CN111429379A - 一种基于自监督学习的低剂量ct图像去噪方法及系统 - Google Patents
一种基于自监督学习的低剂量ct图像去噪方法及系统 Download PDFInfo
- Publication number
- CN111429379A CN111429379A CN202010250345.8A CN202010250345A CN111429379A CN 111429379 A CN111429379 A CN 111429379A CN 202010250345 A CN202010250345 A CN 202010250345A CN 111429379 A CN111429379 A CN 111429379A
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- dose
- self
- mask
- 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 59
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 14
- 238000006467 substitution reaction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 description 57
- 238000012549 training Methods 0.000 description 18
- 230000009467 reduction Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000003759 clinical diagnosis Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000005855 radiation Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000315 carcinogenic Toxicity 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
- 238000011161 development Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006371 metabolic abnormality Effects 0.000 description 1
- 210000003240 portal vein Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
本公开提供了一种基于自监督学习的低剂量CT图像去噪方法及系统,属于图像处理技术领域,对获取的CT图像进行预处理,将预处理后的CT图像所有像素值进行归一化;采用与CT图像大小相同的预设掩模对归一化处理后的CT图像进行部分像素的替换;将通过预设掩模替换后的CT图像输入到训练好的去噪神经网络模型中,得到对应去噪后的图像;本公开在网络模型训练去噪网络过程中,无需要成对的LDCT图像和高剂量CT图像,通过未被替代的像素推断已被替代像素的高剂量CT像素值,可以大大减少数据采集的成本,在没有高剂量CT图像的情况下完成LDCT图像的去噪任务。
Description
技术领域
本公开涉及图像处理技术领域,特别涉及一种基于自监督学习的低剂量CT图像去噪方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
随着计算机断层扫描(Computed Tomography,CT)技术的不断发展,CT成像在医学诊断中的应用越来越广泛。人体吸收的X射线辐射剂量超过正常范围时,可能会诱发新陈代谢异常甚至癌症等疾病,而且X射线是终身积累的,这也就意味着伴随CT扫描次数的增加,体内的辐射剂量也会进行累计,对于需要定期进行CT复查的患者来说,反复的扫描将会显著增加致癌风险。CT辐射的危害对于儿童更加显著,生长发育期儿童对射线的敏感度是成人的10倍以上。同等扫描条件下,儿童实际吸收的辐射剂量远高于成年人。随着CT日渐广泛地应用于临床,这些潜在的辐射危害也越来越被社会各界所重视。有研究人员提出低剂量CT(Low Dose Computed Tomography,LDCT)理念,LDCT扫描在降低患者采集过程中承受辐射剂量的同时,也在一定程度上扩大了CT的临床应用范围,使其有可能广泛地应用于早期肺癌筛查,甚至是孕妇及儿童的诊断检查中。目前临床采集中,实际扫描中常通过降低射线管电流的方式来降低辐射剂量,该方法在降低采集过程中使用的辐射剂量的同时,不可避免地引起光子数量减小,导致重建图像中的斑点噪声增多,并产生具有方向性的条形伪影。这些噪声伪影与解剖组织信息融合在一起,增大了确认异常组织的难度,从而干扰医生诊断的准确性。因此,研究LDCT的去噪方法具有重要的临床应用价值。经典的LDCT的去噪方法有投影域方法,迭代重建方法和后处理方法。近年来,深度学习快速发展,卷积神经网络在图像处理中的应用也愈加广泛。得益于卷积神经网络强大的特征学习与映射能力,在去除LDCT噪声时相比传统方法具有更大的优势。
本公开发明人发现,尽管卷积神经网络处理的LDCT图像质量很高,但是传统的卷积神经网络训练需要满足两个条件,第一,成对的训练数据,即卷积神经网络是一种有监督训练,在LDCT去噪任务中,训练卷积神经网络需要LDCT图像和其对应高剂量图像;第二,庞大的数据量,即训练卷积神经网络需要大量的成对CT图像,在数据量小的情况下,卷积神经网络不能获得很好的去噪效果。在实际医学应用中,这两个条件很难得到满足,首先,成对的有监督训练需要对同一病人同一时间段进行两种不同剂量的CT成像,这在一般医学检测中较难操作,并且医学图像经常是在治疗过程中采集的,图像质量会受到多种因素影响,获取高质量无噪图像是极其困难的。其次,不同于自然图像,医学图像本身获取难度较大并且价格昂贵,所以数据量较小,很难达到数万张图像的规模。
发明内容
为了解决现有技术的不足,本公开提供了一种基于自监督学习的低剂量CT图像去噪方法及系统,在网络模型训练去噪网络过程中,无需成对的LDCT图像和高剂量CT图像,只需要通过未被替代的像素推断已被替代像素的高剂量CT像素值即可,大大减少数据采集的成本,在没有高剂量CT图像的情况下能够高效和精确完成LDCT图像的去噪任务。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种基于自监督学习的低剂量CT图像去噪方法。
一种基于自监督学习的低剂量CT图像去噪方法,包括以下步骤:
对获取的CT图像进行预处理,将预处理后的CT图像所有像素值进行归一化;
采用与CT图像大小相同的预设掩模对归一化处理后的CT图像进行部分像素的替换;
将通过预设掩模替换后的CT图像输入到训练好的去噪神经网络模型中,得到对应去噪后的图像。
作为可能的一些实现方式,所述去噪神经网络模型采用自监督损失函数来衡量神经网络模型的输出与原始CT图像在被替代区域的差异。
本公开第二方面提供了一种基于自监督学习的低剂量CT图像去噪系统。
一种基于自监督学习的低剂量CT图像去噪系统,包括:
数据预处理模块,被配置为:对获取的CT图像进行预处理,将预处理后的CT图像所有像素值进行归一化;
掩模替换模块,被配置为:采用与CT图像大小相同的预设掩模对归一化处理后的CT图像进行部分像素的替换;
去噪模块,被配置为:将通过预设掩模替换后的CT图像输入到训练好的去噪神经网络模型中,得到对应去噪后的图像。
本公开第三方面提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的基于自监督学习的低剂量CT图像去噪方法中的步骤。
本公开第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的基于自监督学习的低剂量CT图像去噪方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开所述的方法、系统、介质及电子设备,基于自监督学习实现LDCT图像去噪,与有监督方法不同,本公开在训练过程中不需要成对的LDCT图像和高剂量CT图像,是一种完全无监督的方法,因此可以大大减少数据采集的成本,在没有高剂量CT图像的情况下高效和准确的完成LDCT去噪任务。
2、本公开所述的方法、系统、介质及电子设备,通过生成并利用掩模,替代LDCT图像中一部分像素,利用自监督学习,在训练去噪网络过程中,通过未被替代的像素推断已被替代像素的高剂量CT像素值,其去噪效果优于传统去噪方法,接近有监督方法,模型的训练简单方便且可推广性高。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的基于自监督学习的低剂量CT图像去噪方法的流程示意图。
图2为本公开实施例1提供的LDCT图像去噪示意图。
图3为本公开实施例1提供的方法与其他方法在LDCT图像去噪任务上的效果对比示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1:
如背景技术中所述,现有的成对有监督训练需要对同一病人同一时间段进行两种不同剂量的CT成像,且需要大量的成对数据,这才具体实践过程中是很难实现的,因此,基于少量训练得到的神经网络模型大多无法实现准确的去噪。
本公开实施例1提供了一种基于自监督学习的低剂量CT图像去噪,如图1所示,首先生成一个与原图像大小相同的掩模,然后对输入LDCT图像中对应掩模像素值为1的位置进行替代操作,输入到一个去噪网络中,通过最小化一个自监督损失函数训练去噪网络,在执行去噪功能时,对输入LDCT图像同样进行替代操作,然后输入到已经训练好的去噪网络中,得到去噪后的图像。在训练过程中,该方法只需要有噪的LDCT图像,不需要对应的无噪CT图像,因此比起传统方法,该方法适用范围更广并可以有效减少收集数据的成本,具体包括以下几个方面:
(1)数据准备:本实施例所涉及的CT数据集使用自动曝光控制(Caredouse 4D,西门子医疗)和自动管电位选择(CarekV,西门子医疗)采集。自动管电位和曝光控制系统使用的参考管电位和质量参考有效毫安时分别为120千伏和200有效毫安时。根据实际情况,使用基于重量的剂量和注射速率,递送碘化造影剂。造影剂注射后70s(门静脉期)进行扫描。LDCT图像是通过将泊松噪声插入到数据集中每个病例的投影数据中而获得的,以达到相当于高剂量25%的噪声水平(即模拟“四分之一剂量”数据),原始高剂量CT图像作为无噪图像来衡量本实施例的去噪效果;
(2)数据预处理:对LDCT图像进行加窗处理,即将LDCT的CT值限定在-160到240之间,然后将CT值转化为像素值并进行归一化处理,即归一化到0到1之间;
(3)设计掩模:在LDCT输入去噪模型之前,本实施例采用掩模对图像部分像素进行替代,掩模大小与LDCT图像大小相同,掩模的像素值仅为0或者1,像素值为1代表LDCT对应该像素位置的像素值将被替代。
本实施例所设计的掩模为网格状,其中每个网格的左上角像素的像素值被设置为1,网格的宽度为8,如图2所示。
(4)设计替换规则:本实施例采用随机值替代法,即将LDCT图像中对应掩模像素值为1的像素值用0到1之间的随机值替代。
(5)应用掩模:利用步骤(3)所设计的掩模以及步骤(4)所设计替换规则对LDCT图像进行替代操作。
(6)设计去噪网络架构及网络参数:设计去噪网络架构以及网络参数;去噪网络要求输入与输出有同样尺寸,本实施例采用U-Net网络,包括特征提取部分和上采样部分,特征部分由四个特征提取层组成,每个特征提取层由卷积层、批规范化层、激活层和最大池化层组成;
上采样部分与特征部分呈对称形式,包括四个上采样层,每个上采样层由卷积层、批规范化层、激活层和转置卷积层组成。对于去噪网络中所有卷积层,本实施例采用3*3的卷积核,滤波器个数为64的倍数。
(7)设计损失函数:本实施例中用于训练去噪网络的损失函数是一种自监督损失函数,与传统有监督学习不同,自监督损失函数衡量去噪网络输出与LDCT图形在被替代区域的差异。
具体的,本实施例采用的损失函数为:
其中,f代表去噪网络,x代表应用掩模进行替代操作后的输入LDCT图像,E为期望值。
(8)设计训练参数以及训练去噪网络:为了有效的训练去噪网络,本实施例采用Adam作为优化器,学习率为0.0001,最大迭代次数为100,动量参数分别为0.5和0.99,在迭代次数达到最大迭代次数时,保存训练好的模型,整个训练过程在Pytorch框架上运行;
(9)LDCT图像去噪:加载训练好的去噪网络,将待去噪的LDCT图像用步骤(3)设计的掩模,将待去噪的LDCT图像经步骤(5)进行替代操作,输入至训练好的去噪网络神经网络模型,得到对应去噪后的图像。
为了验证该方法的有效性与可靠性,与现有的去噪方法进行比较。这些方法包括Total Variation(TV)、Noise2Noise模型以及U-Net模型。
其中TV是一种传统去噪方法,只需要有噪的LDCT图像,Noise2Noise需要成对的有噪声图像,而U-Net代表传统有监督方法,训练数据需要成对的LDCT图像和无噪的CT图像。
为了量化地比较各种去噪方法的性能,采用Peak Signal-to-noise Ratio(PSNR)、Normalized Root Mean Squares Error(NRMSE)以及Structural SimilarityIndex(SSIM)三种标准,不同方法在LDCT图像去噪任务上性能比较如表1所示。
表1:不同方法在LDCT图像去噪任务上性能比较
实施例2:
本公开实施例2提供了一种基于自监督学习的低剂量CT图像去噪系统,包括:
数据预处理模块,被配置为:对获取的CT图像进行预处理,将预处理后的CT图像所有像素值进行归一化;
掩模替换模块,被配置为:采用与CT图像大小相同的预设掩模对归一化处理后的CT图像进行部分像素的替换;
去噪模块,被配置为:将通过预设掩模替换后的CT图像输入到训练好的去噪神经网络模型中,得到对应去噪后的图像。
所述系统的工作方法与实施例1所述的基于自监督学习的低剂量CT图像去噪方法相同,这里不再赘述。
实施例3:
本公开实施例3提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例1所述的基于自监督学习的低剂量CT图像去噪方法中的步骤。
实施例4:
本公开实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的基于自监督学习的低剂量CT图像去噪方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于自监督学习的低剂量CT图像去噪方法,其特征在于,包括以下步骤:
对获取的CT图像进行预处理,将预处理后的CT图像所有像素值进行归一化;
采用与CT图像大小相同的预设掩模对归一化处理后的CT图像进行部分像素的替换;
将通过预设掩模替换后的CT图像输入到训练好的去噪神经网络模型中,得到对应去噪后的图像。
2.如权利要求1所述的基于自监督学习的低剂量CT图像去噪方法,其特征在于,所述去噪神经网络模型采用自监督损失函数来衡量神经网络模型的输出与原始CT图像在被替代区域的差异。
4.如权利要求1所述的基于自监督学习的低剂量CT图像去噪方法,其特征在于,对获取的CT图像进行加窗预处理,将CT值限定预设范围内,将CT值转化为像素值后进行归一化处理。
5.如权利要求1所述的基于自监督学习的低剂量CT图像去噪方法,其特征在于,所述预设掩模,具体为:掩模为网格状,每个网格的左上角像素的像素值被设置为1,掩模的像素值仅为0或者1,像素值为1代表CT图像对应该像素位置的像素值将被替代。
6.如权利要求1所述的基于自监督学习的低剂量CT图像去噪方法,其特征在于,采用随机值替代法,将归一化处理后的CT图像中对应掩模像素值为1的像素值用0到1之间的随机值替代,实现部分像素的替换。
7.如权利要求1所述的基于自监督学习的低剂量CT图像去噪方法,其特征在于,所述去噪神经网络模型采用U-Net网络,包括特征提取部分和上采样部分,所述特征提取部分包括四个特征提取层,每个特征提取层包括卷积层、批规范化层、激活层和最大池化层;
所述上采样部分与特征部分呈对称形式,包括四个上采样层,每个上采样层包括卷积层、批规范化层、激活层和转置卷积层。
8.一种基于自监督学习的低剂量CT图像去噪系统,其特征在于,包括:
数据预处理模块,被配置为:对获取的CT图像进行预处理,将预处理后的CT图像所有像素值进行归一化;
掩模替换模块,被配置为:采用与CT图像大小相同的预设掩模对归一化处理后的CT图像进行部分像素的替换;
去噪模块,被配置为:将通过预设掩模替换后的CT图像输入到训练好的去噪神经网络模型中,得到对应去噪后的图像。
9.一种介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的基于自监督学习的低剂量CT图像去噪方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于自监督学习的低剂量CT图像去噪方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010250345.8A CN111429379B (zh) | 2020-04-01 | 2020-04-01 | 一种基于自监督学习的低剂量ct图像去噪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010250345.8A CN111429379B (zh) | 2020-04-01 | 2020-04-01 | 一种基于自监督学习的低剂量ct图像去噪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111429379A true CN111429379A (zh) | 2020-07-17 |
CN111429379B CN111429379B (zh) | 2022-06-10 |
Family
ID=71550448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010250345.8A Active CN111429379B (zh) | 2020-04-01 | 2020-04-01 | 一种基于自监督学习的低剂量ct图像去噪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429379B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037141A (zh) * | 2020-08-13 | 2020-12-04 | 上海东软医疗科技有限公司 | 图像去噪方法、装置、存储介质及电子设备 |
CN112330575A (zh) * | 2020-12-03 | 2021-02-05 | 华北理工大学 | 一种卷积神经网络医学ct图像去噪方法 |
CN112365433A (zh) * | 2020-10-30 | 2021-02-12 | 沈阳东软智能医疗科技研究院有限公司 | Ct图像处理方法、装置、存储介质及电子设备 |
CN112365507A (zh) * | 2020-10-30 | 2021-02-12 | 沈阳东软智能医疗科技研究院有限公司 | Ct图像处理方法、装置、存储介质及电子设备 |
CN113379868A (zh) * | 2021-07-08 | 2021-09-10 | 安徽工程大学 | 基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法 |
CN113538260A (zh) * | 2021-06-21 | 2021-10-22 | 复旦大学 | 自监督和有监督联合训练的ldct图像去噪与分类方法 |
CN114004753A (zh) * | 2021-09-07 | 2022-02-01 | 山东财经大学 | 一种基于gan的融合ndct噪声的低剂量ct双域联合降噪方法 |
CN116188918A (zh) * | 2023-04-27 | 2023-05-30 | 上海齐感电子信息科技有限公司 | 图像去噪方法、网络模型的训练方法、装置、介质和设备 |
CN117671074A (zh) * | 2024-02-01 | 2024-03-08 | 赛诺威盛科技(北京)股份有限公司 | 图像重建方法、装置、电子设备及ct成像系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909621A (zh) * | 2017-11-16 | 2018-04-13 | 深圳市唯特视科技有限公司 | 一种基于双生成对抗网络的医学图像合成方法 |
CN108280452A (zh) * | 2018-01-26 | 2018-07-13 | 深圳市唯特视科技有限公司 | 一种基于并行网络构架的图像语义标签纠错方法 |
CN110060216A (zh) * | 2019-04-17 | 2019-07-26 | 广东工业大学 | 一种基于生成对抗网络的图像修复方法、装置以及设备 |
CN110288671A (zh) * | 2019-06-25 | 2019-09-27 | 南京邮电大学 | 基于三维对抗性生成网络的低剂量cbct图像重建方法 |
US20190304069A1 (en) * | 2018-03-29 | 2019-10-03 | Pixar | Denoising monte carlo renderings using neural networks with asymmetric loss |
CN110428427A (zh) * | 2019-07-16 | 2019-11-08 | 东南大学 | 基于密集偏置网络和自编码器的半监督肾动脉分割方法 |
CN110490817A (zh) * | 2019-07-22 | 2019-11-22 | 武汉大学 | 一种基于掩模学习的图像噪声抑制方法 |
US20190365341A1 (en) * | 2018-05-31 | 2019-12-05 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning to improve image quality in position emission tomography (pet) |
CN110807740A (zh) * | 2019-09-17 | 2020-02-18 | 北京大学 | 一种面向监控场景车窗图像的图像增强方法与系统 |
CN110930452A (zh) * | 2019-10-23 | 2020-03-27 | 同济大学 | 一种基于自监督学习与模板匹配的物体位姿估计方法 |
-
2020
- 2020-04-01 CN CN202010250345.8A patent/CN111429379B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909621A (zh) * | 2017-11-16 | 2018-04-13 | 深圳市唯特视科技有限公司 | 一种基于双生成对抗网络的医学图像合成方法 |
CN108280452A (zh) * | 2018-01-26 | 2018-07-13 | 深圳市唯特视科技有限公司 | 一种基于并行网络构架的图像语义标签纠错方法 |
US20190304069A1 (en) * | 2018-03-29 | 2019-10-03 | Pixar | Denoising monte carlo renderings using neural networks with asymmetric loss |
US20190365341A1 (en) * | 2018-05-31 | 2019-12-05 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning to improve image quality in position emission tomography (pet) |
CN110060216A (zh) * | 2019-04-17 | 2019-07-26 | 广东工业大学 | 一种基于生成对抗网络的图像修复方法、装置以及设备 |
CN110288671A (zh) * | 2019-06-25 | 2019-09-27 | 南京邮电大学 | 基于三维对抗性生成网络的低剂量cbct图像重建方法 |
CN110428427A (zh) * | 2019-07-16 | 2019-11-08 | 东南大学 | 基于密集偏置网络和自编码器的半监督肾动脉分割方法 |
CN110490817A (zh) * | 2019-07-22 | 2019-11-22 | 武汉大学 | 一种基于掩模学习的图像噪声抑制方法 |
CN110807740A (zh) * | 2019-09-17 | 2020-02-18 | 北京大学 | 一种面向监控场景车窗图像的图像增强方法与系统 |
CN110930452A (zh) * | 2019-10-23 | 2020-03-27 | 同济大学 | 一种基于自监督学习与模板匹配的物体位姿估计方法 |
Non-Patent Citations (1)
Title |
---|
JAAKKO LEHTINEN,ET AL: "《Noise2Noise: Learning Image Restoration without Clean Data》", 《ARXIV:1803.04189V1》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037141A (zh) * | 2020-08-13 | 2020-12-04 | 上海东软医疗科技有限公司 | 图像去噪方法、装置、存储介质及电子设备 |
CN112365433A (zh) * | 2020-10-30 | 2021-02-12 | 沈阳东软智能医疗科技研究院有限公司 | Ct图像处理方法、装置、存储介质及电子设备 |
CN112365507A (zh) * | 2020-10-30 | 2021-02-12 | 沈阳东软智能医疗科技研究院有限公司 | Ct图像处理方法、装置、存储介质及电子设备 |
CN112365507B (zh) * | 2020-10-30 | 2024-02-02 | 沈阳东软智能医疗科技研究院有限公司 | Ct图像处理方法、装置、存储介质及电子设备 |
CN112365433B (zh) * | 2020-10-30 | 2024-01-30 | 沈阳东软智能医疗科技研究院有限公司 | Ct图像处理方法、装置、存储介质及电子设备 |
CN112330575B (zh) * | 2020-12-03 | 2022-10-14 | 华北理工大学 | 一种卷积神经网络医学ct图像去噪方法 |
CN112330575A (zh) * | 2020-12-03 | 2021-02-05 | 华北理工大学 | 一种卷积神经网络医学ct图像去噪方法 |
CN113538260A (zh) * | 2021-06-21 | 2021-10-22 | 复旦大学 | 自监督和有监督联合训练的ldct图像去噪与分类方法 |
CN113538260B (zh) * | 2021-06-21 | 2022-04-12 | 复旦大学 | 自监督和有监督联合训练的ldct图像去噪与分类方法 |
CN113379868A (zh) * | 2021-07-08 | 2021-09-10 | 安徽工程大学 | 基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法 |
CN114004753B (zh) * | 2021-09-07 | 2022-07-01 | 山东财经大学 | 一种基于gan的融合ndct噪声的低剂量ct双域联合降噪方法 |
CN114004753A (zh) * | 2021-09-07 | 2022-02-01 | 山东财经大学 | 一种基于gan的融合ndct噪声的低剂量ct双域联合降噪方法 |
CN116188918A (zh) * | 2023-04-27 | 2023-05-30 | 上海齐感电子信息科技有限公司 | 图像去噪方法、网络模型的训练方法、装置、介质和设备 |
CN116188918B (zh) * | 2023-04-27 | 2023-07-25 | 上海齐感电子信息科技有限公司 | 图像去噪方法、网络模型的训练方法、装置、介质和设备 |
CN117671074A (zh) * | 2024-02-01 | 2024-03-08 | 赛诺威盛科技(北京)股份有限公司 | 图像重建方法、装置、电子设备及ct成像系统 |
CN117671074B (zh) * | 2024-02-01 | 2024-05-14 | 赛诺威盛科技(北京)股份有限公司 | 图像重建方法、装置、电子设备及ct成像系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111429379B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111429379B (zh) | 一种基于自监督学习的低剂量ct图像去噪方法及系统 | |
CN111325686B (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
Hatvani et al. | Deep learning-based super-resolution applied to dental computed tomography | |
US11120582B2 (en) | Unified dual-domain network for medical image formation, recovery, and analysis | |
CN107481297B (zh) | 一种基于卷积神经网络的ct图像重建方法 | |
US9980695B2 (en) | Method and apparatus for reducing artefacts in computed tomography images | |
CN106683144A (zh) | 一种图像迭代重建方法及装置 | |
JP7237624B2 (ja) | 画像処理装置および画像処理方法 | |
CN112102213B (zh) | 低剂量ct图像处理方法、扫描系统及计算机存储介质 | |
WO2022110530A1 (zh) | 基于spect数据采样与噪声特性的断层图像重建方法 | |
WO2023202265A1 (zh) | 用于伪影去除的图像处理方法、装置、设备、产品和介质 | |
KR102472464B1 (ko) | 영상처리방법 및 이를 이용한 영상처리장치 | |
CN110070510A (zh) | 一种基于vgg-19提取特征的cnn医学图像降噪方法 | |
CN113870138A (zh) | 基于三维U-net的低剂量CT图像去噪方法及系统 | |
CN114387236A (zh) | 基于卷积神经网络的低剂量Sinogram去噪与PET图像重建方法 | |
CN110599530B (zh) | 基于双正则约束的mvct图像纹理增强方法 | |
Ketola et al. | Deep learning-based sinogram extension method for interior computed tomography | |
Li et al. | Learning non-local perfusion textures for high-quality computed tomography perfusion imaging | |
CN112767273B (zh) | 一种应用特征解耦的低剂量ct图像修复方法及系统 | |
Khaleghi et al. | Metal artifact reduction in computed tomography images based on developed generative adversarial neural network | |
Amirian et al. | Mitigation of motion‐induced artifacts in cone beam computed tomography using deep convolutional neural networks | |
CN116245969A (zh) | 一种基于深度神经网络的低剂量pet图像重建方法 | |
Ikuta et al. | A deep recurrent neural network with FISTA optimization for CT metal artifact reduction | |
JP2021117866A (ja) | 画像処理装置および画像処理方法 | |
CN111080736A (zh) | 一种基于稀疏变换的低剂量ct图像重建方法 |
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 |