CN112037146A - 医学图像伪影自动校正方法、装置和计算机设备 - Google Patents
医学图像伪影自动校正方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112037146A CN112037146A CN202010909542.6A CN202010909542A CN112037146A CN 112037146 A CN112037146 A CN 112037146A CN 202010909542 A CN202010909542 A CN 202010909542A CN 112037146 A CN112037146 A CN 112037146A
- Authority
- CN
- China
- Prior art keywords
- medical image
- artifact
- network model
- corrected
- artifacts
- 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 48
- 238000012937 correction Methods 0.000 title claims abstract description 37
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 89
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 58
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 14
- 238000003702 image correction Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 229910052704 radon Inorganic materials 0.000 claims description 6
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 6
- 230000008485 antagonism Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 18
- 238000002059 diagnostic imaging Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种医学图像伪影自动校正方法、装置、计算机设备和存储介质，所述方法包括：获取第一样本医学图像的第一探测数据，根据第一探测数据确定第一样本医学图像中伪影的传播规律信息和扰动规律信息；根据第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型；获取待校正的医学图像的第二探测数据，将第二探测数据输入卷积神经网络模型，得到待校正的医学图像的伪影以及伪影类型；根据伪影类型对待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的待校正的医学图像输入循环一致对抗网络模型中，以使用循环一致对抗网络模型对待校正的医学图像进行自动化校正。上述方法可以提高医学图像中去伪影的精确度。
Description
技术领域
本发明涉及医学图像理技术领域，特别是涉及一种医学图像伪影自动校正方法、装置、计算机设备和存储介质。
背景技术
人工智能技术是当前的热门领域，人工智能主要涉及模拟人脑进行分析学习的神经网络。神经网络模仿人脑的机制来解释数据，例如图像、视频等。其中，深度学习概念起源于人工神经网络的研究。多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
医学成像系统因物理或软件上存在的不足，不可避免地会产生伪影。这些伪影会降低图像质量，甚至影响后续辅助分析诊断。然而，传统采用信号处理的方式对医学成像进行去伪影，其效果不高，去伪影的精确度不够高。以CT为例，传统基于图像域去伪影方法因未将CT成像过程及投影数据结构特性纳入其中，其伪影去除效果尚未达到最佳，其去伪影的精确度相对低。
发明内容
本发明的目的在于克服现有技术的不足，提供了一种医学图像伪影自动校正方法、装置、计算机设备和存储介质，可以提高医学图像中去伪影的精确度。
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医学图像伪影自动校正方法、装置、计算机设备和存储介质，所述方法包括：
获取第一样本医学图像的第一探测数据，根据所述第一探测数据确定所述第一样本医学图像中伪影的传播规律信息和扰动规律信息；
根据所述第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型；
获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型；
根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正；其中，所述循环一致对抗网络模型输出的图像为所述待校正的医学图像去伪影后的图像，所述循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。
可选的，所述获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型，包括：
对所述第二探测数据进行反投影重建，得到反投影重建图像数据；
对所述反投影重建图像数据进行归一化处理，得到归一化反投影图像数据；
将所述归一化反投影图像数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型。
可选的，所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，包括：
将所述包含标注索引的伪影的所述待校正的医学图像进行Radon变换，得到投影域数据；
将所述投影域数据进行归一化处理，得到目标医学图像数据；
将目标医学图像数据输入循环一致对抗网络模型中。
可选的，所述伪影类型为多种，所述根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：
根据各伪影类型对所述待校正的医学图像中各伪影进行索引标注；
根据各伪影类型确定对应的循环一致对抗网络模型；
将包含标注索引的各伪影的所述待校正的医学图像分别输入对应的循环一致对抗网络模型中，得到各对应的医学图像校正数据；
将各对应的医学图像校正数据进行数据融合，以对所述待校正的医学图像进行自动化校正；
其中，数据融合后的图像数据为所述待校正的医学图像去伪影后的图像，所述数据融合包括将所述各对应的医学图像校正数据中的特征图像数据进行融合处理。
可选的，所述方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多种伪影混淆情况或多种不同伪影表征相似的情况时，确定出第一目标循环一致对抗网络模型，所述第一目标循环一致对抗网络模型根据多种类型的伪影的各种类型的特征图像进行训练得到；
所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第一目标循环一致对抗网络模型中，以使用所述第一目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。
可选的，所述方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多尺度方向且各尺度方向异性的伪影时，确定出第二目标循环一致对抗网络模型，所述第二目标循环一致对抗网络模型根据多尺度方向场处理后的伪影测量数据进行训练得到；
所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第二目标循环一致对抗网络模型中，以使用所述第二目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。
可选的，所述循环一致对抗网络模型用于对所述包含标注索引的伪影的所述待校正的医学图像中的各伪影进行特征分析和提取，以基于所述各伪影特征差异进行自动化校正；其中，所述各伪影的特征包括梯度特征、均值特征以及边缘特征中的一项或多项。
另外，本发明实施例还提供了一种医学图像伪影自动校正装置，所述装置包括：
第一获取模块，用于获取第一样本医学图像的第一探测数据，根据所述第一探测数据确定所述第一样本医学图像中伪影的传播规律信息和扰动规律信息；
构建模块，用于根据所述第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型；
第二获取模块，用于获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型；
校正模块，用于根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正；其中，所述循环一致对抗网络模型输出的图像为所述待校正的医学图像去伪影后的图像，所述循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。
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第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型，从而使用构建的卷积神经网络模型确定待校正的医学图像中的伪影类型，提高了辨识待校正的医学图像中的伪影准确度。进一步地，采用第二样本医学图像进行训练得到的循环一致对抗网络模型对待校正的医学图像进行去伪影的自动化校正，提高了去伪影的精确度。
附图说明
图1是本发明实施例中的一种医学图像伪影自动校正方法的流程示意图；
图2是本发明实施例中的一种医学图像伪影自动校正装置的结构组成示意图；
图3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。
请参阅图1，图1是本发明实施例中的一种医学图像伪影自动校正方法的流程示意图。如图1所示，一种医学图像伪影自动校正方法，所述方法包括如下步骤：
步骤S102，获取第一样本医学图像的第一探测数据，根据所述第一探测数据确定所述第一样本医学图像中伪影的传播规律信息和扰动规律信息。
在本实施例中，第一样本医学图像用于作为训练模型的图像数据集。计算机设备读取第一医学图像的第一探测数据，分析第一探测数据中伪影的传播规律以及伪影的扰动规律，从而确定第一样本医学图像中伪影的传播规律信息和扰动规律信息。其中，第一样本医学图像可通过医学成像设备获得。医学成像设备包括医学断层成像（CT），核磁共振成像（MRI），医学超声成像（US），正电子发射断层成像（PET）。第一探测数据可以是医学成像设备直接采集的源信号数据或者经系统校正后的二次数据。第一样本医学图像中伪影的传播规律信息和扰动规律信息可以是通过构建统计模型，计算分析第二探测数据对应的投影数据的分布获得。例如，包含条纹伪影的投影数据不再满足复合泊松分布。
步骤S104，根据所述第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型。
在本实施例中，计算机设备根据第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型。具体地，计算机设备根据第一样本医学图像中伪影的传播规律信息和扰动规律信息确定出卷积神经网络模型的各个模型参数，从而使得构建出的卷积神经网络能够识别各医学图像中的各伪影类型。
步骤S106，获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型。
在本实施例中，待校正的医学图像中包含有伪影。为了确定待校正的医学图像中伪影的类型，可将第二探测数据输入到上述构建的卷积神经网络模型中，通过卷积神经网络模型识别出待校正的医学图像中伪影的类型。具体地，卷积神经网络模型可以输出待校正的医学图像中的伪影以及伪影类型。
进一步地，所述获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型，包括：对所述第二探测数据进行反投影重建，得到反投影重建图像数据；对所述反投影重建图像数据进行归一化处理，得到归一化反投影图像数据；将所述归一化反投影图像数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型。其中，卷积神经网络模型输出的待校正的医学图像的伪影以及伪影类型是第二探测数据重建后获得的图像域数据。
步骤S108，根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正；其中，所述循环一致对抗网络模型输出的图像为所述待校正的医学图像去伪影后的图像，所述循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。
在本实施例中，计算机设备可以根据卷积模型输出的伪影类型对待校正的医学图像的伪影进行索引标注。进一步地，将包含有索引标注的待校正的医学图像输入循环一致对抗网络模型中，从而得到循环一致对抗网络模型输出的图像。循环一致对抗网络模型输出的图像为对待校正的医学图像进行自动化校正后的图像，也即是去伪影后的待校正的医学图像。因此，可实现对待校正的医学图像的伪影自动化校正。其中，循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。也即是，循环一致对抗网络模型已采用大数据中已标注索引的伪影的样本医学图像进行训练，其具备对伪影自动识别并去除伪影的功能。
优选地，所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，包括：将所述包含标注索引的伪影的所述待校正的医学图像进行Radon变换，得到投影域数据；将所述投影域数据进行归一化处理，得到目标医学图像数据；将目标医学图像数据输入循环一致对抗网络模型中。其中，循环一致对抗网络模型输出的数据是伪影后的投影数据。
优选地，所述伪影类型为多种，所述根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：根据各伪影类型对所述待校正的医学图像中各伪影进行索引标注；根据各伪影类型确定对应的循环一致对抗网络模型；将包含标注索引的各伪影的所述待校正的医学图像分别输入对应的循环一致对抗网络模型中，得到各对应的医学图像校正数据；将各对应的医学图像校正数据进行数据融合，以对所述待校正的医学图像进行自动化校正；其中，数据融合后的图像数据为所述待校正的医学图像去伪影后的图像，所述数据融合包括将所述各对应的医学图像校正数据中的特征图像数据进行融合处理。
具体地，所述医学图像伪影自动校正，其可适用于多种情况，比如：同一幅图像中多种类型的伪影、多种伪影存在混叠或多种不同伪影表征相似、多尺度方向各异性的伪影。基于伪影结构差异性的情况，对于同一幅图像中多种类型的伪影，基于伪影标注索引的测量数据，对于不同伪影，利用不同的伪影自动校正模型去除伪影，再将去伪影后的各个数据进行融合，得到去伪影后的完整测量数据，其中，各对应的循环一致对抗网络模型的输入数据以及输出数据均为CT投影域数据。
其中，数据融合是指特征级图像融合。具体地，对去伪影后的数据进行特征抽取，将边缘、形状、局部特征等信息进行综合处理，经严格的图像配准，获得去除各类伪影的探测数据。
优选地，所述医学图像伪影自动校正方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多种伪影混淆情况或多种不同伪影表征相似的情况时，确定出第一目标循环一致对抗网络模型，所述第一目标循环一致对抗网络模型根据多种类型的伪影的各种类型的特征图像进行训练得到。所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第一目标循环一致对抗网络模型中，以使用所述第一目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。
具体地，对于多种伪影存在混叠或多种不同伪影表征相似的情况，上述两种情况中构建第一目标循环一致对抗网络模型的处理方式均为：基于伪影自动辨识的结果，采用特征提取方法(例如高斯模型、动态阈值法、支持向量机等)，对伪影部分形状、纹理等特征进行分析，选择可以分开各类型伪影的有用特征进行提取，根据各伪影结构特征差异性对伪影进行分类，针对不同特征的伪影拟分别构建特定第一目标循环一致对抗网络模型及相应的损失函数，第一目标循环一致对抗网络模型通过迭代更新，不断改变神经网络中所有的参数，使各损失函数值达到最小，以实现基于伪影结构特征差异的伪影自动校正。其中各损失函数可以是MAE(平均绝对误差)函数。
优选地，所述医学图像伪影自动校正方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多尺度方向且各尺度方向异性的伪影时，确定出第二目标循环一致对抗网络模型，所述第二目标循环一致对抗网络模型根据多尺度方向场处理后的伪影测量数据进行训练得到。所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第二目标循环一致对抗网络模型中，以使用所述第二目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。
具体地，基于伪影多尺度方向各异性的情况，第二目标循环一致对抗网络模型的构建方式如下：对于复杂且严重的伪影，利用多尺度方向场处理(例如多尺度方向变换场，多尺度轮廓变换场等)含伪影测量数据，以提取测量数据中伪影部分多尺度方向数据信息。具体地，对辨识后的伪影数据经Radon变换转换为投影域数据，并利用拉普拉斯塔形分解和方向滤波器组实现一种多分辨的、局域的、方向的图像表示方法，基于不同伪影具有多尺度各向异性特点，将该数据划分为不同尺度的投影数据，针对不同尺度方向的伪影拟分别构建各自的第二目标循环一致对抗网络模型和损失函数，通过不断迭代实现该尺度方向的伪影校正。最终经图像融合后获得去伪影后的测量数据。其中各损失函数可以是MSE(均方误差)函数。
优选地，所述循环一致对抗网络模型用于对所述包含标注索引的伪影的所述待校正的医学图像中的各伪影进行特征分析和提取，以基于所述各伪影特征差异进行自动化校正；其中，所述各伪影的特征包括梯度特征、均值特征以及边缘特征中的一项或多项。因此，可实现基于伪影特征差异的伪影自动校正。
需要说明的是，上述实施例提到的模型（卷积神经网络模型和循环一致对抗网络模型）是预先或在线训练的，以用于辨识三维定位像一个或多个解剖结构特征。
在本发明实施例中，通过实施上述方法通过第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型，从而使用构建的卷积神经网络模型确定待校正的医学图像中的伪影类型，提高了辨识待校正的医学图像中的伪影准确度。进一步地，采用第二样本医学图像进行训练得到的循环一致对抗网络模型对待校正的医学图像进行去伪影的自动化校正，提高了去伪影的精确度。
本发明还提供一种医学图像伪影自动校正装置。如图2所示，所述装置包括：
第一获取模块12，用于获取第一样本医学图像的第一探测数据，根据所述第一探测数据确定所述第一样本医学图像中伪影的传播规律信息和扰动规律信息。
在本实施例中，第一样本医学图像用于作为训练模型的图像数据集。计算机设备读取第一医学图像的第一探测数据，分析第一探测数据中伪影的传播规律以及伪影的扰动规律，从而确定第一样本医学图像中伪影的传播规律信息和扰动规律信息。其中，第一样本医学图像可通过医学成像设备获得。医学成像设备包括医学断层成像（CT），核磁共振成像（MRI），医学超声成像（US），正电子发射断层成像（PET）。第一探测数据可以是医学成像设备直接采集的源信号数据或者经系统校正后的二次数据。第一样本医学图像中伪影的传播规律信息和扰动规律信息可以是通过构建统计模型，计算分析第二探测数据对应的投影数据的分布获得。例如，包含条纹伪影的投影数据不再满足复合泊松分布。
构建模块14，用于根据所述第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型。
在本实施例中，计算机设备根据第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型。具体地，计算机设备根据第一样本医学图像中伪影的传播规律信息和扰动规律信息确定出卷积神经网络模型的各个模型参数，从而使得构建出的卷积神经网络能够识别各医学图像中的各伪影类型。
第二获取模块16，用于获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型。
在本实施例中，待校正的医学图像中包含有伪影。为了确定待校正的医学图像中伪影的类型，可将第二探测数据输入到上述构建的卷积神经网络模型中，通过卷积神经网络模型识别出待校正的医学图像中伪影的类型。具体地，卷积神经网络模型可以输出待校正的医学图像中的伪影以及伪影类型。
进一步地，所述获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型，包括：对所述第二探测数据进行反投影重建，得到反投影重建图像数据；对所述反投影重建图像数据进行归一化处理，得到归一化反投影图像数据；将所述归一化反投影图像数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型。其中，卷积神经网络模型输出的待校正的医学图像的伪影以及伪影类型是第二探测数据重建后获得的图像域数据。
校正模块18，用于根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正；其中，所述循环一致对抗网络模型输出的图像为所述待校正的医学图像去伪影后的图像，所述循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。
在本实施例中，计算机设备可以根据卷积模型输出的伪影类型对待校正的医学图像的伪影进行索引标注。进一步地，将包含有索引标注的待校正的医学图像输入循环一致对抗网络模型中，从而得到循环一致对抗网络模型输出的图像。循环一致对抗网络模型输出的图像为对待校正的医学图像进行自动化校正后的图像，也即是去伪影后的待校正的医学图像。因此，可实现对待校正的医学图像的伪影自动化校正。其中，循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。也即是，循环一致对抗网络模型已采用大数据中已标注索引的伪影的样本医学图像进行训练，其具备对伪影自动识别并去除伪影的功能。
优选地，所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，包括：将所述包含标注索引的伪影的所述待校正的医学图像进行Radon变换，得到投影域数据；将所述投影域数据进行归一化处理，得到目标医学图像数据；将目标医学图像数据输入循环一致对抗网络模型中。其中，循环一致对抗网络模型输出的数据是伪影后的投影数据。
优选地，所述伪影类型为多种，所述根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：根据各伪影类型对所述待校正的医学图像中各伪影进行索引标注；根据各伪影类型确定对应的循环一致对抗网络模型；将包含标注索引的各伪影的所述待校正的医学图像分别输入对应的循环一致对抗网络模型中，得到各对应的医学图像校正数据；将各对应的医学图像校正数据进行数据融合，以对所述待校正的医学图像进行自动化校正；其中，数据融合后的图像数据为所述待校正的医学图像去伪影后的图像，所述数据融合包括将所述各对应的医学图像校正数据中的特征图像数据进行融合处理。
具体地，所述医学图像伪影自动校正，其可适用于多种情况，比如：同一幅图像中多种类型的伪影、多种伪影存在混叠或多种不同伪影表征相似、多尺度方向各异性的伪影。基于伪影结构差异性的情况，对于同一幅图像中多种类型的伪影，基于伪影标注索引的测量数据，对于不同伪影，利用不同的伪影自动校正模型去除伪影，再将去伪影后的各个数据进行融合，得到去伪影后的完整测量数据，其中，各对应的循环一致对抗网络模型的输入数据以及输出数据均为CT投影域数据。
其中，数据融合是指特征级图像融合。具体地，对去伪影后的数据进行特征抽取，将边缘、形状、局部特征等信息进行综合处理，经严格的图像配准，获得去除各类伪影的探测数据。
优选地，所述医学图像伪影自动校正方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多种伪影混淆情况或多种不同伪影表征相似的情况时，确定出第一目标循环一致对抗网络模型，所述第一目标循环一致对抗网络模型根据多种类型的伪影的各种类型的特征图像进行训练得到。所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第一目标循环一致对抗网络模型中，以使用所述第一目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。
具体地，对于多种伪影存在混叠或多种不同伪影表征相似的情况，上述两种情况中构建第一目标循环一致对抗网络模型的处理方式均为：基于伪影自动辨识的结果，采用特征提取方法(例如高斯模型、动态阈值法、支持向量机等)，对伪影部分形状、纹理等特征进行分析，选择可以分开各类型伪影的有用特征进行提取，根据各伪影结构特征差异性对伪影进行分类，针对不同特征的伪影拟分别构建特定第一目标循环一致对抗网络模型及相应的损失函数，第一目标循环一致对抗网络模型通过迭代更新，不断改变神经网络中所有的参数，使各损失函数值达到最小，以实现基于伪影结构特征差异的伪影自动校正。其中各损失函数可以是MAE(平均绝对误差)函数。
优选地，所述医学图像伪影自动校正方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多尺度方向且各尺度方向异性的伪影时，确定出第二目标循环一致对抗网络模型，所述第二目标循环一致对抗网络模型根据多尺度方向场处理后的伪影测量数据进行训练得到。所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第二目标循环一致对抗网络模型中，以使用所述第二目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。
具体地，基于伪影多尺度方向各异性的情况，第二目标循环一致对抗网络模型的构建方式如下：对于复杂且严重的伪影，利用多尺度方向场处理(例如多尺度方向变换场，多尺度轮廓变换场等)含伪影测量数据，以提取测量数据中伪影部分多尺度方向数据信息。具体地，对辨识后的伪影数据经Radon变换转换为投影域数据，并利用拉普拉斯塔形分解和方向滤波器组实现一种多分辨的、局域的、方向的图像表示方法，基于不同伪影具有多尺度各向异性特点，将该数据划分为不同尺度的投影数据，针对不同尺度方向的伪影拟分别构建各自的第二目标循环一致对抗网络模型和损失函数，通过不断迭代实现该尺度方向的伪影校正。最终经图像融合后获得去伪影后的测量数据。其中各损失函数可以是MSE(均方误差)函数。
优选地，所述循环一致对抗网络模型用于对所述包含标注索引的伪影的所述待校正的医学图像中的各伪影进行特征分析和提取，以基于所述各伪影特征差异进行自动化校正；其中，所述各伪影的特征包括梯度特征、均值特征以及边缘特征中的一项或多项。因此，可实现基于伪影特征差异的伪影自动校正。
需要说明的是，上述实施例提到的模型（卷积神经网络模型和循环一致对抗网络模型）是预先或在线训练的，以用于辨识三维定位像一个或多个解剖结构特征。
在本发明实施例中，通过实施上述装置通过第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型，从而使用构建的卷积神经网络模型确定待校正的医学图像中的伪影类型，提高了辨识待校正的医学图像中的伪影准确度。进一步地，采用第二样本医学图像进行训练得到的循环一致对抗网络模型对待校正的医学图像进行去伪影的自动化校正，提高了去伪影的精确度。
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医学图像伪影自动校正方法。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医学图像伪影自动校正方法。
此外，图3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3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3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对的医学图像伪影自动校正方法。
在本发明实施例中，通过实施上述方法可以提高医学图像中去伪影的精确度。
另外，以上对本发明实施例所提供的一种医学图像伪影自动校正方法、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 (10)
1.一种医学图像伪影自动校正方法，其特征在于，所述方法包括：
获取第一样本医学图像的第一探测数据，根据所述第一探测数据确定所述第一样本医学图像中伪影的传播规律信息和扰动规律信息；
根据所述第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型；
获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型；
根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正；其中，所述循环一致对抗网络模型输出的图像为所述待校正的医学图像去伪影后的图像，所述循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。
2.根据权利要求1所述的方法，其特征在于，所述获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型，包括：
对所述第二探测数据进行反投影重建，得到反投影重建图像数据；
对所述反投影重建图像数据进行归一化处理，得到归一化反投影图像数据；
将所述归一化反投影图像数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型。
3.根据权利要求1所述的方法，其特征在于，所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，包括：
将所述包含标注索引的伪影的所述待校正的医学图像进行Radon变换，得到投影域数据；
将所述投影域数据进行归一化处理，得到目标医学图像数据；
将目标医学图像数据输入循环一致对抗网络模型中。
4.根据权利要求1所述的方法，其特征在于，所述伪影类型为多种，所述根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：
根据各伪影类型对所述待校正的医学图像中各伪影进行索引标注；
根据各伪影类型确定对应的循环一致对抗网络模型；
将包含标注索引的各伪影的所述待校正的医学图像分别输入对应的循环一致对抗网络模型中，得到各对应的医学图像校正数据；
将各对应的医学图像校正数据进行数据融合，以对所述待校正的医学图像进行自动化校正；
其中，数据融合后的图像数据为所述待校正的医学图像去伪影后的图像，所述数据融合包括将所述各对应的医学图像校正数据中的特征图像数据进行融合处理。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多种伪影混淆情况或多种不同伪影表征相似的情况时，确定出第一目标循环一致对抗网络模型，所述第一目标循环一致对抗网络模型根据多种类型的伪影的各种类型的特征图像进行训练得到；
所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第一目标循环一致对抗网络模型中，以使用所述第一目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多尺度方向且各尺度方向异性的伪影时，确定出第二目标循环一致对抗网络模型，所述第二目标循环一致对抗网络模型根据多尺度方向场处理后的伪影测量数据进行训练得到；
所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第二目标循环一致对抗网络模型中，以使用所述第二目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。
7.根据权利要求1所述的方法，其特征在于，所述循环一致对抗网络模型用于对所述包含标注索引的伪影的所述待校正的医学图像中的各伪影进行特征分析和提取，以基于所述各伪影特征差异进行自动化校正；其中，所述各伪影的特征包括梯度特征、均值特征以及边缘特征中的一项或多项。
8.一种医学图像伪影自动校正装置，其特征在于，所述装置包括：
第一获取模块，用于获取第一样本医学图像的第一探测数据，根据所述第一探测数据确定所述第一样本医学图像中伪影的传播规律信息和扰动规律信息；
构建模块，用于根据所述第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型；
第二获取模块，用于获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型；
校正模块，用于根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正；其中，所述循环一致对抗网络模型输出的图像为所述待校正的医学图像去伪影后的图像，所述循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。
9.一种计算机设备，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7中任一项所述方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010909542.6A CN112037146B (zh) | 2020-09-02 | 2020-09-02 | 医学图像伪影自动校正方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010909542.6A CN112037146B (zh) | 2020-09-02 | 2020-09-02 | 医学图像伪影自动校正方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112037146A true CN112037146A (zh) | 2020-12-04 |
| CN112037146B CN112037146B (zh) | 2023-12-22 |
Family
ID=73591159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010909542.6A Active CN112037146B (zh) | 2020-09-02 | 2020-09-02 | 医学图像伪影自动校正方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112037146B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554563A (zh) * | 2021-07-23 | 2021-10-26 | 上海友脉科技有限责任公司 | 一种医学图像处理方法、介质及电子设备 |
| CN113689359A (zh) * | 2021-09-23 | 2021-11-23 | 上海联影医疗科技股份有限公司 | 一种图像伪影去除模型及其训练方法和系统 |
| CN113781461A (zh) * | 2021-09-16 | 2021-12-10 | 人工智能与数字经济广东省实验室(广州) | 一种病人智能监控排序方法 |
| CN115222755A (zh) * | 2022-09-15 | 2022-10-21 | 湖南中聚内窥镜有限公司 | 一种基于医疗成像设备的医疗图像目标分割方法及装置 |
| CN117808718A (zh) * | 2024-02-29 | 2024-04-02 | 江西科技学院 | 基于互联网的提升医学影像数据质量的方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472754A (zh) * | 2018-11-06 | 2019-03-15 | 电子科技大学 | 基于图像修复的ct图像金属伪影消除方法 |
| US20190128989A1 (en) * | 2017-11-01 | 2019-05-02 | Siemens Healthcare Gmbh | Motion artifact reduction of magnetic resonance images with an adversarial trained network |
| CN110264421A (zh) * | 2019-06-13 | 2019-09-20 | 明峰医疗系统股份有限公司 | 一种ct坏通道校正方法 |
| CN110264535A (zh) * | 2019-06-13 | 2019-09-20 | 明峰医疗系统股份有限公司 | 一种去除ct锥束伪影的重建方法 |
| US20190333219A1 (en) * | 2018-04-26 | 2019-10-31 | Elekta, Inc. | Cone-beam ct image enhancement using generative adversarial networks |
| 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 |
| CN110728727A (zh) * | 2019-09-03 | 2020-01-24 | 天津大学 | 一种低剂量能谱ct投影数据的恢复方法 |
| CN110738675A (zh) * | 2019-07-02 | 2020-01-31 | 河北科技大学 | 一种探地雷达图像边缘检测中去除伪影干扰的方法 |
| CN110866880A (zh) * | 2019-11-14 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 图像伪影检测方法、装置、设备和存储介质 |
| CN111583152A (zh) * | 2020-05-11 | 2020-08-25 | 福建帝视信息科技有限公司 | 基于U-net结构的图像伪影检测与自动去除方法 |
-
2020
- 2020-09-02 CN CN202010909542.6A patent/CN112037146B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190128989A1 (en) * | 2017-11-01 | 2019-05-02 | Siemens Healthcare Gmbh | Motion artifact reduction of magnetic resonance images with an adversarial trained network |
| US20190333219A1 (en) * | 2018-04-26 | 2019-10-31 | Elekta, Inc. | Cone-beam ct image enhancement using generative adversarial networks |
| CN109472754A (zh) * | 2018-11-06 | 2019-03-15 | 电子科技大学 | 基于图像修复的ct图像金属伪影消除方法 |
| CN110264421A (zh) * | 2019-06-13 | 2019-09-20 | 明峰医疗系统股份有限公司 | 一种ct坏通道校正方法 |
| CN110264535A (zh) * | 2019-06-13 | 2019-09-20 | 明峰医疗系统股份有限公司 | 一种去除ct锥束伪影的重建方法 |
| CN110738675A (zh) * | 2019-07-02 | 2020-01-31 | 河北科技大学 | 一种探地雷达图像边缘检测中去除伪影干扰的方法 |
| 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 |
| CN110728727A (zh) * | 2019-09-03 | 2020-01-24 | 天津大学 | 一种低剂量能谱ct投影数据的恢复方法 |
| 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 |
| CN110866880A (zh) * | 2019-11-14 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 图像伪影检测方法、装置、设备和存储介质 |
| CN111583152A (zh) * | 2020-05-11 | 2020-08-25 | 福建帝视信息科技有限公司 | 基于U-net结构的图像伪影检测与自动去除方法 |
Non-Patent Citations (4)
| Title |
|---|
| HARMS J 等: "Paired cycle‐GAN‐based image correction for quantitative cone‐beam computed tomography", 《MEDICAL PHYSICS》, vol. 46, no. 9, pages 3998 - 4009 * |
| 肖文 等: "CT图像的金属伪影校正方法综述", 《中国体视学与图像分析》, no. 01, pages 29 - 36 * |
| 蔡鑫鑫 等: "结构保持生成对抗网络的SD-OCT图像去噪方法", 《计算机辅助设计与图形学学报》, vol. 32, no. 2020, pages 751 - 758 * |
| 陈锟 等: "生成对抗网络在医学图像处理中的应用", 《生命科学仪器>》, no. 1, pages 71 - 80 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554563A (zh) * | 2021-07-23 | 2021-10-26 | 上海友脉科技有限责任公司 | 一种医学图像处理方法、介质及电子设备 |
| CN113554563B (zh) * | 2021-07-23 | 2024-05-14 | 上海友脉科技有限责任公司 | 一种医学图像处理方法、介质及电子设备 |
| CN113781461A (zh) * | 2021-09-16 | 2021-12-10 | 人工智能与数字经济广东省实验室(广州) | 一种病人智能监控排序方法 |
| CN113689359A (zh) * | 2021-09-23 | 2021-11-23 | 上海联影医疗科技股份有限公司 | 一种图像伪影去除模型及其训练方法和系统 |
| CN113689359B (zh) * | 2021-09-23 | 2024-05-14 | 上海联影医疗科技股份有限公司 | 一种图像伪影去除模型及其训练方法和系统 |
| CN115222755A (zh) * | 2022-09-15 | 2022-10-21 | 湖南中聚内窥镜有限公司 | 一种基于医疗成像设备的医疗图像目标分割方法及装置 |
| CN115222755B (zh) * | 2022-09-15 | 2023-01-06 | 湖南中聚内窥镜有限公司 | 一种基于医疗成像设备的医疗图像目标分割方法及装置 |
| CN117808718A (zh) * | 2024-02-29 | 2024-04-02 | 江西科技学院 | 基于互联网的提升医学影像数据质量的方法及系统 |
| CN117808718B (zh) * | 2024-02-29 | 2024-05-24 | 江西科技学院 | 基于互联网的提升医学影像数据质量的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112037146B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112037146B (zh) | 医学图像伪影自动校正方法、装置和计算机设备 | |
| CN110689038B (zh) | 神经网络模型的训练方法、装置和医学图像处理系统 | |
| CN111292314B (zh) | 冠脉分段方法、装置、图像处理系统和存储介质 | |
| WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
| CN105096310B (zh) | 利用多通道特征在磁共振图像中分割肝脏的方法和系统 | |
| US20130071816A1 (en) | Methods and systems for building a universal dress style learner | |
| CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
| US11972571B2 (en) | Method for image segmentation, method for training image segmentation model | |
| CN109146891B (zh) | 一种应用于mri的海马体分割方法、装置及电子设备 | |
| CN110796135A (zh) | 目标的定位方法及装置、计算机设备、计算机存储介质 | |
| CN112102294A (zh) | 生成对抗网络的训练方法及装置、图像配准方法及装置 | |
| CN116309571B (zh) | 一种基于半监督学习的三维脑血管分割方法和装置 | |
| Mairhofer et al. | Visual tracking for the recovery of multiple interacting plant root systems from X-ray\upmu μ CT images | |
| CN114155193B (zh) | 一种基于特征强化的血管分割方法及装置 | |
| CN108597589B (zh) | 模型生成方法、目标检测方法及医学成像系统 | |
| CN111080592A (zh) | 一种基于深度学习的肋骨提取方法及装置 | |
| CN114387317A (zh) | Ct图像和mri三维图像的配准方法、装置 | |
| CN111369494B (zh) | 冬小麦穗密度检测方法及装置 | |
| CN113724185A (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
| CN116563305A (zh) | 一种血管的异常区域的分割方法、装置及电子设备 | |
| CN112750124B (zh) | 模型生成、图像分割方法、装置、电子设备及存储介质 | |
| CN115880358A (zh) | 定位模型的构建方法、影像标志点的定位方法及电子设备 | |
| CN114241198A (zh) | 获取局部影像组学特征的方法、装置、设备以及存储介质 | |
| CN113888663A (zh) | 重建模型训练方法、异常检测方法、装置、设备及介质 | |
| Shen et al. | Efficient 3D junction detection in biomedical images based on a circular sampling model and reverse mapping |
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 |