CN111815692A - 无伪影数据及有伪影数据的生成方法、系统及存储介质 - Google Patents

无伪影数据及有伪影数据的生成方法、系统及存储介质 Download PDF

Info

Publication number
CN111815692A
CN111815692A CN202010682725.9A CN202010682725A CN111815692A CN 111815692 A CN111815692 A CN 111815692A CN 202010682725 A CN202010682725 A CN 202010682725A CN 111815692 A CN111815692 A CN 111815692A
Authority
CN
China
Prior art keywords
artifact
data
data set
free
network model
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
Application number
CN202010682725.9A
Other languages
English (en)
Other versions
CN111815692B (zh
Inventor
王澈
李雪
张宾
来关军
孙箫宇
于丹
苏康
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.)
Dalian Neusoft Education Technology Group Co ltd
Original Assignee
Dalian Neusoft Education Technology Group 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 Dalian Neusoft Education Technology Group Co ltd filed Critical Dalian Neusoft Education Technology Group Co ltd
Priority to CN202010682725.9A priority Critical patent/CN111815692B/zh
Publication of CN111815692A publication Critical patent/CN111815692A/zh
Application granted granted Critical
Publication of CN111815692B publication Critical patent/CN111815692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • 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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供无伪影及有伪影数据的生成方法、系统及存储介质，该方法基于生成对抗网络模型对真实无伪影数据进行小样本扩充，得到海量无伪影数据；基于伪影生成方法和真实无伪影数据生成有伪影仿真数据，然后基于生成的有伪影仿真数据以及真实有伪影数据，使用生成对抗网络模型生成海量有伪影数据。该方法解决了医学CT无伪影及有伪影样本获取困难，数据量少多样性低，涉及大量隐私数据以及标注成本高的问题，无伪影及有伪影数据的生成有助于深度学习进行伪影识别。

Description

无伪影数据及有伪影数据的生成方法、系统及存储介质
技术领域
本发明涉及图像处理技术领域，具体而言，尤其涉及无伪影数据及有伪影数据的生成方法、系统及存储介质。
背景技术
电子计算机断层扫描技术，即CT由于其具有扫描时间快，图像清晰等优点，被广泛应用于人体多种疾病的检测。但由于CT成像过程较为复杂，当扫描对象有轻微的移动或其他因素影响时，CT成像过程中不可避免的会出现很多运动伪影，伪影会导致图像质量变差，造成医生的误诊、漏诊或者无法判断，因此，自动检测并减少运动伪影对提升医学图像的质量以及辅助医生诊断都具有十分重要的意义。
人工智能能够有效的进行伪影自动检测与去除，在伪影自动检测的人工智能模型训练中，需要大量的正常与有伪影的CT数据进行对照实验，而往往在实际的采集过程中能够获得到的数据较少。一方面，在实际的图像采集过程中，具有运动伪影的图像相对较少。其次，人工进行标注，标注成本较高。另一方面，大量的医学图像获取会严重侵犯患者的隐私权。
因此，如何获得大量的无伪影数据样本以及有伪影数据样本成为了亟需解决的技术问题。
发明内容
针对CT无伪影数据与有伪影数据小样本以及多样性的问题，本申请提供了无伪影数据及有伪影数据生成的实现方法、系统及存储介质，以实现对CT无伪影数据与伪影数据进行小样本扩充，进而基于扩充后的数据进行伪影识别模型训练，达到自动伪影识别的目的。
本申请采用的技术手段如下：
本申请提供了一种无伪影数据及有伪影数据的生成方法，所述方法包括：
获取包括真实无伪影数据的第一数据集；
基于所述第一数据集和预先构建的第一生成对抗网络模型，生成包括仿真无伪影数据的第二数据集；所述第二数据集的数据数量大于所述第一数据集的数据数量；
获取包括真实有伪影数据的第三数据集；
利用伪影生成算法对所述第一数据集中的真实无伪影数据进行处理，生成与所述真实无伪影数据对应的有伪影数据，将生成的有伪影数据合并至第三数据集；
基于所述第三数据集和预先构建的第二生成对抗网络模型，生成包括仿真有伪影数据的第四数据集，所述第四数据集的数据数量大于所述第三数据集的数据数量。
可选地，所述基于所述第一数据集和预先构建的第一生成对抗网络模型，生成包括仿真无伪影数据的第二数据集，包括：
利用所述第一数据集中的真实无伪影数据对第一生成对抗网络模型进行训练；
将随机噪声输入至训练好的第一生成对抗网络模型中，生成包括仿真无伪影数据的第二数据集；
所述基于所述第三数据集和预先构建的第二生成对抗网络模型，生成包括仿真有伪影数据的第四数据集，包括：
利用所述第三数据集中的有伪影数据对第二生成对抗网络模型进行训练；
将随机噪声输入至训练好的第二生成对抗网络模型中，生成包括仿真有伪影数据的第四数据集。
可选的，利用伪影生成算法对所述第一数据集中的真实无伪影数据进行处理，生成与所述真实无伪影数据对应的有伪影数据合并至第三数据集，包括：
利用伪影生成算法对所述第一数据集中的真实无伪影数据进行处理，生成与所述真实无伪影数据对应的有伪影数据，得到成对的有伪影数据和无伪影数据；
基于像素点差值和滤波操作从所述成对的有伪影数据和无伪影数据中提取明暗伪影条纹，得到包括提取出的明暗伪影条纹的第五数据集；
基于所述第五数据集和预先构建的第三生成对抗网络模型，生成包括仿真明暗伪影条纹的第六数据集；所述第六数据集的数据数量大于所述第五数据集的数据数量；
基于所述第一数据集、所述第六数据集和目标伪影明暗系数，合成有伪影数据，得到包括合成有伪影数据的第七数据集；
基于所述真实有伪影数据以及所述第七数据集，形成第三数据集。
可选地，所述基于所述第五数据集和预先构建的第三生成对抗网络模型，生成包括仿真明暗伪影条纹的第六数据集，包括：
利用所述第五数据集中的明暗伪影条纹对第三生成对抗网络模型进行训练；
将随机噪声输入至训练好的第三生成对抗网络模型中，生成包括仿真明暗伪影条纹的第六数据集。
可选地，所述伪影生成算法包括：滤波反投影重建算法。
可选地，在利用所述第一数据集中的真实无伪影数据对所述第一生成对抗网络模型进行训练之前，还包括：
对所述第一数据集中的真实无伪影数据进行预处理；所述预处理包括：针对所述第一数据集中的真实无伪影数据，选择感兴趣区域的窗宽和窗位；
相应地，所述利用所述第一数据集中的真实无伪影数据对第一生成对抗网络模型进行训练，包括：
利用经过预处理的真实无伪影数据对所述第一生成对抗网络模型进行训练。
可选地，所述第一生成对抗网络模型为渐进式生成对抗网络模型，包括：多分辨率生成器和判别器；
所述第二生成对抗网络模型为渐进式生成对抗网络模型，包括：多分辨率生成器和判别器；
所述第三生成对抗网络模型为渐进式生成对抗网络模型，包括：多分辨率生成器和判别器。
本申请还提供了一种无伪影数据及有伪影数据的生成系统，所述系统包括：无伪影数据海量生成模块和有伪影数据海量生成模块；
所述无伪影数据海量生成模块，用于获取包括真实无伪影数据的第一数据集；基于所述第一数据集和预先构建的第一生成对抗网络模型，生成包括仿真无伪影数据的第二数据集；所述第二数据集的数据数量大于所述第一数据集的数据数量；
所述有伪影数据小批量生成模块，用于利用伪影生成算法对所述第一数据集中的真实无伪影数据进行处理，生成与所述真实无伪影数据对应的有伪影数据，得到成对的有伪影数据和无伪影数据；基于像素点差值和滤波操作从所述成对的有伪影数据和无伪影数据中提取明暗伪影条纹，得到包括提取出的明暗伪影条纹的第五数据集；基于所述第五数据集和预先构建的第三生成对抗网络模型，生成包括仿真明暗伪影条纹的第六数据集；所述第六数据集的数据数量大于所述第五数据集的数据数量；基于所述第一数据集、所述第六数据集和目标伪影明暗系数，合成有伪影数据，得到包括合成有伪影数据的第七数据集；
所述有伪影数据海量生成模块，用于获取包括真实有伪影数据的第三数据集；将所述第七数据集与所述第三数据集合并，基于合并后的数据集和预先构建的第二生成对抗网络模型，生成包括仿真有伪影数据的第四数据集，所述第四数据集的数据数量大于合并后的数据集的数据数量。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有包括计算机程序，其中，所述计算机程序运行时，执行上述无伪影数据及有伪影数据的生成方法。
本发明的有益效果在于解决了医学CT无伪影及有伪影样本获取困难，数据量少、多样性低、涉及大量隐私数据以及标注成本高的问题，无伪影及有伪影数据的生成有助于深度学习进行伪影识别。本发明提供的无伪影及有伪影数据的生成方法，使用生成对抗网络模型生成海量仿真无伪影数据及有伪影数据，保护了隐私，扩充了数据集，增加了数据中特征的多样性，使训练出的分类鲁棒性更强，减少了过拟合的风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例提供的一种无伪影数据及有伪影数据的生成方法的流程图；
图2A为本发明一个实施例提供的一种无伪影数据及有伪影数据的生成方法的流程图；
图2B为本发明一个实施例提供的一种无伪影数据及有伪影数据的生成方法的流程图；
图3A为本发明一个实施例提供的海量无伪影数据生成方法的流程图；
图3B为本发明一个实施例提供的小批量有伪影图像生成方法的流程图；
图3C为本发明一个实施例提供的海量有伪影数据生成方法的流程图；
图4为本发明一个实施例中无伪影真实CT图像与仿真CT图像的对比示意图；
图5为本发明一个实施例中滤波反投影重建算法生成的有伪影成对数据样本示意图；
图6为本发明一个实施例中提取的明暗伪影条纹示意图；
图7为本发明一个实施例不同强度伪影明暗条纹与无伪影样本叠加对比示意图；
图8为本发明一个实施例提供的真实有伪影数据与合成有伪影样本对比示意图；
图9为本发明一个实施例提供的真实有伪影CT图像与生成对抗网络生成的有伪影CT仿真图像的对比示意图；
图10为本发明一个实施例提供的一种无伪影数据及有伪影数据的生成系统的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供一种生成海量有伪影及无伪影数据的方法，将数据提供给人工智能模型作为训练集，提升模型的准确度，帮助人工智能系统实现自动识别以及运动伪影去除，从而提升医学图像的质量，辅助医生进行诊断。
在一个实施例中，如图1所示，其示出了一种无伪影数据及有伪影数据的生成方法，该方法包括以下步骤：
S101、获取包括真实无伪影数据的第一数据集。
真实无伪影数据可以是来自临床的扫描部位的清晰CT图像。
为了降低后续图像处理的复杂度与时间，优选地，获取到第一数据集之后，可以对第一数据集中的真实无伪影数据进行预处理，包括：选择感兴趣区域的窗宽和窗位。
S102、基于第一数据集和预先构建的第一生成对抗网络模型，生成包括仿真无伪影数据的第二数据集；第二数据集的数据数量大于第一数据集的数据数量。
生成对抗网络模型包括：生成器和判别器，经过生成器和判别器不断的对抗训练，能够得到海量的仿真数据。利用该第一生成对抗网络模型生成第二数据集的具体方式可以是，利用第一数据集中的真实无伪影数据对第一生成对抗网络模型进行训练；将随机噪声输入至训练好的第一生成对抗网络模型中，生成包括仿真无伪影数据的第二数据集。
为了获得高分辨率的CT图像，本申请实施例中第一生成对抗网络模型采用渐进式生成对抗网络模型，包括：多分辨率生成器和判别器，在具体实施时，将获取得到的扫描部位的小样本无伪影CT数据集进行多分辨率下采样，送入多分辨率生成对抗网络模型中进行训练，然后，以随机噪声为输入送入训练好的模型中，以输出海量高分辨率CT无伪影仿真样本。
S103、获取包括有伪影数据的第三数据集。
S104、基于第三数据集和预先构建的第二生成对抗网络模型，生成包括仿真有伪影数据的第四数据集，第四数据集的数据数量大于第三数据集的数据数量。
其中，第三数据集中的有伪影数据是真实有伪影数据，也可以是通过多种方式生成的仿真有伪影数据，相应地，第三数据集可以包括真实有伪影数据和/或仿真有伪影数据。相应地，获取包括有伪影数据的第三数据集的具体方式可以是：获取真实有伪影数据；利用伪影生成算法对第一数据集中的真实无伪影数据进行处理，生成与真实无伪影数据对应的有伪影数据；基于真实有伪影数据以及生成的与真实无伪影数据对应的有伪影数据，形成第三数据集。还可以是：获取真实有伪影数据；利用伪影生成算法对第一数据集中的真实无伪影数据进行处理，生成与真实无伪影数据对应的有伪影数据，得到成对的有伪影数据和无伪影数据；基于像素点差值和滤波操作从成对的有伪影数据和无伪影数据中提取明暗伪影条纹，得到包括提取出的明暗伪影条纹的第五数据集；基于第五数据集和预先构建的第三生成对抗网络模型，生成包括仿真明暗伪影条纹的第六数据集；第六数据集的数据数量大于第五数据集的数据数量；基于第一数据集、第六数据集和目标伪影明暗系数，合成有伪影数据，得到包括合成有伪影数据的第七数据集；基于真实有伪影数据以及第七数据集，形成第三数据集。还可以是：利用伪影生成算法对第一数据集中的真实无伪影数据进行处理，生成与真实无伪影数据对应的有伪影数据；基于生成的与真实无伪影数据对应的有伪影数据，形成第三数据集。还可以是：获取真实有伪影数据；基于真实有伪影数据，形成第三数据集。
第二生成对抗网络模型可以与第一生成对抗网络模型是同一模型，也可以是两个模型。
利用该第二生成对抗网络模型生成第四数据集的具体方式可以是：利用第三数据集中的真实有伪影数据对第二生成对抗网络模型进行训练；将随机噪声输入至训练好的第二生成对抗网络模型中，生成包括仿真有伪影数据的第四数据集。
同样地，为了获得高分辨率的CT图像，本申请实施例中第二生成对抗网络模型也采用渐进式生成对抗网络模型，包括：多分辨率生成器和判别器。在具体实施时，将第三数据集，也就是获取得到的扫描部位的小样本有伪影CT数据集进行多分辨率下采样，送入多分辨率生成对抗网络模型中进行训练；然后，输入随机噪声至训练好的模型中以输出海量有伪影仿真数据集，实现样本集的扩充。
本发明实施例提供的无伪影数据及有伪影数据的生成方法，利用生成对抗网络模型生成海量的CT无伪影数据及有伪影数据，解决了医学CT无伪影及有伪影样本获取困难，数据量少多样性低，涉及大量隐私数据以及标注成本高的问题，无伪影及有伪影数据的生成有助于深度学习进行伪影识别。使用生成对抗网络模型生成海量CT图像，保护了隐私，扩充了数据集，增加了数据中特征的多样性，使训练出的分类鲁棒性更强，减少过拟合的风险。
由于伪影信息的特征较为复杂且伪影样式多种多样，小样本的真实有伪影数据集无法覆盖各种伪影样式，生成的仿真有伪影数据在数量上以及多样性上有限。为了生成海量的、多样性强的有伪影数据，在一个实施例中，可以先对仅包括小样本的真实有伪影数据的第三数据集进行扩充，然后将扩充后的数据集输入生成对抗网络。
如图2A、2B所示，其示出了一种无伪影数据及有伪影数据的生成方法，该方法包括以下步骤：
S201、获取包括真实无伪影数据的第一数据集。
S202、基于第一数据集和预先构建的第一生成对抗网络模型，生成包括仿真无伪影数据的第二数据集；第二数据集的数据数量大于第一数据集的数据数量。
步骤S201～S202与上述实施例中的步骤相似，具体可参照上文，此处不再赘述。
S203、获取包括真实有伪影数据的第三数据集。
S204、利用伪影生成算法对第一数据集中的真实无伪影数据进行处理，生成与真实无伪影数据对应的有伪影数据，得到成对的有伪影数据和无伪影数据。
优选地，以滤波反投影重建算法作为伪影生成算法，对小样本无伪影真实数据基于滤波反投影重建算法获得相应的有伪影CT数据集，从而得到成对的有伪影数据与无伪影数据。
S205、将有伪影数据合并至第三数据集，基于合并后的数据集和预先构建的第二生成对抗网络模型，生成包括仿真有伪影数据的第四数据集；第四数据集的数据数量大于合并后的数据集的数据数量。
本申请实施例中将基于滤波反投影重建算法获得的与真实有伪影数据相应的仿真有伪影数据合并至仅包括真实有伪影数据的第三数据集中，再利用第二生成对抗网络模型进行生成，能够生成海量的与无伪影数据对应的仿真有伪影数据。
其中，将有伪影数据合并至第三数据集，可以是直接将步骤204中生成的与真实无伪影数据对应的有伪影数据合并至第三数据集。
还可以是基于步骤204中生成的有伪影数据，对伪影特征进行扩充，基于扩充后的伪影特征得到多样性强的小批量仿真伪影数据，然后将该小批量仿真伪影数据合并至第三数据集。如，在一种可能的实施方式中，步骤S205可以按照如下方式进行：
S251、基于像素点差值和滤波操作从成对的有伪影数据和无伪影数据中提取明暗伪影条纹，得到包括提取出的明暗伪影条纹的第五数据集。
S252、基于第五数据集和预先构建的第三生成对抗网络模型，生成包括仿真明暗伪影条纹的第六数据集；第六数据集的数据数量大于第五数据集的数据数量。
利用该第三生成对抗网络模型生成第六数据集的具体方式可以是，利用第五数据集中的明暗伪影条纹对第三生成对抗网络模型进行训练；将随机噪声输入至训练好的第三生成对抗网络模型中，生成包括仿真明暗伪影条纹的第六数据集。
同样地，为了获得高分辨率的CT图像，本申请实施例中第二生成对抗网络模型也采用渐进式生成对抗网络模型，包括：多分辨率生成器和判别器。在具体实施时，将提取出的明暗伪影条纹进行多分辨率下采样，送入多分辨率生成对抗网络模型中进行训练；然后，输入随机噪声至训练好的模型中以输出大量仿真明暗伪影条件，实现伪影特征的扩充。
S253、基于第一数据集、第四数据集和目标伪影明暗系数，合成有伪影数据，得到包括合成有伪影数据的第七数据集。
S254、将第七数据集与第三数据集合并，基于合并后的数据集和预先构建的第二生成对抗网络模型，生成包括仿真有伪影数据的第四数据集；第四数据集的数据数量大于合并后的数据集的数据数量。
利用该第二生成对抗网络模型生成第四数据集的具体方式可以是，将第七数据集与第三数据集合并，利用合并后的数据集中的有伪影数据对第二生成对抗网络模型进行训练；将随机噪声输入至训练好的第二生成对抗网络模型中，生成包括仿真有伪影数据的第四数据集。
同样地，为了获得高分辨率的CT图像，本申请实施例中第二生成对抗网络模型也采用渐进式生成对抗网络模型，包括：多分辨率生成器和判别器。在具体实施时，将合并后的数据集中的有伪影数据进行多分辨率下采样，送入多分辨率生成对抗网络模型中进行训练；然后，输入随机噪声至训练好的模型中以输出海量有伪影仿真数据集，实现样本集的扩充。
需要说明的是，第一生成对抗网络模型、第二生成对抗网络模型、第三生成对抗网络模型，可以是同一模型，也可以是不同的模型。
本申请实施例中对小样本的真实有伪影数据集进行了扩充，生成对抗网络能够有效的提取到伪影特征并生成大量的有伪影仿真样本数据集。
为了便于理解，下面以一个具体的例子介绍本申请的无伪影数据及有伪影数据的生成方法，该方法包括：
第一部分、如图3A所示，其示出了海量无伪影数据生成方法的流程，包括：
S311、获取真实的小样本无伪影脑CT数据集，并对获取到的数据集中的脑CT图像进行预处理，包括：选择感兴趣区域的窗宽和窗位。
根据所扫描的组织不同，调整HU值可以选定目标组织的观测区间。
需要说明的是，将未进行窗宽和窗位调整的图像直接进行图像生成也是可行的，但选定相应的窗宽和窗位会降低后续图像处理的复杂度与时间。
S312、基于生成对抗网络模型，分别构建多分辨率生成器和判别器的深度神经网络结构，将获取到的小样本无伪影脑CT数据集进行多分辨率下采样，送入多分辨率生成对抗网络模型中进行训练。
S313、以随机噪声为输入送入训练好的模型中以输出海量高分辨率CT无伪影仿真样本。
本实施例选取真实小样本无伪影脑CT图像作为训练集，将训练集中的真实无伪影脑CT图像进行下采样输入多分辨率生成对抗网络结构，通过多分辨率生成器与判别器不断地对抗训练，最终生成大量仿真无伪影脑CT样本。真实无伪影样本与生成的无伪影仿真样本对比结果如图4所示，图4中上图为真实无伪影样本，下图为无伪影仿真样本，可见，经本方法生成的无伪影CT图像质量较高。
第二部分、如图3B所示，其示出了小批量有伪影图像生成方法的流程，包括：
S321、针对获取的小样本无伪影脑CT数据集，应用滤波反投影重建算法构建对应的无伪影数据与有伪影数据。
滤波反投影重建算法，是模拟CT成像过程中扫描对象的运动情况而后进行反投影获取相应的有伪影CT图像。具体地，通过调整扫描对象运动的方向和距离，针对各个无伪影样本，可以生成成对的有无伪影的数据集。
S322、利用上述成对的有无伪影的数据集通过像素值差值与滤波操作进行伪影特征的提取，得到小样本伪影特征数据集。
由于当前生成的有无伪影数据对的组织结构完全一样，只是在真实无伪影样本中仿真出了运动伪影。通过成对数据集的像素对应关系，可以提取出两者差异的伪影信息。提取到的伪影信息根据选取的HU值范围不同会存在差异。如，以全部HU值范围的CT图像作为研究对象，相应提取到的伪影信息会包含一定的组织轮廓。为了去除组织轮廓区域，首先利用灰度值检测条纹的倾斜度范围，并对图像进行像素值遍历，当相邻像素值不满足条纹倾斜度，则认为当前像素为组织区域，以其相邻像素值对该区域进行填补。而后对伪影条纹图像进行滤波去噪，得到伪影条纹样本。
S323、将成对明暗伪影条纹数据送入多分辨率生成器进行训练。
为了能够获得大量伪影条纹特征并增加条纹特征的多样性，将伪影条纹特征输入生成对抗网络生成大量伪影条纹特征。
S324、输入随机噪声至训练好的模型中以输出成对明暗伪影条纹。
S325、通过真实无伪影数据集与伪影特征仿真样本，通过像素操作与伪影明暗系数合成伪影条纹明暗多样性强的有伪影数据集。
其中，伪影明暗系数用于调整有伪影数据中的伪影条纹明暗程度，可以根据实际需求进行设定。
本实施例选取真实无伪影脑CT图像进行反投影变换，如图5所示，生成一一对应的有无伪影的脑CT数据，其中，图5中左图为真实无伪影脑CT图，右图为滤波反投影重建生成的有伪影脑CT图。通过像素值操作与滤波操作进行伪影条纹样本的提取。由于伪影生成过程会对原无伪影图像造成明或暗的变化，相应的伪影条纹样本也是正负值相间的样本，这里将伪影条纹样本分为正值部分和负值部分都转为图像展示，如图6所示，其中图6中左图为灰度翻转后的伪影明条纹，右图为灰度翻转后的伪影暗条纹。而后，将伪影条纹样本输入生成对抗网络进行大量生成。最后，通过伪影条纹、伪影明暗系数与真实无伪影数据合成不同明暗的有伪影数据，如图7。真实有伪影样本与合成的有伪影样本对比结果如图8所示，其中，图8中左图(上下两图)为真实有伪影样本，右图(上下两图)为合成的有伪影样本。可见，经本方法小批量生成的有伪影CT图像质量较高。
第三部分、如图3C所示，其示出了海量有伪影数据生成方法的流程，包括：
S331、获取真实有伪影数据集，并利用上述生成的小批量有伪影仿真数据扩充获取的真实有伪影数据集。
S332、将经小批量扩充的有伪影数据集进行多分辨率下采样，送入多分辨率生成对抗网络模型中进行训练。
S333、输入随机噪声至训练好的模型中以输出海量有伪影仿真数据集，实现有伪影样本集的扩充。
本实施例中，将上述生成的小批量有伪影样本与真实有伪影小样本合并，作为生成对抗网络的输入，将扩充后的数据集输入多分辨率生成对抗网络，生成对抗网络能够有效的提取到伪影特征并生成大量的有伪影仿真样本数据。真实有伪影样本与仿真有伪影样本对比结果如图9所示，其中图9中上图为小样本真实有伪影数据集，下图为有伪影仿真数据集。可见，经本方法，生成对抗网络有效提取到伪影信息并生成了大量仿真有伪影样本，且质量较高。
发明人通过实验的方式证实，经样本小批量扩充之后，生成对抗网络生成的样本质量更高。实验如下：应用推土机距离SWD作为图像质量的评价指标，SWD可以衡量两数据集之间的分布距离，SWD越小说明数据集越相似。
实验一选取未经过样本小批量扩充，共568张真实有伪影图像直接作为生成对抗网络模型的输入，生成有伪影图像仿真样本，选取500，750，1000张仿真样本与真实样本计算SWD。
实验二选取经样本小批量扩充，共5568张有伪影图像作为生成对抗网络模型的输入，生成有伪影图像仿真样本，选取500，750，1000张仿真样本与真实样本计算SWD对比，如表1所示。经过样本小批量扩充之后加入生成对抗网络模型得到的样本的SWD小于未经样本小批量扩充就加入生成对抗网络模型得到的样本的SWD，由此可见，经过样本小批量扩充大大提升了样本生成质量。
表1
数据来源 样本数量/张 SWD(*1e-3)
未经小批量扩充加入GAN 500 12.3464
未经小批量扩充加入GAN 750 13.7294
未经小批量扩充加入GAN 1000 18.6644
小批量扩充后加入GAN 500 7.7970
小批量扩充后加入GAN 700 8.6969
小批量扩充后加入GAN 1000 9.2905
在一个实施例中，如图10所示，其示出了一种CT无伪影数据及有伪影数据的生成系统的结构框图，该系统包括：无伪影数据海量生成模块、有伪影数据小批量生成模块和有伪影图像海量生成模块，其中：
无伪影数据海量生成模块1001，基于小样本数据应用生成对抗网络模型生成海量无伪影图像。该模块输入小样本无伪影真实数据，输出海量无伪影仿真数据。
具体用于：获取包括真实无伪影数据的第一数据集；基于第一数据集和预先构建的第一生成对抗网络模型，生成包括仿真无伪影数据的第二数据集；第二数据集的数据数量大于第一数据集的数据数量。
有伪影数据小批量生成模块1002，基于滤波反投影重建算法及生成对抗网络小批量生成明暗不一、多样性强的CT有伪影仿真样本。该模块输入小样本无伪影真实数据，输出有限有伪影多样性强的有伪影仿真样本。
具体用于：利用伪影生成算法对第一数据集中的真实无伪影数据进行处理，生成与真实无伪影数据对应的有伪影数据，得到成对的有伪影数据和无伪影数据；基于像素点差值和滤波操作从成对的有伪影数据和无伪影数据中提取明暗伪影条纹，得到包括提取出的明暗伪影条纹的第五数据集；基于第五数据集和预先构建的第三生成对抗网络模型，生成包括仿真明暗伪影条纹的第六数据集；第六数据集的数据数量大于第五数据集的数据数量；基于第一数据集、第六数据集和目标伪影明暗系数，合成有伪影数据，得到包括合成有伪影数据的第七数据集。
有伪影图像海量生成模块1003，基于生成对抗网络生成海量有伪影仿真数据集。该模块输入小批量扩充的有伪影仿真数据集，输出海量多样性仿真有伪影数据。
具体用于：获取包括真实有伪影数据的第三数据集；将第七数据集与第三数据集合并，基于合并后的数据集和预先构建的第二生成对抗网络模型，生成包括仿真有伪影数据的第四数据集第四数据集的数据数量大于合并后的数据集的数据数量。
对于本发明实施例的而言，由于其与上面实施例中的相对应，所以描述的比较简单，相关相似之处请参见上面实施例中部分的说明即可，此处不再详述。
本申请实施例还公开了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机指令集，计算机指令集被处理器执行时实现如上文任一实施例所提供的CT无伪影数据及有伪影数据的生成方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种无伪影数据及有伪影数据的生成方法，其特征在于，所述方法包括：
获取包括真实无伪影数据的第一数据集；
基于所述第一数据集和预先构建的第一生成对抗网络模型，生成包括仿真无伪影数据的第二数据集；所述第二数据集的数据数量大于所述第一数据集的数据数量；
获取包括真实有伪影数据的第三数据集；
利用伪影生成算法对所述第一数据集中的真实无伪影数据进行处理，生成与所述真实无伪影数据对应的有伪影数据，将生成的有伪影数据合并至第三数据集；
基于所述第三数据集和预先构建的第二生成对抗网络模型，生成包括仿真有伪影数据的第四数据集，所述第四数据集的数据数量大于所述第三数据集的数据数量。
2.根据权利要求1所述的方法，其特征在于，利用伪影生成算法对所述第一数据集中的真实无伪影数据进行处理，生成与所述真实无伪影数据对应的有伪影数据，将生成的有伪影数据合并至第三数据集，包括：
利用伪影生成算法对所述第一数据集中的真实无伪影数据进行处理，生成与所述真实无伪影数据对应的有伪影数据，得到成对的有伪影数据和无伪影数据；
基于像素点差值和滤波操作从所述成对的有伪影数据和无伪影数据中提取明暗伪影条纹，得到包括提取出的明暗伪影条纹的第五数据集；
基于所述第五数据集和预先构建的第三生成对抗网络模型，生成包括仿真明暗伪影条纹的第六数据集；所述第六数据集的数据数量大于所述第五数据集的数据数量；
基于所述第一数据集、所述第六数据集和目标伪影明暗系数，合成有伪影数据，得到包括合成有伪影数据的第七数据集；
将所述第七数据集合并至第三数据集。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一数据集和预先构建的第一生成对抗网络模型，生成包括仿真无伪影数据的第二数据集，包括：
利用所述第一数据集中的真实无伪影数据对第一生成对抗网络模型进行训练；
将随机噪声输入至训练好的第一生成对抗网络模型中，生成包括仿真无伪影数据的第二数据集；
所述基于所述第三数据集和预先构建的第二生成对抗网络模型，生成包括仿真有伪影数据的第四数据集，包括：
利用所述第三数据集中的有伪影数据对第二生成对抗网络模型进行训练；
将随机噪声输入至训练好的第二生成对抗网络模型中，生成包括仿真有伪影数据的第四数据集。
4.根据权利要求2所述的方法，其特征在于，所述基于所述第五数据集和预先构建的第三生成对抗网络模型，生成包括仿真明暗伪影条纹的第六数据集，包括：
利用所述第五数据集中的明暗伪影条纹对第三生成对抗网络模型进行训练；
将随机噪声输入至训练好的第三生成对抗网络模型中，生成包括仿真明暗伪影条纹的第六数据集。
5.根据权利要求1所述的方法，其特征在于，在利用所述第一数据集中的真实无伪影数据对所述第一生成对抗网络模型进行训练之前，还包括：
对所述第一数据集中的真实无伪影数据进行预处理；所述预处理包括：针对所述第一数据集中的真实无伪影数据，选择感兴趣区域的窗宽和窗位；
相应地，所述利用所述第一数据集中的真实无伪影数据对第一生成对抗网络模型进行训练，包括：
利用经过预处理的真实无伪影数据对所述第一生成对抗网络模型进行训练。
6.根据权利要求1所述的方法，其特征在于，所述第一生成对抗网络模型为渐进式生成对抗网络模型，包括：多分辨率生成器和判别器；
所述第二生成对抗网络模型为渐进式生成对抗网络模型，包括：多分辨率生成器和判别器；
所述第三生成对抗网络模型为渐进式生成对抗网络模型，包括：多分辨率生成器和判别器。
7.根据权利要求1所述的方法，其特征在于，所述伪影生成算法包括：滤波反投影重建算法。
8.一种无伪影数据及有伪影数据的生成系统，其特征在于，所述系统包括：无伪影数据海量生成模块和有伪影数据海量生成模块；
所述无伪影数据海量生成模块，用于获取包括真实无伪影数据的第一数据集；基于所述第一数据集和预先构建的第一生成对抗网络模型，生成包括仿真无伪影数据的第二数据集；所述第二数据集的数据数量大于所述第一数据集的数据数量；
所述有伪影数据小批量生成模块，用于利用伪影生成算法对所述第一数据集中的真实无伪影数据进行处理，生成与所述真实无伪影数据对应的有伪影数据，得到成对的有伪影数据和无伪影数据；基于像素点差值和滤波操作从所述成对的有伪影数据和无伪影数据中提取明暗伪影条纹，得到包括提取出的明暗伪影条纹的第五数据集；基于所述第五数据集和预先构建的第三生成对抗网络模型，生成包括仿真明暗伪影条纹的第六数据集；所述第六数据集的数据数量大于所述第五数据集的数据数量；基于所述第一数据集、所述第六数据集和目标伪影明暗系数，合成有伪影数据，得到包括合成有伪影数据的第七数据集；
所述有伪影数据海量生成模块，用于获取包括真实有伪影数据的第三数据集；将所述第七数据集与所述第三数据集合并，基于合并后的数据集和预先构建的第二生成对抗网络模型，生成包括仿真有伪影数据的第四数据集，所述第四数据集的数据数量大于合并后的数据集的数据数量。
9.一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中存储有包括计算机程序，其中，所述计算机程序运行时，执行所述权利要求1至7中任一项所述的方法。
CN202010682725.9A 2020-07-15 2020-07-15 无伪影数据及有伪影数据的生成方法、系统及存储介质 Active CN111815692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010682725.9A CN111815692B (zh) 2020-07-15 2020-07-15 无伪影数据及有伪影数据的生成方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010682725.9A CN111815692B (zh) 2020-07-15 2020-07-15 无伪影数据及有伪影数据的生成方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN111815692A true CN111815692A (zh) 2020-10-23
CN111815692B CN111815692B (zh) 2023-12-01

Family

ID=72865149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010682725.9A Active CN111815692B (zh) 2020-07-15 2020-07-15 无伪影数据及有伪影数据的生成方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN111815692B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489154A (zh) * 2020-12-07 2021-03-12 重庆邮电大学 基于局部优化生成对抗网络的mri运动伪影校正方法
WO2023165533A1 (en) * 2022-03-01 2023-09-07 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for motion artifact simulation

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714513A (zh) * 2012-09-29 2014-04-09 清华大学 Ct成像中的伪影校正方法以及设备
US20170372193A1 (en) * 2016-06-23 2017-12-28 Siemens Healthcare Gmbh Image Correction Using A Deep Generative Machine-Learning Model
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
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
US20190073804A1 (en) * 2017-09-05 2019-03-07 Siemens Healthcare Gmbh Method for automatically recognizing artifacts in computed-tomography image data
US20190128989A1 (en) * 2017-11-01 2019-05-02 Siemens Healthcare Gmbh Motion artifact reduction of magnetic resonance images with an adversarial trained network
CN110009613A (zh) * 2019-03-28 2019-07-12 东南大学 基于深度稠密网络的低剂量ct成像方法、装置及系统
CN110060313A (zh) * 2019-04-19 2019-07-26 上海联影医疗科技有限公司 一种图像伪影校正方法和系统
CN110163809A (zh) * 2019-03-31 2019-08-23 东南大学 基于U-net生成对抗网络DSA成像方法及装置
US20190369191A1 (en) * 2018-05-31 2019-12-05 The Board Of Trustees Of The Leland Stanford Junior University MRI reconstruction using deep learning, generative adversarial network and acquisition signal model
US20190377047A1 (en) * 2018-06-07 2019-12-12 Siemens Healthcare Gmbh Artifact Reduction by Image-to-Image Network in Magnetic Resonance Imaging
CN110570492A (zh) * 2019-09-11 2019-12-13 清华大学 神经网络训练方法和设备、图像处理方法和设备以及介质
CN110675461A (zh) * 2019-09-03 2020-01-10 天津大学 一种基于无监督学习的ct图像恢复方法
CN110930318A (zh) * 2019-10-31 2020-03-27 中山大学 一种低剂量ct图像修复去噪方法
WO2020124682A1 (zh) * 2018-12-17 2020-06-25 中国科学院深圳先进技术研究院 图像处理方法、装置、设备和存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714513A (zh) * 2012-09-29 2014-04-09 清华大学 Ct成像中的伪影校正方法以及设备
US20170372193A1 (en) * 2016-06-23 2017-12-28 Siemens Healthcare Gmbh Image Correction Using A Deep Generative Machine-Learning Model
US20190073804A1 (en) * 2017-09-05 2019-03-07 Siemens Healthcare Gmbh Method for automatically recognizing artifacts in computed-tomography image data
US20190128989A1 (en) * 2017-11-01 2019-05-02 Siemens Healthcare Gmbh Motion artifact reduction of magnetic resonance images with an adversarial trained network
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
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
US20190369191A1 (en) * 2018-05-31 2019-12-05 The Board Of Trustees Of The Leland Stanford Junior University MRI reconstruction using deep learning, generative adversarial network and acquisition signal model
US20190377047A1 (en) * 2018-06-07 2019-12-12 Siemens Healthcare Gmbh Artifact Reduction by Image-to-Image Network in Magnetic Resonance Imaging
WO2020124682A1 (zh) * 2018-12-17 2020-06-25 中国科学院深圳先进技术研究院 图像处理方法、装置、设备和存储介质
CN110009613A (zh) * 2019-03-28 2019-07-12 东南大学 基于深度稠密网络的低剂量ct成像方法、装置及系统
CN110163809A (zh) * 2019-03-31 2019-08-23 东南大学 基于U-net生成对抗网络DSA成像方法及装置
CN110060313A (zh) * 2019-04-19 2019-07-26 上海联影医疗科技有限公司 一种图像伪影校正方法和系统
CN110675461A (zh) * 2019-09-03 2020-01-10 天津大学 一种基于无监督学习的ct图像恢复方法
CN110570492A (zh) * 2019-09-11 2019-12-13 清华大学 神经网络训练方法和设备、图像处理方法和设备以及介质
CN110930318A (zh) * 2019-10-31 2020-03-27 中山大学 一种低剂量ct图像修复去噪方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘岩峰;: "医用扇形CT图像重建参数与产生伪影的分析", 临床医学工程, no. 05 *
李英;李臻;: "基于生成对抗网络的多用途图像增强鲁棒算法", 计算机应用与软件, no. 06 *
毕帆;涂文勇;石慧烽;冯琨;樊文慧;胡海生;: "MAR算法在CT模拟机金属伪影去除中的实验研究", 中国医疗器械杂志, no. 01 *
马建华;杨迪;黄静;陈武凡;: "基于NL-PF和MIMS的CT金属伪影消除算法", 计算机工程与应用, no. 24 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489154A (zh) * 2020-12-07 2021-03-12 重庆邮电大学 基于局部优化生成对抗网络的mri运动伪影校正方法
CN112489154B (zh) * 2020-12-07 2022-06-03 重庆邮电大学 基于局部优化生成对抗网络的mri运动伪影校正方法
WO2023165533A1 (en) * 2022-03-01 2023-09-07 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for motion artifact simulation

Also Published As

Publication number Publication date
CN111815692B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
US11783451B2 (en) Systems and methods for reducing colored noise in medical images using deep neural network
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
US20200234080A1 (en) Reducing noise in an image
CN111127320B (zh) 基于深度学习的光声图像超分辨重建方法及装置
CN102934126A (zh) 放射摄影图像中的微钙化检测和分级
CN106709967A (zh) 一种内窥成像算法及控制系统
WO2023202265A1 (zh) 用于伪影去除的图像处理方法、装置、设备、产品和介质
Gerig et al. Medical imaging and computer vision: An integrated approach for diagnosis and planning
CN111815692B (zh) 无伪影数据及有伪影数据的生成方法、系统及存储介质
US20230042000A1 (en) Apparatus and method for quantification of the mapping of the sensory areas of the brain
Benson et al. The HCP 7T Retinotopy Dataset
Thurnhofer-Hemsi et al. Deep learning-based super-resolution of 3D magnetic resonance images by regularly spaced shifting
CN115063502A (zh) 基于优化迭代网络的ct图像重建方法以及系统
CN115527657A (zh) 基于医学数字成像和通信的影像、图像多模态重建、成像及标注
CN112562058B (zh) 一种基于迁移学习的颅内血管模拟三维模型快速建立方法
Rousseau et al. A supervised patch-based image reconstruction technique: Application to brain MRI super-resolution
Tang et al. Learning spatially variant degradation for unsupervised blind photoacoustic tomography image restoration
CN111968108A (zh) 基于智能扫描协议的ct智能成像方法、装置及系统
Xu et al. Deep adaptive blending network for 3D magnetic resonance image denoising
CN115909016A (zh) 基于GCN分析fMRI图像的系统、方法、电子设备及介质
KR102476888B1 (ko) 디지털 병리이미지의 인공지능 진단 데이터 처리 장치 및 그 방법
CN112949585A (zh) 一种眼底图像血管的识别方法、装置、电子设备及存储介质
Zhao et al. Perception-oriented generative adversarial network for retinal fundus image super-resolution
Nagalakshmi et al. Revolutionizing Magnetic Resonance Imaging Image Reconstruction: A Unified Approach Integrating Deep Residual Networks and Generative Adversarial Networks.
CN116797457B (zh) 一种同时实现磁共振影像超分辨和伪影去除的方法和系统

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: 116000 room 206, no.8-9, software garden road, Ganjingzi District, Dalian City, Liaoning Province

Applicant after: Neusoft Education Technology Group Co.,Ltd.

Address before: 116000 room 206, no.8-9, software garden road, Ganjingzi District, Dalian City, Liaoning Province

Applicant before: Dalian Neusoft Education Technology Group Co.,Ltd.

GR01 Patent grant
GR01 Patent grant