CN110720915A - 一种基于gan的脑部电阻抗断层成像方法 - Google Patents
一种基于gan的脑部电阻抗断层成像方法 Download PDFInfo
- Publication number
- CN110720915A CN110720915A CN201910846898.7A CN201910846898A CN110720915A CN 110720915 A CN110720915 A CN 110720915A CN 201910846898 A CN201910846898 A CN 201910846898A CN 110720915 A CN110720915 A CN 110720915A
- Authority
- CN
- China
- Prior art keywords
- network
- sequence
- voltage
- conductivity
- conductivity distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0536—Impedance imaging, e.g. by tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于GAN的脑部电阻抗断层成像方法,包括以下步骤:1)获取原始数据,通过实验装置采集边界电压序列,对物场区域进行方格剖分,得到对应的真实电导率分布图作为样本数据;2)数据预处理,对采集到的边界电压序列进行归一化处理并将序列转换成二维图;3)构建生成对抗式网络,使用样本数据集训练网络,得到边界测量电压序列和电导率分布序列之间的非线性映射关系;4)将未经训练的电压序列通过训练过的网络生成对应的电导率分布图。本发明解决了电阻抗断层成像逆问题求解时的非线性问题,提高了重建图像的精度,且抗噪性强,降低对成像系统抗噪性的要求,成像速度快。
Description
技术领域
本发明属于生物医学成像技术领域,涉及深度学习、图像重建,特别是涉及一种基于GAN的脑部电阻抗断层成像方法。
背景技术
生物电阻抗断层成像(Electrical Impedance Tomography,EIT)技术是一种非侵入式检测成像技术,它的原理是在人体表面电极上施加一微弱的电流,并测得其他电极上的电压值,根据电压与电流之间的关系重建物场内部的电导率分布或其变化的图像。由于该技术具有无辐射性、非侵入式,成像速度快且成本低等特点,因此EIT在医学成像领域具有广阔的应用前景。
EIT图像重建过程存在非线性、病态性和不适定性问题,这使得图像重构非常容易受噪声和测量误差的影响,会产生伪影。目前用于EIT图像重建中的常用算法主要有两类:非智能重建算法和智能重建算法。非智能重建算法分为非迭代算法和迭代算法,其中非迭代算法包括等位线滤波反投影法、灵敏度矩阵法等,迭代算法包括共轭梯度法、Newton-Raphson法以及Landweber迭代法。共轭梯度等算法将EIT逆问题进行了线性近似,但线性化的过程中丢失了很多重要的信息,导致重建的图像质量不高,且图像中易存在大量的伪影。智能重建算法是近几年新兴的图像重建算法,典型的是人工神经网络,它虽然有效解决了非线性求解问题,但在训练过程中容易过拟合,对于复杂非线性函数的学习能力有限,从而重建图像的精度不高。
发明内容
为了克服现有重建图像的精度不高的不足,本发明提供了一种精度较高的基于GAN的脑部电阻抗断层成像方法,相对于浅层的人工神经网络,深度学习有更多的隐层,具有优异的特征学习能力,可通过学习一种深层非线性网络结构,实现复杂函数逼近,用较少的参数表示复杂的函数。
本发明解决其技术问题所采用的技术方案是:
一种基于GAN的脑部电阻抗断层成像方法,包括以下步骤:
S1:获取原始数据,通过实验装置采集边界电压序列,对物场区域进行方格剖分,得到对应的真实电导率分布图作为样本数据;
S2:数据预处理,对采集到的边界电压序列进行归一化处理并将序列转换成二维图;
S3:构建生成对抗式网络,使用样本数据集训练网络,得到边界测量电压序列和电导率分布序列之间的非线性映射关系;
S4:将未经训练的电压序列通过训练过的网络生成对应的电导率分布图。
进一步,所述步骤S1中,实验装置采用一个装有浓度为0.9%Nacl溶液的圆形水槽作为二维成像区域,圆形水槽内壁周围均匀分布16个电极,系统采用相对电极激励模式,即在一次激励下,给任意两个相对的电极施加电流激励,同时测量剩余相邻电极之间的电压,然后按照一定的方向依次循环激励并进行测量边界的电压值,同时对物场区域进行方格剖分,得到对应的真实电导率分布图作为样本数据;在水槽的上方罩一个包含多个孔的塑料盘,将以直径为1cm的实心橡胶棒的圆心为中心,放置于不同孔位置下,并按旋转不同角度,构造不同的电导率分布模型;使用包含不同位置孔的两个塑料盘,对数据进行训练集和测试集的采集,同时为保证噪声对电压序列的影响,每个孔的位置下数据采集100帧。
再进一步,所述步骤S2中,为了避免样本数据中奇异样本数据的存在会引起训练时间增大,同时也可能导致无法收敛,因此对采集到的边界电压序列进行归一化处理:
其中y为归一化后的电压测量值,x为待归一化数据,Xmin,Xmax分别表示未归一化范围内的最小值和最大值,最后将归一化后的数据转换成二维图。
更进一步,所述步骤S3中,构建生成对抗式网络,它包括生成网络和判别网络。生成模型是一个用来生成电导率分布图的网络,借鉴U-Net的结构,是一个编解码器,但与传统的编解码器不同,它包含跳跃连接(Skip Connection),用来保留不同分辨率下像素级的细节信息,该网络通过在解码层阶段不同层的图与相同大小的真实电导率分布图求均方差损失:
这样可以获得更多特征信息,其中Si是从解码器中提取的输出集合{S}中第i个输出,{T}是相对于不同{S}尺寸的真实电导率分布图集合,Ti是相对于Si相同尺寸的真实电导率分布图,λi是不同尺寸的权重,对于较大尺寸的图有相对较大的权重,其中均方误差LMSE为计算真实电导率分布图和解码器提取的输出图像素插值的均方值,并将生成网络最后生成的图与真实的电导率分布图输入到 vgg-16网络中提取特征后求均方误差:
Lp(O,T)=LMSE(VGG(O),VGG(T))
其中,O,T分别为生成网络最后一层生成的图和真实电导率分布图, VGG(O),VGG(T)分别为经过VGG网络后提取到的特征,求两者之间的均方误差(MSE),因此生成网络整体的损失函数为:
LG=10-2log(1-D(O))+LM({S},{T})+Lp(O,T)
其中D(O)表示判别网络将生成网络生成出来的图和输入图片判别为图像对的概率,生成网络的目标是要使这个概率尽可能的大,也即1-D(O)尽可能的小;
判别网络就是一个二分类器,它的输入为生成器生成的图片和原始输入的电压二维图对或对应真实的电导率分布图与原始输入的电压二维图对,判别输入的图片对是否是真的图片对,判别网络的损失函数为:
LD=-logD(T)-log(1-D(O))
判别网络的目标则是将O判别为真的概率D(O)尽可能小,也即1-D(O)尽可能的大,且将真实电导率分布图T判断为真的概率D(T)尽可能的大。
所述步骤S4中,将测试集中的电压序列通过训练过的网络生成对应的电导率分布图。
本发明的有益效果为:设计了生成对抗式网络的结构,使其可以通过采集到的电压序列生成出相应的电导率分布图,采用U-Net网络,更加能够保留电压序列图的特征信息,解决了求解逆问题时的非线性和病态问题,提高了逆问题的求解精度和图像重建质量。同时该方法降低了对成像系统康造型的要求,成像速度快。
附图说明
图1为本发明实施例的基于GAN的脑部电阻抗断层成像方法的流程图;
图2为本发明提供的生成对抗式网络的生成模型示意图。
图3是判别网络的示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
参照图1和图2,一种基于GAN的脑部电阻抗断层成像方法,本发明使用实验室EIT硬件设备采集的数据作为数据集。所述方法包括数据采集、数据预处理、生成对抗式网络模型训练和测试集生成。
本发明包括以下步骤:
S1:获取原始数据,通过实验装置采集边界电压序列,对物场区域进行方格剖分,得到对应的真实电导率分布图作为样本数据;
S2:数据预处理,对采集到的边界电压序列进行归一化处理并将序列转换成二维图;
S3:构建生成对抗式网络,使用样本数据集训练网络,得到边界测量电压序列和电导率分布序列之间的非线性映射关系,;
S4:将未经训练的电压序列通过训练过的网络生成对应的电导率分布图。
所述步骤S1中,实验装置采用一个装有浓度为0.9%Nacl溶液的圆形水槽作为二维成像区域,水槽的内径为10cm,高4cm,圆形水槽内壁周围均匀分布16 个电极。系统采用相对电极激励模式,即在一次激励下,给任意两个相对的电极施加电流激励,同时测量剩余相邻电极之间的电压,得到12个有效的电压值,之后按照一定的方向依次循环激励并进行测量,最终可得到16×12=192个有效电压值,对物场区域进行方格剖分,得到对应的真实电导率分布图作为样本数据。在水槽的上方罩一个包含多个孔的塑料盘,将以直径为1cm的实心橡胶棒的圆心为中心,放置于不同孔位置下,并按30度、45度、60度旋转,构造不同的电导率分布模型。训练数据采集时使用146个孔的塑料盘,共有438种电导率分布模型R={σ(1),σ(2),…σ(438)},考虑到实验装置中噪声对成像的影响,每个位置采集100帧电压序列数据每种电导率分布模型有100个不同数据;测试数据采集时使用100个孔的塑料盘,保证测试集样本采用的位置均不在训练样本中,则测试样本数为300。
所述步骤S2中,为了避免样本数据中奇异样本数据的存在会引起训练时间增大,同时也可能导致无法收敛,因此对采集到的边界电压序列进行归一化处理:
更进一步,所述步骤S3中,构建生成对抗式网络如图2和图3,它包括生成网络和判别网络,生成模型如图2是一个用来生成电导率分布图的网络,采用 U-Net,该深度自编解码器包含16个conv-relu块和跳跃连接(Skip Connection),用来保留不同分辨率下像素级的细节信息,该网络通过在解码层阶段不同层的图与相同大小的真实电导率分布图求均方误差:
这样可以获得更多特征信息,其中Si是从解码器中提取的输出集合{S}中第i个输出,{T}是相对于不同{S}尺寸的真实电导率分布图集合,Ti是相对于Si相同尺寸的真实电导率分布图,其中均方误差LMSE为计算真实电导率分布图和解码器提取的输出图像素插值的均方值,λi是不同尺寸的权重,这里对于较大尺寸的图有相对较大的权重。这里我们将提取解码器最后一层、最后第三层和最后第五层的输出与真实电导率分布图求损失函数,所以权重值分别赋值为1,0.8,0.6。此外将生成网络最后生成的图与真实的电导率分布图输入到vgg-16网络中提取特征后求最小平方误差:
Lp(O,T)=LMSE(VGG(O),VGG(T))
其中O,T分别为生成网络最后一层生成的图和真实电导率分布图, VGG(O),VGG(T)分别为经过VGG网络后提取到的特征,求两者之间的均方误差(MSE),生成网络整体的损失函数为:
LG=10-2log(1-D(O))+LM({S},{T})+Lp(O,T)
其中D(O)表示判别网络将生成网络生成出来的图的判别为真的概率,生成网络的目标是要使这个概率尽可能的大,也即1-D(O)尽可能的小。
判别网络如图3就是一个二分类器,它的输入为生成器生成的图片和原始输入的电压二维图对或对应真实的电导率分布图与原始输入的电压二维图对,判别输入的图片对是否是真的图片对,判别网络的损失函数为:
LD=-logD(T)-log(1-D(O))
判别网络的目标则是将O判别为真的概率D(O)尽可能小,也即1-D(O)尽可能的大,且将真实电导率分布图T判断为真的概率D(T)尽可能的大。
所述步骤S4中,将测试集中的电压序列通过训练过的网络生成对应的电导率分布图。
如上所述为本发明电阻抗断层成像的实施例介绍,本发明利用实验室硬件装置采集数据集,通过构建生成对抗式网络,训练电压序列二维图和相应的电导率分布图的图片对,再使用训练模型检测测试集并生成电导率分布图。同时该方法的抗噪性强,降低对成像系统抗噪性的要求,成像速度快。
以上所述,仅为本发明专利较佳的实施例,对本发明而言仅仅是说明性,而非限制性,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (5)
1.一种基于GAN的脑部电阻抗断层成像方法,其特征在于,所述方法包括以下步骤:
S1:获取原始数据,通过实验装置采集边界电压序列,对物场区域进行方格剖分,得到对应的真实电导率分布图作为样本数据;
S2:数据预处理,对采集到的边界电压序列进行归一化处理并将序列转换成二维图;
S3:构建生成对抗式网络,使用样本数据集训练网络,得到边界测量电压序列和电导率分布序列之间的非线性映射关系,;
S4:将未经训练的电压序列通过训练过的网络生成对应的电导率分布图。
2.如权利要求1中所述的一种基于GAN的脑部电阻抗断层成像方法,其特征在于,所述步骤S1中,实验装置采用一个装有浓度为0.9%Nacl溶液的圆形水槽作为二维成像区域,圆形水槽内壁周围均匀分布16个电极;系统采用相对电极激励模式,即在一次激励下,给任意两个相对的电极施加电流激励,同时测量剩余相邻电极之间的电压,然后按照一定的方向依次循环激励并进行测量边界的电压值,同时对物场区域进行方格剖分,得到对应的真实电导率分布图作为样本数据;在水槽的上方罩一个包含多个孔的塑料盘,将以直径为1cm的实心橡胶棒的圆心为中心,放置于不同孔位置下,并按旋转不同角度,构造不同的电导率分布模型;使用包含不同位置孔的两个塑料盘,对数据进行训练集和测试集的采集,同时为保证噪声对电压序列的影响,每个孔的位置下数据采集100帧。
4.如权利要求1或2所述的一种基于GAN的脑部电阻抗断层成像方法,其特征在于,所述步骤S3中,构建生成对抗式网络,它包括生成网络和判别网络,生成模型是一个用来生成电导率分布图的网络,是一个编解码器,它包含跳跃连接,用来保留不同分辨率下像素级的细节信息,该网络通过在解码层阶段不同层的图与相同大小的真实电导率分布图求均方误差:
其中Si是从解码器中提取的输出集合{S}中第i个输出,{T}是相对于不同{S}尺寸的真实电导率分布图集合,Ti是相对于Si相同尺寸的真实电导率分布图,其中均方误差LMSE为计算真实电导率分布图和解码器提取的输出图像素插值的均方值,λi是不同尺寸的权重,对于较大尺寸的图有相对较大的权重。并将生成网络最后生成的图与真实的电导率分布图输入到vgg-16网络中提取特征后求最小平方误差:
Lp(O,T)=LMSE(VGG(O),VGG(T))
其中,O,T分别为生成网络最后一层生成的图和真实电导率分布图,VGG(O),VGG(T)分别为经过VGG网络后提取到的特征,求两者之间的均方误差(MSE),因此生成网络整体的损失函数为:
LG=10-2log(1-D(O))+LM({S},{T})+Lp(O,T)
其中D(O)表示判别网络将生成网络生成出来的图和输入图片判别为图像对的概率,生成网络的目标是要使这个概率尽可能的大,也即1-D(O)尽可能的小;
判别网络就是一个二分类器,它的输入为生成器生成的图片和原始输入的电压二维图对或对应真实的电导率分布图与原始输入的电压二维图对,判别输入的图片对是否是真的图片对,判别网络的损失函数为:
LD=-log D(T)-log(1-D(O))
判别网络的目标则是将O判别为真的概率D(O)尽可能小,也即1-D(O)尽可能的大,且将真实电导率分布图T判断为真的概率D(T)尽可能的大。
5.如权利要求1或2所述的一种基于GAN的脑部电阻抗断层成像方法,其特征在于,所述步骤S4中,将测试集中的电压序列通过训练过的网络生成对应的电导率分布图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910846898.7A CN110720915A (zh) | 2019-09-09 | 2019-09-09 | 一种基于gan的脑部电阻抗断层成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910846898.7A CN110720915A (zh) | 2019-09-09 | 2019-09-09 | 一种基于gan的脑部电阻抗断层成像方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110720915A true CN110720915A (zh) | 2020-01-24 |
Family
ID=69217972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910846898.7A Pending CN110720915A (zh) | 2019-09-09 | 2019-09-09 | 一种基于gan的脑部电阻抗断层成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110720915A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445007A (zh) * | 2020-03-03 | 2020-07-24 | 平安科技(深圳)有限公司 | 对抗生成神经网络的训练方法及系统 |
CN112215119A (zh) * | 2020-10-08 | 2021-01-12 | 华中科技大学 | 一种基于超分辨率重建的小目标识别方法、装置及介质 |
CN112754452A (zh) * | 2020-12-31 | 2021-05-07 | 大连东软教育科技集团有限公司 | 一种生成脑阻抗数据的方法、装置及存储介质 |
CN114199785A (zh) * | 2021-11-18 | 2022-03-18 | 国网浙江省电力有限公司诸暨市供电公司 | 基于gan数据增强的回音壁微腔传感方法 |
CN116524123A (zh) * | 2023-04-20 | 2023-08-01 | 深圳市元甪科技有限公司 | 一种三维电阻抗断层扫描图像重建方法及相关设备 |
CN117523089A (zh) * | 2023-11-06 | 2024-02-06 | 南京航空航天大学 | 一种基于离散训练集求解重建矩阵的方法、三维成像方法、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630750A (zh) * | 2013-11-22 | 2014-03-12 | 上海交通大学 | 一种基于电阻抗成像的凝胶电导率测量方法 |
CN106503801A (zh) * | 2016-10-18 | 2017-03-15 | 天津工业大学 | 基于深度学习的电阻抗层析成像方法 |
CN109674471A (zh) * | 2018-12-18 | 2019-04-26 | 中国科学技术大学 | 一种基于生成对抗网络的电阻抗成像方法及系统 |
-
2019
- 2019-09-09 CN CN201910846898.7A patent/CN110720915A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630750A (zh) * | 2013-11-22 | 2014-03-12 | 上海交通大学 | 一种基于电阻抗成像的凝胶电导率测量方法 |
CN106503801A (zh) * | 2016-10-18 | 2017-03-15 | 天津工业大学 | 基于深度学习的电阻抗层析成像方法 |
CN109674471A (zh) * | 2018-12-18 | 2019-04-26 | 中国科学技术大学 | 一种基于生成对抗网络的电阻抗成像方法及系统 |
Non-Patent Citations (1)
Title |
---|
谢川等: "基于对抗生成网络的蒙特卡罗噪声去除算法", 《模式识别与人工智能》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445007A (zh) * | 2020-03-03 | 2020-07-24 | 平安科技(深圳)有限公司 | 对抗生成神经网络的训练方法及系统 |
CN111445007B (zh) * | 2020-03-03 | 2023-08-01 | 平安科技(深圳)有限公司 | 对抗生成神经网络的训练方法及系统 |
CN112215119A (zh) * | 2020-10-08 | 2021-01-12 | 华中科技大学 | 一种基于超分辨率重建的小目标识别方法、装置及介质 |
CN112754452A (zh) * | 2020-12-31 | 2021-05-07 | 大连东软教育科技集团有限公司 | 一种生成脑阻抗数据的方法、装置及存储介质 |
CN112754452B (zh) * | 2020-12-31 | 2023-11-28 | 东软教育科技集团有限公司 | 一种生成脑阻抗数据的方法、装置及存储介质 |
CN114199785A (zh) * | 2021-11-18 | 2022-03-18 | 国网浙江省电力有限公司诸暨市供电公司 | 基于gan数据增强的回音壁微腔传感方法 |
CN114199785B (zh) * | 2021-11-18 | 2023-09-26 | 国网浙江省电力有限公司诸暨市供电公司 | 基于gan数据增强的回音壁微腔传感方法 |
CN116524123A (zh) * | 2023-04-20 | 2023-08-01 | 深圳市元甪科技有限公司 | 一种三维电阻抗断层扫描图像重建方法及相关设备 |
CN116524123B (zh) * | 2023-04-20 | 2024-02-13 | 深圳市元甪科技有限公司 | 一种三维电阻抗断层扫描图像重建方法及相关设备 |
CN117523089A (zh) * | 2023-11-06 | 2024-02-06 | 南京航空航天大学 | 一种基于离散训练集求解重建矩阵的方法、三维成像方法、存储介质 |
CN117523089B (zh) * | 2023-11-06 | 2024-04-30 | 南京航空航天大学 | 一种基于离散训练集求解重建矩阵的方法、三维成像方法、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110720915A (zh) | 一种基于gan的脑部电阻抗断层成像方法 | |
CN112200306B (zh) | 一种基于深度学习的电阻抗成像方法 | |
CN109859285B (zh) | 基于空洞卷积网络的电阻抗图像重建方法 | |
CN109919844B (zh) | 一种高分辨率的电学层析成像电导率分布重建方法 | |
CN109934885B (zh) | 一种锐利边缘保持的电阻层析成像图像重建方法 | |
CN111616708A (zh) | 一种精准识别脑卒中颅内病变区域的图像重建方法 | |
CN110934586B (zh) | 一种灰度值矩阵快速分解重建的正则化方法 | |
CN109118554B (zh) | 基于低秩稀疏分解的电阻抗图像重建方法 | |
CN108830875B (zh) | 一种基于残差最小的电阻抗层析成像图像分割方法 | |
US11605162B2 (en) | Systems and methods for determining a fluid and tissue volume estimations using electrical property tomography | |
CN111047663A (zh) | 电学层析成像伪影抑制图像重建方法 | |
CN113487503A (zh) | 一种基于通道注意力生成对抗网络的pet超分辨率方法 | |
CN108038840B (zh) | 一种图像处理方法、装置、图像处理设备及存储介质 | |
CN112465773A (zh) | 一种基于人脸面部肌肉运动特征的面部神经麻痹疾病检测方法 | |
CN113902825A (zh) | 基于VDD-Net的肺部电阻抗成像方法 | |
CN114052701A (zh) | 一种电容耦合电阻层析成像图像重建方法 | |
CN112914543A (zh) | 一种用于检测人体肺部肿瘤的电阻抗层析成像方法 | |
Liu et al. | Enhanced Multi-Scale Feature Cross-Fusion Network for Impedance–Optical Dual-Modal Imaging | |
CN110992385B (zh) | 抑制伪影与保护边缘的颅内图像重建方法 | |
CN115670421A (zh) | 一种基于去噪自编码器的电阻抗深度成像方法 | |
CN113870377A (zh) | 基于V-ResNet肺部成像方法 | |
CN111192209B (zh) | 一种基于深度学习的磁感应断层成像优化方法 | |
CN112396579A (zh) | 基于深度神经网络的人体组织背景估计方法及装置 | |
CN117274413B (zh) | 一种基于eit的电导率图像重建方法、系统及设备 | |
Liang et al. | An EIT image segmentation method based on projection distance minimization |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200124 |
|
RJ01 | Rejection of invention patent application after publication |