CN111311703A - 一种基于深度学习的电阻抗断层图像重构方法 - Google Patents
一种基于深度学习的电阻抗断层图像重构方法 Download PDFInfo
- Publication number
- CN111311703A CN111311703A CN202010068369.1A CN202010068369A CN111311703A CN 111311703 A CN111311703 A CN 111311703A CN 202010068369 A CN202010068369 A CN 202010068369A CN 111311703 A CN111311703 A CN 111311703A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- training
- electrical impedance
- method based
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000002593 electrical impedance tomography Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000003384 imaging method Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000003672 processing method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000005284 excitation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000004040 coloring Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000000638 solvent extraction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 206010040880 Skin irritation Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000036556 skin irritation Effects 0.000 description 1
- 231100000475 skin irritation Toxicity 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习的电阻抗断层图像重构方法，包括以下步骤：1)选择真实的MIT设备与计算机连接以供采集数据，设备工作方式采用单激励单接收工作模式；2)制作不同形状物体，规划采集中物体在场内分布位置，构建真实电导率作为标签；3)对采集的数据进行预处理，并划分出神经网络需要的训练集和验证集；4)将数据输入进搭建好的BP神经网络进行训练；5)将训练好的网络生成的数据，经过图像处理方法重构出电导率分布图。本发明使用深度学习技术结合实际的MIT设备采集数据进行训练，相比较于传统成像方法，可使得成像物体的轮廓更加精细。
Description
技术领域
本发明涉及生物医学成像和深度学习领域，特别是涉及一种基于深度学习的电阻抗断层图像重构方法。
背景技术
医学影像技术是现代医学的重要组成部分，对于临床诊断和治疗都是不可或缺的。现阶段，广泛应用于全国各大中型医院的成像检测技术包括：超声成像(ultrasonicimaging)、X射线断层成像(X-ray computer-tomography,X-CT)、磁共振成像(magneticresonance imaging,MRI)、正电子发射断层成像(positron emission tomography,PET)等，这些医学成像技术都使疾病的诊断水平得到不同程度上的提高。随着新兴技术增长、国民经济的飞速发展、人口老龄化增高，人们对医疗水平有了更高的需求，这也给传统医疗的成像检测技术带来了新的挑战。
电阻抗断层成像(electrical impedance tomography,EIT)是以人体某一断层内的电阻抗分布为目标的新型成像技术。由于电阻抗这一物理量有别于现有成像技术所利用的物理量，因而可以帮助医生从一个新的视角观察和诊断疾病。
磁感应断层成像(magnetic induction tomography，MIT)是一种非接触的电阻抗断层成像。相对于EIT来说，二者都是以重建断层内的电阻抗分布为成像目标，但MIT使非接触式的，可对皮肤过敏、外伤等不适合粘贴电极的情况使用。因此，MIT因具有便携、快速、无辐射、实时等优点成为医学成像研究的热点。
随着深度学习在医学技术方面的广泛应用，本发明受相关科技发展的启发提出于不同于传统方法的基于MIT设备的电阻抗断层成像技术，用来提升成像的精确度。
发明内容
为了克服现有的成像技术成像模糊的缺陷,本发明提供一种基于深度学习的电阻抗断层图像重构方法，结合图像处理方法，能够更好地重构图像。
本发明实现上述发明目的所采用的技术方案如下：
一种基于深度学习的电阻抗断层图像重构方法，包括以下步骤：
S1：选择真实的MIT设备与计算机连接以供采集数据，设备工作方式采用单激励单接收工作模式；
S2：制作不同形状物体，规划采集中物体在场内分布位置，构建真实电导率作为标签；
S3：对采集的数据进行预处理，并划分出神经网络需要的训练集和验证集；
S4：将数据输入进搭建好的BP神经网络进行训练；
S5：将训练好的网络生成的数据，经过图像处理方法重构出电导率分布图。
进一步，所述步骤S1中，将MIT设备连接到计算机，确保设备产生的非仿真数据通过AD模块传入计算机，所采用的MIT设备拥有16个电极使用单激励单接收的工作模式；系统工作时，16个电极依次作为激励源，剩余15个电极作为接收源。经过一次循环激励后，可得到256个数据，但因当电极作为激励源时数据不能作为参考，因此会存在16个无效数据，在实际处理中将无效数据设置为0，来保证数据结构的完整性，也可供神经网络训练时辨识。
再进一步，所述步骤S2中，MIT成像的实际物场是半径为10cm的圆形物场，实验选用三种不同形状的目标物体，由3D打印机打印，在场内尽可能遍历更多的位置，处理步骤为：
S2.1：搭建xy轴移动机器，以MIT成像物场的圆心为坐标原点；
S2.2：用3D打印机打印不同规格的物体，共三种形态的物体分别如下：直径为37毫米的圆柱体、边长为30毫米的正方体、横切面为等腰直角三角形的三棱柱，等腰直角三角形直角边长30毫米；
S2.3：根据不同形状物体，计算其可在物场内的最大移动范围，根据范围规划尽可能多的放置点，记录下对应的位置的坐标，以便xy轴机器以及标签制作使用；
S2.4：利用xy轴移动机器，将目标物体精准遍历场内规划好的点，每个点位停留20帧，以便后期处理使用；
S2.5：将圆形物场用三角形均匀划分，采用512个大小相同的三角形进行剖分，结合S2.2的位置坐标以及实际的目标物体的阻值来构建场内真实电导率分布，即R＝{σ(1)，σ(2)，…，σ(512)}，σ代表对应三角形区域的电导率。最终送入神经网络训练的即为一个1×512的矩阵。
再进一步，所述步骤S3中，由于数据是由真实设备采集而非使用仿真软件得到的，所以数据存在一定的干扰；在采集过程如S2.3中描述，每个点位停留20帧，在数据处理过程中，选取第5帧到第14帧共10帧用来训练，目的是为了选取相对稳定，不受物体移动影响的帧数作为训练；另外测量中难免出现奇异值数据，可能会导致网络训练时间增大，甚至无法收敛，所以对测量得到的数据进行归一化，公式为：
其中，z为归一化后的复阻抗值，x为待归一化的复阻抗值，Xmax，Xmin分别为当前帧未归一化时的复阻抗的最大值和最小值，最终得到输入进神经网络的数据为
其中i代表采集的样本数。
再进一步，在所述步骤S3中，除了上述对采集数据进行数学方法处理，还将训练数据分为两块，横截面为圆和正方形的数据归为一个文件夹，将其命名为“train”，用来作训练集；横截面为等腰直角三角形分为一个文件夹，将其命名为“val”，用来验证集。
再进一步，所述步骤S4中，搭建三层BP神经网络，输入层神经元个数选择256个，与输入数据个数一致，输出层神经元个数选择512个，与输出的剖分三角形个数一致，隐藏层神经元360个，个数选择参照输入与输出神经元个数相乘的平方根得到，根据问题的特殊性，构建损失函数公式如下：
其中l∈[0,511]，代表标签中的512个剖分三角形，pl代表当前第i个数据预测结果中，第l个标签的期望输出，pl代表当前第i个数据预测结果中，第l个标签的预测输出。
更进一步，将步骤S3所构建的数据集进行训练，不同于传统的神经网络训练的数据集划分，采用的划分方法不是简单地将全体数据集打乱然后按百分比划分训练集和验证集，而是用包含圆形和正方形的数据样本去训练，然后用三角形的数据集去验证；这样训练带来的好处是可以提升模型的泛化能力，电阻抗成像的一大研究重点是保证物体轮廓还原的准确度，用这种方法训练完成的模型不止能重构圆形和方形物体，也在一定程度上防止模型的过拟合。
再进一步，在所述步骤S5中，用python语言编写前端部分的上色程序，程序在接收到神经网络预测结果即R＝{σ(1)，σ(2)，…，σ(512)}矩阵后，在事先基于opencv的成像画图程序画出的512个三角形单元中找寻对应序号的三角形，根据物体电导率不同给予不同颜色的上色效果，最终成像出一个电导率分布图。
与现有的技术相比，本发明的有益效果是：由于电阻抗成像的过程是非线性、病态性、不适应性问题，所以传统的迭代成像方法如最小二乘、牛顿-拉夫逊都无法获得质量较高的图像。本发明使用深度学习技术结合实际的MIT设备采集数据进行训练，可使得成像物体的轮廓更加精细。
附图说明
图1为本发明的基于深度学习的电阻抗成像方法的流程图；
图2位本发明的MIT设备、神经网络模型、图像重构三者的关系图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的描述。
参考图1和图2，一种基于深度学习的电阻抗断层图像重构方法，包括以下步骤：
S1：选择真实的MIT设备与计算机连接以供采集数据，设备工作方式采用单激励单接收工作模式；
S2：制作不同形状物体，规划采集中物体在场内分布位置，构建真实电导率作为标签；
S3：对采集的数据进行预处理，并划分出神经网络需要的训练集和验证集；
S4：将数据输入进搭建好的BP神经网络进行训练；
S5：将训练好的网络生成的数据，经过图像处理方法重构出电导率分布图。
进一步，所述步骤S1中，对应图1中将MIT设备与计算机相连部分，确保设备产生的非仿真数据通过AD模块传入计算机，对应图2(a)所示，采用的MIT设备拥有16个电极使用单激励单接收的工作模式。系统工作时，16个电极依次作为激励源，剩余15个电极作为接收源。经过一次循环激励后，可得到256个数据，但因当电极作为激励源时数据不能作为参考，因此会存在16个无效数据，在实际处理中将无效数据设置为0，来保证数据结构的完整性，也可供神经网络训练时辨识；
再进一步，所述步骤S2对应图1采集数据并制作标签的部分，MIT成像的实际物场是半径为10cm的圆形物场，实验选用三种不同形状的目标物体，由3D打印机打印。在场内尽可能遍历更多的位置，处理步骤为：
S2.1：搭建xy轴移动机器，以MIT成像物场的圆心为坐标原点；
S2.2：用3D打印机打印不同规格的物体，共三种形态的物体分别如下：直径为37毫米的圆柱体、边长为30毫米的正方体、横切面为等腰直角三角形的三棱柱，等腰直角三角形直角边长30毫米；
S2.3：根据不同形状物体，计算其可在物场内的最大移动范围，根据范围规划尽可能多的放置点，记录下对应的位置的坐标，以便xy轴机器以及标签制作使用；
S2.4：利用xy轴移动机器，将目标物体精准遍历场内规划好的点，每个点位停留20帧，以便后期处理使用；
S2.5：将圆形物场用三角形均匀划分，采用512个大小相同的三角形进行剖分，图2(c)显示的即为剖分效果图，结合S2.2的位置坐标以及实际的目标物体的阻值来构建场内真实电导率分布，即R＝{σ(1)，σ(2)，...，σ(512)}，σ代表对应三角形区域的电导率，最终送入神经网络训练的即为一个1×512的矩阵。
再进一步，所述步骤S3对应图1数据预处理加训练集和验证集划分部分，由于数据是由真实设备采集而非使用仿真软件得到的，所以数据存在一定的干扰。在采集过程如S2.3中描述，每个点位停留20帧，在数据处理过程中，选取第5帧到第14帧共10帧用来训练，目的是为了选取相对稳定，不受物体移动影响的帧数作为训练，另外测量中难免出现奇异值数据，可能会导致网络训练时间增大，甚至无法收敛，所以对测量得到的数据进行归一化，公式为：
其中，z为归一化后的复阻抗值，x为待归一化的复阻抗值，Xmax，Xmin分别为当前帧未归一化时的复阻抗的最大值和最小值，最终得到输入进神经网络的数据为
其中i代表采集的样本数。
再进一步，在所述步骤S3中，除了上述对采集数据进行数学方法处理，还将训练数据分为两块，横截面为圆和正方形的数据归为一个文件夹，将其命名为“train”，用来作训练集；横截面为等腰直角三角形分为一个文件夹，将其命名为“val”，用来验证集。
再进一步，所述步骤S4对应图1的神经网络模型训练部分，搭建三层BP神经网络，输入层神经元个数选择256个，对应图2(b)中输入层的神经元，与输入数据个数一致。输出层神经元个数选择512个，对应图2(b)中输出层的神经元，与输出的剖分三角形个数一致，隐藏层神经元360个，对应图2(b)隐藏层的神经元，个数选择参照输入与输出神经元个数相乘的平方根得到，根据问题的特殊性，构建损失函数公式如下：
其中l∈[0,511]，代表标签中的512个剖分三角形，pl代表当前第i个数据预测结果中，第l个标签的期望输出，pl代表当前第i个数据预测结果中，第l个标签的预测输出。
更进一步，将步骤S3所构建的数据集进行训练，不同于传统的神经网络训练的数据集划分，采用的划分方法不是简单地将全体数据集打乱然后按百分比划分训练集和验证集，而是用包含圆形和正方形的数据样本去训练，然后用三角形的数据集去验证；这样训练带来的好处是可以提升模型的泛化能力，电阻抗成像的一大研究重点是保证物体轮廓还原的准确度，用这种方法训练完成的模型不止能重构圆形和方形物体，也在一定程度上防止模型的过拟合。
再进一步，所述步骤S5对应图1的调用模型并可视化部分，用python语言编写前端部分的上色程序，后端在接收测量数据后开始预测并输出，前端程序在接收到神经网络预测结果即R＝{σ(1)，σ(2)，…，σ(512)}矩阵后，在事先基于opencv的成像画图程序画出的512个三角形单元中找寻对应序号的三角形，根据物体电导率不同给予不同颜色的上色效果，最终成像出一个电导率分布图。
本实施例的方案，由于电阻抗成像的过程是非线性、病态性、不适应性问题，所以传统的迭代成像方法如最小二乘、牛顿-拉夫逊都无法获得质量较高的图像。本发明使用深度学习技术结合实际的MIT设备采集数据进行训练，可使得成像物体的轮廓更加精细。
以上实施例仅用以说明本发明的技术方案而非限制，仅仅参照较佳实施例对本发明进行了详细说明。本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述方法包括以下步骤：
S1：选择真实的MIT设备与计算机连接以供采集数据，设备工作方式采用单激励单接收工作模式；
S2：制作不同形状物体，规划采集中物体在场内分布位置，构建真实电导率作为标签；
S3：对采集的数据进行预处理，并划分出神经网络需要的训练集和验证集；
S4：将数据输入进搭建好的BP神经网络进行训练；
S5：将训练好的网络生成的数据，经过图像处理方法重构出电导率分布图。
2.如权利要求1所述的一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述步骤S1中，将MIT设备连接到计算机，确保设备产生的非仿真数据通过AD模块传入计算机，设备使用单激励单接收的工作模式。
3.如权利要求1或2所述的一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述步骤S2包括以下步骤：
S2.1：搭建xy轴移动机器，以MIT成像物场的圆心为坐标原点；
S2.2：根据需求制作共三种形态的物体分别如下：直径为30-40毫米的圆柱体、边长为30-40毫米的正方体、横切面为等腰直角三角形的三棱柱，等腰直角三角形直角边长30-40毫米；
S2.3：根据不同形状物体，计算其可在物场内的最大移动范围，根据范围规划尽可能多的放置点，记录下对应的位置的坐标，以便xy轴机器以及标签制作使用；
S2.4：利用xy轴移动机器，将目标物体精准遍历场内规划好的点，每个点位停留20帧，以便后期处理使用；
S2.5：将圆形物场用三角形均匀划分，采用512个大小相同的三角形进行剖分，结合S2.2的位置坐标以及实际的目标物体的阻值来构建场内真实电导率分布，即R＝{σ(1)，σ(2)，…，σ(512)}，σ代表对应三角形区域的电导率，最终送入神经网络训练的即为一个1×512的矩阵。
4.如权利要求1或2所述的一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述步骤S3的处理过程为：在采集数据时，每个点位停留20帧，在数据处理过程中，选取其中的若干帧用来训练，并对输入阻抗值进行归一化处理。
5.如权利要求3所述的一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述步骤S3中，将训练数据分为两块，横截面为圆和正方形的数据用来作训练集；横截面为等腰直角三角形用来验证集。
6.如权利要求1或2所述的一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述步骤S4的处理过程为：搭建三层BP神经网络，输入层神经元个数选择256个，与输入数据个数一致，输出层神经元个数选择512个，与输出的剖分三角形个数一致，隐藏层神经元360个，个数选择参照输入与输出神经元个数相乘的平方根得到，根据问题的特殊性，构建损失函数公式如下：
其中l∈[0,511]，代表标签中的512个剖分三角形，pl代表当前第i个数据预测结果中，第l个标签的期望输出，
代表当前第i个数据预测结果中，第l个标签的预测输出。
7.如权利要求1或2所述的一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述步骤S5中，用编程语言编写成像画图程序，程序在接收到神经网络预测结果即R＝{σ(1)，σ(2)，…，σ(512)}矩阵后，在成像画图程序画出的512个三角形单元中找寻对应序号的三角形，根据物体电导率不同给予不同颜色的上色效果，最终成像出一个电导率分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010068369.1A CN111311703B (zh) | 2020-01-21 | 2020-01-21 | 一种基于深度学习的电阻抗断层图像重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010068369.1A CN111311703B (zh) | 2020-01-21 | 2020-01-21 | 一种基于深度学习的电阻抗断层图像重构方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111311703A true CN111311703A (zh) | 2020-06-19 |
| CN111311703B CN111311703B (zh) | 2023-11-21 |
Family
ID=71146920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010068369.1A Active CN111311703B (zh) | 2020-01-21 | 2020-01-21 | 一种基于深度学习的电阻抗断层图像重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111311703B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200306A (zh) * | 2020-10-15 | 2021-01-08 | 北京航空航天大学 | 一种基于深度学习的电阻抗成像方法 |
| CN112401866A (zh) * | 2020-11-11 | 2021-02-26 | 中国科学技术大学 | 基于布尔运算的电阻抗成像方法 |
| CN113781600A (zh) * | 2021-09-06 | 2021-12-10 | 南京邮电大学 | 一种基于深度学习的电阻抗成像形状重建方法 |
| CN113808230A (zh) * | 2021-08-26 | 2021-12-17 | 华南理工大学 | 提高电阻抗成像准确性的方法、系统、装置和存储介质 |
| CN115546109A (zh) * | 2022-09-09 | 2022-12-30 | 武汉中数医疗科技有限公司 | 一种基于机器学习的甲状腺采样数据识别方法及装置 |
| CN115830156A (zh) * | 2022-05-10 | 2023-03-21 | 深圳市元甪科技有限公司 | 精准电阻抗层析成像方法、装置、系统、介质及设备 |
| CN116823977A (zh) * | 2023-03-16 | 2023-09-29 | 闽都创新实验室 | 一种微纳结构透射电子断层图像重构的深度学习方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20180144465A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for medical procedures |
| CN108784697A (zh) * | 2018-07-11 | 2018-11-13 | 天津工业大学 | 一种基于深度学习神经网络的人体组织电导率分布重建方法及系统 |
| US20190369190A1 (en) * | 2018-06-04 | 2019-12-05 | Korea Advanced Institute Of Science And Technology | Method for processing interior computed tomography image using artificial neural network and apparatus therefor |
-
2020
- 2020-01-21 CN CN202010068369.1A patent/CN111311703B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20180144465A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for medical procedures |
| CN110114834A (zh) * | 2016-11-23 | 2019-08-09 | 通用电气公司 | 用于医疗程序的深度学习医疗系统和方法 |
| US20190369190A1 (en) * | 2018-06-04 | 2019-12-05 | Korea Advanced Institute Of Science And Technology | Method for processing interior computed tomography image using artificial neural network and apparatus therefor |
| CN108784697A (zh) * | 2018-07-11 | 2018-11-13 | 天津工业大学 | 一种基于深度学习神经网络的人体组织电导率分布重建方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 代月霞: ""基于深度学习的EIT图像重建算法研究"" * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200306A (zh) * | 2020-10-15 | 2021-01-08 | 北京航空航天大学 | 一种基于深度学习的电阻抗成像方法 |
| WO2022077866A1 (zh) * | 2020-10-15 | 2022-04-21 | 北京航空航天大学 | 一种基于深度学习的电阻抗成像方法 |
| CN112401866A (zh) * | 2020-11-11 | 2021-02-26 | 中国科学技术大学 | 基于布尔运算的电阻抗成像方法 |
| CN113808230A (zh) * | 2021-08-26 | 2021-12-17 | 华南理工大学 | 提高电阻抗成像准确性的方法、系统、装置和存储介质 |
| CN113781600A (zh) * | 2021-09-06 | 2021-12-10 | 南京邮电大学 | 一种基于深度学习的电阻抗成像形状重建方法 |
| CN113781600B (zh) * | 2021-09-06 | 2024-02-23 | 南京邮电大学 | 一种基于深度学习的电阻抗成像形状重建方法 |
| CN115830156A (zh) * | 2022-05-10 | 2023-03-21 | 深圳市元甪科技有限公司 | 精准电阻抗层析成像方法、装置、系统、介质及设备 |
| CN115546109A (zh) * | 2022-09-09 | 2022-12-30 | 武汉中数医疗科技有限公司 | 一种基于机器学习的甲状腺采样数据识别方法及装置 |
| CN115546109B (zh) * | 2022-09-09 | 2023-10-27 | 武汉中数医疗科技有限公司 | 一种基于机器学习的甲状腺采样数据识别方法及装置 |
| CN116823977A (zh) * | 2023-03-16 | 2023-09-29 | 闽都创新实验室 | 一种微纳结构透射电子断层图像重构的深度学习方法 |
| CN116823977B (zh) * | 2023-03-16 | 2024-04-30 | 闽都创新实验室 | 一种微纳结构透射电子断层图像重构的深度学习方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111311703B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111311703B (zh) | 一种基于深度学习的电阻抗断层图像重构方法 | |
| CN112734710A (zh) | 一种基于历史病理信息的病灶识别模型构建装置及系统 | |
| CN101947103B (zh) | 全光学生物发光断层成像方法 | |
| CN114065825B (zh) | 一种基于结构相似性的脑磁meg源定位方法 | |
| CN114663355A (zh) | 一种用于脑出血电导率分布图像重建的混合神经网络方法 | |
| Zeng et al. | Machine Learning-Based Medical Imaging Detection and Diagnostic Assistance | |
| CN109087357B (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
| CN107204045A (zh) | 基于ct图像的虚拟内窥镜系统 | |
| Zeng et al. | TUSPM-NET: A multi-task model for thyroid ultrasound standard plane recognition and detection of key anatomical structures of the thyroid | |
| Gao et al. | EIT-CDAE: A 2-D electrical impedance tomography image reconstruction method based on auto encoder technique | |
| CN115300809B (zh) | 图像处理方法及装置、计算机设备和存储介质 | |
| Ko et al. | U-Net-based approach for automatic lung segmentation in electrical impedance tomography | |
| CN110599560B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
| CN115024816A (zh) | 一种冷循环微波肿瘤消融系统 | |
| CN114782505A (zh) | 基于脑功能图谱的刺激靶点确定方法、装置、系统及介质 | |
| Kalapos et al. | Automated T1 and T2 mapping segmentation on cardiovascular magnetic resonance imaging using deep learning | |
| CN114176616A (zh) | 静脉血栓的检测方法、电子设备和存储介质 | |
| CN113796850A (zh) | 甲状旁腺mibi图像分析系统、计算机设备及存储介质 | |
| CN112001977A (zh) | 一种基于残差网络的电阻抗断层图像重构方法 | |
| CN114266848A (zh) | 医学图像三维重建方法和装置 | |
| Tian et al. | Effective Electrical Impedance Tomography Based on Enhanced Encoder–Decoder Using Atrous Spatial Pyramid Pooling Module | |
| Du et al. | Anatomical landmarks annotation on 2D lateral cephalograms with channel attention | |
| CN117274413B (zh) | 一种基于eit的电导率图像重建方法、系统及设备 | |
| CN112741634B (zh) | 一种心脏病灶定位系统 | |
| CN116211353B (zh) | 可穿戴超声膀胱容量测定与多模态影像形貌评估系统 |
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 |