CN112150569A - 将cbct图像生成为ct图像的方法、装置及终端设备 - Google Patents
将cbct图像生成为ct图像的方法、装置及终端设备 Download PDFInfo
- Publication number
- CN112150569A CN112150569A CN202011016725.1A CN202011016725A CN112150569A CN 112150569 A CN112150569 A CN 112150569A CN 202011016725 A CN202011016725 A CN 202011016725A CN 112150569 A CN112150569 A CN 112150569A
- Authority
- CN
- China
- Prior art keywords
- image
- cbct
- value
- training
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像处理领域,其实施方式提供了一种将CBCT图像生成为CT图像的方法,所述方法包括:将待转化的CBCT图像输入训练好的CycleGAN模型,生成对应的CT图像;所述训练好的CycleGAN模型采用以下步骤获得:选择或构建CycleGAN模型;采用CBCT图像和CT图像组成的训练样本对所述CycleGAN模型进行训练。同时还提供了对应的将CBCT图像生成为CT图像的装置,以及一种终端设备。本发明提供的实施方式适用于医学图像中的CBCT图像与CT图像的相互转化。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种将CBCT图像生成为CT图像的方法、一种将CBCT图像生成为CT图像的装置、一种终端设备以及对应的存储介质。
背景技术
颌面部骨折是交通事故、意外伤害、竞技运动等事故中常见的外伤类型。因为其解剖结构复杂多样,仅依靠临床症状及体征的诊断难度较大,常需要影像学的辅助诊断。其中锥形束CT(CBCT)的三维影像既能够更加清晰、直观地表现骨折的位置及移位的方向,又拥有传统CT所不具备的放射剂量低、空间分辨率高、应用方便等优点,近年来被广泛应用于颌面部肿瘤、整形等手术和关节病的辅助检查中。上述优点也使得CBCT在冬奥会等大型活动的现场外伤急症救治的诊疗中具有较好的应用前景。然而CBCT图像中包含大量信息,仅通过临床医生的视觉检查难以全面准确评估诸如骨骼结构、边界和隐匿骨折线等细节。因此,传统诊疗模式在处理以“快速、准确、高效”为特点的大型赛事及突发事件现场的救治存在较大困难。
近年来,深度学习技术已逐步用于医学领域,在检测癌症、白内障、骨折、脑出血等疾病方面均有较好的效果。其中卷积神经网络(CNN)是医学图像诊断方面最尖端的技术,其高精确性和稳定性弥补了人眼诊断漏诊和误诊的不足,在肺结核、肺结节CT图像、乳腺癌、脑部病变及白内障分级等疾病分类的精确度已证明达到了人类专家的级别。基于CBCT的颌面部骨折的人工智能诊断技术诊断需要基于一定数量CBCT的数据库训练,但目前颌面部骨折多使用螺旋CT辅助诊断,CBCT数据量不足,使得训练效果难以达到诊断要求。
GAN(Generative Adversarial Networks):生成式对抗网络,是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。CycleGAN属于GAN的其中一种。
发明内容
有鉴于此,本发明旨在提出一种将CBCT图像生成为CT图像的方法、装置及设备,以至少部分地解决上述问题。
在本发明的第一方面,提供了一种将CBCT图像生成为CT图像的方法,所述方法包括:将待转化的CBCT图像输入训练好的CycleGAN模型,生成对应的CT图像;所述训练好的CycleGAN模型采用以下步骤获得:选择或构建CycleGAN模型;采用CBCT图像和CT图像组成的训练样本对所述CycleGAN模型进行训练。
可选的,所述CycleGAN模型包括两个生成器和两个判别器,所述生成器采用U-Net结构,所述判别器采用PatchGAN结构,所述CycleGAN模型的损失函数由身份损失、对抗损失及循环一致性损失组成,利用梯度下降法进行循环反复的模型权重更新。
可选的,所述CBCT图像和CT图像组成的训练样本,包括:从由CT样本和CBCT样本组成的训练数据集中,选择CT图像和CBCT图像组成图像对;将所述图像对进行预处理后得到所述训练样本。
可选的,所述将所述图像对进行预处理后得到所述训练样本,包括:将所述图像对中的CT图像的亨氏单位值或CBCT图像的像素灰度值映射至预设范围;提取像素灰度值映射后的图像对中的图像区域;对所述图像区域的灰度进行归一化,得到所述训练样本。
可选的,所述将所述图像对中的CT图像的亨氏单位值或CBCT图像的像素灰度值映射至预设范围,包括:将CT图像的亨氏单位值或CBCT图像的像素灰度值按照线性映射至[0,255],映射公式如下:
y=(x-xmin)/(xmax-xmin)*255
其中,y表示映射后的值,xmin表示CT最小的亨氏单位值或CBCT最小的像素灰度值,xmax表示CT最大的亨氏单位值或CBCT最大的像素灰度值。
可选的,所述提取像素灰度值映射后的图像对中的图像区域,包括:采用大津阈值分割法获取所述像素灰度值映射后的图像的二值掩膜图;采用形态学开闭运算对所述二值掩膜图进行处理;用处理后的二值掩膜图与预处理前的图像对进行点乘运算,得到中间图像;将所述二值掩膜图进行形态学膨胀运算,生成图像选择框;采用所述图像选择框从所述中间图像中提取出所述图像区域。
可选的,所述对所述图像区域的灰度进行归一化,包括:将所述图像区域的灰度范围从所述预设范围变换为[-1,1]之间。
可选的,所述训练好的CycleGAN模型,包括:采用包括多例CT样本和多例CBCT样本组成的训练数据集,迭代训练预设轮数;其中每例CT和CBCT样本均为由多张图像组成的图像序列。
在本发明的第二方面,还提供了一种将CBCT图像生成为CT图像的装置,所述装置包括:图像输入模块,用于获取待转化的CBCT图像;模型运算模块,用于将所述待转化的CBCT图像经过训练好的CycleGAN模型,生成对应的CT图像;图像输出模块,用于输出所述对应的CT图像。
在本发明的第三方面,还提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前述将CBCT图像生成为CT图像的方法的步骤。
在本发明第四方面,还提供一种计算机可读存储介质,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行前述的将CBCT图像生成为CT图像的方法。
通过本发明提供的上述技术方案,具有以下有益效果:本发明拟基于卷积神经网络算法,对颌面部骨折CBCT数据进行算法转换,生成对应CT图像特征的数据模型。进而对数据模型进行深度学习训练,测试集模型验证,借助人类经验学习人工智能辅助冻伤和颌面创伤诊断,形成智能化诊断平台,提高疾病诊治的稳定性和反应效率。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施方式及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明一种实施方式提供的将CBCT图像生成为CT图像的方法的流程示意图;
图2是本发明一种实施方式提供的提取图像区域步骤的实施示意图;
图3是本发明一种实施方式提供的将CBCT图像生成为CT图像的装置的结构示意图;
图4是本发明一种实施方式提供的终端设备的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施方式及实施方式中的特征可以相互组合。
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图1是本发明一种实施方式提供的将CBCT图像生成为CT图像的方法的流程示意图,如图1所示。在本发明的第一方面,提供了一种将CBCT图像生成为CT图像的方法,所述方法包括:选择或构建CycleGAN模型;采用CBCT图像和CT图像组成的训练样本对所述CycleGAN模型进行训练;将待转化的CBCT图像输入训练好的CycleGAN模型,生成对应的CT图像。在实际的实施方式中,上述的步骤可分为训练好的CycleGAN模型的构建步骤和使用步骤,即构建和使用可以是分离的。通过本实施方式构建的可用于CBCT图像转换的CycleGAN模型并对其训练,即属于本发明的一种实施方式。以及,将CBCT图像输入训练好的CycleGAN模型,并由此得到对应的CT图像也属于本发明的一种实施方式。
如此,利用CycleGAN的无需匹配即可实现转换的特性,将图像从一个域转换到另一个域。本发明提供的实施方式通过训练好的CycleGAN的这一特性,将CBCT图像转换为对应的CT图像,并保留原图像的特征信息,同时还具有转换快速和信息损失小的优点。
具体的,训练好的单向生成对抗网络(GAN)已经能够实现按需生成数据,CycleGAN在此基础上,可以实现无配对的两个图片集的训练,并通过这种训练创建一个映射来确保输入图像和生成图像间存在有意义的关联,即输入输出共享一些特征。构建CycleGAN模型是指通过:编码器、生成器和判别器,该编码器、生成器和判别器主要包含:卷积层、ReLU层、池化层和全连接层等,池化层优选最大池化。选择CycleGAN模型是指选择预定义好的模型,通过采用具有特定特征的训练数据对其进行训练,以使该模型具有对应的生成功能。
在本发明提供的一种实施方式中,所述CycleGAN模型包括两个生成器和两个判别器,所述生成器采用U-Net结构,所述判别器采用PatchGAN结构,所述CycleGAN模型的损失函数由身份损失、对抗损失及循环一致性损失组成,利用梯度下降法进行循环反复的模型权重更新。CycleGAN模型的上述结构能够保证输入图像和输出图像存在有意义的关联,而且不丢失输入图像的特征。
在本发明提供的一种实施方式中,所述CBCT图像和CT图像组成的训练样本,包括:从由CT样本和CBCT样本组成的训练数据集中,选择CT图像和CBCT图像组成图像对;将所述图像对进行预处理后得到所述训练样本。挑选200例CT样本和100例CBCT样本,组成深度学习训练数据集,每例CT或者CBCT样本都是由多张图像组成的图像序列。选择的CBCT和CT样本不要求来自相同病人的样本对。本实施方式通过设置适宜的训练样本,以使训练好的CycleGAN模型能够实现CBCT图像和CT图像之间的相互转换。
在本发明提供的一种实施方式中,所述将所述图像对进行预处理后得到所述训练样本,包括:将所述图像对中的CT图像的亨氏单位值或CBCT图像的像素灰度值映射至预设范围;提取像素灰度值映射后的图像对中的图像区域;对所述图像区域的灰度进行归一化,得到所述训练样本。对训练样本进行预处理,不仅能够通过灰度压缩实现减小数据体积,还能通过减少背景区域实现数据增强,以此提升CycleGAN模型的训练效果以及收敛速度。
在本发明提供的一种实施方式中,所述将所述图像对中的CT图像的亨氏单位值或CBCT图像的像素灰度值映射至预设范围,包括:将CT图像的亨氏单位值或CBCT图像的像素灰度值按照线性映射至[0,255],映射公式如下:
y=(x-xmin)/(xmax-xmin)*255
其中,y表示映射后的值,xmin表示CT最小的亨氏单位值或CBCT最小的像素灰度值,xmax表示CT最大的亨氏单位值或CBCT最大的像素灰度值。本实施方式通过将灰度值压缩为8位,以实现训练图像在灰度处理的一致性。
在本发明提供的一种实施方式中,所述提取像素灰度值映射后的图像对中的图像区域,包括:采用大津阈值分割法获取所述像素灰度值映射后的图像的二值掩膜图;采用形态学开闭运算对所述二值掩膜图进行处理;用处理后的二值掩膜图与预处理前的图像对进行点乘运算,得到中间图像;将所述二值掩膜图进行形态学膨胀运算,生成图像选择框;采用所述图像选择框从所述中间图像中提取出所述图像区域。具体的,对经过上一步骤处理过的CT或CBCT单层图像用大津阈值分割法(OTSU)获得二值掩膜图mask_ct和mask_cbct,然后用形态学开闭运算对mask_ct和mask_cbct进行后处理,然后用二值掩膜图和CT及CBCT图像做点乘运算,得到image_ct和image_cbct。图2是本发明一种实施方式提供的提取图像区域步骤的实施示意图,如图2所示,将mask_ct和mask_cbct进行形态学膨胀运算后,生成一个贴合矩形框,然后利用矩形框的位置将CT和CBCT图像中的感兴趣区域截取出来。截取出的CBCT图像或CT图像包括原图像中的细节,但图像灰度在本附图中无法进行展示。
在本发明提供的一种实施方式中,所述对所述图像区域的灰度进行归一化,包括:将所述图像区域的灰度范围从所述预设范围变换为[-1,1]之间。为了使得模型训练能够快速收敛,需要将经过上一步骤获得的图像按照下述公式进行归一化处理:y=(x/255-0.5)*2;其中,x表示原始灰度值,y表示归一化后的灰度值。通过以上公式,可以将图像的灰度值从前述的[0,255]区间映射到[-1,1]之间。
在本发明提供的一种实施方式中,所述训练好的CycleGAN模型,包括:采用包括多例CT样本和多例CBCT样本组成的训练数据集,迭代训练预设轮数;其中每例CT和CBCT样本均为由多张图像组成的图像序列。具体的,挑选200例CT样本和100例CBCT样本,组成深度学习训练数据集,每例CT或者CBCT样本都是由多张图像组成的图像序列。采用该300例样本进行深度学习模型训练,由于选择的CBCT和CT样本不要求来自相同病人的样本对,所以采用深度学习的无监督式生成对抗模型CycleGAN进行CT影像的生成训练。训练过程中,模型的输入为随机选择的CBCT和CT图像对,输出为生成的CT和CBCT图像对;在训练过程中,优选迭代训练70个epoch(轮)。训练完成后进行模型推理时,输入为CBCT图像,输出为生成的CT图像。
在本发明提供的一种实施方式中,还提供了一种将CBCT图像生成为CT图像的装置。图3是本发明一种实施方式提供的将CBCT图像生成为CT图像的装置的结构示意图,如图3所示。所述装置包括:图像输入模块,用于获取待转化的CBCT图像;模型运算模块,用于将所述待转化的CBCT图像经过训练好的CycleGAN模型,生成对应的CT图像;图像输出模块,用于输出所述对应的CT图像。
关于将CBCT图像生成为CT图像的装置的具体限定可以参见上文中对于将CBCT图像生成为CT图像的方法的限定,在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在本发明的一种实施方式中,还提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前述将CBCT图像生成为CT图像的方法的步骤。
图4是本发明一种实施方式提供的终端设备的示意图,如图4所示。所述终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备10可包括,但不仅限于,处理器100、存储器101。本领域技术人员可以理解,图4仅仅是终端设备10的示例,并不构成对终端设备10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,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器100可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101可以是终端设备10的内部存储单元,例如终端设备10的硬盘或内存。所述存储器101也可以是终端设备10的外部存储设备,例如所述终端设备10上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器101还可以既包括终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及终端设备10所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
本发明提供的实施方式针对CBCT图像和CT图像的转换复杂的问题,提供了一种将CBCT图像生成为CT图像的方法及装置,该方法采用当前的神经网络模型,提高了图像转换的速度,提升了转换效果。本发明的提供的实施方式应用于医学图像处理系统。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种将CBCT图像生成为CT图像的方法,其特征在于,所述方法包括:
将待转化的CBCT图像输入训练好的CycleGAN模型,生成对应的CT图像;所述训练好的CycleGAN模型采用以下步骤获得:
选择或构建CycleGAN模型;
采用CBCT图像和CT图像组成的训练样本对所述CycleGAN模型进行训练。
2.根据权利要求1所述的方法,其特征在于,所述CycleGAN模型包括两个生成器和两个判别器,所述生成器采用U-Net结构,所述判别器采用PatchGAN结构,所述CycleGAN模型的损失函数由身份损失、对抗损失及循环一致性损失组成,利用梯度下降法进行循环反复的模型权重更新。
3.根据权利要求1所述的方法,其特征在于,所述CBCT图像和CT图像组成的训练样本,包括:
从由CT样本和CBCT样本组成的训练数据集中,选择CT图像和CBCT图像组成图像对;
将所述图像对进行预处理后得到所述训练样本。
4.根据权利要求3所述的方法,其特征在于,所述将所述图像对进行预处理后得到所述训练样本,包括:
将所述图像对中的CT图像的亨氏单位值或CBCT图像的像素灰度值映射至预设范围;
提取像素灰度值映射后的图像对中的图像区域;
对所述图像区域的灰度进行归一化,得到所述训练样本。
5.根据权利要求4所述的方法,其特征在于,所述将所述图像对中的CT图像的亨氏单位值或CBCT图像的像素灰度值映射至预设范围,包括:将CT图像的亨氏单位值或CBCT图像的像素灰度值按照线性映射至[0,255],映射公式如下:
y=(x-xmin)/(xmax-xmin)*255
其中,y表示映射后的值,xmin表示CT最小的亨氏单位值或CBCT最小的像素灰度值,xmax表示CT最大的亨氏单位值或CBCT最大的像素灰度值。
6.根据权利要求4所述的方法,其特征在于,所述提取像素灰度值映射后的图像对中的图像区域,包括:
采用大津阈值分割法获取所述像素灰度值映射后的图像的二值掩膜图;
采用形态学开闭运算对所述二值掩膜图进行处理;
用处理后的二值掩膜图与预处理前的图像对进行点乘运算,得到中间图像;
将所述二值掩膜图进行形态学膨胀运算,生成图像选择框;
采用所述图像选择框从所述中间图像中提取出所述图像区域。
7.根据权利要求4所述的方法,其特征在于,所述对所述图像区域的灰度进行归一化,包括:
将所述图像区域的灰度范围从所述预设范围变换为[-1,1]之间。
8.根据权利要求1所述的方法,其特征在于,所述训练好的CycleGAN模型,包括:采用包括多例CT样本和多例CBCT样本组成的训练数据集,迭代训练预设轮数;其中每例CT和CBCT样本均为由多张图像组成的图像序列。
9.一种将CBCT图像生成为CT图像的装置,其特征在于,所述装置包括:
图像输入模块,用于获取待转化的CBCT图像;
模型运算模块,用于将所述待转化的CBCT图像经过训练好的CycleGAN模型,生成对应的CT图像;
图像输出模块,用于输出所述对应的CT图像。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的将CBCT图像生成为CT图像的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011016725.1A CN112150569A (zh) | 2020-09-24 | 2020-09-24 | 将cbct图像生成为ct图像的方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011016725.1A CN112150569A (zh) | 2020-09-24 | 2020-09-24 | 将cbct图像生成为ct图像的方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112150569A true CN112150569A (zh) | 2020-12-29 |
Family
ID=73896733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011016725.1A Pending CN112150569A (zh) | 2020-09-24 | 2020-09-24 | 将cbct图像生成为ct图像的方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150569A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112802032A (zh) * | 2021-01-19 | 2021-05-14 | 上海商汤智能科技有限公司 | 图像分割网络的训练和图像处理方法、装置、设备及介质 |
CN112862738A (zh) * | 2021-04-09 | 2021-05-28 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 多模态图像的合成方法、装置、存储介质及处理器 |
CN113538395A (zh) * | 2021-07-26 | 2021-10-22 | 四川大学华西医院 | 图像处理方法、装置、设备、可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408734A (zh) * | 2014-12-11 | 2015-03-11 | 山东师范大学 | 联合图像分割与形变配准技术的自适应目标区域转换方法 |
CN111524205A (zh) * | 2020-04-23 | 2020-08-11 | 北京信息科技大学 | 基于循环生成对抗网络的图像着色处理方法及装置 |
-
2020
- 2020-09-24 CN CN202011016725.1A patent/CN112150569A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408734A (zh) * | 2014-12-11 | 2015-03-11 | 山东师范大学 | 联合图像分割与形变配准技术的自适应目标区域转换方法 |
CN111524205A (zh) * | 2020-04-23 | 2020-08-11 | 北京信息科技大学 | 基于循环生成对抗网络的图像着色处理方法及装置 |
Non-Patent Citations (7)
Title |
---|
XIAO LIANG 等: "Generating synthesized computed tomography (CT) from cone-beam computed tomography (CBCT) using CycleGAN for adaptive radiation therapy", 《PHYSICS IN MEDICINE & BIOLIGY》 * |
冯莹莹 等: "《智能监控视频中运动目标跟踪方法研究》", 30 June 2018, 长春:吉林大学出版社 * |
崔吉等: "《工业视觉实用教程》", 31 October 2018, 上海:上海交通大学出版社 * |
李长云等: "《智能感知技术及在电气工程中的应用》", 31 May 2017, 成都:电子科技大学出版社 * |
杨杰等: "《医学影像分析和三维重建及其应用》", 31 January 2015, 上海:上海交通大学出版社 * |
王倩: "《CT图像中肺部疾病的计算机辅助诊断方法研究》", 31 May 2015, 武汉:华中科技大学出版社 * |
贾永红: "《数字图像处理》", 31 July 2015, 武汉:武汉大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112802032A (zh) * | 2021-01-19 | 2021-05-14 | 上海商汤智能科技有限公司 | 图像分割网络的训练和图像处理方法、装置、设备及介质 |
CN112862738A (zh) * | 2021-04-09 | 2021-05-28 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 多模态图像的合成方法、装置、存储介质及处理器 |
CN112862738B (zh) * | 2021-04-09 | 2024-01-16 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 多模态图像的合成方法、装置、存储介质及处理器 |
CN113538395A (zh) * | 2021-07-26 | 2021-10-22 | 四川大学华西医院 | 图像处理方法、装置、设备、可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Swati et al. | Brain tumor classification for MR images using transfer learning and fine-tuning | |
Rahane et al. | Lung cancer detection using image processing and machine learning healthcare | |
WO2020019738A1 (zh) | 磁共振血管壁成像的斑块处理方法、装置和计算设备 | |
CN112150569A (zh) | 将cbct图像生成为ct图像的方法、装置及终端设备 | |
Narayan et al. | Enhance-Net: An Approach to Boost the Performance of Deep Learning Model Based on Real-Time Medical Images | |
CN112150472A (zh) | 基于cbct的三维颌骨图像分割方法、装置及终端设备 | |
Bangare et al. | Implementing tumor detection and area calculation in MRI image of human brain using image processing techniques | |
CN113096137B (zh) | 一种oct视网膜图像领域适应分割方法及系统 | |
Xie et al. | Optic disc and cup image segmentation utilizing contour-based transformation and sequence labeling networks | |
CN113569891A (zh) | 一种神经网络模型的训练数据处理、装置、电子设备及存储介质 | |
CN114863225A (zh) | 图像处理模型训练方法、生成方法、装置、设备及介质 | |
CN111968137A (zh) | 头部ct图像分割方法、装置、电子设备及存储介质 | |
Zhai et al. | An improved full convolutional network combined with conditional random fields for brain MR image segmentation algorithm and its 3D visualization analysis | |
CN113538209A (zh) | 一种多模态医学影像配准方法、配准系统、计算设备和存储介质 | |
Wang et al. | Attention mechanism-based deep learning method for hairline fracture detection in hand X-rays | |
Saito et al. | Heart diseases image classification based on convolutional neural network | |
Verma et al. | Role of deep learning in classification of brain MRI images for prediction of disorders: a survey of emerging trends | |
CN110232695A (zh) | 基于混合模态图像的左心室图像分割方法及系统 | |
Guo et al. | Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation | |
CN114049315A (zh) | 关节识别方法、电子设备、存储介质及计算机程序产品 | |
CN115151951A (zh) | 通过分析配准确定图像相似性 | |
Anurekha et al. | Enhancing security of neurological health information using cryptography in wireless sensor network | |
CN113723518B (zh) | 基于迁移学习的任务分级部署方法、装置及计算机设备 | |
You et al. | A novel sagittal craniosynostosis classification system based on multi-view learning algorithm | |
Deshpande et al. | Deep learning based segmentation of body parts in CT localizers and application to scan planning |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |