CN111626972B - Ct图像重构方法、模型训练方法及设备 - Google Patents
Ct图像重构方法、模型训练方法及设备 Download PDFInfo
- Publication number
- CN111626972B CN111626972B CN202010491687.9A CN202010491687A CN111626972B CN 111626972 B CN111626972 B CN 111626972B CN 202010491687 A CN202010491687 A CN 202010491687A CN 111626972 B CN111626972 B CN 111626972B
- Authority
- CN
- China
- Prior art keywords
- image
- tissue
- model
- sequence
- images
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 210000004204 blood vessel Anatomy 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 238000002591 computed tomography Methods 0.000 description 158
- 210000001519 tissue Anatomy 0.000 description 51
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000001835 viscera Anatomy 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
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种CT图像重构方法、模型训练方法及设备,所述重构方法包括:获取CT图像序列,其中包括按照空间顺序排列的多个CT图像;利用对多视角模型对所述CT图像序列进行处理,所述多视角模型包括分割模块、多个机器学习模型和融合模块,其中所述分割模块用于针对所述CT图像序列中的不同组织进行分割,得到多种组织CT图像序列,所述多个机器学习模型分别根据各种所述组织CT图像序列得到相应的重构组织CT图像,所述融合模块用于融合各个所述重构组织CT图像得到重构结果。
Description
技术领域
本发明涉及医学图像处理领域,具体涉及一种CT图像重构方法、模型训练方法及设备。
背景技术
CT(Computed Tomography,电子计算机断层扫描)图像自1972年发明以来,已经成为探测人体内部器官病症的重要工具。由于各种各样的干扰因素,在一组CT扫描中,常常有部分CT图像被干扰,影响读图效果;甚至,有时在CT图像的传输过程中有部分关键信息丢失,导致计算机无法读取部分CT图像。这些问题常常会影响基于整组CT扫描的其他任务拓展,例如CT的3D重构、利用空间信息辅助进行CT影响识别、目标检测等。因此,异常CT图像的重构工作对于保持CT扫描的完整性、可读性,以及其在其他类型任务上的拓展是非常重要的。
近年来,基于深度学习技术的CT图像重构工作取得了较大的进展,对于部分异常干扰而言,现有技术可以准确模拟干扰并就干扰后的CT图像进行重构,例如金属干扰去除(Metal Artefact Reduction)、动作干扰去除(Motion Artefact Reduction)。然而现有技术还是无法很好解决多种干扰叠加时的去除问题,更无法进行信息缺失情况下的CT图像还原。
发明内容
有鉴于此,本发明提供一种CT图像重构方法,包括:
获取CT图像序列,其中包括按照空间顺序排列的多个CT图像;
利用对多视角模型对所述CT图像序列进行处理,所述多视角模型包括分割模块、多个机器学习模型和融合模块,其中所述分割模块用于针对所述CT图像序列中的不同组织进行分割,得到多种组织CT图像序列,所述多个机器学习模型分别根据各种所述组织CT图像序列得到相应的重构组织CT图像,所述融合模块用于融合各个所述重构组织CT图像得到重构结果。
可选地,在利用对多视角模型对所述CT图像序列进行处理之前,包括:
利用机器学习模型根据所述CT图像序列得到空间顺序在后的重构CT图像;
所述多视角模型的分割模块利用所述重构CT图像针对所述CT图像序列中的不同组织进行分割,得到多种组织CT图像序列。
本发明还提供一种CT图像重构模型训练方法,包括:
获取多个训练数据,所述训练数据包括按照空间顺序排列的多个CT图像组成的CT图像序列,以及标签CT图像;
利用所述多个训练数据对多视角模型进行训练,所述多视角模型包括分割模块、多个机器学习模型和融合模块,其中所述分割模块用于针对所述CT图像序列中的不同组织进行分割,得到多种组织CT图像序列,所述多个机器学习模型分别根据各种所述组织CT图像序列得到相应的重构组织CT图像,所述融合模块用于融合各个所述重构组织CT图像得到重构结果,通过比对所述重构结果与所述标签CT图像的差异优化模型参数。
可选地,在利用所述多个训练数据对多视角模型进行训练之前,还包括:
利用机器学习模型对所述多个训练数据进行处理,根据各个所述CT图像序列得到相应的空间顺序在后的重构CT图像;
所述多视角模型的分割模块利用所述重构CT图像针对所述CT图像序列中的不同组织进行分割,得到多种组织CT图像序列。
可选地,所述多视角模型的分割模块针对所述重构CT图像中的不同组织进行分割,得到多种组织掩码;分别利用所述多种组织掩码对所述CT图像序列进行分割,得到多个组织CT图像序列。
可选地,所述多视角模型的分割模块采用KNN算法,使得各个分割区域具有不同的像素值范围及其变化程度和分布状态。
可选地,所述多视角模型还包括归一化模块,用于分别确定各种所述组织CT图像序列中的极值图像;分别利用所述极值图像对相应的所述组织CT图像序列进行归一化处理。
可选地,所述多视角模型包括多种不同结构的机器学习模型,各种组织CT图像序列相应地作为各种不同结构机器学习模型的输入数据。
可选地,多种不同结构的机器学习模型包括DenseNet模型和U-Net模型,其中DenseNet模型用于处理像素值变化较小、分布较均匀的组织CT图像序列,U-Net模型用于处理像素值变化较大、分布较稀疏的组织CT图像序列。
可选地,所述不同组织包括血管和身体,所述多种组织CT图像序列包括血管CT图像序列和身体CT图像序列。
相应地,本发明提供一种CT图像重构设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述CT图像重构方法。
相应地,本发明提供一种CT图像重构模型训练设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述CT图像重构模型训练方法。
本发明提供的CT图像重构方法、模型训练方法及设备可以针对由任何原因造成的异常CT图像进行重构,首先对未受干扰的CT图像序列进行分割,提取CT图像中的各种组织区域;然后利用多视角模型分别提取不同区域中的信息,通过多个模型分别生成关于各个区域单独的预测结果,可以使各个预测结果更加接近真实数据,进而使拼接得到的整体重构结果更准确。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中的一种多视角模型示意图;
图2为本发明实施例中的一种优选的多视角模型示意图;、
图3为本发明实施例中的实验数据示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种CT图像重构方法,由计算机或服务器等电子设备执行,利用机器学习模型根据正常CT图像重构异常CT图像。本申请所述机器学习模型可以是各种结构的神经网络模型,所述正常CT图像是指能够被计算机读取和显示的CT图像,异常CT图像是无法读取或显示的图像。造成CT图像异常的原因有多种,本发明方案可以针对由任何原因造成的异常图像进行重构。
本实施例采用的是多视角学习模型,多视角学习是一种利用一张图片像素值的不同取值范围提高模型学习效果的方法。传统的神经网络学习效果会取决于图片中像素值大且变化较小、分布较为均匀的部分,因而模型会在训练中忽视某些像素值变化较大或分布较为稀疏的部分,而多视角学习会利用‘视角’,即像素值的取值范围这一特殊特征,对图片进行一些特殊的预处理,使某些像素值变化较大或分布较为稀疏的部分凸显出来,而后再利用多个模型提取信息并进行重构,最终提高模型的学习效果。
具体地,首先获取按照空间顺序排列的多个CT图像组成的CT图像序列。假设有n张CT图像,其中第1…n-1张CT图像是正常图像,第n张CT图像是异常图像,本发明方案的目的是利用这些正常的图像来重构异常的图像,在应用本方案时应当获取由这1…n-1张CT图像组成的CT图像序列。
利用多视角模型对CT图像序列进行处理,如图1所示,本实施例的多视角模型包括分割模块21、多个机器学习模型22和融合模块23。其中分割模块21用于针对CT图像序列11中的不同组织进行分割,得到多种组织CT图像序列。本实施例处理的是胸部CT图像,所谓不同组织分为血管和身体这两部分,分割模块21针对CT图像序列11中的血管和身体进行分割,可得到血管CT图像序列111和身体CT图像序列112,即多种组织CT图像序列。
需要说明的是,本发明方案不限于对胸部CT图像进行重构,对各种部位的CT图像进行重构都是可行的,分割的对象可根据部位的特点和实际需求来确定,比如可以将骨骼作为分割对象、将病变组织作为分割对象等等。
机器学习模型22可以是各种结构的神经网络模型,多个机器学习模型22分别根据各种组织CT图像序列得到相应的重构组织CT图像。本实施例设置两个机器学习模型22,其中一个模型根据血管CT图像序列111得到相应的重构血管CT图像221;另一个模型根据身体CT图像序列112得到相应的重构身体CT图像222。在其它实施例中,如果有更多种组织,应当设置相应数量的机器学习模型22。
融合模块23用于融合各个重构组织CT图像得到重构结果,在本实施例中是将重构血管CT图像221和重构身体CT图像222相加得到重构CT图像231。
根据本发明实施例提供的CT图像重构方法,首先对未受干扰的CT图像序列进行分割,提取CT图像中的各种组织区域;然后利用多视角模型分别提取不同区域中的信息,通过多个模型分别生成关于各个区域单独的预测结果,可以使各个预测结果更加接近真实数据,进而使拼接得到的整体重构结果更准确。
分割模块21有多种可选的分割方案,作为优选的实施例,另外设置一个机器学习模型,对CT图像序列进行识别,得到相应的空间顺序在后的重构CT图像,分割模块21利用该重构CT图像对CT图像序列中的不同组织进行分割,得到多种组织CT图像序列。
为了与多视角模型中的机器学习模型22进行区分,在此将另外设置的模型称之为基线模型。如图2所示,CT图像序列先进入基线模型20,此模型具体可以是CNN自编码器模型,可采用常规的训练方案预先对基线模型进行训练,以使其利用CT图像序列11预测空间顺序在后的CT图像。为了与最终的重构结果进行区分,在此称其输出结果为基线预测CT图像110。虽然基线模型20对异常CT图像的还原度较高,但依然存在某些区域细节还原较少,颜色还原失真的情况,因此基线预测CT图像110作为初步重构结果,而不是本发明方案的最终重构结果。
基于基线模型20的初步重构结果对CT图像序列中的组织进行分割,通过基线模型输出的数据统一分割标准,由此可以提高处理效率和准确性。
进一步地,分割模块21首先针对基线预测CT图像110(重构CT图像)中的不同组织进行分割,得到多种组织掩码。在具体实施例中,分割模块21针对基线预测CT图像110中的血管和身体进行分割,可得到血管掩码211和身体掩码212,即多种组织掩码。
然后分别利用多种组织掩码对CT图像序列进行分割,得到多个组织CT图像序列。具体地,将血管掩码211与CT图像序列11相乘可得到血管CT图像序列111、将身体掩码212与CT图像序列11相乘可得到身体CT图像序列112。
本实施例的分割模块21采用KNN(k-NearestNeighbor,K最近邻)算法对基线预测CT图像110中的不同组织进行分割,将图像中像素值大、变化较小、分布较为均匀的区域与像素值变化较大、分布较为稀疏的区域进行分离,使得各个分割区域具有不同的像素值范围及其变化程度和分布状态,所得到的组织掩码更加准确。
为了使机器学习模型22的输出结果更准确,可在多视角模型中设置归一化模块,用于分别确定各种组织CT图像序列中的极值图像,并分别利用极值图像对相应的组织CT图像序列进行归一化处理。在具体的实施例中,取血管CT图像序列111中像素的最大值、最小值,对其中的各个血管CT图像进行归一化处理;取身体CT图像序列112中像素的最大值、最小值,对其中的各个身体CT图像进行归一化处理,将归一化处理结果作为机器学习模型22的输入数据。
根据各种组织的像素值及其分布和变化的特点,多视角模型可包括多种不同结构的机器学习模型22,各种组织CT图像序列相应地作为各种不同结构机器学习模型的输入数据。多种不同结构的机器学习模型优选为包括DenseNet模型和U-Net模型,其中DenseNet模型用于处理像素值变化较小、分布较均匀的组织CT图像序列,U-Net模型用于处理像素值变化较大、分布较稀疏的组织CT图像序列。
在具体的实施例中,如图2所示,多视角模型的U-Net模型22A用于根据血管CT图像序列111输出重构血管CT图像221;DenseNet模型22B用于根据身体CT图像序列112输出重构身体CT图像222。
本发明还提供一种CT图像重构模型训练方法,由计算机或服务器等电子设备执行,利用训练数据对上述实施例中的多视角模型进行训练,模型结构及其中各个模块对CT图像的处理方式可参照上述实施例,此处不再赘述。
本实施例所使用的训练数据包括按照空间顺序排列的多个CT图像组成的CT图像序列,以及标签CT图像。标签CT图像是真实数据,实际上是CT图像序列在空间上的后一张CT图像,比如共有按照空间顺序堆叠的n张CT图像,可以将第n张CT图像作为标签,将第1…n-1张CT图像作为所述CT图像序列。
训练多视角模型的目标是使重构CT图像(最终输出的重构结果)与标签CT图像尽可能一致,因此在训练过程中,可通过比对重构结果与相应的标签CT图像的差异优化模型参数,主要是优化机器学习模型22的参数。实际应用时,可通过设置能够体现上述差异的损失函数来优化模型参数。
如果采用基于基线模型的分割方案,可以预先使用训练数据对基线模型进行训练,使其具备一定的重构性能后,然后再训练多视角模型。
图3示出了一些实验数据,其中第一列是基线模型根据CT图像序列输出的初步重构结果(Baseline),也当于是利用常规的机器学习算法得到的重构结果;第二列是根据本发明方案得到的重构结果(Refined),即多视角模型输出的结果;第三列是与输入模型的CT图像序列对应的标签CT图像(Ground Truth),也即真实数据。通过比对这三列图像可以看出,根据本发明方案得到的重构结果更接近于真实数据,对细节和颜色的还原度更高。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种CT图像重构方法,其特征在于,包括:
获取CT图像序列,其中包括按照空间顺序排列的多个CT图像;
利用对多视角模型对所述CT图像序列进行处理,所述多视角模型包括分割模块、多个机器学习模型和融合模块,其中所述分割模块用于针对所述CT图像序列中的不同组织进行分割,得到多种组织CT图像序列,所述多个机器学习模型分别根据各种所述组织CT图像序列得到相应的重构组织CT图像,所述融合模块用于融合各个所述重构组织CT图像得到重构结果;以及
其中在利用对多视角模型对所述CT图像序列进行处理之前,包括:
利用机器学习模型根据所述CT图像序列得到空间顺序在后的重构CT图像;
所述多视角模型的分割模块针对所述重构CT图像中的不同组织进行分割,得到多种组织掩码;分别利用所述多种组织掩码对所述CT图像序列进行分割,得到多个组织CT图像序列。
2.一种CT图像重构模型训练方法,其特征在于,包括:
获取多个训练数据,所述训练数据包括按照空间顺序排列的多个CT图像组成的CT图像序列,以及标签CT图像;
利用所述多个训练数据对多视角模型进行训练,所述多视角模型包括分割模块、多个机器学习模型和融合模块,其中所述分割模块用于针对所述CT图像序列中的不同组织进行分割,得到多种组织CT图像序列,所述多个机器学习模型分别根据各种所述组织CT图像序列得到相应的重构组织CT图像,所述融合模块用于融合各个所述重构组织CT图像得到重构结果,通过比对所述重构结果与所述标签CT图像的差异优化模型参数;
其中在利用所述多个训练数据对多视角模型进行训练之前,还包括:
利用机器学习模型对所述多个训练数据进行处理,根据各个所述CT图像序列得到相应的空间顺序在后的重构CT图像;
所述多视角模型的分割模块针对所述重构CT图像中的不同组织进行分割,得到多种组织掩码;分别利用所述多种组织掩码对所述CT图像序列进行分割,得到多个组织CT图像序列。
3.根据权利要求1或2所述的方法,其特征在于,所述多视角模型的分割模块采用KNN算法,使得各个分割区域具有不同的像素值范围及其变化程度和分布状态。
4.根据权利要求1或2所述的方法,其特征在于,所述多视角模型还包括归一化模块,用于分别确定各种所述组织CT图像序列中的极值图像;分别利用所述极值图像对相应的所述组织CT图像序列进行归一化处理。
5.根据权利要求1或2所述的方法,其特征在于,所述多视角模型包括多种不同结构的机器学习模型,各种组织CT图像序列相应地作为各种不同结构机器学习模型的输入数据。
6.根据权利要求5所述的方法,其特征在于,多种不同结构的机器学习模型包括DenseNet模型和U-Net模型,其中DenseNet模型用于处理像素值变化较小、分布较均匀的组织CT图像序列,U-Net模型用于处理像素值变化较大、分布较稀疏的组织CT图像序列。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述不同组织包括血管和身体,所述多种组织CT图像序列包括血管CT图像序列和身体CT图像序列。
8.一种CT图像重构设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1、3-7中任意一项所述的CT图像重构方法。
9.一种CT图像重构模型训练设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求2-7中任意一项所述的CT图像重构模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010491687.9A CN111626972B (zh) | 2020-06-02 | 2020-06-02 | Ct图像重构方法、模型训练方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010491687.9A CN111626972B (zh) | 2020-06-02 | 2020-06-02 | Ct图像重构方法、模型训练方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626972A CN111626972A (zh) | 2020-09-04 |
CN111626972B true CN111626972B (zh) | 2023-06-02 |
Family
ID=72273086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010491687.9A Active CN111626972B (zh) | 2020-06-02 | 2020-06-02 | Ct图像重构方法、模型训练方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626972B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487572A (zh) * | 2021-07-07 | 2021-10-08 | 中国人民解放军总医院第一医学中心 | 基于同源多窗技术的医学图像深度学习方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035284A (zh) * | 2018-06-28 | 2018-12-18 | 深圳先进技术研究院 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10102451B2 (en) * | 2015-10-13 | 2018-10-16 | Elekta, Inc. | Pseudo-CT generation from MR data using tissue parameter estimation |
US10922816B2 (en) * | 2018-08-27 | 2021-02-16 | Siemens Healthcare Gmbh | Medical image segmentation from raw data using a deep attention neural network |
-
2020
- 2020-06-02 CN CN202010491687.9A patent/CN111626972B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035284A (zh) * | 2018-06-28 | 2018-12-18 | 深圳先进技术研究院 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
彭佳林 ; 揭萍 ; .基于序列间先验约束和多视角信息融合的肝脏CT图像分割.电子与信息学报.2018,(04),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111626972A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190130562A1 (en) | 3D Anisotropic Hybrid Network: Transferring Convolutional Features from 2D Images to 3D Anisotropic Volumes | |
CN109859215B (zh) | 一种基于Unet模型的脑白质高信号自动分割系统及其方法 | |
CN112150428B (zh) | 一种基于深度学习的医学图像分割方法 | |
JP2021190105A (ja) | 欠陥検出方法及び装置 | |
CN107145756A (zh) | 一种脑卒中类型预测方法以及装置 | |
Bass et al. | Icam: Interpretable classification via disentangled representations and feature attribution mapping | |
CN111667459B (zh) | 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质 | |
CN113012155A (zh) | 髋关节图像中骨骼分割方法、电子设备及存储介质 | |
CN112862805B (zh) | 听神经瘤图像自动化分割方法及系统 | |
US11935213B2 (en) | Laparoscopic image smoke removal method based on generative adversarial network | |
JP2022527525A (ja) | 画像データ中の病変部の境界の識別 | |
Zhang et al. | Lesion synthesis to improve intracranial hemorrhage detection and classification for CT images | |
CN115546570A (zh) | 一种基于三维深度网络的血管图像分割方法及系统 | |
WO2023047118A1 (en) | A computer-implemented method of enhancing object detection in a digital image of known underlying structure, and corresponding module, data processing apparatus and computer program | |
Shan et al. | SCA-Net: A spatial and channel attention network for medical image segmentation | |
Li et al. | S 3 egANet: 3D spinal structures segmentation via adversarial nets | |
Yang et al. | Deep hybrid convolutional neural network for segmentation of melanoma skin lesion | |
CN114757908A (zh) | 基于ct影像的图像处理方法、装置、设备及存储介质 | |
Li et al. | Edge-aware regional message passing controller for image forgery localization | |
CN111626972B (zh) | Ct图像重构方法、模型训练方法及设备 | |
CN114677349A (zh) | 编解码端边缘信息增强和注意引导的图像分割方法及系统 | |
Wang et al. | Automatic consecutive context perceived transformer GAN for serial sectioning image blind inpainting | |
CN112750110A (zh) | 基于神经网络对肺部病灶区进行评估的评估系统和相关产品 | |
WO2023207416A1 (zh) | 图像补全方法、装置、设备及存储介质 | |
CN116228731A (zh) | 一种多对比学习冠状动脉高危斑块检测方法、系统及终端 |
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 |