CN111798535A - Ct图像增强显示方法及计算机可读存储介质 - Google Patents
Ct图像增强显示方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111798535A CN111798535A CN202010937588.9A CN202010937588A CN111798535A CN 111798535 A CN111798535 A CN 111798535A CN 202010937588 A CN202010937588 A CN 202010937588A CN 111798535 A CN111798535 A CN 111798535A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- tissue
- enhancement display
- initial image
- 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 25
- 230000008520 organization Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 210000001519 tissue Anatomy 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 20
- 210000000988 bone and bone Anatomy 0.000 claims description 14
- 210000004072 lung Anatomy 0.000 claims description 13
- 210000004872 soft tissue Anatomy 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 210000001015 abdomen Anatomy 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 210000000115 thoracic cavity Anatomy 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 description 21
- 238000003745 diagnosis Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 210000003128 head Anatomy 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001370 mediastinum Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/421—Filtered back projection [FBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种CT图像增强显示方法及计算机可读存储介质，方法包括步骤：扫描得到对应部位的生数据；利用标准卷积核重建得到所述部位的初始图像，对初始图像进行分割得到所述部位对应的不同组织区域的掩膜；建立图像增强显示网络，所述网络的输入为初始图像和不同组织区域的掩膜集，网络的输出为高动态图像，网络采用混合损失函数，包括均方误差损失和总变分损失。本发明通过重建待扫描部位的初始图像，并对初始图像进行分割得到对应的不同组织区域的掩膜集，经处理后输出供医生查看的高动态图像，无需储存多套图像，便能实现在一次扫描中，获得更多的图像细节，得到最适合医生使用的图像数据，降低扫描系统开销。
Description
技术领域
本发明涉及医疗图像技术领域，具体涉及一种针对器官的CT图像增强显示方法及计算机可读存储介质。
背景技术
CT(计算机断层扫描成像系统)利用X射线扫描物体，获得投影数据，并通过断层重建算法来处理这些投影数据，获得物体的断层和三维的密度信息，达到无损检测的目的(图1)。在医学诊断、工业无损检测等领域都有着重要的应用。在医学诊断领域，CT自从1970年问世以来，与磁共振(MRI)、正电子发射计算机断层成像和CT组合系统(PET/CT)一起成为医用三大关键成像系统。相比其他成像手段，CT重建能够快速得到高分辨率的图像，重建结果的对比度精度可以控制在1%以内，能分辨0.5mm的级别的物体。因成像物理过程的复杂性，即使最先进的CT系统也要应对各种图像伪影对最终图像质量的影响。CT能识别人体内2000个不同灰阶的密度差别，而人的眼睛却只能分辨16个灰阶度。因此，人眼在CT图像上能分辨的CT值应为125HU（2000/16）。换句话说，人体内不同组织CT值只有相差125HU以上，才能为人眼所识别。人体软组织CT值多变化在20-50HU之间，人眼就无法识别。
为了能够更加的清晰显示患者的各个部位/组织结构的信息，通常对于一个图像，需要调节窗宽窗位，观察不同的组织结构，来满足医生的对不同组织区域的诊断的需要。比如，对于骨组织通常需要用骨窗（窗宽1500HU，窗位300HU）来调节图像，而对于头部扫描对脑组织灰质白质的诊断，则需要用脑窗（窗宽80HU，窗位40HU）对图像进行调节。这是因为，影响图像质量的因素包括诸多因素，比如图像分辨率，噪声，噪声纹理等等方面。在成像系统给定的情况下，由于物理上的限制，现有的重建技术，不可能所有参数都同时达到最优，这些参数之间会需要相互平衡。
现有的技术，对于窗宽窗位参数的选择：窗位窗宽都是对应整个图像的，所以如果需要得到采用骨骼的窗位窗宽，那么虽然骨骼显示清晰，但是软组织的噪声会显著提高，没法对软组织里面的细节进行观察。因此需要储存好几套图像，如果一次扫描中，包括了头部，腹部，肺部等，那么就需要根据每个部位都调节出一套图像，才能够满足医生的诊断要求。处理时间长，而且占用的磁盘空间，系统的开销会增大多倍。
发明内容
技术目的：针对现有技术中的不足，本发明公开了一种CT图像增强显示方法，属于针对器官的增强技术，能够自适应的增加图像动态范围，以获得更多的图像细节，得到最适合医生使用的图像数据。
技术方案：为实现上述技术目的，本发明采用了如下技术方案：
一种CT图像增强显示方法，其特征在于，包括步骤：
S1、扫描得到对应部位的生数据；
S2、利用标准卷积核重建得到所述部位的初始图像，对初始图像进行分割得到所述部位对应的不同组织区域的掩膜；
S3、建立图像增强显示网络，所述网络的输入为初始图像和不同组织区域的掩膜集，网络
的输出为高动态图像，网络采用混合损失函数
，包括均方误差损失
和总变分损失
，
公式如下：
其中，
、
为超参数，A为图像中组织区域的个数，n表示像素，
表示组织区域的类型，
是图像中
类组织区域像素的总数，
是
类组织区域的权重，
是
类组织区域的
掩膜，
为预测图中像素n的值，
为真实图中像素n的值，
为预测图中任意位置的
点，
为
横向下一个像素，
为
纵向下一个像素；
S4、将步骤S2得到的初始图像及组织区域的掩膜集，输入到步骤S3构建的图像增强显示网络中，输出经增强显示处理后的高动态图像。
优选地，所述步骤S3包括：
S3.1、数据集准备：收集30例以上不同部位的投影数据，利用标准卷积核重建得到各部位的初始图像，对初始图像进行分割得到对应各部位的不同组织区域的掩膜集，训练生成各部位的标签样本；
S3.2、神经网络设计：构建U-Net的神经网络作为图像增强显示网络，从标签样本中选择作为训练集和测试集的数据；
S3.3、网络训练：将训练集和测试集数据输入到图像增强显示络网络中，网络使用Adam优化器、初始学习率为0.001进行训练，训练过程中，使用仿射变换和弹性变换进行数据增广，最后训练完成得到图像增强显示网络的网络参数。
优选地，所述步骤S3.1中，各部位的标签样本的生成步骤为：
a)、选择一例待扫描部位的投影数据，对初始图像进行分割，得到不同组织区域的掩膜，对初始图像调节窗宽和窗位，得到各组织区域的窗图像；
b)、生成标签样本，使得标签样本中各组织区域的数据，与窗图像的差异位于预设范围内。
优选地，所述待扫描部位包括头部、胸腔部和腹部，所述胸腔部对应的不同的组织区域包括骨头、软组织和肺部。
一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有至少一个可被处理器执行的指令，其中至少一个指令被处理器执行时，用于执行所述CT图像增强显示方法。
有益效果：由于采用了上述技术方案，本发明具有如下技术效果：
本发明通过生成一个针对器官的增强技术，构建U-Net的神经网络作为图像增强显示网络，网络的输入为初始图像和不同组织区域的掩膜集，网络的输出为高动态图像，针对某个器官部位，无需储存多套图像，便能实现在一次扫描中，包括多个组织区域的扫描图像信息，输出供医生查看的高动态图像，获得更多的图像细节，满足医生的诊断要求。
附图说明
图1为针对器官的CT图像增强显示方法；
图2为本发明中采用U-Net网络结构作为显示网络的结构示意图；
图3为胸腔部位的窗图像，其中图像依次从左至右分别为肺窗、纵隔窗、骨窗；
图4为采用本发明方法得到的图像增强显示结果；
图5为常用CT窗位、窗宽的参数的表格。
具体实施方式
如图1至图4所示，本发明公开了一种图像增强显示的方法，包括步骤：
1、扫描得到对应部位的生数据。
2、利用标准卷积核重建得到初始图像，根据初始图像分割得到不同的组织区域，比如头部，骨骼，腹部，肺等。
3、根据步骤2得到的初始图像，然后根据mask通过神经网络，针对不同的组织区域生成对应区域最优的图像。
图5所示表1所示为常用CT窗位、窗宽的参数。
本发明中，步骤3中的神经网络可以通过如下方法训练。
3.1、数据集准备：收集m例不同扫描部位的投影数据，利用标准卷积核重建得到初
始图像，根据初始图像分割得到不同的组织区域，比如头部，骨骼，腹部，肺等等，并生成对
应窗宽窗位的图像，
，训练的标签样本生成方式如下，这里以胸腔为例：
a)某例胸腔数据，对初始图像进行分割，得到骨头、软组织和肺部的掩膜，对初始图像调节窗宽窗位，得到骨窗、纵隔窗和肺窗图像（像素值的范围均是0-1）。
b)生成标签样本，使得标签样本骨头的像素值与骨窗的骨头相同，软组织的像素值与纵隔窗的软组织相同，肺部的像素值与肺窗的肺部相同，生成的标签样本即高动态范围图像。
S3.2、神经网络设计：构建U-Net的神经网络作为图像增强显示网络，输入是一个图像序列，经过下采样的编码，得到一串比原先图像更小的特征，相当于压缩，然后再经过一个解码，得到目标图像。
高动态范围图像（HDR），相比普通的图像，可以提供更多的动态范围和图像细节，在图像领域，动态范围是指图像能捕捉到的场景中的光亮度的范围，根据不同的曝光时间的LDR（低动态范围图像），并利用每个曝光时间相对应最佳细节的LDR图像来合成最终HDR图像。本发明利用不同窗位窗宽对应最佳细节的LDR图像生成最终的HDR图像，如骨窗对应骨头细节视觉最佳，纵隔窗对应软组织细节视觉最佳，肺窗对应肺部细节视觉最佳。
图像增强显示网络的输入有两个，第一个输入为初始图像，第二个输入为不同组织区域的掩膜集，即添加注意力机制，输出为高动态范围图像；该网络采用混合损失函数，包括均方误差损失和总变分损失；均方误差损失评价真实值和预测值的变化程度，均方误差损失越小，说明预测模型描述实验数据具有更好的精确度；由于在生成标签样本时，各组织区域交界处存在噪声，需要在最优化问题的模型中添加一些正则项来保持图像的光滑性，总变分损失是一种正则项，图像中相邻像素值的差异可以通过降低总变分损失来一定程度上解决。
总变分损失表示为：
其中，
为预测图中像素n的值，
为真实图中像素n的值，A为图像中组织区域的个
数，
为某类组织区域（骨头、软组织或肺部），
是图像中
类组织区域像素的总数，
是
类组织区域的权重，
是
类组织区域的掩膜，0或1，为预测图中任意位置的点，
为
横向下一个像素，
为
纵向下一个像素，
、
为超参数，
=1，
=1；
S3.3、网络训练：将训练集和测试集数据输入到网络中，网络使用Adam优化器、初始学习率为0.001进行训练，训练过程中，使用仿射变换和弹性变换进行数据增广，最后训练完成得到图像增强显示网络的网络参数；
S3.4、图像增强显示：从数据集中选取某个扫描部位重建出的初始图像以及组织区域的mask，输入到图像增强显示网络中，得到高动态图像。如图3和图4所示，本发明输出供医生查看的高动态图像中，包括更多的图像细节，能够更好地满足医生的诊断要求。
本发明的步骤2中，以解析重建FBP方法为例。重建包含滤波和反投影等相关步骤。卷积核是滤波过程所用到的和函数。常见的滤波器有R-S滤波函数和S-L滤波函数。R-L滤波函数滤波计算简单，避免了大量的正弦、余弦计算，得到的采样序列分是分段现行的，不会明显地降低图像质量，所以重建图像轮廓清楚，空间分辨率高。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种CT图像增强显示方法，其特征在于，包括步骤：
S1、扫描得到对应部位的生数据；
S2、利用标准卷积核重建得到所述部位的初始图像，对初始图像进行分割得到所述部位对应的不同组织区域的掩膜；
S3、建立图像增强显示网络，所述网络的输入为初始图像和不同组织区域的掩膜集，网
络的输出为高动态图像，网络采用混合损失函数
，包括均方误差损失
和总变分损失
，公式如下：
其中，
、
为超参数，A为图像中组织区域的个数，n表示像素，
表示组织区域的类型，
是图像中
类组织区域像素的总数，
是
类组织区域的权重，
是
类组织区域的
掩膜，
为预测图中像素n的值，
为真实图中像素n的值，
为预测图中任意位置的
点，
为
横向下一个像素，
为
纵向下一个像素；
S4、将步骤S2得到的初始图像及组织区域的掩膜集，输入到步骤S3构建的图像增强显示网络中，输出经增强显示处理后的高动态图像。
2.根据权利要求1所述一种CT图像增强显示方法，其特征在于，所述步骤S3包括：
S3.1、数据集准备：收集30例以上不同部位的投影数据，利用标准卷积核重建得到各部位的初始图像，对初始图像进行分割得到对应各部位的不同组织区域的掩膜集，训练生成各部位的标签样本；
S3.2、神经网络设计：构建U-Net的神经网络作为图像增强显示网络，从标签样本中选择作为训练集和测试集的数据；
S3.3、网络训练：将训练集和测试集数据输入到图像增强显示络网络中，网络使用Adam优化器、初始学习率为0.001进行训练，训练过程中，使用仿射变换和弹性变换进行数据增广，最后训练完成得到图像增强显示网络的网络参数。
3.根据权利要求2所述一种CT图像增强显示方法，其特征在于，所述步骤S3.1中，各部位的标签样本的生成步骤为：
a)、选择一例待扫描部位的投影数据，对初始图像进行分割，得到不同组织区域的掩膜，对初始图像调节窗宽和窗位，得到各组织区域的窗图像；
b)、生成标签样本，使得标签样本中各组织区域的数据，与窗图像的差异位于预设范围内。
4.根据权利要求1所述一种CT图像增强显示方法，其特征在于，所述待扫描部位包括头部、胸腔部和腹部，所述胸腔部对应的不同的组织区域包括骨头、软组织和肺部。
5.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有至少一个可被处理器执行的指令，其中至少一个指令被处理器执行时，用于执行如权利要求1至4中任一所述CT图像增强显示方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010937588.9A CN111798535B (zh) | 2020-09-09 | 2020-09-09 | Ct图像增强显示方法及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010937588.9A CN111798535B (zh) | 2020-09-09 | 2020-09-09 | Ct图像增强显示方法及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111798535A true CN111798535A (zh) | 2020-10-20 |
| CN111798535B CN111798535B (zh) | 2020-12-01 |
Family
ID=72834181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010937588.9A Active CN111798535B (zh) | 2020-09-09 | 2020-09-09 | Ct图像增强显示方法及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111798535B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113288188A (zh) * | 2021-05-17 | 2021-08-24 | 天津大学 | 基于分组注意力残差网络的锥束x射线发光断层成像方法 |
| CN113408575A (zh) * | 2021-05-12 | 2021-09-17 | 桂林电子科技大学 | 一种基于判别性区域定位的图像数据增广方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934829A (zh) * | 2019-03-13 | 2019-06-25 | 安徽紫薇帝星数字科技有限公司 | 一种基于三维图割算法的肝脏分割方法 |
| CN110428488A (zh) * | 2019-07-09 | 2019-11-08 | 浙江工贸职业技术学院 | 一种基于计算机辅助肝脏ct诊断系统及方法 |
| CN111401398A (zh) * | 2018-12-27 | 2020-07-10 | 通用电气公司 | 用于根据人工智能检测输出确定疾病进展的系统和方法 |
| WO2020159873A1 (en) * | 2019-02-01 | 2020-08-06 | Essen Instruments, Inc. D/B/A Essen Bioscience, Inc. | Label-free cell segmentation using phase contrast and brightfieid imaging |
| CN111539956A (zh) * | 2020-07-07 | 2020-08-14 | 南京安科医疗科技有限公司 | 基于脑部辅助图像的脑出血自动检测方法及电子介质 |
-
2020
- 2020-09-09 CN CN202010937588.9A patent/CN111798535B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401398A (zh) * | 2018-12-27 | 2020-07-10 | 通用电气公司 | 用于根据人工智能检测输出确定疾病进展的系统和方法 |
| WO2020159873A1 (en) * | 2019-02-01 | 2020-08-06 | Essen Instruments, Inc. D/B/A Essen Bioscience, Inc. | Label-free cell segmentation using phase contrast and brightfieid imaging |
| CN109934829A (zh) * | 2019-03-13 | 2019-06-25 | 安徽紫薇帝星数字科技有限公司 | 一种基于三维图割算法的肝脏分割方法 |
| CN110428488A (zh) * | 2019-07-09 | 2019-11-08 | 浙江工贸职业技术学院 | 一种基于计算机辅助肝脏ct诊断系统及方法 |
| CN111539956A (zh) * | 2020-07-07 | 2020-08-14 | 南京安科医疗科技有限公司 | 基于脑部辅助图像的脑出血自动检测方法及电子介质 |
Non-Patent Citations (2)
| Title |
|---|
| JIANNING CHI等: "《Single Low-Dose CT Image Denoising Using a Generative Adversarial Network With Modified U-Net Generator and Multi-Level Discriminator》", 《IEEE ACCESS》 * |
| 王博: "《低剂量肺部CT的图像增强及其辅助诊断应用研究》", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408575A (zh) * | 2021-05-12 | 2021-09-17 | 桂林电子科技大学 | 一种基于判别性区域定位的图像数据增广方法 |
| CN113408575B (zh) * | 2021-05-12 | 2022-08-19 | 桂林电子科技大学 | 一种基于判别性区域定位的图像数据增广方法 |
| CN113288188A (zh) * | 2021-05-17 | 2021-08-24 | 天津大学 | 基于分组注意力残差网络的锥束x射线发光断层成像方法 |
| CN113288188B (zh) * | 2021-05-17 | 2023-10-10 | 天津大学 | 基于分组注意力残差网络的锥束x射线发光断层成像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111798535B (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| You et al. | CT super-resolution GAN constrained by the identical, residual, and cycle learning ensemble (GAN-CIRCLE) | |
| He et al. | Optimizing a parameterized plug-and-play ADMM for iterative low-dose CT reconstruction | |
| Wolterink et al. | Generative adversarial networks for noise reduction in low-dose CT | |
| US11126914B2 (en) | Image generation using machine learning | |
| CN108961237B (zh) | 一种基于卷积神经网络的低剂量ct图像分解方法 | |
| EP3444777A1 (en) | Automatic change detection in medical images | |
| US11176642B2 (en) | System and method for processing data acquired utilizing multi-energy computed tomography imaging | |
| US7978886B2 (en) | System and method for anatomy based reconstruction | |
| US10867375B2 (en) | Forecasting images for image processing | |
| CN111815735B (zh) | 一种人体组织自适应的ct重建方法及重建系统 | |
| Ko et al. | Rigid and non-rigid motion artifact reduction in X-ray CT using attention module | |
| Gajera et al. | CT-scan denoising using a charbonnier loss generative adversarial network | |
| CN111798535B (zh) | Ct图像增强显示方法及计算机可读存储介质 | |
| Staring et al. | Nonrigid registration with tissue-dependent filtering of the deformation field | |
| CN114037803B (zh) | 医学图像三维重建方法及系统 | |
| JP2024507767A (ja) | コントラスト補正機械学習システムのための訓練データ合成器 | |
| Chan et al. | An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction | |
| Choi et al. | Self-supervised inter-and intra-slice correlation learning for low-dose CT image restoration without ground truth | |
| Kim et al. | Wavelet subband-specific learning for low-dose computed tomography denoising | |
| Poonkodi et al. | 3D-MedTranCSGAN: 3D medical image transformation using CSGAN | |
| Mangalagiri et al. | Toward generating synthetic CT volumes using a 3D-conditional generative adversarial network | |
| CN115049752A (zh) | 一种基于三维卷积神经网络的pet呼吸运动图像伪影配准校正方法 | |
| You et al. | CT Super-resolution GAN Constrained by the Identical, Residual, and Cycle Learning Ensemble | |
| Rashed et al. | Intensity-based Bayesian framework for image reconstruction from sparse projection data | |
| CN116977471B (zh) | 一种生成合成计算机断层扫描图像的方法和设备 |
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 |