法、磁共振成像方法和设备 |
TWI823084B (zh) * | 2020-04-29 | 2023-11-21 | 大陸商上海耕岩智能科技有限公司 | 圖像修復方法及裝置、存儲介質、終端 |
CN111968061A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | 脏器组织高辨识成像方法、装置、存储介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
US11250543B2 (en) | 2022-02-15 |
CN110246137B (zh) | 2021-12-03 |
US20200402204A1 (en) | 2020-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110246137A (zh) | 一种成像方法、装置及存储介质 | |
CN109741346A (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
CN110461228A (zh) | 使用多对比度和深度学习改进医学图像的质量 | |
CN101596110B (zh) | 心脏mri中视场的自动确定 | |
CN109712208A (zh) | 基于深度学习的大视野磁共振扫描图像重建方法和装置 | |
CN111462264B (zh) | 医学图像重建方法、医学图像重建网络训练方法和装置 | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
Bhat et al. | 4D reconstruction of the beating embryonic heart from two orthogonal sets of parallel optical coherence tomography slice-sequences | |
CN107464231A (zh) | 用于确定医学成像的最佳操作参数的系统和方法 | |
Kastryulin et al. | Image quality assessment for magnetic resonance imaging | |
CN113159040B (zh) | 医学图像分割模型的生成方法及装置、系统 | |
CN107656224A (zh) | 一种磁共振成像方法、装置及系统 | |
US20210110520A1 (en) | Method and system for simulating and constructing original medical images from one modality to other modality | |
CN111080731A (zh) | 弥散加权成像方法及装置 | |
Al Khalil et al. | Reducing segmentation failures in cardiac MRI via late feature fusion and GAN-based augmentation | |
CN111583356A (zh) | 一种基于卷积神经网络的磁共振图像合成方法和装置 | |
CN112785540B (zh) | 一种扩散加权图像的生成系统及方法 | |
CN112184845B (zh) | 弥散加权图像重建模型的生成方法及装置 | |
Liu et al. | Progressive residual learning with memory upgrade for ultrasound image blind super-resolution | |
Qiao et al. | CorGAN: Context aware recurrent generative adversarial network for medical image generation | |
CN111311531A (zh) | 图像增强方法、装置、控制台设备及医学成像系统 | |
CN115761134A (zh) | 孪生模型的生成方法、系统、核磁共振装置和介质 | |
Qi et al. | Blind image quality assessment for MRI with a deep three-dimensional content-adaptive hyper-network | |
CN114926366A (zh) | 使用人工神经网络的运动伪影校正的方法和设备 | |
CN110930394B (zh) | 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备 |
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 | ||
CB02 | Change of applicant information |
Address after: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd. Address before: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant before: Shenyang Neusoft Medical Systems Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |