CN111312369A - 医疗图像重建方法及其装置 - Google Patents

医疗图像重建方法及其装置 Download PDF

Info

Publication number
CN111312369A
CN111312369A CN201911050549.0A CN201911050549A CN111312369A CN 111312369 A CN111312369 A CN 111312369A CN 201911050549 A CN201911050549 A CN 201911050549A CN 111312369 A CN111312369 A CN 111312369A
Authority
CN
China
Prior art keywords
image
medical image
dimensional
tissue
segmented
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
Application number
CN201911050549.0A
Other languages
English (en)
Inventor
朴相准
李斗熙
尹淳镐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Medicalip Co Ltd
Original Assignee
Medicalip Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Medicalip Co Ltd filed Critical Medicalip Co Ltd
Publication of CN111312369A publication Critical patent/CN111312369A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
    • 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
    • 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 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
    • G06T3/067—Reshaping or unfolding 3D tree structures onto 2D planes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06T2207/10116—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
    • G06T2207/10116—X-ray image
    • G06T2207/10124—Digitally reconstructed radiograph [DRR]
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Pulmonology (AREA)
  • Optics & Photonics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种医疗图像重建方法及其装置。医疗图像重建装置对三维医疗图像进行降维来生成至少一个以上的基本图像，并对在三维医疗图像中有关特定组织的三维图像或从三维医疗图像去除特定组织的三维图像进行降维来生成至少一个以上的分割图像，且利用包括基本图像及分割图像的学习数据来训练人工智能模型从多个组织重叠显示于同一平面上的医疗图像区分至少一个以上的组织。

Description

医疗图像重建方法及其装置
相关申请的交叉引用
本申请要求于2018年12月11日提交的韩国专利申请No.10-2018-0159117的优先权和权益，其通过引用合并于此用于所有目的，如同在此完全阐述一样。
技术领域
本发明涉及一种医疗图像重建方法及其装置，更具体地，涉及一种利用通过深度学习(deep learning)等学习的人工智能模型，将至少一个以上的组织重叠显示的医疗图像重建成有关特定组织的医疗图像的方法及其装置。
背景技术
自1895年由伦琴(Rontgen)发现X射线以后，X射线医疗图像开始应用于医疗上，并且其在单一检查方面作为目前世界上最广泛利用的医疗放射线检查，而且用于通过拍摄人体的各个部位来评估患者。当用X射线医疗图像拍摄患者的检查部位时，X射线会穿过X射线拍摄区域内的所有人体组织，并且根据X射线穿过的组织的结构成分而减少的X射线粒子量而生成出现亮或暗的黑白图像。医疗X射线图像拍摄区域包括皮肤﹑肌肉﹑脂肪﹑骨骼，及根据拍摄部位的各种内部组织如肺﹑腹腔器官，及大脑，并且各种器官具有不同的X射线穿透度。在拍摄X射线医疗图像时于一个方向以固定状态照射X射线，并且在X射线医疗图像中看到的亮度值是结合了在X射线粒子的前行方向上的各种组织的X射线穿透度的所有影响的一个亮度值。因此，在X射线医疗图像中，不能得知特定组织的亮度值，结果，不能获得有关特定组织的X射线医疗图像。
发明内容
本发明的实施例提供了一种医疗图像重建的方法及其装置，所述医疗图像重建的方法将各种组织重叠显示的医疗图像如X射线医疗图像重建成有关特定组织的医疗图像或去除特定组织的医疗图像。
为了解决所述述技术问题，根据本发明的实施例的医疗图像重建方法的一例包括:对三维医疗图像进行降维来生成至少一个以上的基本图像的步骤；对有关从所述三维医疗图像中分割的组织的区域或从所述三维医疗图像中去除所述组织的区域的三维图像进行降维来生成至少一个以上的分割图像的步骤；以及利用包括所述基本图像及所述分割图像的学习数据来训练人工智能模型从多个组织重叠显示于同一平面上的医疗图像区分至少一个以上的组织的步骤。
为了解决所述述技术问题，根据本发明的实施例的医疗图像重建装置的一例包括:对三维医疗图像进行降维来生成至少一个以上的基本图像的基本图像生成单元；对有关从所述三维医疗图像中分割的组织的区域或从所述三维医疗图像中去除所述组织的区域的三维图像进行降维来生成至少一个以上的分割图像的分割图像生成单元；以及利用包括所述基本图像及所述分割图像的学习数据来训练人工智能模型从多个组织重叠显示于同一平面上的医疗图像区分至少一个以上的组织的学习单元。
附图说明
被包括以提供对本发明的进一步理解并且被并入且构成本说明书的一部分的附图例示本发明的示例性实施例，并且与说明书一起用于解释本发明构思。
图1是示出根据本发明的实施例的用于重建医疗图像的整体过程的示意图,
图2是示出根据本发明的实施例的医疗图像重建装置的结构的一例的示意图,
图3是示出根据本发明的实施例的医疗图像重建装置的学习数据生成单元的一例的结构的示意图,
图4是示出根据本发明的实施例的三维医疗图像的一例的示意图,
图5是示出根据本发明的实施例的医疗图像降维方法的一例的示意图，
图6A、图6B和图7是示出根据本发明的实施例的应用人工智能模型的示例的示意图,
图8是示出利用根据本发明的实施例训练的人工智能模型重建的医疗图像的一例的的示意图,
图9是示出根据本发明的实施例的医疗图像重建方法的一例的示意图,
图10是示出利用根据本发明的实施例的人工智能模型重建二维医疗图像的方法的一例的示意图,以及
图11是示出利用根据本发明的实施例的人工智能模型重建医疗图像的示例的示意图。
具体实施方式
在下文中，将参考附图详细说明根据本发明的实施例的医疗图像重建方法及其装置。
图1是示出根据本发明的实施例的用于重建医疗图像的整体过程的示意图。
参考图1，通过深度学习来学习的人工智能模型160的学习数据125是通过对三维医疗图像100进行降维而生成。三维医疗图像100的例子包括计算机断层(CT)图像(见图4)及核磁共振成像(MRI)。本实施例的三维医疗图像100不限于CT图像或MRI图像，其包括以各种方式制作的各种三维图像。
在包括本实施例的以下实施例中，通过对三维医疗图像100进行降维而生成的医疗图像称为基本图像120，而从三维医疗图像100分割110至少一个以上的组织(例如，诸如肌肉﹑脂肪﹑心脏﹑血管等的软组织﹑诸如骨﹑肺﹑肝等的各种器官﹑诸如肿瘤或肺结节等的病变组织等)，并通过对有关分割的组织的图像进行降维而生成的医疗图像称为分割图像130。分割图像130可以是通过对有关从三维医疗图像100分割的特定组织的三维图像(例如，仅由肺组织构成的三维图像)进行降维而获得的图像，或者可以是通过对从三维医疗图像100去除特定组织(诸如肌肉，脂肪，心脏，血管等的软组织或骨组织等)的三维图像进行降维而获得的图像。图5中示出对三维图像进行降维至二维图像的方法的一例。
基本图像120和分割图像130用于人工智能模型160的学习140。人工智能模型160可以以诸如卷积神经网络(CNN),DenseNet,U-net,GooLeNet等各种体系来实现。例如，当人工智能模型160以CNN实现时，人工智能模型160利用学习数据125进行调整人工神经网络的连接权重的学习140过程。图6和图7中示出根据本发明实施例的人工智能模型160的应用示例。
人工智能模型160本身有多种常规技术。本实施例并不涉及人工智能模型160本身，本实施例涉及将以各种常规体系实现的人工智能模型160训练来用于根据本实施例的医疗图像重建的方法及其装置，以及涉及利用根据本发明的实施例训练的人工智能模型160从医疗图像区分特定组织或重建与特定组织有关的医疗图像的方法及其装置。
例如，医疗图像重建装置可以利用通过对三维医疗图像100进行降维至二维而生成的基本图像120及分割图像130作为学习数据125，且可以训练人工智能模型160来输出从基本图像150去除了特定组织152的预测分割图像154。例如，以CNN实现的人工智能模型160可以将预测分割图像154与学习数据125的分割图像130进行比较，来进行调整包括人工神经网络的连接权重等的各种参数的学习过程。
根据另一例子，医疗图像重建装置可以利用根据本发明的实施例训练的人工智能模型160，来输出从各种组织重叠显示的二维医疗图像如X射线医疗图像中去除至少一个以上的组织而仅由特定组织形成的医疗图像180。例如，医疗图像重建装置可以通过从胸部X射线医疗图像170去除诸如肌肉﹑脂肪﹑心脏及血管等软组织和骨组织等，来重建仅由肺组织组成的医疗图像180。根据另一例子，医疗图像重建装置可以从胸部X射线医疗图像170重建仅由软组织组成的医疗图像或者重建仅由骨组织组成的医疗图像。根据另一例子，医疗图像重建装置可以通过从胸部X射线医疗图像170提取特定组织而不是去除特定组织，来重建仅由诸如肺组织等的至少一个以上的特定组织所组成的医疗图像180。
可以通过去除至少一个以上的组织或提取至少一个以上的组织来进行如上所述的医疗图像的重建。然而，在以下实施例中，为了便于说明，将主要描述通过去除至少一个以上的组织来重建医疗图像的方法。
图2是示出根据本发明的实施例的医疗图像重建装置的结构的一例的示意图。
参考图2，医疗图像重建装置200包括学习数据生成单元210﹑学习单元220，及图像转换单元230。医疗图像重建装置200可以实现为包括存储器﹑处理器﹑输入/输出装置等的装置，或者可以实现为可以被加载到常规的通用计算装置中的软件模块。
学习数据生成单元210生成用于人工智能模型的学习数据。诸如X射线医疗图像的二维医疗图像为各种组织重叠显示。换句话说，二维医疗图像中出现的亮度受位于X射线穿过的路径中的所有组织的影响。例如，胸部的X射线医疗图像为肺组织和胸廓的软组织以及骨组织重叠显示。
为了训练人工智能模型从二维医疗图像区分特定组织，需要从二维医疗图像区分了特定组织的二维医疗图像作为学习数据。虽然具有解剖学知识的用户可以通过从二维医疗图像逐一区分特定组织区域来生成学习数据，但是需要大量的学习数据来使人工智能模型学习，而现实上用户不可能逐一生成这些学习数据。另外，当仅简单地利用亮度等从二维医疗图像来区分每个组织的区域时，存在组织区分准确度低的问题。
因此，在本实施例中，学习数据生成单元210利用比二维医疗图像包括更多信息的三维医疗图像来生成学习数据。例如，学习数据生成单元210可以通过从三维医疗图像区分特定组织的区域，且对与区分的特定组织有关的三维图像进行降维至二维来生成学习数据。例如，当人工智能模型是从有关胸部的X射线医疗图像重建并输出肺部X射线医疗图像的模型时，学习数据生成单元210可以从有关胸部的三维医疗图像区分软组织和骨组织，并从三维医疗图像去除包括肌肉﹑脂肪﹑心脏，及血管的软组织和骨组织，且对仅由肺组织组成的三维图像进行降维至二维来生成学习数据。或者，学习数据生成单元210可以对从三维医疗图像中仅选择和分化肺组织而提取的三维图像进行降维至二维来生成学习数据。图3中示出学习数据生成单元210的具体结构的一例。
学习单元220利用由学习数据生成单元210生成的学习数据来训练人工智能模型。
图像转换单元230利用训练过的人工智能模型，从各种组织重叠显示的二维医疗图像如X射线医疗图像中区分特定组织来重建由特定组织组成的医疗图像，或来重建并输出从二维医疗图像去除了特定组织的医疗图像。
根据另一例子，医疗图像重建装置200可以训练人工智能模型来从基于特定组织重建的医疗图像中识别变信息。有关上述说明将于图7和图8中再次描述。
图3是示出根据本发明的实施例的医疗图像重建装置的学习数据生成单元的一例的结构的示意图。
参考图3，学习数据生成单元210包括基本图像生成单元300﹑区域分割单元310﹑区域补充单元315，及分割图像生成单元320。本实施例的学习数据生成单元210可以实现为单独的装置。例如，学习数据生成单元210可以实现为独立的软件模块。在这个情况下，包括存储器﹑处理器﹑输入/输出装置等的计算装置可以通过加载并执行实现学习数据生成单元210的软件模块来生成学习数据。根据一些实施例，可以省略区域补充单元315。
基本图像生成单元300对三维医疗图像进行降维来生成基本图像。例如，基本图像生成单元300可以通过于至少一个以上的方向投影三维医疗图像来生成至少一个以上的二维基本图像。图5中示出降维方法的一例。
区域分割单元310从三维医疗图像中区分特定组织的区域。区域分割单元310可以通过利用各种常规的区域分割运算法则来从三维医疗图像区分特定组织的区域。例如，区域分割单元310可以利用于韩国注册专利公报第10-1482247号"气道提取方法及其装置”﹑韩国注册专利公报第10-1514003号"肺叶提取方法及其装置”，及韩国公开专利公报第10-2018-0098984号"医疗图像的区域分离方法及其装置”等中描述的分割方法，来从三维医疗图像中分割特定组织的区域。根据另一例子，区域分割单元310可以提供包括各种工具的用户界面，所述工具允许用户可以从三维医疗图像中分割特定组织的区域。根据另一例子，当从外部接收与包括在三维医疗图像的组织有关的分割信息时，可以省略区域分割单元310。
区域补充单元315可以利用一定的亮度值(例如，纯水的亮度值(20Hounsfieldunit)或肌肉的亮度值或用户指定的亮度值)填充分割了的特定组织区域。
分割图像生成单元320可以通过对从三维医疗图像分割出的至少一个以上的组织的三维图像进行降维来生成分割图像。或者，分割图像生成单元320可以通过对从三维医疗图像去除至少一个以上的特定组织的三维图像进行降维来生成分割图像。分割图像生成单元320可以通过于至少一个以上的方向投影有关特定组织的三维图像或去除了特定组织三维图像，来生成至少一个以上的二维分割图像。
图4是示出根据本发明的实施例的三维医疗图像的一例的示意图。
参考图4，诸如CT等的三维医疗图像400可以由以预定间隔d拍摄的多个x-y横截面图像组成。三维医疗图像400可以由代表亮度的三维体素(voxel)构成，并可以被存储为医学数字成像和通信(DICOM,Digital Imaging and Communication in Medicine)档案。
图5是示出根据本发明的实施例的医疗图像降维方法的一例的示意图。
参考图5，三维医疗图像由包括亮度值的体素500、502、504、506、508、510、512和514组成。在本实施例中，为了便于说明，图5仅示出了有关三维医疗图像的8个体素500、502、504、506、508、510、512和514。
医疗图像重建装置于一定方向将三维医疗图像投影到虚拟平面520上，以对三维医疗图像进行降维至二维医疗图像。投影在虚拟平面520上的图像变为二维医疗图像。此时，医疗图像重建装置通过将在投影方向上重叠的体素的亮度值平均，来生成二维医疗图像的亮度值。即，由于X射线医疗图像的亮度值受位于X射线穿过方向上的至少一个以上的组织的影响，在本实施例中，为了从三维医疗图像生成反映对每个组织的影响的二维医疗图像如X射线医疗图像，将在投影方向上重叠的体素的亮度值平均来获得二维医疗图像的每个像素的亮度值。
例如，当虚拟的拍摄方向(即投影方向)平行于X轴时，医疗图像重建装置将在投影方向上重叠的第一体素500和第二体素502的亮度值平均，来生成投影在虚拟平面520的二维医疗图像的第一像素530的亮度值。根据如上所述的方法，医疗图像重建装置可以将第三和第四体素504和506的亮度值平均来生成第二像素532的亮度值，并将第五和第六体素508和510的亮度值平均来生成第三像素534的亮度值，以及将第七和第八体素512和214的亮度值平均来生成第四像素536的亮度值。根据实施例，医疗图像重建装置可以对一个三维图像生成相对于各种投影方向的二维图像。
图6和图7是示出根据本发明的实施例的应用人工智能模型的示例的示意图。
参考图6A，人工智能模型600是从二维胸部医疗图像输出肺部医疗图像的模型。为此，医疗图像重建装置对胸部的三维医疗图像进行降维至二维来生成基本图像610，并对从三维医疗图像中去除包括肌肉﹑脂肪﹑心脏，和血管的软组织和骨组织而获得的由肺组织组成的医疗图像进行降维来生成分割图像620，之后将基本图像610和分割图像620输入为人工智能模型600的学习数据。人工智能模型600通过生成从基本图像610去除软组织和骨组织的预测分割图像630，并将接收的分割图像620与预测分割图像630进行比较，来进行调整各种参数的学习过程。
根据另一例子，参考图6B，医疗图像重建装置600可以利用对胸部的三维医疗图像进行降维至二维而生成的基本图像640，及对从三维医疗图像分割和提取肺组织而获得的医疗图像进行降维而生成的分割图像650作为学习数据。在这个情况下，人工智能模型600可以生成从基本图像610仅提取肺组织的预测分割图像660。
当接收胸部的X射线医疗图像时，这样学习的人工智能模型600可以重建并输出从X射线医疗图像去除包括肌肉﹑脂肪﹑心脏，血管的软组织和骨组织而仅由肺组织组成的医疗图像。由于X射线医疗图像是由二维像素组成的医疗图像，当简单地去除软组织和骨组织相应的像素时，存在位于软组织和骨组织的肺组织信息也被去除的问题。然而，由于本实施例利用对从三维医疗图像中去除包括肌肉﹑脂肪﹑心脏和血管的软组织和骨组织后获得的仅由肺组织组成的三维图像进行了降维的分割图像来训练人工智能模型600，人工智能模型600可以在识别X射线医疗图像中的包括肌肉﹑脂肪﹑心脏和血管的软组织和骨组织的区域后，从识别区域的亮度值中去除软组织和骨组织的亮度值的影响来输出去除了软组织和骨组织的仅由肺组织组成的医疗图像。
参考图7，人工智能模型700不仅输出从二维胸部医疗图像中去除了软组织和骨组织的医疗图像，更在去除了软组织和骨组织的肺部医疗图像中找到位于肺内部的结节可疑区域并输出结节可疑概率值。
如图7所示，医疗图像重建装置生成对肺的三维医疗图像进行了降维至二维的基本图像710，以及生成对从三维医疗图像去除包括肌肉﹑脂肪﹑心脏和血管的软组织及骨组织的仅由肺组织组成的医疗图像进行了降维的分割图像720，以用于人工智能模型700的学习。另外，医疗图像重建装置在表示通过三维医疗图像识别出的肺内部的结节部位的分割图像中生成掩模(mask)信息730。表示结节部位的掩模信息730可以包括各种特征(feature)信息，诸如在分割图像中表达的结节部位的形状或大小，直方图或纹理等。这样的病变区域可以由用户在三维医疗图像中指定或可以通过各种常规检测运算法则自动检测后提取关于病变区域的各种特征信息。
医疗图像重建装置输入基本图像710﹑分割图像720及掩模信息730作为人工智能模型700的学习数据。人工智能模型700可以通过生成从基本图像710去除包括肌肉﹑脂肪﹑心脏和血管的软组织和骨组织的仅由肺组织组成的预测分割图像740及肺内部的结节可疑掩模和概率750，并将预测值740和750与学习数据的分割图像720和掩模信息730进行比较，来进行调整参数的学习过程。
当接收到胸部的X射线医疗图像时，人工智能模型700可以重建和输出从X射线医疗图像中去除各种软组织和骨组织的仅由肺组织组成的医疗图像，并且从重建的医疗图像中提取肺结节可疑区域并输出肺结节概率。
图8是示出利用根据本发明的实施例训练的人工智能模型重建的医疗图像的一例的的示意图。
参考图8，当接收到胸部的X射线医疗图像800的输入时，人工智能模型生成从X射线医疗图像800去除各种软组织和骨组织的医疗图像810。人工智能模型在去除了各种软组织和骨组织的仅由肺组织组成的医疗图像810中识别肺结节可疑区域830并输出结节可疑概率。
图9是示出根据本发明的实施例的医疗图像重建方法的一例的示意图。
参考图9，医疗图像重建装置(以下简称为装置)对三维医疗图像进行降维的来生成基本图像(S900)。装置从三维医疗图像分割至少一个以上的组织(S910)。从三维医疗图像分割特定组织(S910)可以通过自动化运算法则来进行，或者可以通过用户的手动操作来进行分割。另外，当有需要时，可以以特定的亮度值一定地填充从三维医疗图像中分割的组织(S915)。装置对分割的组织的三维图像进行降维来生成分割图像，或者对从三维医疗图像去除了特定组织的三维图像进行降维来生成分割图像(S920)。装置利用基本图像及分割图像作为学习数据，来训练人工智能模型从多个组织重叠显示于同一平面上的医疗图像中区分至少一个以上的组织(S930)。
根据另一例子，装置可以一起利用包括有关病变组织的直方图或纹理的分析值作为学习数据来训练人工智能模型。例如，可以如图7所示训练人工智能模型来从X射线医疗图像自动读取肺结节。
图10是示出利用根据本发明的实施例的人工智能模型重建二维医疗图像的方法的一例的示意图。
参考图10，医疗图像重建装置通过图9所示的方法训练人工智能模型(S1000)。当医疗图像重建装置接收如X射线医疗图像的二维医疗图像时(S1010)，可以利用学习了的人工智能模型从二维医疗图像区分特定组织(S1020)，并重建仅由区分的特定组织组成的二维医疗图像或重建并输出去除了特定组织的二维医疗图像(S1030)。
图11是示出利用根据本发明的实施例的人工智能模型重建医疗图像的示例的示意图。
参考图11，医疗图像重建装置生成通过对胸部CT图像1100进行降维而获得的基本图像1110作为人工智能模型的学习数据。另外，医疗图像重建装置根据将人工智能模型运用于重建何种组织的有关医疗影像，从三维胸部CT图像1100分割特定组织1120,1122,1124,1126,1128，并生成降维的分割图像作为学习数据。
例如，当人工智能模型是从胸部X射线医疗图像重建仅由包括诸如肌肉﹑脂肪﹑心脏和血管等软组织组成的医疗图像1130的模型时，学习数据的分割图像是通过从胸部CT图像1100分割软组织1120并对其进行降维而获得的图像。根据另一例子，当人工智能模型是从胸部X射线医疗图像重建仅由骨组织组成的医疗图像1132的模型时，分割图像是通过对分割骨组织1122的三维医疗图像进行降维而获得的图像。根据另一例子，当人工智能模型是重建仅由肺组织组成医疗图像1134的模型﹑重建包括肺组织和肿瘤的医疗图像1136的模型，或重建仅由肺结节组成的医疗图像1138的模型时，在分别的情况下，分割图像是通过对分割肺组织1124﹑分割肺组织和肿瘤1126，或仅分割肿瘤1128的三维图像进行降维而获得的图像。
如上所述，本实施例的医疗图像重建装置可以从X射线医疗图像重建仅由包括诸如软组织﹑骨组织和肺组织等的至少一个以上的组织组成的医疗图像。
本发明还可以实现为计算机可读记录介质上的计算机可读程序代码。计算机可读记录介质包括其中存储了可以由计算机系统读取的数据的各种记录装置。计算机可读记录介质的示例包括ROM﹑RAM﹑CD-ROM﹑磁带﹑软盘，及光学数据存储装置等。另外，计算机可读记录介质可以分布在连接联网的计算机系统上，并以分布式方式存储和执行计算机可读代码。
根据本发明的实施例，可以重建如X射线医疗图像的多种组织重叠显示的医疗图像成由特定组织组成的医疗图像，或可以重建成去除特定组织的医疗图像。医疗图像的重建可以通过经深度学习等训练的人工智能模型来自动化，另外，可以通过三维医疗图像的降维精细地制作人工智能模型的学习数据，从而提高人工智能模型的学习效果。根据另一实施例，在人工智能模型训练有关病变的信息时，可以从包括有限信息的医疗图像如X射线医疗图像中检测病变。
虽然已在此描述了某些示例性实施例和实施方式，但是根据该描述，其它实施例和修改将是明显的。因此，本发明构思不限于这些实施例，而是限于所附权利要求的更宽范围，并且对于本领域普通技术人员来说，各种显而易见的修改和等同布置将是明显的。

Claims (13)

1.一种医疗图像重建方法，包括:
对三维医疗图像进行降维来生成至少一个以上的基本图像的步骤；
对有关从所述三维医疗图像中分割的组织的区域或从所述三维医疗图像中去除所述组织的区域的三维图像进行降维来生成至少一个以上的分割图像的步骤；以及
利用包括所述基本图像及所述分割图像的学习数据来训练人工智能模型从多个组织重叠显示于同一平面上的医疗图像区分至少一个以上的组织的步骤。
2.如权利要求1所述的方法，其还包括:
接收二维医疗图像的输入的步骤；以及
通过所述人工智能模型从所述二维医疗图像区分特定组织，并生成由所述特定组织组成的医疗图像或去除特定组织的医疗图像的步骤。
3.如权利要求2所述的方法，其中，
所述三维医疗图像是计算机断层(CT)成像或核磁共振成像(MRI)，
所述二维医疗图像是X射线医疗图像。
4.如权利要求1所述的方法，其中，
所述生成所述基本图像的步骤包括于至少一个以上的方向投影所述三维医疗图像来生成至少一个以上的二维基本图像的步骤，
所述生成所述分割图像的步骤包括于至少一个以上的方向投影所述区域的三维图像或去除所述区域的三维图像来生成至少一个以上的二维分割图像的步骤。
5.如权利要求1所述的方法，其中，所述训练所述人工智能模型的步骤包括
利用进一步包括包含有关病变组织的直方图或纹理的分析值的学习数据来训练所述人工智能模型的步骤。
6.如权利要求1所述的方法，其还包括:
以一定的亮度值填充有关从所述三维医疗图像中分割组织的区域。
7.一种医疗图像重建装置，包括:
对三维医疗图像进行降维来生成至少一个以上的基本图像的基本图像生成单元；
对有关从所述三维医疗图像中分割的组织的区域或从所述三维医疗图像中去除所述组织的区域的三维图像进行降维来生成至少一个以上的分割图像的分割图像生成单元；以及
利用包括所述基本图像及所述分割图像的学习数据来训练人工智能模型从多个组织重叠显示于同一平面上的医疗图像区分至少一个以上的组织的学习单元。
8.如权利要求7所述的装置，其还包括:
从所述三维医疗图像分割至少一个以上的组织的区域分割单元。
9.如权利要求7所述的装置，其还包括:
通过所述人工智能模型从二维医疗图像区分特定组织，并生成由所述特定组织组成的医疗图像或去除特定组织的医疗图像的图像转换单元。
10.如权利要求7所述的装置，其中，
所述基本图像生成单元于至少一个以上的方向投影所述三维医疗图像来生成至少一个以上的二维基本图像，
所述分割图像生成单元于至少一个以上的方向投影所述区域的三维图像或去除所述区域的三维图像来生成至少一个以上的二维分割图像。
11.如权利要求7所述的装置，其中，所述学习单元利用进一步包括包含有关病变组织的直方图或纹理的分析值的学习数据来训练所述人工智能模型。
12.如权利要求7所述的装置，其还包括:
以一定的亮度值填充有关从所述三维医疗图像中分割组织的区域的区域补充单元。
13.一种计算机可读记录介质，其上记录有用于执行权利要求1所述的方法的程序代码。
CN201911050549.0A 2018-12-11 2019-10-31 医疗图像重建方法及其装置 Pending CN111312369A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0159117 2018-12-11
KR1020180159117A KR101981202B1 (ko) 2018-12-11 2018-12-11 의료영상 재구성 방법 및 그 장치

Publications (1)

Publication Number Publication Date
CN111312369A true CN111312369A (zh) 2020-06-19

Family

ID=66680688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911050549.0A Pending CN111312369A (zh) 2018-12-11 2019-10-31 医疗图像重建方法及其装置

Country Status (6)

Country Link
US (1) US20200184639A1 (zh)
EP (1) EP3667609A1 (zh)
JP (1) JP2020093083A (zh)
KR (1) KR101981202B1 (zh)
CN (1) CN111312369A (zh)
WO (1) WO2020122357A1 (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6782433B2 (ja) * 2017-03-22 2020-11-11 パナソニックＩｐマネジメント株式会社 画像認識装置
JP7313192B2 (ja) 2019-05-27 2023-07-24 キヤノンメディカルシステムズ株式会社 診断支援装置、及び、ｘ線ｃｔ装置
KR102095730B1 (ko) * 2019-06-20 2020-04-02 주식회사 딥노이드 딥러닝 기반의 대장 병변 검출 방법
KR102332472B1 (ko) * 2019-12-03 2021-11-30 서울여자대학교 산학협력단 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법
KR102323444B1 (ko) * 2019-12-11 2021-11-09 울산대학교 산학협력단 의료영상 처리 장치와 그 학습 방법
WO2021125889A1 (ko) * 2019-12-20 2021-06-24 (주)시안솔루션 영상 분할을 통한 기관의 3차원 모델링 장치 및 방법
US11160521B2 (en) * 2019-12-20 2021-11-02 Hdt Co., Ltd. Method for 3D image reconstruction
KR102313749B1 (ko) * 2019-12-23 2021-10-18 주식회사 메가젠임플란트 인공지능 기반 자동 구강 ct 색상변환장치 및 그 장치의 구동방법
WO2021171394A1 (ja) * 2020-02-26 2021-09-02 株式会社島津製作所 学習済みモデルの作成方法、画像生成方法および画像処理装置
CN111462270A (zh) * 2020-04-07 2020-07-28 广州柏视医疗科技有限公司 一种基于新型冠状病毒肺炎ct检测的重建系统及方法
KR102387928B1 (ko) * 2020-07-06 2022-04-19 메디컬아이피 주식회사 의료영상을 기초로 인체 조직을 분석하는 방법 및 그 장치
KR102530016B1 (ko) * 2020-12-22 2023-05-08 가천대학교 산학협력단 골절 검출 방법 및 이를 이용한 디바이스
KR102549694B1 (ko) * 2021-01-15 2023-06-29 고려대학교 산학협력단 딥러닝 기반 자동 대흉근 측정 장치 및 그 방법을 실행하기 위한 프로그램이 기록된 기록매체
KR102321427B1 (ko) * 2021-01-20 2021-11-04 메디컬아이피 주식회사 의료영상을 이용한 인체성분 분석 방법 및 그 장치
KR20220125741A (ko) * 2021-03-04 2022-09-14 주식회사 뷰노 의료 영상 기반의 병변 분석 방법
KR102320431B1 (ko) * 2021-04-16 2021-11-08 주식회사 휴런 의료 영상 기반 종양 검출 및 진단 장치
KR102383753B1 (ko) * 2021-06-10 2022-04-08 메디컬아이피 주식회사 의료영상 정합 방법 및 그 장치
JP2023001431A (ja) * 2021-06-21 2023-01-06 コニカミノルタ株式会社 学習装置、学習システム、機械学習モデルの学習方法及びプログラム
KR102608783B1 (ko) * 2021-07-02 2023-12-04 순천향대학교 산학협력단 컴퓨터 단층촬영 영상 재구성 방법 및 장치
CN113380381A (zh) * 2021-07-13 2021-09-10 深圳市中科微光医疗器械技术有限公司 获取医学诊断信息的方法、装置、电子设备及存储介质
KR102525396B1 (ko) * 2022-02-25 2023-04-27 주식회사 피맥스 의료 영상 분석 방법 및 장치
KR102569573B1 (ko) * 2022-11-28 2023-08-24 메디컬아이피 주식회사 폐 용적 검사 방법 및 그 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020006216A1 (en) * 2000-01-18 2002-01-17 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans
CN106558045A (zh) * 2016-10-20 2017-04-05 上海联影医疗科技有限公司 一种肺组织分割方法、装置，医学图像处理系统

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0159117B1 (ko) 1992-10-22 1999-01-15 윤종용 마그네트론의 취부를 위한 수나사제조방법
JP4021179B2 (ja) * 2000-11-29 2007-12-12 富士通株式会社 診断支援プログラム、診断支援プログラムを記録したコンピュータ読取可能な記録媒体、診断支援装置及び診断支援方法
US20050207630A1 (en) * 2002-02-15 2005-09-22 The Regents Of The University Of Michigan Technology Management Office Lung nodule detection and classification
JP2005020338A (ja) * 2003-06-26 2005-01-20 Fuji Photo Film Co Ltd 異常陰影検出方法および装置並びにプログラム
CN1907225B (zh) * 2005-08-05 2011-02-02 Ge医疗系统环球技术有限公司 用于脑内出血损伤分割的方法和设备
JP5196801B2 (ja) * 2007-02-20 2013-05-15 株式会社東芝 デジタル断層撮影の結像処理装置
JP5417609B2 (ja) * 2008-03-04 2014-02-19 株式会社日立メディコ 医用画像診断装置
JP5556413B2 (ja) * 2010-06-18 2014-07-23 コニカミノルタ株式会社 動態画像処理装置及びプログラム
KR101178398B1 (ko) * 2011-01-06 2012-08-30 건국대학교 산학협력단 의료 영상 분할 처리 장치와 방법 및 컴퓨터 프로그램이 기록된 기록매체
KR101514003B1 (ko) 2013-10-17 2015-04-24 서울대학교산학협력단 폐엽 추출 방법 및 그 장치
KR101482247B1 (ko) 2013-08-01 2015-01-14 서울대학교산학협력단 기도 추출 방법 및 그 장치
JP6188147B2 (ja) * 2013-10-15 2017-08-30 国立大学法人広島大学 認識システム
US9965863B2 (en) * 2016-08-26 2018-05-08 Elekta, Inc. System and methods for image segmentation using convolutional neural network
KR101880678B1 (ko) * 2016-10-12 2018-07-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
JP6657132B2 (ja) * 2017-02-27 2020-03-04 富士フイルム株式会社 画像分類装置、方法およびプログラム
KR101930905B1 (ko) 2017-02-28 2018-12-19 메디컬아이피 주식회사 의료영상의 영역 분리 방법 및 그 장치
JP6906347B2 (ja) * 2017-04-10 2021-07-21 富士フイルム株式会社 医用画像分類装置、方法およびプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020006216A1 (en) * 2000-01-18 2002-01-17 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans
CN106558045A (zh) * 2016-10-20 2017-04-05 上海联影医疗科技有限公司 一种肺组织分割方法、装置，医学图像处理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OPHIR GOZES 等: "Lung Structures Enhancement in Chest Radiographs via CT Based FCNN Training", 《ARXIV.ORG，CORNELL UNIVERSITY LIBRARY，201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA，NY14853》 *

Also Published As

Publication number Publication date
WO2020122357A1 (ko) 2020-06-18
EP3667609A1 (en) 2020-06-17
KR101981202B1 (ko) 2019-05-22
JP2020093083A (ja) 2020-06-18
US20200184639A1 (en) 2020-06-11

Similar Documents

Publication Publication Date Title
CN111312369A (zh) 医疗图像重建方法及其装置
US11062449B2 (en) Method and system for extracting vasculature
US11080895B2 (en) Generating simulated body parts for images
Wan Ahmad et al. Lung segmentation on standard and mobile chest radiographs using oriented Gaussian derivatives filter
CN107545584A (zh) 医学图像中定位感兴趣区域的方法、装置及其系统
US20160136458A1 (en) Apparatus, method, and program for processing medical image, and radiotherapy apparatus
CN110796613A (zh) 一种图像伪影的自动识别方法及装置
CN111598895A (zh) 一种基于诊断影像和机器学习的测量肺功能指标的方法
EP3928285A1 (en) Systems and methods for calcium-free computed tomography angiography
Gozes et al. Bone structures extraction and enhancement in chest radiographs via CNN trained on synthetic data
KR102387928B1 (ko) 의료영상을 기초로 인체 조직을 분석하는 방법 및 그 장치
JP2019515255A (ja) 医療画像処理
JP7457011B2 (ja) 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法
CN115564858A (zh) 一种金属伪影的校正方法、系统和x射线图像重建方法
Miao et al. Spinal neoplasm image inpainting with deep convolutional neutral networks
Zhu et al. CT metal artifact correction assisted by the deep learning-based metal segmentation on the projection domain
KR102136107B1 (ko) 뼈 감쇄된 x-선 영상의 정합 장치 및 방법
US20240346713A1 (en) 3d reconstruction from a limited number of 2d projections
US20220398752A1 (en) Medical image registration method and apparatus
Abdullah et al. Designation of thorax and non-thorax regions for lung cancer detection in CT scan images using deep learning
EP4386680A1 (en) Cbct simulation for training ai-based ct-to-cbct registration and cbct segmentation
US20240242400A1 (en) Systems and methods for medical imaging
Bajwa et al. Computer-aided detection (CADe) system for detection of malignant lung nodules in CT slices-a key for early lung cancer detection
Kan Organ segmentation of pediatric computed tomography (ct) with generative adversarial networks
Chen On-Board Image Augmentation Using Prior Image and Deep Learning for Image-Guided Radiation Therapy

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200619