CN111462168B - 运动参数估计方法和运动伪影校正方法 - Google Patents
运动参数估计方法和运动伪影校正方法 Download PDFInfo
- Publication number
- CN111462168B CN111462168B CN202010322383.XA CN202010322383A CN111462168B CN 111462168 B CN111462168 B CN 111462168B CN 202010322383 A CN202010322383 A CN 202010322383A CN 111462168 B CN111462168 B CN 111462168B
- Authority
- CN
- China
- Prior art keywords
- motion
- corrected
- image
- scanning
- scanned
- 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.)
- Active
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 282
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012937 correction Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 66
- 238000013527 convolutional neural network Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002441 reversible effect Effects 0.000 claims description 6
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000005855 radiation Effects 0.000 description 29
- 238000004891 communication Methods 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000005094 computer simulation Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 210000003275 diaphysis Anatomy 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000002429 large intestine Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000001370 mediastinum Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000004224 pleura Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000002356 skeleton Anatomy 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 210000003932 urinary bladder Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- 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]
Abstract
本申请涉及一种运动参数估计方法、运动伪影校正方法,以及计算机设备和计算机可读存储介质。其中,该方法包括:获取待校正的扫描图像;使用运动参数估计单元处理待校正的扫描图像,获得待校正的扫描图像对应的估计运动参数,其中,运动参数估计单元被训练为估计待校正的扫描图像对应的估计运动参数。通过本申请,解决了相关技术中在扫描时同步测量被扫描对象的运动参数对测量设备的性能要求高的问题,避免了获取运动参数对测量设备性能的依赖。
Description
技术领域
本申请涉及计算机成像领域,特别是涉及运动参数估计方法、运动伪影校正方法,以及计算机设备和计算机可读存储介质。
背景技术
计算机体层成像(Computed Tomography,简称CT)是医学领域和工业领域重要的诊断工具,目前已经被广泛应用于工业检测和医学影像学诊断。
CT是使用射线束对被扫描对象的某一部分一定厚度的层面进行扫描,由探测器接收透过该层面的射线;由于被扫描对象不同组织对射线的吸收与透过率不同,探测器接收到的射线会存在一定的衰减。CT扫描设备围绕被扫描对象扫描就能够得到不同的角度射线的衰减信息。根据这些射线衰减信息,就能够重建得到被扫描对象的断层扫描图像。
由于相关技术中的CT扫描设备进行一次扫描需要一定的时间,在此期间如果被扫描对象自主或非自主的运动,将会破坏扫描得到的投影数据的一致性和完整性,从而在重建图像中出现各种伪影,称之为运动伪影。运动伪影会影响图像的识别。
在相关技术中,减少运动伪影通常是通过提高扫描速度,以减少扫描过程中被扫描对象的移动带来的影响。但是,受离心力、材料强度等多方面的限制,想要进一步提高扫描速度难度相当大。
在相关技术中,还可以采用基于运动参数补偿的运动伪影校正方法来抑制运动伪影,但是其运动参数是通过在扫描时同步测量被扫描对象的运动来获得,对测量设备同步性、测量精度等性能要求相当高。
针对相关技术中在扫描时同步测量被扫描对象的运动参数对测量设备的性能要求高的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种运动参数估计方法、运动伪影校正方法,以及计算机设备和计算机可读存储介质,以至少解决相关技术中在扫描时同步测量被扫描对象的运动参数对测量设备的性能要求高的问题。
第一方面,本申请实施例提供了一种运动参数估计方法,包括:获取待校正的扫描图像;使用运动参数估计单元处理所述待校正的扫描图像,获得所述待校正的扫描图像对应的估计运动参数,其中,所述运动参数估计单元被训练为估计所述待校正的扫描图像对应的所述估计运动参数。
在其中一些实施例中,使用运动参数估计单元处理所述待校正的扫描图像,获得所述待校正的扫描图像的估计运动参数包括:所述运动参数估计单元中预处理模块将所述待校正的扫描图像转换为张量数据;所述运动参数估计单元中的训练完备的卷积神经网络处理所述张量数据,得到所述估计运动参数。
在其中一些实施例中,所述运动参数估计单元的训练过程包括:获取训练样本,其中,所述训练样本包括:具有运动伪影的扫描图像和相应的运动参数;所述具有运动伪影的扫描图像是在被扫描对象按照所述相应的运动参数刚性运动的情况下扫描并重建得到的;将所述具有运动伪影的扫描图像作为训练数据,将所述相应的运动参数作为所述训练数据的金标准,训练所述运动参数估计单元。
在其中一些实施例中,获取所述训练样本包括:获取多个扫描图像,其中,所述多个扫描图像是对接近静止状态的所述被扫描对象的多个连续的断层进行扫描并重建得到的;将所述多个扫描图像按照所述被扫描对象的几何结构组合成被扫描对象模型;将所述被扫描对象模型按照所述相应的运动参数模拟刚性运动,并在刚性运动的模拟过程中对所述被扫描对象模型进行重投影,得到所述被扫描对象模型的投影数据;根据所述被扫描对象模型的投影数据进行图像重建,得到所述具有运动伪影的扫描图像。
在其中一些实施例中,获取所述训练样本包括:将所述被扫描对象或者所述被扫描对象的实物模型按照所述相应的运动参数进行刚性运动;在刚性运动过程中对所述被扫描对象或者所述被扫描对象的实物模型进行扫描,并重建得到所述具有运动伪影的扫描图像。
第二方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,在其中一些实施例中,所述处理器执行所述计算机程序时实现如第一方面所述的运动参数估计方法。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的运动参数估计方法。
第四方面,本申请实施例提供了一种运动伪影校正方法,包括:获取待校正的扫描图像;使用运动参数估计单元处理所述待校正的扫描图像,获得所述待校正的扫描图像对应的估计运动参数,其中,所述运动参数估计单元被训练为估计所述待校正的扫描图像对应的所述估计运动参数;将所述待校正的扫描图像按照与所述估计运动参数相反的反向运动参数模拟刚性运动,并在刚性运动的模拟过程中重投影所述待校正的扫描图像,得到待校正的扫描图像的投影数据;根据所述待校正的扫描图像的投影数据重建图像,得到校正的扫描图像。
第五方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述存储器中存储有所述运动参数估计单元,所述处理器执行所述计算机程序时实现如第四方面所述的运动伪影校正方法。
第六方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第四方面所述的运动伪影校正方法。
相比于相关技术,本申请实施例提供的运动参数估计方法、运动伪影校正方法,以及计算机设备和计算机可读存储介质,通过获取待校正的扫描图像;使用运动参数估计单元处理待校正的扫描图像,获得待校正的扫描图像对应的估计运动参数,其中,运动参数估计单元被训练为估计待校正的扫描图像对应的估计运动参数的方式,解决了相关技术中在扫描时同步测量被扫描对象的运动参数对测量设备的性能要求高的问题,避免了获取运动参数对测量设备性能的依赖。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的CT系统的结构示意图;
图2是根据本申请实施例的计算机设备的硬件结构示意图;
图3是根据本申请实施例的运动参数估计方法的流程图;
图4是根据本申请实施例的运动参数估计单元的训练方法的流程图;
图5是根据本申请实施例的运动伪影校正方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请所涉及的方法、单元、计算机设备或者计算机可读存储介质可用于非侵入成像,如疾病的诊断和研究、工业领域的建筑物探伤等;其所涉及的系统可以包括CT系统、PET系统、MR系统,还可以包括PET-CT、PET-MR等多模态混合系统。本申请所涉及的方法、单元、计算机设备或者计算机可读存储介质既可以与上述的系统集成在一起,也可以是相对独立的。
下面以CT系统为例对本申请实施例进行描述和说明。
图1是根据本申请实施例的CT系统的结构示意图,如图1所示,CT系统包括CT扫描系统100和计算机设备200。CT扫描系统100包括:检查床110和扫描部件120。其中,检查床110适于承载待检查者。检查床110能够移动,使得待检查者的被扫描对象被移动到适合被检测的位置,例如图1中标示为130的位置。扫描部件120具有射线源121和探测器122。
射线源121可以被配置为对待检查者的被扫描对象发出射线,用以产生医学图像的扫描数据。待检查者的被扫描对象可包括物质、组织、器官、样本、身体,或类似物,或者其他任意组合。在某些实施例中,待检查者的被扫描对象可以包括患者或者其一部分,即可以包括头、胸、肺、胸膜、纵膈、腹、大肠、小肠、膀胱、胆囊、三焦、盆腔、骨干、末端、骨架、血管,或类似物,或其任意组合。射线源121被配置为用于产生射线或其他类型的射线。射线能够穿过待检查者的被扫描对象。穿过待检查者的被扫描对象后被探测器122接收。
射线源121可包括射线发生器。射线发生器可包括一个或多个射线管。射线管可以发射射线或射线束。射线源121可以是X射线球管、冷阴极离子管、高真空热阴极管、旋转阳极管等。发射的射线束的形状可以是线形、窄笔形、窄扇形、扇形、锥形、楔形、或类似物,或不规则形状,或其任何组合。射线束的扇形角度可以是20°至90°范围内的一定值。射线源121中的射线管可以固定在一个位置。在某些情况下,可以平移或旋转射线管。
探测器122可配置为接收来自射线源121或其他辐射源的射线。来自射线源121的射线可以穿过待检查者,然后到达探测器122。接收射线之后,探测器122产生蕴含待检查者的射线图像的探测结果。探测器122包括射线检测器或者其他部件。射线检测器的形状可以是扁平、弓形、圆形、或类似物,或其任意组合。弓形检测器的扇形角度范围可以是20°至90°。扇形角度可固定或者根据不同的情况可调。不同的情况包括期望的图像分辨率、图像大小、检测器的灵敏度、检测器的稳定性、或类似物,或其任意组合。在一些实施例中,检测器的像素可以是最小检测单元的数量,例如检测器单元的数量(例如,闪烁体或光电传感器等)。检测器的像素可以布置成单行、双行或另一数目的行。
计算机设备200包括扫描控制装置和图像生成装置。其中,扫描控制装置被配置为控制检查床110和扫描部件120进行扫描。图像生成装置用于根据探测器122的探测结果生成医学影像。
由于扫描部件120在进行扫描时往往会发出射线,因此在一些实施例中,为了避免CT系统的操作者暴露在这些辐射下,可以将计算机设备200设置在与扫描部件120不同的房间内,使得CT系统的操作者可以处在另外的房间内,避免受到射线照射,并能够通过计算机设备200生成以及观察扫描结果。
图2是根据本申请实施例的计算机设备的硬件结构示意图,如图2所示,本实施例的计算机设备包括处理器211、存储有计算机程序指令的存储器212。
上述处理器211可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
在其中一些实施例中,处理器211可以被配置为执行运动参数估计方法,和/或运动伪影校正方法。
在其中一些实施例中,处理器211被配置为:获取待校正的扫描图像;使用运动参数估计单元处理待校正的扫描图像,获得待校正的扫描图像对应的估计运动参数,其中,运动参数估计单元被训练为估计待校正的扫描图像对应的估计运动参数。
在其中一些实施例中,处理器211被配置为:使用运动参数估计单元中预处理模块将待校正的扫描图像转换为张量数据;使用运动参数估计单元中的训练完备的卷积神经网络处理张量数据,得到估计运动参数。
在其中一些实施例中,处理器211被配置为:训练运动参数估计单元。例如,获取训练样本,其中,训练样本包括:具有运动伪影的扫描图像和相应的运动参数;具有运动伪影的扫描图像是在被扫描对象按照相应的运动参数刚性运动的情况下扫描并重建得到的;将具有运动伪影的扫描图像作为训练数据,将相应的运动参数作为训练数据的金标准,训练运动参数估计单元。
在其中一些实施例中,处理器211被配置为:获取多个扫描图像,其中,多个扫描图像是对接近静止状态的被扫描对象的多个连续的断层进行扫描并重建得到的;将多个扫描图像按照被扫描对象的几何结构组合成被扫描对象模型;将被扫描对象模型按照相应的运动参数模拟刚性运动,并在刚性运动的模拟过程中对被扫描对象模型进行重投影,得到被扫描对象模型的投影数据;根据被扫描对象模型的投影数据进行图像重建,得到具有运动伪影的扫描图像。
在其中一些实施例中,处理器211被配置为:将被扫描对象或者被扫描对象的实物模型按照相应的运动参数进行刚性运动;在刚性运动过程中对被扫描对象或者被扫描对象的实物模型进行扫描,并重建得到具有运动伪影的扫描图像。
存储器212可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器212可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器212可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器212可在数据处理装置的内部或外部。在特定实施例中,存储器212是非易失性(Non-Volatile)存储器。在特定实施例中,存储器212包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(Random Access Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(ErasableProgrammable Read-Only Memory,简称为EPROM)、电可擦除PROM(Electrically ErasableProgrammable Read-Only Memory,简称为EEPROM)、电可改写ROM(ElectricallyAlterable Read-Only Memory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-AccessMemory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode DynamicRandom Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDate Out Dynamic Random Access Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器212可以用来存储或者缓存需要处理和/或通信使用的各种数据文件(例如扫描图像、操作系统、运动参数估计单元、卷积神经网络等),以及处理器211所执行的可能的计算机程序指令。
处理器211通过读取并执行存储器212中存储的计算机程序指令,以实现本申请实施例的运动参数估计方法,和/或运动伪影校正方法。
在其中一些实施例中,计算机设备还可包括通信接口213、显示设备214和总线210。其中,如图2所示,处理器211、存储器212、通信接口213、显示设备214通过总线210连接并完成相互间的通信。
通信接口213用于实现本实施例中各模块、装置、单元和/或设备之间的通信。通信接口213还可以实现与其他部件例如:外接设备、医学影像扫描设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线210包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线210包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线210可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线210可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本实施例提供的运动参数估计方法,和/或运动伪影校正方法。
本实施例提供了一种运动参数估计方法,图3是根据本申请实施例的运动参数估计方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301,获取待校正的扫描图像。
其中,待校正的扫描图像可以是具有运动伪影的扫描图像。该扫描图像可以是CT图像,也可以是PET图像。待校正的扫描图像可以是从诸如CT系统、PET系统或PET-CT系统等成像系统实时获取的,也可以是从扫描图像数据库中获取的。
步骤S302,使用运动参数估计单元处理待校正的扫描图像,获得待校正的扫描图像对应的估计运动参数,其中,运动参数估计单元被训练为估计待校正的扫描图像对应的估计运动参数。
其中,运动参数估计单元包括训练完备的卷积神经网络,具备根据具有运动伪影的扫描图像预测其对应的刚性运动的运动参数的能力。其中的刚性运动包括平移和旋转。
通过将待校正的扫描图像输入到运动参数估计单元中获得运动参数估计单元预测并输出的待校正的扫描图像的估计运动参数,解决了相关技术中测量被扫描对象的运动参数对测量设备的同步性能和测量精度要求高的问题,避免了获取运动参数对测量设备性能的依赖。
采用以卷积神经网络为基础的运动参数估计单元的另一个优势还在于在训练得到训练完备的卷积神经网络之后,可以非常方便地将训练完备的卷积神经网络移植或者复制到其他的系统中,执行相同的运动参数估计任务。
本实施例的运动参数估计单元还包括预处理模块,用于预处理待校正的扫描图像。例如,预处理模块提取待校正的扫描图像进行图像分割,或者提取扫描图像的感兴趣区域,或者裁剪或缩放扫描图像的尺寸,降低扫描图像的分辨率等。此外,在本实施例中,预处理模块还用于将待校正的扫描图像转换为卷积神经网络能够处理的数据格式,例如,将扫描图像转换为张量数据,以便扫描图像能够被使用TensorFlow框架实现的卷积神经网络处理。运动参数估计单元中的训练完备的卷积神经网络通过处理待校正的扫描图像的张量数据,得到估计运动参数。
在本实施例中,运动参数估计单元中的卷积神经网络可以是已知的任意一种卷积神经网络或者已知的卷积神经网络的变形或者进一步进化,例如卷积神经网络可以包括但不限于以下至少之一:U-Net、Res-Net、Dense-Net或生成对抗神经网络(GAN)。
在本实施例中,优选采用监督学习方式训练卷积神经网络。在监督学习方式训练卷积神经网络时,使用训练数据以及该训练数据对应的标签作为一组数据对卷积神经网络进行训练,并通过梯度下降算法和误差反向传播更新卷积神经网络的参数,直至卷积神经网络预测到的训练数据的标签与训练数据对应的标签的误差小于预期(称为参数收敛),即得到训练完备的卷积神经网络。其中,标签又被称为金标准。
图4是根据本申请实施例的运动参数估计单元的训练方法的流程图,如图4所示,该流程包括如下步骤:
步骤S401,获取训练样本,其中,训练样本包括:具有运动伪影的扫描图像和相应的运动参数;具有运动伪影的扫描图像是在被扫描对象按照相应的运动参数刚性运动的情况下扫描并重建得到的。
步骤S402,将具有运动伪影的扫描图像作为训练数据,将相应的运动参数作为训练数据的金标准,训练运动参数估计单元。
训练数据以及训练数据对应的标签被称为训练样本。训练数据的标签通常通过人工标注。卷积神经网络要达到参数收敛,并保证其泛化能力、防止过拟合,训练样本的数量需要足够多。
为了能够快速得到足够数量的训练样本,在本实施例中提供了多种获取训练样本的方法。
例如,可以通过传统的测量设备在对被扫描对象进行扫描时同步测量被扫描对象的运动参数,并将该次扫描及重建得到的扫描图像作为训练样本。通过该方式,可以充分利用已经测量了运动参数的历史扫描图像及其运动参数作为训练样本。
采用实际的扫描图像作为训练样本,需要耗费较多的扫描时间。并且,在扫描实际的被扫描对象时,保证被扫描对象按照事先预设运动参数进行刚性运动可能存在一定的挑战。
为了能够更快速得到训练样本,又例如,还可以通过运动模拟的方法获得训练样本。在其中一个实施例中,可以通过扫描或者提取扫描图像数据库中的扫描图像数据,获取多个扫描图像。这些扫描图像是对接近静止状态的被扫描对象的多个连续的断层进行扫描并重建得到的。在得到上述的多个扫描图像之后,将这多个扫描图像按照被扫描对象的几何结构叠加组合在一起,从而形成具有一定厚度的三维扫描图像,该三维扫描图像即为被扫描对象的计算机模型。然后,在计算机环境中将被扫描对象的计算机模型按照预先设定的某一运动参数模拟刚性运动,并在刚性运动的模拟过程中对被扫描对象的计算机模型进行重投影,得到被扫描对象的计算机模型的投影数据。最后,根据被扫描对象的计算机模型的投影数据进行图像重建,得到的扫描图像中就带有了由该预先设定的运动参数产生的运动伪影。
可以想到的是,通过上述扫描多个连续的断层的扫描图像并叠加组合的方式处理不同的被扫描对象,能够得到不同的被扫描对象的计算机模型;通过改变模拟刚性运动的预先设定的运动参数,也能够得到相同被扫描对象按照不同的运动参数刚性运动而形成的具有不同运动伪影的扫描图像。因此,通过上述的方式,能够快速得到大量的成对的具有运动伪影的扫描图像及其对应的运动参数,实现训练样本的快速生成。
需要说明的是,上述的接近静止状态是指静止状态,或者运动不显著的状态。其中,运动是否显著可以是以运动产生的伪影是否影响扫描图像被医师正确诊断为标准的。如果运动产生的伪影不影响扫描图像被医师正确诊断,则可以认为对应的被扫描对象处于接近静止状态,扫描得到的扫描图像则可以被认为不具有运动伪影。反之,如果运动产生的伪影影响扫描图像被医师正确诊断,则认为对应的被扫描对象处于运动状态,扫描得到的扫描图像具有运动伪影。
再例如,还可以通过对真实的被扫描对象或被扫描对象的实物模型的扫描重建的方法获得训练样本。在其中一个实施例中,可以通过将被扫描对象或者被扫描对象的实物模型按照相应的运动参数进行刚性运动;在刚性运动过程中对被扫描对象或者被扫描对象的实物模型进行扫描,并重建得到具有运动伪影的扫描图像。过上述的方式,也能够快速得到大量的成对的具有运动伪影的扫描图像及其对应的运动参数,实现训练样本的快速生成。
尤其需要说明的是,上述获取训练样本的方式,尤其是第二种和第三种方式,被扫描对象的运动参数是测量或者预先设定的已知、精确的参数,因此,将预设运动参数作为金标准训练得到的训练完备的卷积神经网络能够学习到根据具有因刚性运动导致的运动伪影的扫描图像,准确预测预设运动参数的能力。
另外,还可以使用数据增强技术在已有的训练样本的基础上,快速得到更多的训练样本,例如:对训练样本中扫描图像的缩放、平移、裁剪、翻转、角度调整等。数据增强技术不仅能够快速得到更多的训练样本,还能够有效避免卷积神经网络的训练过拟合。
其中,运动参数包括所有扫描视线(view)下的被扫描对象的运动参数。例如,一次完整的CT图像的扫描可以有数千个view,在每一个view下都有一个表示在该view下被扫描对象相对于前一个view的平移或旋转运动的运动向量,即为该view对应的运动参数。
在其中一些实施例中,运动参数估计单元中的卷积神经网络可以是一个,也可以是多个。当卷积神经网络是一个时,可以将这一个卷积神经网络训练为对多种不同的被扫描对象进行运动参数估计;也可以将这一个卷积神经网络训练为针对性地对一种被扫描对象(例如头部、胸部、或肺部等)进行运动参数估计,以提高对一种被扫描对象的运动参数估计的准确性,也能够提高训练过程中卷积神经网络收敛的效率。
较优地,运动参数估计单元中的卷积神经网络为多个,每个卷积神经网络负责一个或多个被扫描对象的运动参数估计。那么,运动参数估计单元还具有根据待校正的扫描图像输入到对应的卷积神经网络中的功能。运动参数估计单元识别待校正的扫描图像对应的被扫描对象的类型时,可以通过目标识别算法来识别,也可以通过获取扫描系统的扫描参数来获知被扫描对象的类型。
本实施例还提供了一种运动伪影校正方法,图5是根据本申请实施例的运动伪影校正方法的流程图,如图5所示,该流程包括如下步骤:
步骤S501,获取待校正的扫描图像。
步骤S502,使用运动参数估计单元处理待校正的扫描图像,获得待校正的扫描图像对应的估计运动参数,其中,运动参数估计单元被训练为估计待校正的扫描图像对应的估计运动参数。
步骤S503,将待校正的扫描图像按照与估计运动参数相反的反向运动参数模拟刚性运动,并在刚性运动的模拟过程中重投影待校正的扫描图像,得到待校正的扫描图像的投影数据。
步骤S504,根据待校正的扫描图像的投影数据重建图像,得到校正的扫描图像。
上述步骤S501~步骤S502在前述实施例中已经进行过描述和说明,在此不再赘述。
在步骤S502获得估计运动参数之后,可以基于该估计运动参数,采用相关技术中的任一运动补偿方法实现运动伪影校正。例如,在中国专利申请公开号为CN102144927A中,公开的基于重建图像矩阵变换的技术来实现运动物体的准确CT图像,消除运动伪影的方法。
在本实施例中,采用了基于模拟反向运动并重投影的方式进行运动伪影校正。在获得估计运动参数后,我们就得到了在扫描过程中每个view下的运动向量,那么,如果我们将待校正的扫描图像按照相反的方式运动,并在此过程中对待校正的扫描图像进行重投影,那么得到的投影数据就是消除了运动伪影的扫描图像对应的投影数据;根据该投影数据进行反投影,就能够重建出消除了运动伪影的扫描图像。
在本实施例中,与估计运动参数相反的反向运动参数是指使得被扫描对象(或待校正图像)按照完全相反的方式运动的运动参数。该反向运动参数相较于估计运动参数而言,不仅运动方向相反,运动的顺序也是倒序的。例如,对于一个在2400个view下扫描重建得到的扫描图像,就有由2400个运动向量组成的运动参数,记为那么,反向运动参数则为/>
通过上述步骤,实现了运动伪影的消除,并且由于上述方法中使用的运动参数估计单元基于卷积神经网络获得估计运动参数,运算效率高,极大地节省了运动伪影校正所需的时间。并且其校正结果准确,尤其适用于因刚性运动导致的运动伪影。
在生物体中,例如头部的组织自身并不容易运动,其运动伪影主要由刚性运动产生。因此,将上述的运动伪影的校正方法应用于头部等生物体部位的运动伪影的校正能够起到非常明显的效果。此外,在工业探伤等领域使用本申请实施例提供的运动伪影的校正方法,也能够起到对因探测设备抖动等导致的运动伪影的明显校正效果。
较优地,上述的扫描图像为CT扫描图像,亦不排除上述的扫描图像为其他断层扫描图像,例如PET图像、或者磁共振成像(MRI)图像。
综上所述,通过本申请的上述实施例中,在不具有运动伪影的“干净”扫描图像上正向模拟被扫描对象的刚性运动,产生包含运动伪影的扫描图像。因正向模拟过程中被扫描对象的运动参数已知,以此作为训练卷积神经网络的金标准,以具有运动伪影的扫描图像作为未训练完备的卷积神经网络的输入,进行卷积神经网络的训练。在得到训练完备的卷积神经网络后,通过卷积神经网络生成对运动参数的估计后,再通过反向运动的方式校正扫描图像。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种运动参数估计方法,其特征在于包括:
获取待校正的扫描图像;
使用运动参数估计单元处理所述待校正的扫描图像,获得所述待校正的扫描图像对应的估计运动参数,在获得所述估计运动参数之后,基于该估计运动参数采用基于模拟反向运动并重投影的方式对所述待校正的扫描图像进行运动伪影校正,其中,所述运动参数估计单元被训练为根据所述待校正的扫描图像,
估计其对应刚性运动的所述估计运动参数。
2.根据权利要求1所述的方法,其特征在于,使用运动参数估计单元处理所述待校正的扫描图像,获得所述待校正的扫描图像的估计运动参数包括:
所述运动参数估计单元中预处理模块将所述待校正的扫描图像转换为张量数据;
所述运动参数估计单元中的训练完备的卷积神经网络处理所述张量数据,得到所述估计运动参数。
3.根据权利要求1所述的方法,其特征在于,所述运动参数估计单元的训练过程包括:
获取训练样本,其中,所述训练样本包括:具有运动伪影的扫描图像和相应的运动参数;所述具有运动伪影的扫描图像是在被扫描对象按照所述相应的运动参数刚性运动的情况下扫描并重建得到的;
将所述具有运动伪影的扫描图像作为训练数据,将所述相应的运动参数作为所述训练数据的金标准,训练所述运动参数估计单元。
4.根据权利要求3所述的方法,其特征在于,获取所述训练样本包括:
获取多个扫描图像,其中,所述多个扫描图像是对接近静止状态的所述被扫描对象的多个连续的断层进行扫描并重建得到的;
将所述多个扫描图像按照所述被扫描对象的几何结构组合成被扫描对象模型;
将所述被扫描对象模型按照所述相应的运动参数模拟运动,并在刚性运动的模拟过程中对所述被扫描对象模型进行重投影,得到所述被扫描对象模型的投影数据;
根据所述被扫描对象模型的投影数据进行图像重建,得到所述具有运动伪影的扫描图像。
5.根据权利要求3所述的方法,其特征在于,获取所述训练样本包括:
将所述被扫描对象或者所述被扫描对象的实物模型按照所述相应的运动参数进行刚性运动;
在刚性运动过程中对所述被扫描对象或者所述被扫描对象的实物模型进行扫描,并重建得到所述具有运动伪影的扫描图像。
6.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的运动参数估计方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5中任一项所述的运动参数估计方法。
8.一种运动伪影校正方法,其特征在于包括:
获取待校正的扫描图像;
使用运动参数估计单元处理所述待校正的扫描图像,获得所述待校正的扫描图像对应的估计运动参数,其中,所述运动参数估计单元被训练为根据所述待校正的扫描图像,估计其对应刚性运动的所述估计运动参数;
将所述待校正的扫描图像按照与所述估计运动参数相反的反向运动参数模拟刚性运动,并在刚性运动的模拟过程中重投影所述待校正的扫描图像,得到待校正的扫描图像的投影数据;
根据所述待校正的扫描图像的投影数据重建图像,得到校正的扫描图像。
9.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述存储器中存储有所述运动参数估计单元,所述处理器执行所述计算机程序时实现如权利要求8所述的运动伪影校正方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求8所述的运动伪影校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010322383.XA CN111462168B (zh) | 2020-04-22 | 2020-04-22 | 运动参数估计方法和运动伪影校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010322383.XA CN111462168B (zh) | 2020-04-22 | 2020-04-22 | 运动参数估计方法和运动伪影校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462168A CN111462168A (zh) | 2020-07-28 |
CN111462168B true CN111462168B (zh) | 2023-09-19 |
Family
ID=71681107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010322383.XA Active CN111462168B (zh) | 2020-04-22 | 2020-04-22 | 运动参数估计方法和运动伪影校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462168B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112545543B (zh) * | 2021-02-19 | 2021-05-11 | 南京安科医疗科技有限公司 | 基于病床运动信息的扫描运动监测方法、系统及存储介质 |
CN113539444B (zh) * | 2021-08-30 | 2024-04-19 | 上海联影医疗科技股份有限公司 | 医学图像重建方法、装置、电子设备和存储介质 |
WO2023123352A1 (en) * | 2021-12-31 | 2023-07-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for motion correction for medical images |
CN115208992A (zh) * | 2022-05-30 | 2022-10-18 | 元潼(北京)技术有限公司 | 元成像被动扫描系统与方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7587022B1 (en) * | 2006-03-23 | 2009-09-08 | General Electric Company | Correlation-based motion estimation of object to be imaged |
CN101610719A (zh) * | 2007-02-07 | 2009-12-23 | 皇家飞利浦电子股份有限公司 | 治疗计划中的运动估计 |
CN102144927A (zh) * | 2010-02-10 | 2011-08-10 | 清华大学 | 基于运动补偿的ct设备和方法 |
CN107330949A (zh) * | 2017-06-28 | 2017-11-07 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
CN108876730A (zh) * | 2018-05-24 | 2018-11-23 | 沈阳东软医疗系统有限公司 | 校正运动伪影的方法、装置及设备和存储介质 |
CN110942496A (zh) * | 2019-12-13 | 2020-03-31 | 厦门大学 | 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9797974B2 (en) * | 2013-01-30 | 2017-10-24 | The Board Of Trustees Of The Leland Stanford Junior University | Nonrigid motion correction in 3D using autofocusing with localized linear translations |
WO2015148391A1 (en) * | 2014-03-24 | 2015-10-01 | Thomas Michael Ernst | Systems, methods, and devices for removing prospective motion correction from medical imaging scans |
AU2017203626A1 (en) * | 2016-05-30 | 2017-12-14 | Katholieke Universiteit Leuven Ku Leuven R&D | A method and apparatus for motion correction in CT imaging |
US10698063B2 (en) * | 2017-11-01 | 2020-06-30 | Siemens Healthcare Gmbh | Motion artifact reduction of magnetic resonance images with an adversarial trained network |
US20190154785A1 (en) * | 2017-11-17 | 2019-05-23 | University Of Virginia Patent Foundation | Cardiac and Respiratory Self-Gated Motion-Corrected Free-Breathing Spiral Cine Imaging |
EP3542721A1 (de) * | 2018-03-23 | 2019-09-25 | Siemens Healthcare GmbH | Verfahren zur bearbeitung von parametern eines maschinenlernverfahrens sowie rekonstruktionsverfahren |
-
2020
- 2020-04-22 CN CN202010322383.XA patent/CN111462168B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7587022B1 (en) * | 2006-03-23 | 2009-09-08 | General Electric Company | Correlation-based motion estimation of object to be imaged |
CN101610719A (zh) * | 2007-02-07 | 2009-12-23 | 皇家飞利浦电子股份有限公司 | 治疗计划中的运动估计 |
CN102144927A (zh) * | 2010-02-10 | 2011-08-10 | 清华大学 | 基于运动补偿的ct设备和方法 |
CN107330949A (zh) * | 2017-06-28 | 2017-11-07 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
CN108876730A (zh) * | 2018-05-24 | 2018-11-23 | 沈阳东软医疗系统有限公司 | 校正运动伪影的方法、装置及设备和存储介质 |
CN110942496A (zh) * | 2019-12-13 | 2020-03-31 | 厦门大学 | 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统 |
Non-Patent Citations (1)
Title |
---|
一种基于HLCC的CT图像刚性平移运动伪影校正算法;罗海等;中国科学技术大学学报;第40卷(第05期);第454-459页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111462168A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462168B (zh) | 运动参数估计方法和运动伪影校正方法 | |
CN109035355B (zh) | 用于pet图像重建的系统和方法 | |
US8879814B2 (en) | Method and apparatus for reducing motion related imaging artifacts using consistency values | |
EP2245592B1 (en) | Image registration alignment metric | |
JP5438267B2 (ja) | 画像内の領域を識別する方法及びシステム | |
US10143433B2 (en) | Computed tomography apparatus and method of reconstructing a computed tomography image by the computed tomography apparatus | |
US11790525B2 (en) | Method for metal artifact avoidance in x-ray imaging | |
US10679346B2 (en) | Systems and methods for capturing deep learning training data from imaging systems | |
CN110570483A (zh) | 扫描方法、装置、计算机设备和存储介质 | |
CN111627083B (zh) | 骨硬化伪影校正方法、装置、计算机设备和可读存储介质 | |
US10013778B2 (en) | Tomography apparatus and method of reconstructing tomography image by using the tomography apparatus | |
CN106456253A (zh) | 免于重建的自动多模态超声配准 | |
CN117425433A (zh) | 利用多个运动脉冲x射线源断层合成成像系统的人工智能训练 | |
WO2019200349A1 (en) | Systems and methods for training a deep learning model for an imaging system | |
CN113344876B (zh) | 一种ct和cbct间可变形配准方法 | |
WO2019200351A1 (en) | Systems and methods for an imaging system express mode | |
CN111583354B (zh) | 医学图像处理单元的训练方法和医学图像运动估计方法 | |
CN110473241A (zh) | 图像配准方法、存储介质及计算机设备 | |
WO2019200346A1 (en) | Systems and methods for synchronization of imaging systems and an edge computing system | |
EP3809376A2 (en) | Systems and methods for visualizing anatomical structures | |
US20230048231A1 (en) | Method and systems for aliasing artifact reduction in computed tomography imaging | |
US11954873B1 (en) | Artificial intelligence-based devices and methods for geometric alignment and preprocessing of raw CT images | |
CN113539444B (zh) | 医学图像重建方法、装置、电子设备和存储介质 | |
US11227399B2 (en) | Analysis apparatus, ultrasound diagnostic apparatus, and analysis method | |
US20240029415A1 (en) | Simulating pathology images based on anatomy data |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 2258 Chengbei Road, Jiading District, Shanghai Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 2258 Chengbei Road, Jiading District, Shanghai Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |