CN111968112B - Ct三维定位图像的获取方法、装置和计算机设备 - Google Patents

Ct三维定位图像的获取方法、装置和计算机设备 Download PDF

Info

Publication number
CN111968112B
CN111968112B CN202010910428.5A CN202010910428A CN111968112B CN 111968112 B CN111968112 B CN 111968112B CN 202010910428 A CN202010910428 A CN 202010910428A CN 111968112 B CN111968112 B CN 111968112B
Authority
CN
China
Prior art keywords
dimensional positioning
positioning image
imaging
image
dimensional
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
Application number
CN202010910428.5A
Other languages
English (en)
Other versions
CN111968112A (zh
Inventor
谌高峰
张�浩
蔡敏占
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.)
Guangzhou Haizhao Yinfeng Information Technology Co ltd
Original Assignee
Guangzhou Haizhao Yinfeng Information Technology 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 Guangzhou Haizhao Yinfeng Information Technology Co ltd filed Critical Guangzhou Haizhao Yinfeng Information Technology Co ltd
Priority to CN202010910428.5A priority Critical patent/CN111968112B/zh
Publication of CN111968112A publication Critical patent/CN111968112A/zh
Application granted granted Critical
Publication of CN111968112B publication Critical patent/CN111968112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种CT三维定位图像的获取方法、装置、计算机设备和存储介质。其中，所述方法包括：获取CT成像期间的微辐射剂量CT三维定位图像；对所述微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理，得到参考CT三维定位图像；获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域；根据所述脏器类别与区域确定CT扫描协议中的成像参数；根据所述成像参数配置CT成像设备中的成像功能；使用配置后的CT成像设备获取目标CT三维定位图像，其中，所述配置后的CT成像设备采用所述CT扫描协议获取所述目标CT三维定位图像。上述方法提高微辐射剂量下的CT三维定位图像的图像质量。

Description

CT三维定位图像的获取方法、装置和计算机设备
技术领域
本发明涉及医学图像技术领域，特别是涉及一种CT三维定位图像的获取方法、装置、计算机设备和存储介质。
背景技术
CT成像技术可以用于对病人目标区域的高精度辨识与定位。在CT成像期间，病人接收的辐射剂量过多会影响身体健康。但是，降低病人辐射剂量的同时会降低CT成像质量。
用于微剂量辐射的CT成像可能存在上述问题。就这一点而言，用于在CT成像操作期间，如果用传统CT成像方法无法平衡低剂量与CT三维定位图像的高分辨率之间关系。
发明内容
本发明的目的在于克服现有技术的不足，提供了一种CT三维定位图像的获取方法、装置、计算机设备和存储介质，可以CT成像期间平衡微辐射剂量与CT三维定位图像的高分辨率之间关系，提高微辐射剂量下的CT三维定位图像的图像质量。
为了解决上述中至少一个技术问题，本发明实施例提供了一种CT三维定位图像的获取方法、装置、计算机设备和存储介质，所述方法包括：
获取CT成像期间的微辐射剂量CT三维定位图像；
对所述微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理，得到参考CT三维定位图像；
获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域；
根据所述脏器类别与区域确定CT扫描协议中的成像参数；
根据所述成像参数配置CT成像设备中的成像功能；
使用配置后的CT成像设备获取目标CT三维定位图像，其中，所述配置后的CT成像设备采用所述CT扫描协议获取所述目标CT三维定位图像。
优选地，所述对所述微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理，得到参考CT三维定位图像，包括：
采用卷积神经网络模型对所述微辐射剂量CT三维定位图像进行去噪处理，得到去噪后的CT三维定位图像，其中，所述卷积神经网络模型通过使用多个微辐射剂量CT三维定位图像构成的训练样本并采用度残差网络进行端对端迭代更新训练得到；
采用多尺度小波变换处理从所述去噪后的CT三维定位图像中剔除多尺度伪影，得到所述参考CT三维定位图像。
优选地，所述采用多尺度小波变换处理从所述去噪后的CT三维定位图像中剔除多尺度伪影，得到所述参考CT三维定位图像，包括：
采用伪影抑制网络模型从所述去噪后的CT三维定位图像中剔除多尺度伪影，得到所述参考CT三维定位图像；
其中，所述伪影抑制网络模型通过输入噪声去除后的CT三维定位图像，并引入多尺度小波变换处理流程对所述噪声去除后的CT三维定位图像进行伪影抑制，利用多个卷积层对伪影抑制后的CT三维定位图像进行去除伪影的方式训练得到。
优选地，所述获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域，包括：
根据脏器辨识模型获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域；
其中，所述脏器辨识模型采用多个去噪处理以及多尺度伪影抑制处理后的微辐射剂量CT三维定位图像构成的训练样本进行训练得到，所述脏器辨识模型对所述训练样本中的目标脏器区域的解剖特征进行分析与提取，输出目标脏器类别与区域。
优选地，所述脏器辨识模型包括解剖特征辨识网络，所述解剖特征辨识网络采用编码以及解码方式进行训练；所述脏器类别与区域通过所述解剖特征辨识网络获得；
所述解剖特征辨识网络的编码训练过程包括：采用脏器区域解剖结构特征确定的残差网络结构进行编码；
所述解剖特征辨识网络的解码训练过程包括：采用全卷积网络并利用高维图像特征通过迭代优化以实现图像的辨识与分割的方式进行解码。
优选地，所述根据所述脏器类别与区域确定CT扫描协议中的成像参数，包括：
根据所述脏器类别与区域并利用拟合回归的机器学习方法确定CT扫描协议中的成像参数；所述成像参数包括管电压、管电流和曝光时间。
优选地，所述微辐射剂量CT三维定位图像包括采用CT成像剂量低于常规临床或CT厂商设置的参考剂量得到的CT三维定位图像。
另外，本发明实施例还提供了一种CT三维定位图像的获取装置，所述装置包括：
第一获取模块，用于获取CT成像期间的微辐射剂量CT三维定位图像；
第二获取模块，用于对所述微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理，得到参考CT三维定位图像；
第三获取模块，用于获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域；
确定模块，用于根据所述脏器类别与区域确定CT扫描协议中的成像参数；
配置模块，用于根据所述成像参数配置CT成像设备中的成像功能；
第四获取模块，用于使用配置后的CT成像设备获取目标CT三维定位图像，其中，所述配置后的CT成像设备采用所述CT扫描协议获取所述目标CT三维定位图像。
另外，本发明实施例还提供了一种计算机设备，其包括：存储器、处理器及存储在存储器上并可在处理器上运行的应用程序，处理器执行应用程序时实现上述任一实施例方法的步骤。
另外，本发明实施例还提供了一种计算机可读存储介质，其上存储有应用程序，应用程序被处理器执行时实现上述任一实施例方法的步骤。
在本发明实施例中，通过实施上述方法，通过获取CT成像期间的微辐射剂量CT三维定位图像，对微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理，得到参考CT三维定位图像，获取参考CT三维定位图像中被成像区域中的脏器类别与区域，根据脏器类别与区域确定CT扫描协议中的成像参数，根据成像参数配置CT成像设备中的成像功能，使用配置后的CT成像设备获取目标CT三维定位图像，其中，配置后的CT成像设备采用CT扫描协议获取目标CT三维定位图像。因此，通过CT成像期间的微辐射剂量CT三维定位图像中的脏器类别与区域确定CT扫描协议中的成像参数，从而调控CT成像设备中的成像功能，以使得CT成像设备能够在CT成像期间平衡微辐射剂量与CT三维定位图像的高分辨率之间关系，提高微辐射剂量下的CT三维定位图像的图像质量。
附图说明
图1是本发明实施例中的一种CT成像装置的结构框图；
图2是本发明实施例中的一种CT三维定位图像的获取方法的流程示意图；
图3是本发明实施例中的一种CT三维定位图像的获取装置的结构组成示意图；
图4是本发明实施例中的计算机设备的结构组成示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例提供了一种CT三维定位图像的获取方法，以该CT三维定位图像的获取方法应用于如图1所示的CT成像装置为例进行说明：
图1示例性示出了CT成像装置的结构框图。如图1所示，CT成像装置包括用于支持CT成像的合适的硬件、软件或其组合，其使得能够获得用于在CT成像检查期间生成图像数据。CT成像装置包括探测器100、图像重建器102以及计算机103。探测器100可用于获取CT成像的数据；图像重建器102，其可以用于对数据采集系统101收集到的CT扫描数据进行重建成像。
上述计算机103其包括：处理器108；存储单元107，其用于储存CT成像；显示部件105，其用于显示CT成像；控制单元106，其用于操作控制CT扫描相关参数。除了图像之外，显示部件105与控制单元106还可以提供用户反馈。例如，提供与装置、其功能、其设置等有关的信息。控制单元106还可以支持用户输入。例如，经由用户控制器。例如，允许控制医学成像。用户输入可能涉及控制图像的剂量、选择设置等。
上述处理器108可操作用于：在基于CT成像技术的医学成像期间利用基于人工智能技术（例如深度学习，神经网络）的模型来自动确定用于优化的微辐射剂量定位像的一个或多个成像参数或设置；基于确定的一个或多个成像参数或设置来配置CT成像设备中的成像相关功能；基于对经由扫描部件采集的医学成像数据集的处理生成预期的微辐射剂量下高质量CT解剖成像。
每个计算机103的计算装置可以包括用于控制、处理、存储和/传送数据。计算装置可以是被特别配置多用于与医学成像相结合使用的专用设备，或者它可以是通用计算机装置。例如，个人计算机、服务器等。其被设置和/或配置成执行下文关于计算装置描述的操作。计算可以被配置成支持医学成像装置的操作，如下所述。
在操作中，CT成像装置可以用于在医疗检查期间生成图像，和/或用于支持与其结合的用户输入/输出。图像是3D图像。
在各种实现中，CT成像装置可以支持基于低剂量的三维定位图像成像，具体利用计算机103 执行相关图像处理操作。例如，基于微辐射剂量下的CT三维定位图像成像质量优化、基于被成像区域解剖特征的辨识等。
请参阅图2，图2是本发明实施例中的一种CT三维定位图像的获取方法的流程示意图。如图2所示，一种CT三维定位图像的获取方法，应用于如图2所示的CT成像装置中，所述方法包括如下步骤：
步骤S102，获取CT成像期间的微辐射剂量CT三维定位图像。
在本实施例中，在CT成像期间获得微辐射剂量CT三维定位图像。具体地，在计算机中录入病人年龄等基本信息，设置CT扫描设备的扫描参数，并且启动操作。进一步地，利用CT扫描成像装置，生成低分辨率的微辐射剂量CT三维定位图像。也即是，此处的微辐射剂量CT三维定位图像为实际应用中生成的低分辨率的微辐射剂量CT三维定位图像。
可选地，微辐射剂量CT三维定位图像包括采用CT成像剂量低于常规临床或CT厂商设置的参考剂量得到的CT三维定位图像。
步骤S104，对所述微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理，得到参考CT三维定位图像。
在本实施例中，利用基于人工智能技术（例如深度学习，神经网络）的模型对微辐射剂量CT三维定位图像进行去除噪声处理，并进行多尺度伪影抑制，得到参考CT三维定位图像，也即是生成微辐射剂量高质量的CT三维定位图像。其中，人工智能技术的模型可以是深度学习模型，神经网络模型等。
可选地，对所述微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理，得到参考CT三维定位图像，包括：采用卷积神经网络模型对所述微辐射剂量CT三维定位图像进行去噪处理，得到去噪后的CT三维定位图像，其中，所述卷积神经网络模型通过使用多个微辐射剂量CT三维定位图像构成的训练样本并采用度残差网络进行端对端迭代更新训练得到；采用多尺度小波变换处理从所述去噪后的CT三维定位图像中剔除多尺度伪影，得到所述参考CT三维定位图像。
其中，所述采用多尺度小波变换处理从所述去噪后的CT三维定位图像中剔除多尺度伪影，得到所述参考CT三维定位图像，包括：采用伪影抑制网络模型从所述去噪后的CT三维定位图像中剔除多尺度伪影，得到所述参考CT三维定位图像；其中，所述伪影抑制网络模型通过输入噪声去除后的CT三维定位图像，并引入多尺度小波变换处理流程对所述噪声去除后的CT三维定位图像进行伪影抑制，利用多个卷积层对伪影抑制后的CT三维定位图像进行去除伪影的方式训练得到。
具体地，卷积神经网络模型为针对微辐射剂量三维定位图像设置的三维定位像成像模型。其采用深度残差网络进行端对端迭代更新训练，输出去噪后的图像，以实现定位像图像去噪。针对输出的去噪后图像，采用多尺度小波变换处理，提取多尺度伪影，实现伪影抑制。
训练伪影抑制网络模型包括：输入噪声去除后的微辐射剂量三维定位图像，引入多尺度波小波变换处理流程进行伪影抑制，利用多个卷积层去除伪影用以获得高质量的三维定位像。
步骤S106，获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域。
在本实施例中，基于微辐射剂量高质量CT三维定位图像，利用基于人工智能技术的模型来自动辨别被成像区域中的解剖特征。基于人工智能技术的模型包括深度学习模型和/或神经网络模型。其中，被成像区域中的解剖特征包括被成像区域中的脏器类别与区域。
可选地，获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域，包括：根据脏器辨识模型获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域；其中，所述脏器辨识模型采用多个去噪处理以及多尺度伪影抑制处理后的微辐射剂量CT三维定位图像构成的训练样本进行训练得到，所述脏器辨识模型对所述训练样本中的目标脏器区域的解剖特征进行分析与提取，输出目标脏器类别与区域。
其中，脏器辨识模型包括解剖特征辨识网络，所述解剖特征辨识网络采用编码以及解码方式进行训练；所述脏器类别与区域通过所述解剖特征辨识网络获得；所述解剖特征辨识网络的编码训练过程包括：采用脏器区域解剖结构特征确定的残差网络结构进行编码；所述解剖特征辨识网络的解码训练过程包括：采用全卷积网络并利用高维图像特征通过迭代优化以实现图像的辨识与分割的方式进行解码。
具体地，脏器辨识模型对去伪影后的三维定位图像数据进行训练，对目标脏器区域的解剖结构特征，例如形态学特征、纹理特征，进行分析与提取，输出定位图像中目标脏器类别与区域，以用于在不同脏器扫描时，自适应调节扫描过程中一个或多个参数设置。例如管电流、管电压、曝光时间等参数。
解剖特征辨识网络具体包括：基于高质量的三维定位图像辨识与定位，利用多个基于人工智能技术（例如深度学习，神经网络）的模型分别进行。其中，编码过程采用残差网络结构，其可结合脏器区域解剖结构特征，采用卷积层和池化层实现特征映射，提取高维的图像特征。解码过程采用全卷积网络，其利用高维的图像特征通过迭代优化完成辨识与分割，最终辨识结果是识别脏器位置、大小。其中，编码过程与解码过程同时训练，通过最小化损失函数(例如交叉熵损失函数)实现训练。
具体地，多张CT三维定位图像组成的多层图像作为解剖特征辨识网络输入用以进行多层图像语义分割。编码过程由一个或多个卷积层组成，作用于三维定位像解剖结构特性构建，用以提取出低分辨率高维的图像特征。解码过程由一个或多个逆卷积层组成，其利用多张高维的图像特征映射转换成一个通用的参考视图，并基于多种约束下执行多视图一致性的有监督训练。该过程作用于图像语义分割与辨识工作。
在具体的实施例中，采用CT三维定位像成像网络和脏器辨识网络组合成的模型获取被成像区域中的脏器类别与区域。因此，可权衡三维定位像成像质量和脏器区域辨识之间关系，从而获得更符合目标任务的CT定位像，也即是被成像区域中的脏器类别与区域构成的CT定位像。比如在合适的噪声水平下探测脏器位置的图像。
步骤S108，根据所述脏器类别与区域确定CT扫描协议中的成像参数。
在本实施例中，基于解剖特征的辨别自动确定用于后续CT扫描协议中的一个或多个成像参数或设置一个或多个成像参数。具体地，根据解剖特征中的脏器类别与区域确定CT扫描协议中的成像参数。
可选地，根据所述脏器类别与区域确定CT扫描协议中的成像参数，包括：根据所述脏器类别与区域并利用拟合回归的机器学习方法确定CT扫描协议中的成像参数；所述成像参数包括管电压、管电流和曝光时间。
具体地，利用机器学习方法，如拟合回归，自动确定成像相关参数。例如，采用高斯函数对数据点集进行函数逼近的方式确定CT扫描协议中的成像参数。或利用人工智能方法智能获取成像参数。其中上述成像参数包括：管电压、管电流、曝光时间等。
步骤S110，根据所述成像参数配置CT成像设备中的成像功能。
在本实施例中，基于一个或多个成像参数配置CT成像设备中的成像功能。
步骤S112，使用配置后的CT成像设备获取目标CT三维定位图像，其中，所述配置后的CT成像设备采用所述CT扫描协议获取所述目标CT三维定位图像。
在本实施例中，配置后的CT成像设备采用CT扫描协议获取目标CT三维定位图像。其中，目标CT三维定位图像为CT成像设备在CT成像期间平衡微辐射剂量与CT三维定位图像的高分辨率之间关系后得到的CT三维定位图像。与传统方法获得的CT三维定位图像相比，该目标CT三维定位图像为微辐射剂量下的高图像质量的CT三维定位图像。
需要说明的是，通过实施上述方法，根据脏器区域辨识与参数选择的结果，可以指导：低剂量精准成像、感兴趣区成像等。具体地，针对低剂量精准成像，结合脏器区域辨识结果及目标区域解剖特征实现精准成像，同时在保证该区域图像质量的基础上最小化辐射剂量，减少辐射对患者的伤害。针对感兴趣区成像，由于传统方法中根据人工估算感兴趣区主要依赖操作者个人经验，有明显局限性，因此，上述方法针对脏器区域辨识结果确定用于成像的感兴趣区与患者所接受的X射线剂量，从而提高感兴趣区的精确程度。
通过实施上述方法，通过获取CT成像期间的微辐射剂量CT三维定位图像，对微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理，得到参考CT三维定位图像，获取参考CT三维定位图像中被成像区域中的脏器类别与区域，根据脏器类别与区域确定CT扫描协议中的成像参数，根据成像参数配置CT成像设备中的成像功能，使用配置后的CT成像设备获取目标CT三维定位图像，其中，配置后的CT成像设备采用CT扫描协议获取目标CT三维定位图像。因此，通过CT成像期间的微辐射剂量CT三维定位图像中的脏器类别与区域确定CT扫描协议中的成像参数，从而调控CT成像设备中的成像功能，以使得CT成像设备能够在CT成像期间平衡微辐射剂量与CT三维定位图像的高分辨率之间关系，提高微辐射剂量下的CT三维定位图像的图像质量。
本发明还提供一种CT三维定位图像的获取装置。如图3所示，所述装置包括：第一获取模块12，用于获取CT成像期间的微辐射剂量CT三维定位图像。
在本实施例中，在CT成像期间获得微辐射剂量CT三维定位图像。具体地，在计算机中录入病人年龄等基本信息，设置CT扫描设备的扫描参数，并且启动操作。进一步地，利用CT扫描成像装置，生成低分辨率的微辐射剂量CT三维定位图像。也即是，此处的微辐射剂量CT三维定位图像为实际应用中生成的低分辨率的微辐射剂量CT三维定位图像。
可选地，微辐射剂量CT三维定位图像包括采用CT成像剂量低于常规临床或CT厂商设置的参考剂量得到的CT三维定位图像。
所述装置还包括第二获取模块14，用于对所述微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理，得到参考CT三维定位图像。
在本实施例中，利用基于人工智能技术（例如深度学习，神经网络）的模型对微辐射剂量CT三维定位图像进行去除噪声处理，并进行多尺度伪影抑制，得到参考CT三维定位图像，也即是生成微辐射剂量高质量的CT三维定位图像。其中，人工智能技术的模型可以是深度学习模型，神经网络模型等。
可选地，对所述微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理，得到参考CT三维定位图像，包括：采用卷积神经网络模型对所述微辐射剂量CT三维定位图像进行去噪处理，得到去噪后的CT三维定位图像，其中，所述卷积神经网络模型通过使用多个微辐射剂量CT三维定位图像构成的训练样本并采用度残差网络进行端对端迭代更新训练得到；采用多尺度小波变换处理从所述去噪后的CT三维定位图像中剔除多尺度伪影，得到所述参考CT三维定位图像。
其中，所述采用多尺度小波变换处理从所述去噪后的CT三维定位图像中剔除多尺度伪影，得到所述参考CT三维定位图像，包括：采用伪影抑制网络模型从所述去噪后的CT三维定位图像中剔除多尺度伪影，得到所述参考CT三维定位图像；其中，所述伪影抑制网络模型通过输入噪声去除后的CT三维定位图像，并引入多尺度小波变换处理流程对所述噪声去除后的CT三维定位图像进行伪影抑制，利用多个卷积层对伪影抑制后的CT三维定位图像进行去除伪影的方式训练得到。
具体地，卷积神经网络模型为针对微辐射剂量三维定位图像设置的三维定位像成像模型。其采用深度残差网络进行端对端迭代更新训练，输出去噪后的图像，以实现定位像图像去噪。针对输出的去噪后图像，采用多尺度小波变换处理，提取多尺度伪影，实现伪影抑制。
训练伪影抑制网络模型包括：输入噪声去除后的微辐射剂量三维定位图像，引入多尺度波小波变换处理流程进行伪影抑制，利用多个卷积层去除伪影用以获得高质量的三维定位像。
所述装置还包括第三获取模块16，用于获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域。
在本实施例中，基于微辐射剂量高质量CT三维定位图像，利用基于人工智能技术的模型来自动辨别被成像区域中的解剖特征。基于人工智能技术的模型包括深度学习模型和/或神经网络模型。其中，被成像区域中的解剖特征包括被成像区域中的脏器类别与区域。
可选地，获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域，包括：根据脏器辨识模型获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域；其中，所述脏器辨识模型采用多个去噪处理以及多尺度伪影抑制处理后的微辐射剂量CT三维定位图像构成的训练样本进行训练得到，所述脏器辨识模型对所述训练样本中的目标脏器区域的解剖特征进行分析与提取，输出目标脏器类别与区域。
其中，脏器辨识模型包括解剖特征辨识网络，所述解剖特征辨识网络采用编码以及解码方式进行训练；所述脏器类别与区域通过所述解剖特征辨识网络获得；所述解剖特征辨识网络的编码训练过程包括：采用脏器区域解剖结构特征确定的残差网络结构进行编码；所述解剖特征辨识网络的解码训练过程包括：采用全卷积网络并利用高维图像特征通过迭代优化以实现图像的辨识与分割的方式进行解码。
具体地，脏器辨识模型对去伪影后的三维定位图像数据进行训练，对目标脏器区域的解剖结构特征，例如形态学特征、纹理特征，进行分析与提取，输出定位图像中目标脏器类别与区域，以用于在不同脏器扫描时，自适应调节扫描过程中一个或多个参数设置。例如管电流、管电压、曝光时间等参数。
解剖特征辨识网络具体包括：基于高质量的三维定位图像辨识与定位，利用多个基于人工智能技术（例如深度学习，神经网络）的模型分别进行。其中，编码过程采用残差网络结构，其可结合脏器区域解剖结构特征，采用卷积层和池化层实现特征映射，提取高维的图像特征。解码过程采用全卷积网络，其利用高维的图像特征通过迭代优化完成辨识与分割，最终辨识结果是识别脏器位置、大小。其中，编码过程与解码过程同时训练，通过最小化损失函数(例如交叉熵损失函数)实现训练。
具体地，多张CT三维定位图像组成的多层图像作为解剖特征辨识网络输入用以进行多层图像语义分割。编码过程由一个或多个卷积层组成，作用于三维定位像解剖结构特性构建，用以提取出低分辨率高维的图像特征。解码过程由一个或多个逆卷积层组成，其利用多张高维的图像特征映射转换成一个通用的参考视图，并基于多种约束下执行多视图一致性的有监督训练。该过程作用于图像语义分割与辨识工作。
在具体的实施例中，采用CT三维定位像成像网络和脏器辨识网络组合成的模型获取被成像区域中的脏器类别与区域。因此，可权衡三维定位像成像质量和脏器区域辨识之间关系，从而获得更符合目标任务的CT定位像，也即是被成像区域中的脏器类别与区域构成的CT定位像。比如在合适的噪声水平下探测脏器位置的图像。
所述装置还包括确定模块18，用于根据所述脏器类别与区域确定CT扫描协议中的成像参数。
在本实施例中，基于解剖特征的辨别自动确定用于后续CT扫描协议中的一个或多个成像参数或设置一个或多个成像参数。具体地，根据解剖特征中的脏器类别与区域确定CT扫描协议中的成像参数。
可选地，根据所述脏器类别与区域确定CT扫描协议中的成像参数，包括：根据所述脏器类别与区域并利用拟合回归的机器学习方法确定CT扫描协议中的成像参数；所述成像参数包括管电压、管电流和曝光时间。
具体地，利用机器学习方法，如拟合回归，自动确定成像相关参数。例如，采用高斯函数对数据点集进行函数逼近的方式确定CT扫描协议中的成像参数。或利用人工智能方法智能获取成像参数。其中上述成像参数包括：管电压、管电流、曝光时间等。
所述装置还包括配置模块20，用于根据所述成像参数配置CT成像设备中的成像功能。
在本实施例中，基于一个或多个成像参数配置CT成像设备中的成像功能。
所述装置还包括第四获取模块22，用于使用配置后的CT成像设备获取目标CT三维定位图像，其中，所述配置后的CT成像设备采用所述CT扫描协议获取所述目标CT三维定位图像。
在本实施例中，配置后的CT成像设备采用CT扫描协议获取目标CT三维定位图像。其中，目标CT三维定位图像为CT成像设备在CT成像期间平衡微辐射剂量与CT三维定位图像的高分辨率之间关系后得到的CT三维定位图像。与传统方法获得的CT三维定位图像相比，该目标CT三维定位图像为微辐射剂量下的高图像质量的CT三维定位图像。
需要说明的是，上述装置根据脏器区域辨识与参数选择的结果，可以指导：低剂量精准成像、感兴趣区成像等。具体地，针对低剂量精准成像，结合脏器区域辨识结果及目标区域解剖特征实现精准成像，同时在保证该区域图像质量的基础上最小化辐射剂量，减少辐射对患者的伤害。针对感兴趣区成像，由于传统方法中根据人工估算感兴趣区主要依赖操作者个人经验，有明显局限性，因此，上述装置针对脏器区域辨识结果确定用于成像的感兴趣区与患者所接受的X射线剂量，从而提高感兴趣区的精确程度。
上述装置通过获取CT成像期间的微辐射剂量CT三维定位图像，对微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理，得到参考CT三维定位图像，获取参考CT三维定位图像中被成像区域中的脏器类别与区域，根据脏器类别与区域确定CT扫描协议中的成像参数，根据成像参数配置CT成像设备中的成像功能，使用配置后的CT成像设备获取目标CT三维定位图像，其中，配置后的CT成像设备采用CT扫描协议获取目标CT三维定位图像。因此，通过CT成像期间的微辐射剂量CT三维定位图像中的脏器类别与区域确定CT扫描协议中的成像参数，从而调控CT成像设备中的成像功能，以使得CT成像设备能够在CT成像期间平衡微辐射剂量与CT三维定位图像的高分辨率之间关系，提高微辐射剂量下的CT三维定位图像的图像质量。
本发明实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有应用程序，该程序被处理器执行时实现上述实施例中任意一个实施例的一种CT三维定位图像的获取方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘（包括软盘、硬盘、光盘、CD-ROM、和磁光盘）、ROM（Read-Only Memory，只读存储器）、RAM（Random AcceSSMemory，随即存储器）、EPROM（EraSable Programmable Read-Only Memory，可擦写可编程只读存储器）、EEPROM（Electrically EraSable ProgrammableRead-Only Memory，电可擦可编程只读存储器）、闪存、磁性卡片或光线卡片。也就是，存储设备包括由设备（例如，计算机、手机）以能够读的形式存储或传输信息的任何介质，可以是只读存储器，磁盘或光盘等。
本发明实施例还提供了一种计算机应用程序，其运行在计算机上，该计算机应用程序用于执行上述中任意一个实施例的一种CT三维定位图像的获取方法。
此外，图4是本发明实施例中的计算机设备的结构组成示意图。
本发明实施例还提供了一种计算机设备，如图4所示。所述计算机设备包括处理器302、存储器303、输入单元304以及显示单元305等器件。本领域技术人员可以理解，图4示出的设备结构器件并不构成对所有设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件。存储器303可用于存储应用程序301以及各功能模块，处理器302运行存储在存储器303的应用程序301，从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器，或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程 ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
输入单元304用于接收信号的输入，以及接收用户输入的关键字。输入单元304可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作），并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键（比如播放控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。显示单元305可用于显示用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元305可采用液晶显示器、有机发光二极管等形式。处理器302是终端设备的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器303内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。
作为一个实施例，所述计算机设备包括：一个或多个处理器302，存储器303，一个或多个应用程序301，其中所述一个或多个应用程序301被存储在存储器303中并被配置为由所述一个或多个处理器302执行，所述一个或多个应用程序301配置用于执行上述实施例中的任意一实施例中的一种CT三维定位图像的获取方法。
在本发明实施例中，通过实施上述方法可以提高CT三维定位像的成像质量。
另外，以上对本发明实施例所提供的一种CT三维定位图像的获取方法、装置、计算机设备和存储介质进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种CT三维定位图像的获取方法，其特征在于，所述方法包括：
获取CT成像期间的微辐射剂量CT三维定位图像；
对所述微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理，得到参考CT三维定位图像；
获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域；
根据所述脏器类别与区域确定CT扫描协议中的成像参数；
根据所述成像参数配置CT成像设备中的成像功能；
使用配置后的CT成像设备获取目标CT三维定位图像，其中，所述配置后的CT成像设备采用所述CT扫描协议获取所述目标CT三维定位图像；
其中，所述对所述微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理包括：采用卷积神经网络模型对所述微辐射剂量CT三维定位图像进行去噪处理，得到去噪后的CT三维定位图像，其中，所述卷积神经网络模型通过使用多个微辐射剂量CT三维定位图像构成的训练样本并采用残差网络进行端对端迭代更新训练得到；采用伪影抑制网络模型从所述去噪后的CT三维定位图像中剔除多尺度伪影，得到所述参考CT三维定位图像；所述伪影抑制网络模型通过输入噪声去除后的CT三维定位图像，并引入多尺度小波变换处理流程对所述噪声去除后的CT三维定位图像进行伪影抑制，利用多个卷积层对伪影抑制后的CT三维定位图像进行去除伪影的方式训练得到。
2.根据权利要求1所述的方法，其特征在于，所述获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域，包括：
根据脏器辨识模型获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域；
其中，所述脏器辨识模型采用多个去噪处理以及多尺度伪影抑制处理后的微辐射剂量CT三维定位图像构成的训练样本进行训练得到，所述脏器辨识模型对所述训练样本中的目标脏器区域的解剖特征进行分析与提取，输出目标脏器类别与区域。
3.根据权利要求2所述的方法，其特征在于，所述脏器辨识模型包括解剖特征辨识网络，所述解剖特征辨识网络采用编码以及解码方式进行训练；所述脏器类别与区域通过所述解剖特征辨识网络获得；
所述解剖特征辨识网络的编码训练过程包括：采用脏器区域解剖结构特征确定的残差网络结构进行编码；
所述解剖特征辨识网络的解码训练过程包括：采用全卷积网络并利用高维图像特征通过迭代优化以实现图像的辨识与分割的方式进行解码。
4.根据权利要求1所述的方法，其特征在于，所述根据所述脏器类别与区域确定CT扫描协议中的成像参数，包括：
根据所述脏器类别与区域并利用拟合回归的机器学习方法确定CT扫描协议中的成像参数；所述成像参数包括管电压、管电流和曝光时间。
5.根据权利要求1所述的方法，其特征在于，所述微辐射剂量CT三维定位图像包括采用CT成像剂量低于常规临床或CT厂商设置的参考剂量得到的CT三维定位图像。
6.一种CT三维定位图像的获取装置，其特征在于，所述装置包括：
第一获取模块，用于获取CT成像期间的微辐射剂量CT三维定位图像；
第二获取模块，用于对所述微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理，得到参考CT三维定位图像；
第三获取模块，用于获取所述参考CT三维定位图像中被成像区域中的脏器类别与区域；
确定模块，用于根据所述脏器类别与区域确定CT扫描协议中的成像参数；
配置模块，用于根据所述成像参数配置CT成像设备中的成像功能；
第四获取模块，用于使用配置后的CT成像设备获取目标CT三维定位图像，其中，所述配置后的CT成像设备采用所述CT扫描协议获取所述目标CT三维定位图像;
其中，所述对所述微辐射剂量CT三维定位图像进行去噪处理以及多尺度伪影抑制处理包括：采用卷积神经网络模型对所述微辐射剂量CT三维定位图像进行去噪处理，得到去噪后的CT三维定位图像，其中，所述卷积神经网络模型通过使用多个微辐射剂量CT三维定位图像构成的训练样本并采用残差网络进行端对端迭代更新训练得到；采用伪影抑制网络模型从所述去噪后的CT三维定位图像中剔除多尺度伪影，得到所述参考CT三维定位图像；所述伪影抑制网络模型通过输入噪声去除后的CT三维定位图像，并引入多尺度小波变换处理流程对所述噪声去除后的CT三维定位图像进行伪影抑制，利用多个卷积层对伪影抑制后的CT三维定位图像进行去除伪影的方式训练得到。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的应用程序，其特征在于，所述处理器执行所述应用程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有应用程序，其特征在于，所述应用程序被处理器执行时实现权利要求1至5中任一项所述方法的步骤。
CN202010910428.5A 2020-09-02 2020-09-02 Ct三维定位图像的获取方法、装置和计算机设备 Active CN111968112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010910428.5A CN111968112B (zh) 2020-09-02 2020-09-02 Ct三维定位图像的获取方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010910428.5A CN111968112B (zh) 2020-09-02 2020-09-02 Ct三维定位图像的获取方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN111968112A CN111968112A (zh) 2020-11-20
CN111968112B true CN111968112B (zh) 2023-12-26

Family

ID=73393191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010910428.5A Active CN111968112B (zh) 2020-09-02 2020-09-02 Ct三维定位图像的获取方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN111968112B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423736A (zh) * 2021-05-31 2022-12-02 通用电气精准医疗有限责任公司 成像系统及方法
CN117876279B (zh) * 2024-03-11 2024-05-28 浙江荷湖科技有限公司 基于扫描光场序列图像的去除运动伪影方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103315764A (zh) * 2013-07-17 2013-09-25 沈阳东软医疗系统有限公司 一种ct定位图像获取方法和ct设备
CN103500442A (zh) * 2013-09-29 2014-01-08 华南理工大学 集成电路封装中的x射线图像多尺度细节增强方法
CN104127200A (zh) * 2014-07-14 2014-11-05 沈阳东软医疗系统有限公司 一种扫描协议的设定方法和装置
CN105321155A (zh) * 2015-10-29 2016-02-10 北京理工大学 一种cbct图像环形伪影消除方法
CN108564553A (zh) * 2018-05-07 2018-09-21 南方医科大学 基于卷积神经网络的低剂量ct图像噪声抑制方法
CN109381212A (zh) * 2018-09-27 2019-02-26 上海联影医疗科技有限公司 一种成像控制方法和系统
CN110136135A (zh) * 2019-05-17 2019-08-16 深圳大学 分割方法、装置、设备以及存储介质
CN110475505A (zh) * 2017-01-27 2019-11-19 阿特瑞斯公司 利用全卷积网络的自动分割
CN110570483A (zh) * 2019-08-08 2019-12-13 上海联影智能医疗科技有限公司 扫描方法、装置、计算机设备和存储介质
CN111260647A (zh) * 2020-03-12 2020-06-09 南京安科医疗科技有限公司 一种基于图像检测的ct扫描辅助方法、计算机可读存储介质、ct扫描装置
CN111368849A (zh) * 2020-05-28 2020-07-03 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备及存储介质
CN111493908A (zh) * 2020-04-30 2020-08-07 上海联影医疗科技有限公司 医学图像扫描方法、装置、计算机设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10685429B2 (en) * 2017-02-22 2020-06-16 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103315764A (zh) * 2013-07-17 2013-09-25 沈阳东软医疗系统有限公司 一种ct定位图像获取方法和ct设备
CN103500442A (zh) * 2013-09-29 2014-01-08 华南理工大学 集成电路封装中的x射线图像多尺度细节增强方法
CN104127200A (zh) * 2014-07-14 2014-11-05 沈阳东软医疗系统有限公司 一种扫描协议的设定方法和装置
CN105321155A (zh) * 2015-10-29 2016-02-10 北京理工大学 一种cbct图像环形伪影消除方法
CN110475505A (zh) * 2017-01-27 2019-11-19 阿特瑞斯公司 利用全卷积网络的自动分割
CN108564553A (zh) * 2018-05-07 2018-09-21 南方医科大学 基于卷积神经网络的低剂量ct图像噪声抑制方法
CN109381212A (zh) * 2018-09-27 2019-02-26 上海联影医疗科技有限公司 一种成像控制方法和系统
CN110136135A (zh) * 2019-05-17 2019-08-16 深圳大学 分割方法、装置、设备以及存储介质
CN110570483A (zh) * 2019-08-08 2019-12-13 上海联影智能医疗科技有限公司 扫描方法、装置、计算机设备和存储介质
CN111260647A (zh) * 2020-03-12 2020-06-09 南京安科医疗科技有限公司 一种基于图像检测的ct扫描辅助方法、计算机可读存储介质、ct扫描装置
CN111493908A (zh) * 2020-04-30 2020-08-07 上海联影医疗科技有限公司 医学图像扫描方法、装置、计算机设备和存储介质
CN111368849A (zh) * 2020-05-28 2020-07-03 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SLAM-Driven Intelligent Autonomous Mobile Robot Navigation for Construction Applications;Pileun Kim等;《CVPR》;第8504-8514页 *
基于PPG信号的运动伪影去除算法研究进展;侯啟伟等;《软件导刊》;第19卷(第4期);第107-110页 *
基于多尺度小波残差网络的稀疏角度CT图像恢复;韦子权等;《J South Med Univ》;第39卷(第11期);第1320-1328页 *

Also Published As

Publication number Publication date
CN111968112A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
US11379975B2 (en) Classification and 3D modelling of 3D dento-maxillofacial structures using deep learning methods
RU2677764C2 (ru) Координатная привязка медицинских изображений
CN113689342B (zh) 一种图像质量优化的方法及系统
CN110648337A (zh) 髋关节分割方法、装置、电子设备和存储介质
US20210327057A1 (en) Methods and systems for displaying a region of interest of a medical image
CN111968112B (zh) Ct三维定位图像的获取方法、装置和计算机设备
CN111968110B (zh) Ct成像方法、装置、存储介质及计算机设备
FR2942669A1 (fr) Methodes de segmentation d'images et de detection de structures particulieres.
CN112396606B (zh) 一种基于用户交互的医学图像分割方法、系统和装置
CN112037146A (zh) 医学图像伪影自动校正方法、装置和计算机设备
CN111968167B (zh) Ct三维定位像的图像处理方法、装置和计算机设备
CN113096210A (zh) 图像重建方法、装置、电子设备和存储介质
CN109685803B (zh) 一种左心室图像分割方法、装置、设备及存储介质
CN116869555A (zh) 扫描协议调节方法、装置以及存储介质
CN112530554B (zh) 一种扫描定位方法、装置、存储介质及电子设备
CN113614788A (zh) 计算机辅助读取和分析的深度强化学习
CN116168097A (zh) 构建cbct勾画模型和勾画cbct图像的方法、装置、设备及介质
CN113379770B (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
CN112967295B (zh) 一种基于残差网络和注意力机制的图像处理方法及系统
EP4237867A1 (en) Deep magnetic resonance fingerprinting auto-segmentation
US20240331337A1 (en) Methods, systems, and storage medium for image processing
CN113421270B (zh) 基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其存储介质
CN112766258B (zh) 图像的分割方法、系统、电子设备及计算机可读存储介质
US20220254012A1 (en) Methods, devices, and systems for determining presence of appendicitis
CN117994620A (zh) 一种ct图像和mr图像的融合方法、装置、设备和存储介质

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