CN110675461A - 一种基于无监督学习的ct图像恢复方法 - Google Patents
一种基于无监督学习的ct图像恢复方法 Download PDFInfo
- Publication number
- CN110675461A CN110675461A CN201910827296.7A CN201910827296A CN110675461A CN 110675461 A CN110675461 A CN 110675461A CN 201910827296 A CN201910827296 A CN 201910827296A CN 110675461 A CN110675461 A CN 110675461A
- Authority
- CN
- China
- Prior art keywords
- artifact
- image
- metal
- free
- artifacts
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011084 recovery Methods 0.000 title claims abstract description 15
- 239000002184 metal Substances 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims description 4
- 230000008485 antagonism Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 50
- 239000007943 implant Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000284156 Clerodendrum quadriloculare Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T2207/20—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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于无监督学习的CT图像恢复方法，其主要技术特点是：准备存在严重金属伪影的CT影像数据集和无金属伪影的CT影像数据集；使用卷积神经网络构建编码器；使用生成器生成受伪影影响的图像和无伪影图像：构建解纠缠GAN网络的损失函数；使用完整的数据集对整个解纠缠GAN网络进行大规模迭代训练；使用存在金属伪影的CT影像作为测试数据集，得到基于无监督深度学习的CT图像恢复模型，将真实的测试数据输入后，最终得到消除了金属伪影的的高质量CT图像。本发明利用深度生成对抗卷积神经网络在无监督条件下消除CT影像中存在的金属伪影，实现了对受金属伪影影响的CT图像的高质量恢复，能够更好地在实际中应用。
Description
技术领域
本发明属于计算机断层扫描技术领域，尤其是一种基于无监督学习的CT图像恢复方法。
背景技术
X射线计算机断层扫描(Computed Tomography，CT)技术已被广泛应用于工业探测与医学诊断等领域，但CT检查一直被伪影所困扰，伪影给临床检查和诊断带来了很大的困难。
金属伪影是计算机断层扫描(CT)图像中常见的伪影之一。它在成像和重建过程中由金属植入物引入。在临床检查过程中，骨折髓内钉、钢板、心脏起搏器、金属支架、人工髋关节或金属假牙等金属植入物会大量的吸收CT扫描时入射的X射线光子，导致这些区域的投影域数据缺失，上述物体的周围会产生星芒状或放射状伪影，严重影响了图像上金属植入物周围组织结构的清晰度，给植入物本身以及周围组织结构的判断带来了很大的困难，这一难题多年以来困扰着检査。金属伪影的形成涉及多种机制，例如射束硬化、散射、噪声和非线性部分体积效应，这使得通过传统方法建模去除伪影非常困难。
近年来，深度学习在医学影像处理领域的应用愈发广泛，深度学习中深度卷积神经网络的重要优点是从原始数据到抽象的语义概念逐层提取信息，这使得它在提取数据的全局特征和数据恢复方面具有突出的优势。使用深度卷积神经网络可以建立能够有效消除CT影像金属伪影的模型。
当前基于深度神经网络的计算机断层扫描(CT)金属伪影减少(MAR)方法是监督方法，该方法需要在解剖细节上完全相同的成对CT图像，一个具有金属伪影，另一个没有金属伪影，其严重依赖于仿真数据用于训练。但是仿真数据可能无法完美地模拟CT成像的潜在物理机制，因此监督方法通常不能很好地推广到临床应用。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于无监督学习的CT图像恢复方法，其采用无监督的深度学习方法能够将金属伪影与潜在的真实临床CT图像分离，消除CT图像中存在的严重金属伪影，得到高质量CT图像。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于无监督学习的CT图像恢复方法，包括以下步骤：
步骤1、准备如下数据集：存在严重金属伪影的CT影像数据集x和无金属伪影的CT影像数据集y，其中x∈A，A是所有受金属伪影影响的CT影像的域，y∈B，B为所有无金属伪影CT影像的域：
步骤2、使用卷积神经网络构建编码器，其中，编码器EA和EB分别将来自数据集x和数据集y的无伪影信息映射到无伪影编码，编码器Ea将仅伪影信息从x映射到仅伪影编码：zx为来自x的无伪影编码，zy为来自y的无伪影编码，za为来自x的仅伪影编码信息；
步骤3：使用生成器GA将无伪影编码zx或zy和仅伪影编码za作为输入，生成受伪影影响的图像和
使用生成器GB将无伪影编码zx或zy作为输入，生成无伪影图像
和
步骤4、构建解纠缠GAN网络的损失函数L；
步骤5、使用完整的数据集对整个解纠缠GAN网络进行大规模迭代训练，训练过程中不断调整步骤4中的超参数数值以及生成器、判别器的网络层数k、学习率大小、网络迭代次数；生成器与判别器交替梯度更新，不断反向传播至步骤2，直至网络总目标函数L收敛，生成器GB生成的图像
中无金属伪影存在；
步骤6、训练完成后，使用存在金属伪影的CT影像作为测试数据集Xa，测试过程需要EA和GB来获得校正伪影的输出，得到无伪影图像
根据测试结果改变之前步骤中的超参数，不断增强模型的图像恢复能力，得到良好的基于无监督深度学习的CT图像恢复模型，将真实的测试数据输入后，最终得到消除了金属伪影的的高质量CT图像。
进一步，所述步骤4的具体实现方法为：
将无伪影图像
与数据集y共同输入对抗地训练DB，对抗地训练DB和生成器GB以使
经过多次迭代训练后输出成为无伪影图像，标签为与之不成对的y，该训练过程的对抗性损失函数为：
其中，E(*)表示期望值；
强制编码器和生成器在编码和解码时保留输入图像的解剖学细节：
上述损失函数的第一项指EA编码x的除伪影信息外的所有信息以及Ea编码x的所有金属伪影信息，使得生成器GA能够完全重建经过编码x的所有信息，最终得到
第二项指GB完全重建经过编码的y的无伪影信息，最终得到
在步骤3中，生成器GA把Ea编码的金属伪影信息解码后应用于y，得到使用另一种对抗性损失来保证中
的金属伪影足够真实：
将生成的
中的仅金属伪影信息通过EA重新编码，并输入GB重新生成无金属伪影的图像
这个过程由循环一致性损失保证生成的
与原始无伪影图像y足够接近：
使用伪影一致性损失来约束伪影差异：
最终得到完整的解纠缠GAN网络的损失函数L：
其中λ是控制每个损失函数的重要超参数。
本发明的优点和积极效果是：
本发明利用深度生成对抗卷积神经网络(Generative adversarial network,GAN)在无监督条件下消除CT影像中存在的金属伪影，其利用不完全配对的金属伪影-无伪影CT图像对，通过解纠缠GAN网络，分离CT图像中存在的严重金属伪影，实现了对受金属伪影影响的CT图像的高质量恢复，同时由于该无监督方法并不需要严格配对的训练数据集，故而该方法和模型可以更好地在实际中应用。
附图说明
图1是本发明的基于无监督深度学习的CT图像恢复方法架构图；
图2是基于CT图像恢复模型的真实数据集Xa的测试流程。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
本发明的设计思想是：在深度学习中更具挑战性但同时也更实用的无监督方法已经得到了更多的重视和研究，无监督方法中没有配对的CT图像可用于训练。同时CT影像中金属伪影的减少可以被视为图像到图像转换的一种形式，由受伪影影响的图像到无伪影图像的转换。无监督图像转换可以利用GAN实现，GAN将传统深度学习的两种基本模型：生成模型与判别模型统一于同一个框架中，在GAN中，两个模型相互博弈，交替迭代训练，在这个过程中GAN框架可以很好地保留图像细节并学习图像的复杂数据分布。基于GAN网络，可以将金属伪影与潜在的真实临床CT图像分离，可将此操作称为“解纠缠”，良好的金属伪影消除模型应该满足：(i)尽可能地减少伪影；(ii)保持输入CT影像的解剖学内容。在整个解纠缠GAN网络中，输入图像的金属伪影信息以及无伪影信息编码的准确性是非常重要的，必须设计相应的损失函数保证网络在经过足够多的迭代训练后，能够准确编码和解码输入图像的金属伪影信息和无金属伪影信息，故在网络中使用多个损失函数实现这一目的。在无监督条件下，解纠缠GAN网络能够在受金属伪影影响和无伪影的图像域之间进行操纵，最终消除CT图像中存在的严重金属伪影，得到高质量CT图像。
一种基于无监督学习的CT图像恢复方法，如图1所示，包括以下步骤：
步骤1、准备如下数据集：存在严重金属伪影的CT影像数据集x，x∈A，A是所有受金属伪影影响的CT影像的域；无金属伪影的CT影像数据集y，y∈B，B为所有无金属伪影CT影像的域。x与y的CT影像不成对。
步骤2、构建卷积神经网络编码器：该编码器EA和EB分别将来自x和y的无伪影信息映射到无伪影编码。编码器Ea将仅伪影信息从x映射到仅伪影编码信息：
zx＝EA(x),zy＝EB(y),za＝Ea(x)
其中，zx为来自x的无伪影编码，zy为来自y的无伪影编码，za为来自x的仅伪影编码信息。
步骤3：使用生成器GA将无伪影编码zx或zy和仅伪影编码za作为输入，输出受伪影影响的图像
和
使用生成器GB将无伪影编码zx或zy作为输入并输出无伪影图像
和
即：
步骤4、构建解纠缠GAN网络的损失函数，其过程为：
其中，E(*)表示期望值。
强制编码器和生成器在编码和解码时保留输入图像的解剖学细节：
上述损失函数的第一项指EA编码x的除伪影信息外的所有信息以及Ea编码x的所有金属伪影信息，使得生成器GA能够完全重建经过编码x的所有信息，最终得到
第二项指GB完全重建(生成)经过编码的y的无伪影信息，最终得到
在步骤3中，生成器GA把Ea编码的金属伪影信息解码后应用于y，得到
即
使用另一种对抗性损失来保证中
的金属伪影足够“真实”：
接下来，将生成的
中的仅金属伪影信息通过EA重新编码，并输入GB重新生成无金属伪影的图像
这个过程由循环一致性损失保证生成的
与原始无伪影图像y足够接近：
最后，由于共用了相同的金属伪影编码信息，xa和
之间的差异映射以及
和y之间的差异映射是接近的，使用伪影一致性损失来约束伪影差异：
完整的目标函数由下式给出：
其中λ是控制每个损失函数的重要超参数。
步骤5、使用完整的数据集对整个解纠缠GAN网络进行大规模迭代训练，训练过程中不断调整步骤4中的超参数数值以及生成器、判别器的网络层数k、学习率大小、网络迭代次数等。生成器与判别器交替梯度更新，不断反向传播至步骤2，直至网络总目标函数L收敛，GB输出的图像
中无金属伪影存在。
步骤6、模型训练完成后，使用存在金属伪影的CT影像作为测试数据集Xa，测试过程仅需要EA和GB来获得校正伪影的输出，如图2所示，即可得到无伪影图像
根据测试结果改变之前步骤中的超参数，不断增强模型的图像恢复能力。最后得到良好的基于无监督深度学习的CT图像恢复模型，将真实的测试数据输入后，最终可得到消除了金属伪影的，细节保留良好的高质量CT图像。
下面通过一个具体实例对本发明进行测试：
选择椎骨部位数据集。将来自此数据集的CT图像分成两组，一组具有伪影，另一组没有伪影。首先，我们确定CT值大于2500的区域作为金属区域。然后，选择其最大连通金属区域具有超过400个像素的CT图像作为受伪影影响图像。选择具有小于2000的最大CT值的CT图像作为无伪影图像。在此选择之后，受伪影影响的组包含6270个图像，无伪影组包含21190个图像。我们从受伪影影响的组中扣除200张图像进行测试。
在深度学习框架下实现该方法，并使用具有1×10-4学习速率的优化算法来最小化目标函数。目标函数中的重要超参数设置为：λ1＝λ2＝1.0,λ3＝λ4＝λ5＝20.0。
将训练集输入生成对抗网络进行训练，观察目标函数是否可以收敛到最小值，如果不收敛，则改变网络中的学习率后重新进行训练，直到目标函数收敛时停止训练。最后使用测试集(200张受伪影影像图像)进行基于无监督深度学习的CT图像恢复模型的测试，得到消除了金属伪影的，细节保留良好的高质量CT图像。
本发明未述及之处适用于现有技术。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (2)
1.一种基于无监督学习的CT图像恢复方法，其特征在于包括以下步骤：
步骤1、准备如下数据集：存在严重金属伪影的CT影像数据集x和无金属伪影的CT影像数据集y，其中x∈A，A是所有受金属伪影影响的CT影像的域，y∈B，B为所有无金属伪影CT影像的域：
步骤2、使用卷积神经网络构建编码器，其中，编码器EA和EB分别将来自数据集x和数据集y的无伪影信息映射到无伪影编码，编码器Ea将仅伪影信息从x映射到仅伪影编码：zx为来自x的无伪影编码，zy为来自y的无伪影编码，za为来自x的仅伪影编码信息；
步骤3：使用生成器GA将无伪影编码zx或zy和仅伪影编码za作为输入，生成受伪影影响的图像
和
使用生成器GB将无伪影编码zx或zy作为输入，生成无伪影图像
和
步骤4、构建解纠缠GAN网络的损失函数L；
步骤5、使用完整的数据集对整个解纠缠GAN网络进行大规模迭代训练，训练过程中不断调整步骤4中的超参数数值以及生成器、判别器的网络层数k、学习率大小、网络迭代次数；生成器与判别器交替梯度更新，不断反向传播至步骤2，直至网络总目标函数L收敛，生成器GB生成的图像
中无金属伪影存在；
步骤6、训练完成后，使用存在金属伪影的CT影像作为测试数据集Xa，测试过程需要EA和GB来获得校正伪影的输出，得到无伪影图像
根据测试结果改变之前步骤中的超参数，不断增强模型的图像恢复能力，得到良好的基于无监督深度学习的CT图像恢复模型，将真实的测试数据输入后，最终得到消除了金属伪影的的高质量CT图像。
2.根据权利要求1所述的一种基于无监督学习的CT图像恢复方法，其特征在于：所述步骤4的具体实现方法为：
将无伪影图像
与数据集y共同输入对抗地训练DB，对抗地训练DB和生成器GB以使
经过多次迭代训练后输出成为无伪影图像，标签为与之不成对的y，该训练过程的对抗性损失函数为：
其中，E(*)表示期望值；
强制编码器和生成器在编码和解码时保留输入图像的解剖学细节：
上述损失函数的第一项指EA编码x的除伪影信息外的所有信息以及Ea编码x的所有金属伪影信息，使得生成器GA能够完全重建经过编码x的所有信息，最终得到
第二项指GB完全重建经过编码的y的无伪影信息，最终得到
在步骤3中，生成器GA把Ea编码的金属伪影信息解码后应用于y，得到
使用另一种对抗性损失来保证中
的金属伪影足够真实：
将生成的中的仅金属伪影信息通过EA重新编码，并输入GB重新生成无金属伪影的图像
这个过程由循环一致性损失保证生成的
与原始无伪影图像y足够接近：
使用伪影一致性损失来约束伪影差异：
最终得到完整的解纠缠GAN网络的损失函数L：
其中λ是控制每个损失函数的重要超参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910827296.7A CN110675461A (zh) | 2019-09-03 | 2019-09-03 | 一种基于无监督学习的ct图像恢复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910827296.7A CN110675461A (zh) | 2019-09-03 | 2019-09-03 | 一种基于无监督学习的ct图像恢复方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110675461A true CN110675461A (zh) | 2020-01-10 |
Family
ID=69076221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910827296.7A Withdrawn CN110675461A (zh) | 2019-09-03 | 2019-09-03 | 一种基于无监督学习的ct图像恢复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110675461A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292386A (zh) * | 2020-01-15 | 2020-06-16 | 中国人民解放军战略支援部队信息工程大学 | 一种基于U-net的CT投影金属迹线补全金属伪影校正方法 |
| CN111815692A (zh) * | 2020-07-15 | 2020-10-23 | 大连东软教育科技集团有限公司 | 无伪影数据及有伪影数据的生成方法、系统及存储介质 |
| CN111862258A (zh) * | 2020-07-23 | 2020-10-30 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像金属伪影抑制方法 |
| CN112037146A (zh) * | 2020-09-02 | 2020-12-04 | 广州海兆印丰信息科技有限公司 | 医学图像伪影自动校正方法、装置和计算机设备 |
| CN112419175A (zh) * | 2020-11-06 | 2021-02-26 | 深圳先进技术研究院 | 一种共享权重的双区域生成对抗网络及其图像生成方法 |
| CN112446840A (zh) * | 2020-12-07 | 2021-03-05 | 明峰医疗系统股份有限公司 | 一种基于深度学习的ct图像黑带伪影消除方法及系统 |
| CN112489154A (zh) * | 2020-12-07 | 2021-03-12 | 重庆邮电大学 | 基于局部优化生成对抗网络的mri运动伪影校正方法 |
| CN112508808A (zh) * | 2020-11-26 | 2021-03-16 | 中国人民解放军战略支援部队信息工程大学 | 基于生成对抗网络的ct双域联合金属伪影校正方法 |
| CN113487657A (zh) * | 2021-07-29 | 2021-10-08 | 广州柏视医疗科技有限公司 | 一种基于深度学习的模态转换方法 |
| CN113592968A (zh) * | 2021-07-09 | 2021-11-02 | 清华大学 | 断层扫描图像中金属伪影的消减方法和装置 |
| WO2022016461A1 (zh) * | 2020-07-23 | 2022-01-27 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像金属伪影抑制方法 |
| WO2022094911A1 (zh) * | 2020-11-06 | 2022-05-12 | 深圳先进技术研究院 | 一种共享权重的双区域生成对抗网络及其图像生成方法 |
| WO2022121160A1 (zh) * | 2020-12-07 | 2022-06-16 | 苏州深透智能科技有限公司 | 一种基于深度学习的增强ct图像质量和分辨率的方法 |
| CN116012478A (zh) * | 2022-12-27 | 2023-04-25 | 哈尔滨工业大学 | 一种基于收敛型扩散模型的ct金属伪影去除方法 |
-
2019
- 2019-09-03 CN CN201910827296.7A patent/CN110675461A/zh not_active Withdrawn
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292386A (zh) * | 2020-01-15 | 2020-06-16 | 中国人民解放军战略支援部队信息工程大学 | 一种基于U-net的CT投影金属迹线补全金属伪影校正方法 |
| CN111815692A (zh) * | 2020-07-15 | 2020-10-23 | 大连东软教育科技集团有限公司 | 无伪影数据及有伪影数据的生成方法、系统及存储介质 |
| CN111815692B (zh) * | 2020-07-15 | 2023-12-01 | 东软教育科技集团有限公司 | 无伪影数据及有伪影数据的生成方法、系统及存储介质 |
| WO2022016461A1 (zh) * | 2020-07-23 | 2022-01-27 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像金属伪影抑制方法 |
| CN111862258A (zh) * | 2020-07-23 | 2020-10-30 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像金属伪影抑制方法 |
| CN112037146A (zh) * | 2020-09-02 | 2020-12-04 | 广州海兆印丰信息科技有限公司 | 医学图像伪影自动校正方法、装置和计算机设备 |
| CN112037146B (zh) * | 2020-09-02 | 2023-12-22 | 广州海兆印丰信息科技有限公司 | 医学图像伪影自动校正方法、装置和计算机设备 |
| CN112419175A (zh) * | 2020-11-06 | 2021-02-26 | 深圳先进技术研究院 | 一种共享权重的双区域生成对抗网络及其图像生成方法 |
| WO2022094911A1 (zh) * | 2020-11-06 | 2022-05-12 | 深圳先进技术研究院 | 一种共享权重的双区域生成对抗网络及其图像生成方法 |
| CN112508808A (zh) * | 2020-11-26 | 2021-03-16 | 中国人民解放军战略支援部队信息工程大学 | 基于生成对抗网络的ct双域联合金属伪影校正方法 |
| CN112489154B (zh) * | 2020-12-07 | 2022-06-03 | 重庆邮电大学 | 基于局部优化生成对抗网络的mri运动伪影校正方法 |
| WO2022121160A1 (zh) * | 2020-12-07 | 2022-06-16 | 苏州深透智能科技有限公司 | 一种基于深度学习的增强ct图像质量和分辨率的方法 |
| CN112489154A (zh) * | 2020-12-07 | 2021-03-12 | 重庆邮电大学 | 基于局部优化生成对抗网络的mri运动伪影校正方法 |
| CN112446840A (zh) * | 2020-12-07 | 2021-03-05 | 明峰医疗系统股份有限公司 | 一种基于深度学习的ct图像黑带伪影消除方法及系统 |
| CN112446840B (zh) * | 2020-12-07 | 2024-01-19 | 明峰医疗系统股份有限公司 | 一种基于深度学习的ct图像黑带伪影消除方法及系统 |
| CN113592968A (zh) * | 2021-07-09 | 2021-11-02 | 清华大学 | 断层扫描图像中金属伪影的消减方法和装置 |
| CN113487657A (zh) * | 2021-07-29 | 2021-10-08 | 广州柏视医疗科技有限公司 | 一种基于深度学习的模态转换方法 |
| CN116012478A (zh) * | 2022-12-27 | 2023-04-25 | 哈尔滨工业大学 | 一种基于收敛型扩散模型的ct金属伪影去除方法 |
| CN116012478B (zh) * | 2022-12-27 | 2023-08-18 | 哈尔滨工业大学 | 一种基于收敛型扩散模型的ct金属伪影去除方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110675461A (zh) | 一种基于无监督学习的ct图像恢复方法 | |
| CN110728729B (zh) | 一种基于注意机制的无监督ct投影域数据恢复方法 | |
| CN110570492B (zh) | 一种基于神经网络的ct伪影抑制方法、设备以及介质 | |
| CN102024251B (zh) | 用于双源ct的基于多图像虚拟非对比图像增强的系统和方法 | |
| CN112348936B (zh) | 一种基于深度学习的低剂量锥束ct图像重建方法 | |
| CN110298804A (zh) | 一种基于生成对抗网络和3d残差编码解码的医学图像降噪方法 | |
| Zhou et al. | DuDoUFNet: dual-domain under-to-fully-complete progressive restoration network for simultaneous metal artifact reduction and low-dose CT reconstruction | |
| CN112396672B (zh) | 一种基于深度学习的稀疏角度锥束ct图像重建方法 | |
| CN111340903B (zh) | 基于非衰减校正pet图像生成合成pet-ct图像的方法和系统 | |
| CN109300136A (zh) | 一种基于卷积神经网络的危及器官自动分割方法 | |
| Ataei et al. | Cascaded convolutional neural networks with perceptual loss for low dose CT denoising | |
| CN110503699A (zh) | 一种ct投影路径减少情况下的ct图像重建方法 | |
| CN108038840B (zh) | 一种图像处理方法、装置、图像处理设备及存储介质 | |
| Lin et al. | Batformer: Towards boundary-aware lightweight transformer for efficient medical image segmentation | |
| Nguyen et al. | 3D Unet generative adversarial network for attenuation correction of SPECT images | |
| CN112258438B (zh) | 一种基于非配对数据的ldct图像恢复方法 | |
| CN116894783A (zh) | 基于时变约束的对抗生成网络模型的金属伪影去除方法 | |
| CN116664710A (zh) | 基于Transformer的CT图像金属伪影无监督校正方法 | |
| CN116402954A (zh) | 一种基于深度学习的脊柱三维结构的重建方法 | |
| Du et al. | Deep-learning-based metal artefact reduction with unsupervised domain adaptation regularization for practical CT images | |
| CN112446840B (zh) | 一种基于深度学习的ct图像黑带伪影消除方法及系统 | |
| TWI716762B (zh) | 一種利用神經網路去除牙齒影像雜訊之方法 | |
| Lin et al. | Correction of the Beam Hardening Artifacts in CT Images Using Pix2pixGAN Network | |
| US20240071052A1 (en) | Method and system for removing foreign material from images | |
| US20230019733A1 (en) | Motion artifact correction using artificial neural 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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200110 |