CN112330575B - 一种卷积神经网络医学ct图像去噪方法 - Google Patents
一种卷积神经网络医学ct图像去噪方法 Download PDFInfo
- Publication number
- CN112330575B CN112330575B CN202011405677.5A CN202011405677A CN112330575B CN 112330575 B CN112330575 B CN 112330575B CN 202011405677 A CN202011405677 A CN 202011405677A CN 112330575 B CN112330575 B CN 112330575B
- Authority
- CN
- China
- Prior art keywords
- data
- noise
- value
- network layer
- normal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 210000002569 neuron Anatomy 0.000 claims abstract description 17
- 238000013499 data model Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 abstract description 4
- 238000013170 computed tomography imaging Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
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
本发明公开的属于医学图像去噪技术领域，具体为一种卷积神经网络医学CT图像去噪方法，该卷积神经网络医学CT图像去噪方法首先需要对进行数据采集，然后根据采集到的数据建立基础模型，同时依靠神经元与节点的连接构件基层网络层、中层网络层和上层网络层，基层网络层、中层网络层和上层网络层组成卷积神经网络，卷积神经网络能够按其阶层结构对输入信息进行平移不变分类，可以方便神经元在采集特征数据时进行二维化的数据采集，从而避免了采集特征数据时的采集方向过于单一，同时卷积神经网络具有表征学习能力，可以对多组数据进行整合从而避免CT图像的边缘数据丢失，从而提高CT成像的区域范围。
Description
技术领域
本发明涉及医学图像去噪技术领域，具体为一种卷积神经网络医学CT图像去噪方法。
背景技术
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络。对卷积神经网络的研究始于二十世纪80至90年代，在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。
CT成像被广泛应用于医学临床诊断与研究，但是在CT扫描在获取图像过程中容易受到噪声的影响，噪声会导致图像局部区域不清晰，从而使得图像中的一些重要信息被淹没，而传统的中值滤波、维纳滤波和直方图滤波等方法方向性单一、滤波区域有限、成像分辨率低等缺点，已远不能满足现代医学诊断的需求。
发明内容
本发明的目的在于提供一种卷积神经网络医学CT图像去噪方法，以解决上述背景技术中提出的传统的去噪方法方向性单一、滤波区域有限的问题。
为实现上述目的，本发明提供如下技术方案：一种卷积神经网络医学CT图像去噪方法，该卷积神经网络医学CT图像去噪方法如下：
步骤一：分别以高剂量辐射拍摄正常人体模型和损伤人体模型，根据拍摄结果获取正常无噪声数据和损伤无噪声数据，然后再用低剂量辐射拍摄正常人体模型和损伤人体模型，根据拍摄结果获取正常有噪声数据和损伤有噪声数据，以正常有噪声数据减去正常无噪声数据获得噪音起始值，以损伤有噪声数据减去损伤无噪声数据获得噪音增项值，以噪音增项值为纵坐标，人体模型的损伤程度为横坐标绘制噪音变量模型；
步骤二：神经元相互连接构成基层网络层，神经元与节点连接构成中层网络层，节点相互连接构成上层网络层，所述基层网络层负责对拍摄的CT图像的数据进行特征采集，所述中层网络层负责将采集到的特征数据与噪音变量模型进行对比识别，然后根据噪音变量模型选择相应的噪音增项值，用采集到的特征数据减去噪音增项值获取去噪特征数据，所述上层网络层对传递来的去噪特征数据进行对比归纳，从而获取正常特征数据并将正常特征数据导出；
步骤三：所述上层网络层再对比归纳时，保留去噪特征数据相同的部位，去噪特征数据中不相同的部位，先计算不相同部位数据的平均值，然后删除偏差率较大的数据，随后再计算留下来的数据的平均值，并以留下来的数据的平均值作为异常不相同部位的实际特征数据；
步骤四：将拍摄的CT图像的数据减去导出的正常特征数据获得实际噪音值，并求取实际噪音值与该数据对应的噪音增项值的平均值，然后以该平均值代替该数据对应的噪音增项值。
优选的，所述步骤一中的正常无噪声数据、损伤无噪声数据、正常有噪声数据和损伤有噪声数据为基础数据模型，所述基础数据模型始终保持不变。
优选的，所述正常无噪声数据、损伤无噪声数据、正常有噪声数据和损伤有噪声数据的采集模型数量均不低于一百组，对同类采集数据进行正态分布，求标准差为0.5的正态分布的数学期望，并以数学期望的数值作为该模型的采用数据。
优选的，每一个所述节点所连接的神经元的数量均相同，每一个所述节点所连接的节点的数量均为三个，每一个所述神经元连接的神经元的数量均为六个。
优选的，所述中层网络层再选取噪音增项值时，同时选取三个相邻的噪音增项值时，采集到的特征数据分别减去三个相邻的噪音增项值并获取三个去噪特征数据，所述上层网络层再对去噪特征数据进行对比归纳时，选取重合率最高的去噪特征数据作为实际输出时使用的去噪特征数据。
优选的，所述步骤三中上层网络层在删除的数据中被删除的数据的偏差率大于15％。
优选的，所述实际噪音值在获取时，首先将实际噪音值与步骤一中的噪音增项值进行对比，当实际噪音值的偏差率大于5％时，则不使用实际数据去求取噪音增项值的平均值。
与现有技术相比，本发明的有益效果是：
卷积神经网络能够按其阶层结构对输入信息进行平移不变分类，可以方便神经元在采集特征数据时进行二维化的数据采集，从而避免了采集特征数据时的采集方向过于单一，同时卷积神经网络具有表征学习能力，可以对多组数据进行整合从而避免CT图像的边缘数据丢失，从而提高CT成像的区域范围。
附图说明
图1为本发明神经元连接示意图；
图2为本发明神经元与节点连接示意图；
图3为本发明节点连接示意图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例：
请参阅图1-3，本发明提供一种技术方案：一种卷积神经网络医学CT图像去噪方法，该卷积神经网络医学CT图像去噪方法如下：
步骤一：分别以高剂量辐射拍摄正常人体模型和损伤人体模型，根据拍摄结果获取正常无噪声数据和损伤无噪声数据，然后再用低剂量辐射拍摄正常人体模型和损伤人体模型，根据拍摄结果获取正常有噪声数据和损伤有噪声数据，以正常有噪声数据减去正常无噪声数据获得噪音起始值，以损伤有噪声数据减去损伤无噪声数据获得噪音增项值，以噪音增项值为纵坐标，人体模型的损伤程度为横坐标绘制噪音变量模型；
步骤二：神经元相互连接构成基层网络层，神经元与节点连接构成中层网络层，节点相互连接构成上层网络层，基层网络层负责对拍摄的CT图像的数据进行特征采集，中层网络层负责将采集到的特征数据与噪音变量模型进行对比识别，然后根据噪音变量模型选择相应的噪音增项值，用采集到的特征数据减去噪音增项值获取去噪特征数据，上层网络层对传递来的去噪特征数据进行对比归纳，从而获取正常特征数据并将正常特征数据导出；
步骤三：上层网络层再对比归纳时，保留去噪特征数据相同的部位，去噪特征数据中不相同的部位，先计算不相同部位数据的平均值，然后删除偏差率较大的数据，随后再计算留下来的数据的平均值，并以留下来的数据的平均值作为异常不相同部位的实际特征数据；
步骤四：将拍摄的CT图像的数据减去导出的正常特征数据获得实际噪音值，并求取实际噪音值与该数据对应的噪音增项值的平均值，然后以该平均值代替该数据对应的噪音增项值。
步骤一中的正常无噪声数据、损伤无噪声数据、正常有噪声数据和损伤有噪声数据为基础数据模型，基础数据模型始终保持不变。
正常无噪声数据、损伤无噪声数据、正常有噪声数据和损伤有噪声数据的采集模型数量均不低于一百组，对同类采集数据进行正态分布，求标准差为0.5的正态分布的数学期望，并以数学期望的数值作为该模型的采用数据。
每一个节点所连接的神经元的数量均相同，每一个节点所连接的节点的数量均为三个，每一个神经元连接的神经元的数量均为六个。
中层网络层再选取噪音增项值时，同时选取三个相邻的噪音增项值时，采集到的特征数据分别减去三个相邻的噪音增项值并获取三个去噪特征数据，上层网络层再对去噪特征数据进行对比归纳时，选取重合率最高的去噪特征数据作为实际输出时使用的去噪特征数据。
步骤三中上层网络层在删除的数据中被删除的数据的偏差率大于15％。
实际噪音值在获取时，首先将实际噪音值与步骤一中的噪音增项值进行对比，当实际噪音值的偏差率大于5％时，则不使用实际数据去求取噪音增项值的平均值。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明；因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种卷积神经网络医学CT图像去噪方法，其特征在于：该卷积神经网络医学CT图像去噪方法如下：
步骤一：分别以高剂量辐射拍摄正常人体模型和损伤人体模型，根据拍摄结果获取正常无噪声数据和损伤无噪声数据，然后再用低剂量辐射拍摄正常人体模型和损伤人体模型，根据拍摄结果获取正常有噪声数据和损伤有噪声数据，以正常有噪声数据减去正常无噪声数据获得噪音起始值，以损伤有噪声数据减去损伤无噪声数据获得噪音增项值，以噪音增项值为纵坐标，人体模型的损伤程度为横坐标绘制噪音变量模型；
步骤二：神经元相互连接构成基层网络层，神经元与节点连接构成中层网络层，节点相互连接构成上层网络层，所述基层网络层负责对拍摄的CT图像的数据进行特征采集，所述中层网络层负责将采集到的特征数据与噪音变量模型进行对比识别，然后根据噪音变量模型选择相应的噪音增项值，用采集到的特征数据减去噪音增项值获取去噪特征数据，所述上层网络层对传递来的去噪特征数据进行对比归纳，从而获取正常特征数据并将正常特征数据导出；
步骤三：所述上层网络层再对比归纳时，保留去噪特征数据相同的部位，去噪特征数据中不相同的部位，先计算不相同部位数据的平均值，然后删除偏差率较大的数据，随后再计算留下来的数据的平均值，并以留下来的数据的平均值作为异常不相同部位的实际特征数据；
步骤四：将拍摄的CT图像的数据减去导出的正常特征数据获得实际噪音值，并求取实际噪音值与该数据对应的噪音增项值的平均值，然后以该平均值代替该数据对应的噪音增项值。
2.根据权利要求1所述的一种卷积神经网络医学CT图像去噪方法，其特征在于：所述步骤一中的正常无噪声数据、损伤无噪声数据、正常有噪声数据和损伤有噪声数据为基础数据模型，所述基础数据模型始终保持不变。
3.根据权利要求1所述的一种卷积神经网络医学CT图像去噪方法，其特征在于：所述正常无噪声数据、损伤无噪声数据、正常有噪声数据和损伤有噪声数据的采集模型数量均不低于一百组，对同类采集数据进行正态分布，求标准差为0.5的正态分布的数学期望，并以数学期望的数值作为该模型的采用数据。
4.根据权利要求1所述的一种卷积神经网络医学CT图像去噪方法，其特征在于：每一个所述节点所连接的神经元的数量均相同，每一个所述节点所连接的节点的数量均为三个，每一个所述神经元连接的神经元的数量均为六个。
5.根据权利要求1所述的一种卷积神经网络医学CT图像去噪方法，其特征在于：所述中层网络层再选取噪音增项值时，同时选取三个相邻的噪音增项值时，采集到的特征数据分别减去三个相邻的噪音增项值并获取三个去噪特征数据，所述上层网络层再对去噪特征数据进行对比归纳时，选取重合率最高的去噪特征数据作为实际输出时使用的去噪特征数据。
6.根据权利要求1所述的一种卷积神经网络医学CT图像去噪方法，其特征在于：所述步骤三中上层网络层在删除的数据中被删除的数据的偏差率大于15％。
7.根据权利要求1所述的一种卷积神经网络医学CT图像去噪方法，其特征在于：所述实际噪音值在获取时，首先将实际噪音值与步骤一中的噪音增项值进行对比，当实际噪音值的偏差率大于5％时，则不使用实际数据去求取噪音增项值的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011405677.5A CN112330575B (zh) | 2020-12-03 | 2020-12-03 | 一种卷积神经网络医学ct图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011405677.5A CN112330575B (zh) | 2020-12-03 | 2020-12-03 | 一种卷积神经网络医学ct图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112330575A CN112330575A (zh) | 2021-02-05 |
| CN112330575B true CN112330575B (zh) | 2022-10-14 |
Family
ID=74301579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011405677.5A Active CN112330575B (zh) | 2020-12-03 | 2020-12-03 | 一种卷积神经网络医学ct图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330575B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600568A (zh) * | 2017-01-19 | 2017-04-26 | 沈阳东软医疗系统有限公司 | 一种低剂量ct图像去噪方法及装置 |
| 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 |
| CN109102550A (zh) * | 2018-06-08 | 2018-12-28 | 东南大学 | 基于卷积残差网络的全网络低剂量ct成像方法及装置 |
| CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 |
| CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
| CN111429379A (zh) * | 2020-04-01 | 2020-07-17 | 山东大学 | 一种基于自监督学习的低剂量ct图像去噪方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102947861B (zh) * | 2010-06-21 | 2016-06-29 | 皇家飞利浦电子股份有限公司 | 用于在低剂量计算机断层摄影中降低噪声的方法和系统 |
| US11361431B2 (en) * | 2017-04-25 | 2022-06-14 | The Board Of Trustees Of The Leland Stanford Junior University | Dose reduction for medical imaging using deep convolutional neural networks |
| US11517197B2 (en) * | 2017-10-06 | 2022-12-06 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction |
| CN109035169B (zh) * | 2018-07-19 | 2020-06-12 | 西安交通大学 | 一种无监督/半监督ct图像重建深度网络训练方法 |
| CN109872288B (zh) * | 2019-01-31 | 2023-05-23 | 深圳大学 | 用于图像去噪的网络训练方法、装置、终端及存储介质 |
| US11176428B2 (en) * | 2019-04-01 | 2021-11-16 | Canon Medical Systems Corporation | Apparatus and method for sinogram restoration in computed tomography (CT) using adaptive filtering with deep learning (DL) |
| CN111739114B (zh) * | 2020-06-15 | 2023-12-15 | 大连理工大学 | 一种基于孪生反馈网络的低剂量ct重建方法 |
-
2020
- 2020-12-03 CN CN202011405677.5A patent/CN112330575B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600568A (zh) * | 2017-01-19 | 2017-04-26 | 沈阳东软医疗系统有限公司 | 一种低剂量ct图像去噪方法及装置 |
| 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 |
| CN109102550A (zh) * | 2018-06-08 | 2018-12-28 | 东南大学 | 基于卷积残差网络的全网络低剂量ct成像方法及装置 |
| CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 |
| CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
| CN111429379A (zh) * | 2020-04-01 | 2020-07-17 | 山东大学 | 一种基于自监督学习的低剂量ct图像去噪方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Low-dose CT with a residual encoder-decoder convolutional neural network;Hu Chen等;《IEEE Transactions on Medical Imaging》;20170613;第36卷(第12期);正文全文 * |
| Study on the Detection of Pulmonary Nodules in CT Images Based on Deep Learning;Gai Li等;《IEEE Access ( Volume: 8)》;20200330;正文全文 * |
| 基于卷积神经网络的低剂量CT图像去噪方法;章云港等;《光学学报》;20180410;第38卷(第4期);正文全文 * |
| 螺旋CT诊断心肌桥最佳成像方法探讨;周伟等;《中国医药》;20181208;第13卷(第12期);正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112330575A (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146988B (zh) | 基于vaegan的非完全投影ct图像重建方法 | |
| Yang et al. | Low-dose CT image denoising using a generative adversarial network with Wasserstein distance and perceptual loss | |
| Wang et al. | Semi-supervised capsule cGAN for speckle noise reduction in retinal OCT images | |
| CN117474823B (zh) | 一种儿科感染性炎症检测辅助用ct数据处理系统 | |
| CN108961261B (zh) | 一种基于空间连续性约束的视盘区域oct图像层次分割方法 | |
| CN112837274A (zh) | 一种基于多模态多站点数据融合的分类识别方法 | |
| WO2022121100A1 (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
| CN110288582A (zh) | 一种细胞核的准确分割方法 | |
| CN109509552A (zh) | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 | |
| CN109325955B (zh) | 一种基于oct图像的视网膜分层方法 | |
| CN112419248B (zh) | 基于小目标检测神经网络的耳硬化病灶检测及诊断系统 | |
| CN109758113B (zh) | 一种基于图像识别的视网膜病变定量分析系统 | |
| CN109902682A (zh) | 一种基于残差卷积神经网络的乳腺x线图像检测方法 | |
| CN110660063A (zh) | 多图像融合的肿瘤三维位置精准定位系统 | |
| CN110706225A (zh) | 基于人工智能的肿瘤识别系统 | |
| CN114693561A (zh) | 一种基于卷积神经网络的核磁共振图像处理方法与系统 | |
| CN115760586A (zh) | 一种基于多尺度注意力生成对抗网络的医学图像增强方法 | |
| CN118097160B (zh) | 基于视觉技术的危急重症病患状态监测系统 | |
| CN116645283A (zh) | 基于自监督感知损失多尺度卷积神经网络的低剂量ct图像去噪方法 | |
| CN114595715B (zh) | 一种基于多时间尺度的孤独症功能磁共振信号分类方法 | |
| CN116503548A (zh) | 牙齿和牙槽骨图像分割重构方法及系统 | |
| CN113436118B (zh) | 一种基于多尺度卷积编码网络的低剂量ct图像复原方法 | |
| CN112330575B (zh) | 一种卷积神经网络医学ct图像去噪方法 | |
| CN114187235A (zh) | 一种对伪影不敏感的医学图像的形变场提取方法和配准方法和装置 | |
| CN117224082A (zh) | 一种基于图学习优化算法的动态脑功能网络学习方法 |
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 |