CN112101523A - 基于深度学习的cbct图像跨模态预测cta图像的卒中风险筛查方法和系统 - Google Patents
基于深度学习的cbct图像跨模态预测cta图像的卒中风险筛查方法和系统 Download PDFInfo
- Publication number
- CN112101523A CN112101523A CN202010857268.2A CN202010857268A CN112101523A CN 112101523 A CN112101523 A CN 112101523A CN 202010857268 A CN202010857268 A CN 202010857268A CN 112101523 A CN112101523 A CN 112101523A
- Authority
- CN
- China
- Prior art keywords
- image
- angiography
- cbct
- cta
- deep learning
- 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.)
- Pending
Links
- 238000007408 cone-beam computed tomography Methods 0.000 title claims abstract description 43
- 208000006011 Stroke Diseases 0.000 title claims abstract description 35
- 238000010968 computed tomography angiography Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012216 screening Methods 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000002583 angiography Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000008485 antagonism Effects 0.000 claims abstract description 27
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 210000001715 carotid artery Anatomy 0.000 claims abstract description 9
- 206010007687 Carotid artery stenosis Diseases 0.000 claims abstract description 6
- 238000005452 bending Methods 0.000 claims abstract description 6
- 208000006170 carotid stenosis Diseases 0.000 claims abstract description 6
- 239000002872 contrast media Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 abstract 1
- 230000002490 cerebral effect Effects 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000002347 injection Methods 0.000 description 8
- 239000007924 injection Substances 0.000 description 8
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001990 intravenous administration Methods 0.000 description 2
- 229910052740 iodine Inorganic materials 0.000 description 2
- 239000011630 iodine Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 208000009304 Acute Kidney Injury Diseases 0.000 description 1
- 206010058558 Hypoperfusion Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 208000012266 Needlestick injury Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000004004 carotid artery internal Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 229940039231 contrast media Drugs 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000004053 dental implant Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000502 dialysis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 231100000417 nephrotoxicity Toxicity 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000019432 tissue death Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
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
本发明提供了一种基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查方法和系统，包括：步骤1：构建循环对抗性生成网络模型；步骤2：通过CBCT图像及其对应的造影图像数据训练循环对抗性生成网络模型；步骤3：将测试图像输入至已训练好的循环对抗性生成网络模型，生成血管造影CT图像；步骤4：根据血管造影CT图像中颈动脉的形态、颈动脉狭窄程度及弯曲度预测卒中风险。本发明基于深度学习模型，将非增强CBCT图像转换为增强CT血管造影图像，进行颈动脉血管分割提取，量化计算颈动脉狭窄程度和弯曲度，进而预测脑卒中风险，为临床获取CTA图像及诊断提供了一种便捷、经济、高效的新途径。
Description
技术领域
本发明涉及医学图像处理技术领域，具体地，涉及一种基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查方法和系统。
背景技术
中风是最常见的脑血管疾病，也是全世界死亡和长期残疾的主要原因之一。缺血性卒中是最常见的卒中类型，占所有卒中病例的75-85％，是由于颈内动脉闭塞和狭窄导致脑供血障碍，可在几小时内导致组织缺氧(灌注不足)和组织死亡。脑卒中已成为我国第一位死亡原因，也是中国成年人残疾的首要原因，脑卒中具有发病率高、死亡率高和致残率高的特点。由于一直缺乏有效的治疗手段，目前认为预防是最好的措施。
目前，通过注射静脉(IV)造影剂，生成CT血管造影(CTA)是血管系统可视化的最佳途径，也是医师能够及早发现脑卒中的有效判据。虽然CTA可以提供对血管树结构的独特洞察力，但它也有几个缺点。CTA在碘过敏患者中是禁忌的，因为大多数药剂都是以碘为基础的。此外，给药造影剂需要插入针头。这会引起额外的不适，并与并发症有关，包括不慎被针刺穿动脉，以及静脉造影剂渗漏导致刺激甚至损伤皮肤。此外，造影剂具有肾毒性，使用后急性肾损伤(造影剂诱导的肾病)发生率高达12％。这在老年人群中尤其是一个问题，他们要么基线肾功能下降，要么伴有慢性肾脏疾病。在这些高危患者中，存在公认的完全肾功能衰竭的风险，甚至可能导致肾透析。
锥形束CT(cone-beam-CT，CBCT)是医师判断分析患者口内颌面外状况和病理特征的重要依据。患者在做正畸、种植牙等治疗前都需要拍摄CBCT图像，我们假设从非增强CBCT获得的原始数据包含足够的信息来区分血液和其他软组织成分。使用深度学习方法，软组织不同成分之间的微妙之处可以被定义和放大，从而能够模拟真实的对比增强的CT图像，而不需要注射造影剂，将能有效的提高脑卒中的诊断效能和早期筛查效率。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查方法和系统。
根据本发明提供的基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查方法，包括：
步骤1：构建循环对抗性生成网络模型；
步骤2：通过CBCT图像及其对应的造影图像数据训练循环对抗性生成网络模型；
步骤3：将测试图像输入至已训练好的循环对抗性生成网络模型，生成血管造影CT图像；
步骤4：根据血管造影CT图像中颈动脉的形态、颈动脉狭窄程度及弯曲度预测卒中风险。
优选的，所述循环对抗性生成网络模型包括：编码器、生成器和判别器；
所述编码器用于编码高阶特征；
所述生成器用于解码高阶特征并获得生成的血管造影CT图像；
所述判别器用于鉴别生成的血管造影图像和真实注射造影剂的CT图像的相似性。
优选的，所述编码器、生成器和判别器均包括二维卷积层、修正线性单元层、池化层、批归一化层和全连接层。
优选的，所述对抗性生成网络模型的训练方法包括：
步骤5：获取血管造影CT图像及其对应的CBCT图像，将CBCT图像数据的正弦图像分为训练图像和测试图像；
步骤6：通过编码器提取所述训练图像的高阶特征；
步骤7：通过生成器将高阶特征映射为生成的血管造影CT图像；
步骤8：通过判别器衡量所述生成的血管造影CT图像和注射造影剂的CT图像的相似性，并根据相似性进一步优化编码器、生成器和判别器；
重复执行步骤5至步骤8，直至超过预设模型训练次数。
优选的，所述判别器增加一个额外的最小二乘损失函数，用于改善产生式模型的训练。
根据本发明提供的基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查系统，包括：
模块M1：构建循环对抗性生成网络模型；
模块M2：通过CBCT图像及其对应的造影图像数据训练循环对抗性生成网络模型；
模块M3：将测试图像输入至已训练好的循环对抗性生成网络模型，生成血管造影CT图像；
模块M4：根据血管造影CT图像中颈动脉的形态、颈动脉狭窄程度及弯曲度预测卒中风险。
优选的，所述循环对抗性生成网络模型包括：编码器、生成器和判别器；
所述编码器用于编码高阶特征；
所述生成器用于解码高阶特征并获得生成的血管造影CT图像；
所述判别器用于鉴别生成的血管造影图像和真实注射造影剂的CT图像的相似性。
优选的，所述编码器、生成器和判别器均包括二维卷积层、修正线性单元层、池化层、批归一化层和全连接层。
优选的，所述对抗性生成网络模型的训练方法包括：
模块M5：获取血管造影CT图像及其对应的CBCT图像，将CBCT图像数据的正弦图像分为训练图像和测试图像；
模块M6：通过编码器提取所述训练图像的高阶特征；
模块M7：通过生成器将高阶特征映射为生成的血管造影CT图像；
模块M8：通过判别器衡量所述生成的血管造影CT图像和注射造影剂的CT图像的相似性，并根据相似性进一步优化编码器、生成器和判别器；
重复调用模块M5至模块M8，直至超过预设模型训练次数。
优选的，所述判别器增加一个额外的最小二乘损失函数，用于改善产生式模型的训练。
与现有技术相比，本发明具有如下的有益效果：
1、本发明基于深度学习模型，将非增强CBCT图像转换为增强CT血管造影图像，进而预测脑卒中风险，为临床获取CTA图像，及早预测卒中风险提供了一种便捷、经济、高效的新途径；
2、相比于现有CBCT颈动脉区域分辨率不高，对比度差等问题，本发明有效解决这一问题，可以对卒中风险进行早期筛查和预警，也避免患者重复做CT检查，减少了放射曝光剂量。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明方法的流程图；
图2为本发明的循环对抗性生成网络的流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例：
如图1，根据本发明提供的基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查方法，包括如下步骤：
步骤1：构建循环对抗性生成网络模型；
如图2所示，是本发明中循环对抗性生成网络模型的结构示意图，循环对抗性生成网络模型包括：编码器、生成器和判别器，编码器、生成器和判别器主要包括：三维卷积层、ReLU层(修正线性单元层)、池化层、Batch Normalization层(批归一化层)和Full Connect层(全连接层)，卷积层步长优选：3*3*3，池化层采用最大池化。
步骤101：利用编码器编码高阶特征；
编码器基于AlexNet或者ResNet、DenseNet、Inception等卷积网络架构，对于输入图像，使用前5个卷积图层或者任意卷积层数的特征向量和下面的池化图层来计算抽象的高维度特征表示，具体网络选择及参数设置，根据图像的数量及分辨率进行用户合理设置。
步骤102：利用生成器来解码编码器得到的高阶特征。
步骤103：利用判别器鉴别生成的血管造影CT图像和真实注射造影剂的CT图像的相似性；
将生成器的生成血管造影CT图像和真实注射造影剂的CT图像作为判别器的输入；判别器能够通过训练，使得生成的血管造影CT图像与真实注射造影剂的CT图像的损失函数变大，尽可能的鉴别生成的血管造影CT图像和真实注射造影剂的CT图像。
步骤104：利用判别器得到的损失函数来反向优化生成器；
生成器根据判别器的损失函数，通过训练，不断降低生成图像与真实图像的损失函数，使得生成的血管造影CT图像尽可能的与真实注射造影剂的CT图像相似。
步骤2：利用真实注射造影剂的CT图像和非真实注射造影剂的CT图像来训练对抗性生成网络模型；
训练对抗性生成网络模型的具体方法如下：
步骤201：获取真实注射造影剂的CT图像和非对比增强的CT图像。将一部分非对比增强的CT图像作为训练图像，真实注射造影剂的CT图像作为标签图像，将另一部分非对比增强的CT图像作为测试图像。
步骤202：利用基于卷积神经网络的上下文编码器提取训练图像的高阶特征；
步骤203：将编码器提取高阶特征作为生成器的输入数据，将高阶特征映射为生成的血管造影CT图像；
GAN(生成对抗网络)的目标是寻找到一个可以最大可能的区分真实和生成数据的判别器，同时促进生成器网络的生成图像更加接近真实图像。GAN的目标是最小化二乘损失函数。
步骤204：将真实注射造影剂的CT图像和生成的血管造影CT图像作为判别器的输入参数，使用联合损失函数衡量上述两图像的相似性并进一步优化编码器、生成器、判别器；
步骤3：将CBCT图像输入至已训练好的对抗性生成模型，基于CBCT图像对血管造影CT图像进行预测，获取完整的对比增强CT图像。
步骤4：基于获取的完整对比增强CT图像，根据颈动脉的形态，主要包括颈动脉的狭窄程度和弯曲度来进一步预测脑卒中风险。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查方法，其特征在于，包括：
步骤1：构建循环对抗性生成网络模型；
步骤2：通过CBCT图像及其对应的造影图像数据训练循环对抗性生成网络模型；
步骤3：将测试图像输入至已训练好的循环对抗性生成网络模型，生成血管造影CT图像；
步骤4：根据血管造影CT图像中颈动脉的形态、颈动脉狭窄程度及弯曲度预测卒中风险。
2.根据权利要求1所述的基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查方法，其特征在于，所述循环对抗性生成网络模型包括：编码器、生成器和判别器；
所述编码器用于编码高阶特征；
所述生成器用于解码高阶特征并获得生成的血管造影CT图像；
所述判别器用于鉴别生成的血管造影图像和真实注射造影剂的CT图像的相似性。
3.根据权利要求2所述的基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查方法，其特征在于，所述编码器、生成器和判别器均包括二维卷积层、修正线性单元层、池化层、批归一化层和全连接层。
4.根据权利要求2所述的基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查方法，其特征在于，所述对抗性生成网络模型的训练方法包括：
步骤5：获取血管造影CT图像及其对应的CBCT图像，将CBCT图像数据的正弦图像分为训练图像和测试图像；
步骤6：通过编码器提取所述训练图像的高阶特征；
步骤7：通过生成器将高阶特征映射为生成的血管造影CT图像；
步骤8：通过判别器衡量所述生成的血管造影CT图像和注射造影剂的CT图像的相似性，并根据相似性进一步优化编码器、生成器和判别器；
重复执行步骤5至步骤8，直至超过预设模型训练次数。
5.根据权利要求3所述的基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查方法，其特征在于，所述判别器增加一个额外的最小二乘损失函数，用于改善产生式模型的训练。
6.一种基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查系统，其特征在于，包括：
模块M1：构建循环对抗性生成网络模型；
模块M2：通过CBCT图像及其对应的造影图像数据训练循环对抗性生成网络模型；
模块M3：将测试图像输入至已训练好的循环对抗性生成网络模型，生成血管造影CT图像；
模块M4：根据血管造影CT图像中颈动脉的形态、颈动脉狭窄程度及弯曲度预测卒中风险。
7.根据权利要求6所述的基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查系统，其特征在于，所述循环对抗性生成网络模型包括：编码器、生成器和判别器；
所述编码器用于编码高阶特征；
所述生成器用于解码高阶特征并获得生成的血管造影CT图像；
所述判别器用于鉴别生成的血管造影图像和真实注射造影剂的CT图像的相似性。
8.根据权利要求7所述的基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查系统，其特征在于，所述编码器、生成器和判别器均包括二维卷积层、修正线性单元层、池化层、批归一化层和全连接层。
9.根据权利要求7所述的基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查系统，其特征在于，所述对抗性生成网络模型的训练方法包括：
模块M5：获取血管造影CT图像及其对应的CBCT图像，将CBCT图像数据的正弦图像分为训练图像和测试图像；
模块M6：通过编码器提取所述训练图像的高阶特征；
模块M7：通过生成器将高阶特征映射为生成的血管造影CT图像；
模块M8：通过判别器衡量所述生成的血管造影CT图像和注射造影剂的CT图像的相似性，并根据相似性进一步优化编码器、生成器和判别器；
重复调用模块M5至模块M8，直至超过预设模型训练次数。
10.根据权利要求8所述的基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查系统，其特征在于，所述判别器增加一个额外的最小二乘损失函数，用于改善产生式模型的训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010857268.2A CN112101523A (zh) | 2020-08-24 | 2020-08-24 | 基于深度学习的cbct图像跨模态预测cta图像的卒中风险筛查方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010857268.2A CN112101523A (zh) | 2020-08-24 | 2020-08-24 | 基于深度学习的cbct图像跨模态预测cta图像的卒中风险筛查方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112101523A true CN112101523A (zh) | 2020-12-18 |
Family
ID=73754345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010857268.2A Pending CN112101523A (zh) | 2020-08-24 | 2020-08-24 | 基于深度学习的cbct图像跨模态预测cta图像的卒中风险筛查方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101523A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907563A (zh) * | 2021-03-17 | 2021-06-04 | 复旦大学附属华山医院 | 基于深度学习的cta全自动侧枝循环评分方法及系统 |
| CN113017667A (zh) * | 2021-02-05 | 2021-06-25 | 上海市第六人民医院 | 一种血管狭窄的量化方法、装置、设备和可读存储介质 |
| CN113205567A (zh) * | 2021-04-25 | 2021-08-03 | 复旦大学 | 基于深度学习的mri影像合成ct影像的方法 |
| CN114494482A (zh) * | 2021-12-24 | 2022-05-13 | 中国人民解放军总医院第一医学中心 | 一种基于平扫ct生成ct血管成像的方法 |
| CN115063657A (zh) * | 2022-06-08 | 2022-09-16 | 北京航空航天大学 | 基于异构特征融合的缺血性脑卒中发病风险预测模型 |
| WO2022179896A3 (en) * | 2021-02-26 | 2022-10-06 | Bayer Aktiengesellschaft | Actor-critic approach for generating synthetic images |
| CN115512182A (zh) * | 2022-09-26 | 2022-12-23 | 中国人民解放军总医院第一医学中心 | 一种基于聚焦学习的ct血管造影智能成像方法 |
| WO2024022485A1 (zh) * | 2022-07-29 | 2024-02-01 | 中国人民解放军总医院第一医学中心 | 基于多尺度判别的计算机血管造影成像合成方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20190333219A1 (en) * | 2018-04-26 | 2019-10-31 | Elekta, Inc. | Cone-beam ct image enhancement using generative adversarial networks |
-
2020
- 2020-08-24 CN CN202010857268.2A patent/CN112101523A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190333219A1 (en) * | 2018-04-26 | 2019-10-31 | Elekta, Inc. | Cone-beam ct image enhancement using generative adversarial networks |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 郭元星: "双能量CT的脑卒中超早期快速筛查研究进展", 中风与神经疾病杂志, 31 May 2014 (2014-05-31), pages 475 - 477 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113017667A (zh) * | 2021-02-05 | 2021-06-25 | 上海市第六人民医院 | 一种血管狭窄的量化方法、装置、设备和可读存储介质 |
| CN113017667B (zh) * | 2021-02-05 | 2024-09-24 | 上海市第六人民医院 | 一种血管狭窄的量化方法、装置、设备和可读存储介质 |
| WO2022179896A3 (en) * | 2021-02-26 | 2022-10-06 | Bayer Aktiengesellschaft | Actor-critic approach for generating synthetic images |
| CN112907563A (zh) * | 2021-03-17 | 2021-06-04 | 复旦大学附属华山医院 | 基于深度学习的cta全自动侧枝循环评分方法及系统 |
| CN112907563B (zh) * | 2021-03-17 | 2023-12-01 | 复旦大学附属华山医院 | 基于深度学习的cta全自动侧枝循环评分方法及系统 |
| CN113205567A (zh) * | 2021-04-25 | 2021-08-03 | 复旦大学 | 基于深度学习的mri影像合成ct影像的方法 |
| CN114494482A (zh) * | 2021-12-24 | 2022-05-13 | 中国人民解放军总医院第一医学中心 | 一种基于平扫ct生成ct血管成像的方法 |
| CN115063657A (zh) * | 2022-06-08 | 2022-09-16 | 北京航空航天大学 | 基于异构特征融合的缺血性脑卒中发病风险预测模型 |
| WO2024022485A1 (zh) * | 2022-07-29 | 2024-02-01 | 中国人民解放军总医院第一医学中心 | 基于多尺度判别的计算机血管造影成像合成方法 |
| CN115512182A (zh) * | 2022-09-26 | 2022-12-23 | 中国人民解放军总医院第一医学中心 | 一种基于聚焦学习的ct血管造影智能成像方法 |
| WO2024066711A1 (zh) * | 2022-09-26 | 2024-04-04 | 中国人民解放军总医院第一医学中心 | 一种基于聚焦学习的ct血管造影智能成像方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101523A (zh) | 基于深度学习的cbct图像跨模态预测cta图像的卒中风险筛查方法和系统 | |
| JP7235710B2 (ja) | 患者固有の幾何学的形状モデルを変更することによって治療を決定する方法及びシステム | |
| CN108511075B (zh) | 一种非侵入式获取血流储备分数的方法和系统 | |
| Hassan et al. | Computational replicas: anatomic reconstructions of cerebral vessels as volume numerical grids at three-dimensional angiography | |
| KR101910233B1 (ko) | 맥관구조를 수치 평가하는 시스템들 및 방법들 | |
| EP2800517B1 (en) | Method and system for sensitivity analysis in modeling blood flow characteristics | |
| CN105051784B (zh) | 对模拟准确度和性能的图像质量评估 | |
| CN113241183B (zh) | 治疗方案预测方法及装置 | |
| CN114073536A (zh) | 灌注成像系统及方法 | |
| CN114052764B (zh) | 获取血流储备分数的方法、装置、系统和计算机存储介质 | |
| Sen et al. | A comparison of medical image segmentation methods for cerebral aneurysm computational hemodynamics | |
| Kot et al. | U-Net and active contour methods for brain tumour segmentation and visualization | |
| Smith et al. | Automated measurement of skull circumference, cranial index, and braincase volume from pediatric computed tomography | |
| CN114092425A (zh) | 基于弥散加权图像的脑缺血评分方法、电子设备及介质 | |
| Wu et al. | Clinical tooth segmentation based on local enhancement | |
| CN113706541A (zh) | 一种图像处理方法及装置 | |
| Lin et al. | Computed tomography images under optimized iterative reconstruction algorithm for blood flow field characteristics in cerebral aneurysm before and after stent implantation | |
| Scalzo et al. | Computational hemodynamics in intracranial vessels reconstructed from biplane angiograms | |
| KR20160131493A (ko) | 조영제 분포의 컴퓨터 시뮬레이션을 통한 관상동맥의 삼차원 모델링 검증 방법 | |
| Khajehpour et al. | Heart Motion Estimation Using a Deformable Model and Multislice Computerized Tomography Images. | |
| Şahin et al. | Automated Segmentation of Dental Structures in Panoramic Radiographs Using U-Net 3+ | |
| CN117974831A (zh) | 消除多中心成像差异的spect图像重建方法及系统 | |
| Yaz et al. | Methodology for Determination of Small Intestine Phantom Length Based on Computerized Tomography Images | |
| YAZ et al. | Methodology for determination of small intestine phantom length based on computerized tomography images Bilgisayarlı tomografi görüntülerine dayalı ince bağırsak fantom uzunluğunu belirleme metodolojisi | |
| Dobo-Nagy et al. | Intelligent Assisting Tools for Endodontic Treatment |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210225 Address after: 200131 building C, No. 888, Huanhu West 2nd Road, Lingang New District, Pudong New Area pilot Free Trade Zone, Shanghai Applicant after: Fuying (Shanghai) Medical Technology Co.,Ltd. Address before: 200040 No. 12 middle Urumqi Road, Shanghai, Jingan District Applicant before: HUASHAN HOSPITAL, FUDAN University |
|
| TA01 | Transfer of patent application right |