CN110738597A - 多分辨率医学影像在神经网络中的尺寸自适应预处理方法 - Google Patents
多分辨率医学影像在神经网络中的尺寸自适应预处理方法 Download PDFInfo
- Publication number
- CN110738597A CN110738597A CN201810796673.0A CN201810796673A CN110738597A CN 110738597 A CN110738597 A CN 110738597A CN 201810796673 A CN201810796673 A CN 201810796673A CN 110738597 A CN110738597 A CN 110738597A
- Authority
- CN
- China
- Prior art keywords
- medical image
- size
- image
- deep learning
- block
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007781 pre-processing Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 title abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 31
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 230000000903 blocking effect Effects 0.000 claims description 17
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 5
- 238000000429 assembly Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于医学图像技术领域,涉及一种多分辨率医学图像在深度学习神经网络中的尺寸自适应预处理方法、设备和存储介质。该方法包括如下步骤:统一输入深度学习网络中各医学图像像素间物理间距的大小,获得像素/体素层面分辨率不一的医学图像;确定医学影像的分块大小和分块步长;按照以上确定的分块大小和分块步长对重采样后的医学图像进行连续分块操作。通过本发明提供的方法可以使神经学习网络接受任意分辨率输入的医学影像,通过对图像的分块化和边缘区域分块进行补零操作可以让深度学习网络接收任意尺寸的图像输入,避免医学图像裁剪后导致的信息丢失问题;同时通过局部补零操作也能有效降低计算网络时性能的消耗。
Description
技术领域
本发明属于医学图像技术领域,涉及一种多分辨率医学图像在深度学习神经网络中的尺寸自适应预处理方法、设备和存储介质。
背景技术
目前在计算机视觉任务相关的深度学习网络建模中,神经网络要求所输入的图像尺寸必须一致。这对于自然图像而言,可通过简单的裁剪和缩放操作来统一全部输入图像的尺寸就能比较好地解决问题,并且这种操作对于网络学习自然图像中的特征影响不大。但对于诸如磁共振成像(MRI)、计算机断层扫描(CT)等医学影像来说,医学影像的尺寸大小对应有其物理度量意义,其中的数字影像的分辨率是由扫描视野(Field of View,FOV)及像素间物理间距(Spacing)两个参数共同决定。这两个参数共同决定了特定尺寸大小的医学影像跟物理尺寸大小的对应关系,因此如果对医学影像进行简单的裁剪和缩放会破坏医学图像对应物理世界的意义。例如,对于头部MRI影像来说,扫描成像的时候通常使用贴近脑袋边缘的FOV进行扫描,分辨率为128*256*256,如果为了统一图像的像素尺寸而进行裁剪操作得到128*128*128的图像,则通常会裁剪掉部分头部组织器官,会让影像信息丢失,导致训练数据不完整;而如果为了统一图像的像素尺寸而进行缩放操作得到128*128*128的图像,则是会让影像数据对应的物理尺寸信息丢失,也就是会让图像原有的spacing参数信息失准。而失去物理尺寸信息的医学影像是没有意义的,甚至是危险的。
MRI/CT扫描的时候度量二维图像的像素(Pixel)或三维图像的体素(Voxel)之间实际物理尺寸的spacing参数通常是不统一的,在进行深度学习网络训练的时候为了更好地让网络习得影像中的组织结构空间位置信息,需要对输入MRI图像进行重采样(resample)操作来统一spacing大小,这个操作会让图像在Pixel/Voxel层面的分辨率产生增大或减小的变化,也就是使得医学影像的Pixel/Voxel尺寸变得各不相同。
发明内容
本发明的目的在于为克服现有技术的缺陷而提供一种多分辨率医学图像在深度学习神经网络中的尺寸自适应预处理方法、设备和存储介质。
为实现上述目的,本发明采用以下技术方案:
本发明提供了一种对输入深度学习网络中的多分辨率医学图像的尺寸自适应预处理方法,该方法通过魔方式分块方法对二维或三维医学图像输入进行尺寸自适应调整,让不同分辨率的医学影像在深度学习神经网络中既能统一各医学图像像素间物理间距(spacing),还能保持原医学影像的分辨率。
本发明中,医学影像的多分辨率指医学影像具有两个维度的分辨率:一个维度是在图像像素坐标系层面的分辨率,也就是通常说的图像尺寸大小(Field of View,FOV);另一个维度是在图像世界坐标系层面的分辨率,也就是医学影像的像素之间的物理间距大小(spacing)。
一种用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法,适于在计算设备中执行,包括如下步骤:
(1)、统一输入深度学习网络中各医学图像像素间物理间距(spacing)的大小,获得像素/体素层面分辨率不一的医学图像;
(2)、确定医学影像的分块大小(patch size)和分块步长(stride);
(3)、按照以上确定的分块大小和分块步长对重采样后的医学图像进行连续分块操作。
所述的医学影像为所有符合DICOM影像标准的医学影像,优选地包括CT影像、核磁(MRI)影像、正电子发射断层扫描(PET)影像、超声波影像、X光影像等。
所述的医学影像为二维影像、三维影像或将二维影像进行三维重建得到的三维影像。
步骤(1)中,通过重采样操作统一输入深度学习网络中各医学图像像素间物理间距。
步骤(2)中,所述的分块大小为从医学图像中获取的每个分块图像的大小,所述的分块步长为从医学图像中连续获取的两个分块之间像素或体素的间隔。
步骤(3)中,对医学图像进行连续分块操作的顺序为从左端到右端、从上端到下端,或从左端到右端、从下端到上端,或从右端到左端、从上端到下端,或从右端到左端、从下端到上端。
步骤(3)中,对医学影像进行连续分块操作时,当分块的位置到达医学影像边缘处若剩余图像尺寸不足以生成一个规定尺寸的分块时,用零补足医学影像边缘,使剩余图像和补足位置符合所需分块的规定尺寸。
步骤(3)中,初始分块为完整的分块。
本发明还提供过一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行,所述的一个或多个程序包括多分辨率医学影像在神经网络中的自适应预处理方法的指令。
本发明还提供一种存储一个或多个程序的计算机可读存储介质,所述的一个或多个程序包括指令,所述指令适于由存储器加载并执行上述多分辨率医学影像在神经网络中的自适应预处理方法。
本发明具有以下有益效果:
本发明提供的用于深度学习网络中多分辨率医学图像自适应预处理方法具有以下优点:
1、可以使神经学习网络接受任意分辨率(包括Field of View及Spacing)输入的医学影像;
2、使代表医学图像物理意义的Spacing参数保持一致;
3、避免医学图像裁剪后导致的信息丢失问题;例如避免裁剪3D头部MRI图像导致部分头部组织器官影像信息丢失,使训练数据不完整;
4、通过对图像的分块化和边缘区域分块进行补0的操作可以让深度学习网络接收任意尺寸的图像输入,与全图补零法相比,本发明的边缘补零法能有效降低计算网络时性能的消耗,避免全图补零造成的背景冗余,也降低了对图像学习的干扰;其中全图补零的方法指的是先判定出最大尺寸的图像,然后把所有小于该尺寸的图像通过在原图像周边先行进行补零以使得所有图像的尺寸一致的做法。
5、在扫描图像尺寸不同但像素间物理间距相同的情况下,尽可能地避免了对图像进行裁剪或者进行插值计算带来的坏处。
6、分块操作既可以实现医学影像的尺寸自适应也同时解决GPU显存不足而无法对大尺寸医学图像进行训练的问题。
附图说明
图1为本发明一个优选的实施例中用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法流程示意图。
图2为本发明一个优选的实施例中对二维医学影像分块方法示意图;
(a)完全分割,不需补零;
(b)不能完全分割,对医学影像进行边缘补零。
具体实施方式
目前,深度学习神经网络要求输入的图像的尺寸必须一致,普通图像通过裁切或缩放即可实现。而对于医学图像而言,简单的裁切或缩放操作会破坏医学图像原本对应的物理含义。本发明提供了一种用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法,使医学影像在统一各图像像素间物理间距的基础上,保持原图分辨率。以下结合实施例和附图进一步说明本发明。
一种用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法,适于在计算设备中执行,包括如下步骤(流程图参见图1):
步骤210,统一输入深度学习网络中各医学图像像素间物理间距(spacing)的大小,获得像素/体素层面分辨率不一的医学图像;其中,本发明中的医学影像为所有符合DICOM影像标准的医学影像,优选地包括CT影像、核磁(MRI)影像、正电子发射断层扫描(PET)影像、超声波影像、X光影像等;上述医学影像可以是二维影像、三维影像或将二维影像进行三维重建得到的三维影像。
步骤220,确定医学影像的分块大小(patch size)和分块步长(stride);
其中,本发明中的分块大小a*b为从医学图像中获取的每个分块图像的大小,其中a,b分别为y方向和x方向分块的尺寸;分块步长m*n为从医学图像中连续获取的两个分块之间像素或体素的间隔,其中m,n分别为y方向和x方向步长的大小。如图2(a)所示,分块大小为2*2,分块步长为2*2;如图2(b)所示,分块大小为3*3,分块步长为4*2。
步骤230,按照以上确定的分块大小和分块步长对重采样后的医学图像进行连续分块操作。
本实施例中可选的,对医学图像进行连续分块操作的顺序为从左端到右端、从上端到下端,或从左端到右端、从下端到上端,或从右端到左端、从上端到下端,或从右端到左端、从下端到上端。
分块的大小由深度学习网络架构决定,通常深度学习3D网络对于输入的图像尺寸有一定的接受范围,在这个网络接受范围内,分块的大小可以根据其他需求(比如数据量的多少、图像特征信息的稀疏度等)自由选定。分块步长大小可以根据用户需求来自由选定的(比如是否想要分块物理连续还是需要物理上有重叠)。本发明提供的与处理方法可以接受任意分块大小与步长。本发明对输入医学图像进行分块处理的做法可以解决现有技术中深度学习的3D网络在网络训练的时候常因为一次输入的数据尺寸太大而导致GPU显存不足而无法进行训练的问题。
如图2(a)所示的一个示例性实施例中,对医学影像进行分块操作时,初始分块为完整的分块;按照从左到右从上到下的顺序通过设定的分块大小与步长对医学影像进行分块实现完整分割,即医学影像经过分割后得到整数数量的分块。
如图2(b)所示的一个示例性实施例中,对医学影像进行分块操作时,初始分块为完整的分块;按照从左到右从上到下的顺序通过设定的分块大小与步长对医学影像进行分块;当分块的位置到达医学影像边缘处若剩余图像尺寸不足以生成一个规定尺寸的分块时,用0补足医学影像边缘,如图2(b)所示的虚线框为补零区域,通过边缘补零操作使剩余图像和补足位置符合所需分块的规定尺寸。
在本发明另一个示例性实施例中,对于FOV不同但Spacing相同的医学影像,跳过步骤210,直接进行步骤220,根据步骤220确定医学影像的分块大小和分块步长进行连续分块操作。
在本发明另一个示例性实施例中,如果网络输入不需要对输入图像进行分块操作的情形,医学图像分块的大小等于原始输入的尺寸,分块步长为1。
本发明还提供过一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行,所述的一个或多个程序包括多分辨率医学影像在神经网络中的自适应预处理方法的指令。
本发明还提供一种存储一个或多个程序的计算机可读存储介质,所述的一个或多个程序包括指令,所述指令适于由存储器加载并执行上述多分辨率医学影像在神经网络中的自适应预处理方法。
应当理解,这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被该机器执行时,该机器变成实践本发明的设备。
以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
本领域的技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于这里的实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (10)
1.一种用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法,适于在计算设备中执行,其特征在于:包括如下步骤:
(1)、统一输入深度学习网络中各医学图像像素间物理间距的大小,获得像素/体素层面分辨率不一的医学图像;
(2)、确定医学影像的分块大小和分块步长;
(3)、按照确定的分块大小和分块步长对重采样后的医学图像进行分块操作。
2.根据权利要求1所述的用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法,其特征在于:所述的医学影像为符合DICOM医学影像标准的影像。
3.根据权利要求1所述的用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法,其特征在于:所述的医学影像为二维影像、三维影像或将二维影像进行三维重建得到的三维影像。
4.根据权利要求1所述的用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法,其特征在于:步骤(1)中,通过重采样操作统一输入深度学习网络中各医学图像像素间物理间距。
5.根据权利要求1所述的用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法,其特征在于:步骤(2)中,所述的分块大小为从医学图像中获取的每个分块图像的大小,所述的分块步长为从医学图像中连续获取的两个分块之间像素或体素的间隔。
6.根据权利要求1所述的用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法,其特征在于:步骤(3)中,对医学图像进行连续分块操作的顺序为从左端到右端、从上端到下端,或从左端到右端、从下端到上端,或从右端到左端、从上端到下端,或从右端到左端、从下端到上端。
7.根据权利要求1所述的用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法,其特征在于:步骤(3)中,对医学影像进行连续分块操作时,当分块的位置到达医学影像边缘处若剩余图像尺寸不足以生成一个规定尺寸的分块时,用0补足医学影像边缘,使剩余图像和补足位置符合所需分块的规定尺寸。
8.根据权利要求1所述的用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法,其特征在于:步骤(3)中,初始分块为完整的分块。
9.一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行,所述的一个或多个程序包括权利要求1-8中任一所述的用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质,所述的一个或多个程序包括指令,所述指令适于由存储器加载并执行上述权利要求1-8中任一所述的用于深度学习网络中多分辨率医学图像尺寸自适应预处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810796673.0A CN110738597A (zh) | 2018-07-19 | 2018-07-19 | 多分辨率医学影像在神经网络中的尺寸自适应预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810796673.0A CN110738597A (zh) | 2018-07-19 | 2018-07-19 | 多分辨率医学影像在神经网络中的尺寸自适应预处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110738597A true CN110738597A (zh) | 2020-01-31 |
Family
ID=69233749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810796673.0A Pending CN110738597A (zh) | 2018-07-19 | 2018-07-19 | 多分辨率医学影像在神经网络中的尺寸自适应预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738597A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797902A (zh) * | 2020-06-10 | 2020-10-20 | 西安邮电大学 | 一种基于图像数据分析的医学x线片放大率测量系统及方法 |
CN114863017A (zh) * | 2022-04-27 | 2022-08-05 | 青岛海信医疗设备股份有限公司 | 一种数据处理方法、设备及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102428478A (zh) * | 2009-04-17 | 2012-04-25 | 里弗兰医疗集团公司 | 多尺度图像归一化和增强 |
CN107194872A (zh) * | 2017-05-02 | 2017-09-22 | 武汉大学 | 基于内容感知深度学习网络的遥感图像超分辨率重建方法 |
CN108053433A (zh) * | 2017-11-28 | 2018-05-18 | 浙江工业大学 | 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法 |
-
2018
- 2018-07-19 CN CN201810796673.0A patent/CN110738597A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102428478A (zh) * | 2009-04-17 | 2012-04-25 | 里弗兰医疗集团公司 | 多尺度图像归一化和增强 |
CN107194872A (zh) * | 2017-05-02 | 2017-09-22 | 武汉大学 | 基于内容感知深度学习网络的遥感图像超分辨率重建方法 |
CN108053433A (zh) * | 2017-11-28 | 2018-05-18 | 浙江工业大学 | 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797902A (zh) * | 2020-06-10 | 2020-10-20 | 西安邮电大学 | 一种基于图像数据分析的医学x线片放大率测量系统及方法 |
CN111797902B (zh) * | 2020-06-10 | 2023-12-22 | 西安邮电大学 | 一种基于图像数据分析的医学x线片放大率测量系统及方法 |
CN114863017A (zh) * | 2022-04-27 | 2022-08-05 | 青岛海信医疗设备股份有限公司 | 一种数据处理方法、设备及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2289048B1 (en) | Using non-attenuation corrected pet emission images to compensate for incomplete anatomic images | |
US11478212B2 (en) | Method for controlling scanner by estimating patient internal anatomical structures from surface data using body-surface and organ-surface latent variables | |
CN109060849B (zh) | 一种确定辐射剂量调制线的方法、系统和装置 | |
CN107220933B (zh) | 一种参考线确定方法和系统 | |
WO2022121160A1 (zh) | 一种基于深度学习的增强ct图像质量和分辨率的方法 | |
CN106056537A (zh) | 一种医学图像拼接方法及装置 | |
US8805045B2 (en) | Interaction method for regions of-interest in time series images | |
Kudo et al. | Virtual thin slice: 3D conditional GAN-based super-resolution for CT slice interval | |
US20210374911A1 (en) | Learning method, learning system, learned model, program, and super resolution image generating device | |
CN103279929B (zh) | 一种基于余弦积分的ct图像金属轨迹预测和伪影去除方法 | |
CN111462071B (zh) | 一种图像处理方法和系统 | |
US20170172534A1 (en) | Thoracic imaging for cone beam computed tomography | |
CN110827961A (zh) | 一种自适应放疗结构自动勾画方法、设备和存储介质 | |
CN110738597A (zh) | 多分辨率医学影像在神经网络中的尺寸自适应预处理方法 | |
CN109077746B (zh) | 一种确定辐射剂量调制线的方法、系统和装置 | |
US20230368442A1 (en) | Method of generating trained model, machine learning system, program, and medical image processing apparatus | |
CN115359257B (zh) | 基于深度学习的脊椎图像分割方法及手术导航定位系统 | |
KR102297972B1 (ko) | 전역 변형 저감화 기법을 이용한 저선량 콘빔 전산화 단층 촬영 시스템 | |
WO2023051344A1 (en) | Ultra-high resolution ct reconstruction using gradient guidance | |
CN114419173A (zh) | 三维x射线成像系统截断伪影校正方法及装置 | |
CN113689353A (zh) | 三维图像的增强方法、图像增强模型的训练方法及装置 | |
US11158114B2 (en) | Medical imaging method and apparatus | |
CN113689454A (zh) | 基于卷积神经网络的3d ct椎体分割算法 | |
EP1987493A1 (en) | Method and system for reconstructing a model of an object | |
CN115294110B (zh) | 扫描期的识别方法、装置、电子设备和存储介质 |
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: 20200131 |
|
RJ01 | Rejection of invention patent application after publication |