CN112529818A - 基于神经网络的骨影抑制方法、装置、设备及存储介质 - Google Patents
基于神经网络的骨影抑制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112529818A CN112529818A CN202011566188.8A CN202011566188A CN112529818A CN 112529818 A CN112529818 A CN 112529818A CN 202011566188 A CN202011566188 A CN 202011566188A CN 112529818 A CN112529818 A CN 112529818A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- dicom
- inhibition
- network 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.)
- Granted
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000005764 inhibitory process Effects 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 210000004072 lung Anatomy 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000001629 suppression Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 abstract description 8
- 210000001519 tissue Anatomy 0.000 abstract description 8
- 230000005855 radiation Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 238000002601 radiography Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 102100022002 CD59 glycoprotein Human genes 0.000 description 4
- 101000897400 Homo sapiens CD59 glycoprotein Proteins 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 210000004872 soft tissue Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 101100382854 Arabidopsis thaliana CCD7 gene Proteins 0.000 description 2
- 101100327165 Arabidopsis thaliana CCD8 gene Proteins 0.000 description 2
- 101100129496 Arabidopsis thaliana CYP711A1 gene Proteins 0.000 description 2
- 101100129499 Arabidopsis thaliana MAX2 gene Proteins 0.000 description 2
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241001310793 Podium Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/507—Depth or shape recovery from shading
-
- 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
- G06T2207/10116—X-ray image
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种基于神经网络的骨影抑制方法、装置、设备及可读存储介质，属于医学影像的技术领域，其方法包括：通过ResUnet网络构建神经网络模型；对所述神经网络模型进行训练，得到训练好的神经网络模型；获取人体肺部的待抑制DICOM图像；对所述待抑制DICOM图像进行预处理；将预处理后的待抑制DICOM图像输入训练好的神经网络模型进行骨影抑制，输出骨影抑制后的DICOM图像。本申请能减少DES成像质量受人体组织运动的影响以及患者接受的辐射剂量。
Description
技术领域
本申请涉及医学影像的技术领域，尤其是涉及一种基于神经网络的骨影抑制方法、装置、设备及可读存储介质。
背景技术
随着数字化放射成像(Digital Radiography,简称DR)和计算机X线摄影(Computed Radiography,简称CR)设备和技术的发展，X线双能减影技术(Dual EnergySubtraction,简称DES)已可分离出胸片中体现组织成分的特性图像——软组织像(Soft-tissue Image)和骨像(Bone Image)。DES设备使用高低两种不同能量(如120kV和60kV)的X线摄取两幅图像，利用组织对不同能量X线衰减系数不同的现象，进行加权减影处理，可将不同衰减系数的组织分开，得到软组织像和骨像。
目前，现有临床使用的DR设备绝大部分并不具备DES功能，其应用、普及率不高。另外，相较于普通的X线设备，X线DES设备检测中需要使用额外的设备，可能降低X线球管的使用寿命；并且，DES成像需要X线两次曝光，不仅增加了患者接受的辐射剂量，还使成像质量易受病人呼吸、心脏搏动等人体组织运动的影响，使所获取的软组织像和骨像中存在运动伪影。
发明内容
为了减少DES成像质量受人体组织运动的影响以及患者接受的辐射剂量，本申请提供一种基于神经网络的骨影抑制方法装置、设备及可读存储介质。
第一方面，本申请提供一种基于神经网络的骨影抑制方法，采用如下的技术方案：
一种基于神经网络的骨影抑制方法，包括：
通过ResUnet网络构建神经网络模型；
对所述神经网络模型进行训练，得到训练好的神经网络模型；
获取人体肺部的待抑制DICOM图像；
对所述待抑制DICOM图像进行预处理；
将预处理后的待抑制DICOM图像输入训练好的神经网络模型进行骨影抑制，输出骨影抑制后的DICOM图像。
可选的，所述对待抑制DICOM图像进行预处理包括：
获取所述待抑制DICOM图像的肺部区域；
对所述肺部区域进行归一化处理；
对归一化处理后的肺部区域进行数据增强处理，输出所述预处理后的待抑制DICOM图像。
可选的，所述获取所述待抑制DICOM图像的肺部区域，包括：
获取所述待抑制DICOM图像的感兴趣区域；
对所述感兴趣区域进行N等分，得到N个等分区域；
分别对每个等分区域取最大灰度值和最小灰度值；
对所有最大灰度值求取平均值E，并对所有最小灰度值求取平均值F；
将区间[F,E]作为窗宽，并将(E+F)/2作为窗位，对所述感兴趣区域进行窗宽窗位变换，得到第一图像；
将所述第一图像输入unet网络进行特征提取，输出第二图像，并将所述第二图像作为所述肺部区域。
可选的，所述将所述第一图像输入unet网络进行特征提取，输出第二图像，包括：
将所述第一图像分割成多个相同大小的第一图像块；
分别对每个第一图像块进行镜像边缘填充，得到与所述多个第一图像块一一对应的多个第二图像块；
分别将每个第二图像块多次输入所述unet网络进行特征提取，得到多个第三图像块，其中，每个第二图像块对应多个第三图像块；
分别对每个第二图像块对应的多个第三图像块中每个像素点的灰度值求取平均值，得到与所述多个第二图像块一一对应的多个第四图像块；
获取所述多个第四图像块之间的第一重叠区域和非重叠区域；
对同一第一重叠区域中每个像素点的灰度值求取平均值，得到多个第二重叠区域；
拼接所述第二重叠区域和所述非重叠区域，得到所述第二图像。
可选的，在所述将所述第一图像输入unet网络进行特征提取，输出第二图像之后，还包括：
计算所述第二图像的窗宽和窗位，对所述第二图像进行窗宽窗位变换，得到第三图像，并将所述第三图像作为所述肺部区域。
可选的，所述神经网络模型中当前网络层的输出的计算公式为：
al＝g(zl+al-1)＝g(wlal-1+bl+al-1)＝g((wl+1)al-1+bl)；
式中，al为当前网络层l的输出，zl为正常网络层l的输出，bl为网络层l的输入，w为权重；
激活函数的公式为：
f(x)＝max(0,x)；
损失函数的公式为：
式中，μx和μy分别代表图像x、y的平均值，σx和σy分别代表图像x、y的标准差，σxy代表图像x、y的协方差。
第二方面，本申请提供一种基于神经网络的骨影抑制装置，采用如下的技术方案：
一种基于神经网络的骨影抑制装置，包括：
模型构建模块，用于通过ResUnet网络构建神经网络模型；
模型训练模块，用于对所述神经网络模型进行训练，得到训练好的神经网络模型；
图像获取模块，用于获取人体肺部的待抑制DICOM图像；
预处理模块，用于对所述待抑制DICOM图像进行预处理；
骨影抑制模块，用于将预处理后的待抑制DICOM图像输入训练好的神经网络模型进行骨影抑制，输出骨影抑制后的DICOM图像。
第三方面，本申请提供一种电子设备，采用如下的技术方案：
一种电子设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述任一种基于神经网络的骨影抑制方法的计算机程序。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种基于神经网络的骨影抑制方法的计算机程序。
通过采用上述技术方案，通过提取胸片图像中的局部特征作为人工神经网络的输入，将肋骨视为图像中的噪声信息，预测单个像素的软组织像/骨像的强度，使用图像去噪的方法来完成肋骨抑制的任务，以深度卷积网络作为基础模型，采用ResUnet网络，通过跳跃连接以及残差策略增强网络细节表现能力，既能保留肺部纹理细节清晰，又能有效的抑制骨影，保证输出结果的准确性和精确性，因此无需经过X线两次曝光成像，进而减少DES成像受人体组织运动的影响以及患者接受的辐射剂量。
附图说明
图1是本申请实施例提供的基于神经网络的骨影抑制方法的流程示意图。
图2是本申请实施例的步骤S200中各子步骤的流程示意图。
图3是本申请实施例的步骤S400中各子步骤的流程示意图。
图4是本申请实施例的步骤S410中各子步骤的流程示意图。
图5是本申请实施例中对感兴趣区域进行四等分的示意图。
图6是本申请实施例的步骤S416中各子步骤的流程示意图。
图7是应用本申请实施例的基于神经网络的骨影抑制方法输出的DICOM图像。
图8是本申请实施例提供的基于神经网络的骨影抑制装置的结构框图。
图9是本申请实施例提供的电子设备的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
目前，用于胸片骨影抑制的回归预测模型的主要问题在于，需要对胸片进行复杂的对比度归一化处理，并从胸片图像提取有效的特征以及对回归预测模型参数的优化，以保证预测精度。
本申请实施例将肋骨视为图像中的噪声信息，使用图像去噪的方法来完成肋骨骨影抑制的任务，采用深度卷积网络作为基础模型，分析并尝试多种策略来提升模型性能，最终采用ResUnet网络结构，通过跳跃连接以及残差策略增强网络细节表现能力。
图1为本实施例提供的一种基于神经网络的骨影抑制方法的流程示意图。如图1所示，该方法的主要流程描述如下(步骤S100～S500)：
步骤S100，通过ResUnet网络构建神经网络模型；
神经网络模型中当前网络层l的输出的计算公式为：
al＝g(zl+al-1)＝g(wlal-1+bl+al-1)＝g((wl+1)al-1+bl)；
式中，al为网络层l的当前输出，zl为网络层l的正常输出，bl为网络层l的输入，w为权重；
再经过激活函数f(x)＝max(0,x)，增加了输入到输出的直连这一项，从反向传播的误差入手，假设从l层到l-1层，按照全连接层考虑，常规公式为：
但是，激活函数中增加了一个al-1的项，可通过反向求导公式求解，此时的反向转化过程为：
很大程度上，此时由于受w权值的正则化的影响，w已经变得非常小，再加上多层级联的关系，到达该层的梯度变化已经非常小，但是如果加上一项1，反而能提高一点梯度，使网络更容易训练起来。
本申请实施例还提出一种激进的密集连接机制，为了能够保证前馈的特性，每一层将之前所有层的输入进行拼接，之后将输出的特征图传递给之后的所有层。每个层都会与前面所有层在channel维度上连接(concat)在一起，并作为下一层的输入。对于一个L层的网络，共包含
个连接，这是一种密集连接。直接concat来自不同层的特征图，可以实现特征重用，提升效率。
传统的网络在L层的输出公式为：
xl＝Hl(xl-1)；
而对于ResNet，增加了来自上一层输入的identity函数：
xl＝Hl(xl-1)+xl-1；
连接前面所有层作为输入：
xl＝Hl([x0,x1,x2,.....,xl-1])；
Hl(.)代表非线性转换函数，是一个组合操作，其可能包括一系列的BN(BatchNormalization)、ReLU、Pooling及Conv操作。
CNN网络一般要经过Pooling或者stride>1的Conv来降低特征图的大小，密集连接方式需要特征图大小保持一致。为了解决这个问题，网络中使用CNNBlock+Transition的结构，其中，CNNBlock是包含很多层的模块，每个层的特征图大小相同，层与层之间采用密集连接方式。而Transition模块是连接两个相邻的CNNBlock，并且通过Pooling使特征图大小降低。
拆解大卷集核，大核卷积可由多层小卷积核替代实现，不仅可以减少参数，还能加深网络深度，以实现网络容量和复杂度。
其中，部分平均池化替代1x1卷积做下采样，实验对比到使用kernelsize为1×1，stride为2的参数减少了输入特征图的四分之三，可以减少网络参数并减少信息损失。
步骤S200，对神经网络模型进行训练，得到训练好的神经网络模型；
如图2所示，步骤S200可以包括以下子步骤：
步骤S210，获取训练集；
步骤S220，将训练集输入神经网络模型；
步骤S230，构建损失函数，其公式为：
式中，μx和μy分别代表图像x、y的平均值，σx和σy分别代表图像x、y的标准差，σxy代表图像x、y的协方差，设置c1、c2以防止出现分母为零的情况。
其结构相似性的范围为0到1，当两张图像完全相同时，SSIM的值等于1，损失函数的值为1-SSIM。
步骤S240，利用梯度下降算法对神经网络模型的网络节点参数进行优化，使损失函数的值最小，得到最优的网络节点参数；
具体的，可以采用随机梯度下降算法或者批量梯度下降算法。批量梯度下降算法每次更新的时候会计算训练集中所有条数据；与批梯度下降算法不同，随机梯度下降算法每次更新的时候不需要计算训练集中所有条数据，而是每加入一条数据就更新一次。
步骤S250，利用最优的网络节点参数更新神经网络模型，得到训练好的神经网络模型。
步骤S300，获取人体肺部的待抑制DICOM图像；
DICOM(Digital Imaging and Communications in Medicine)即医学数字成像和通信，是医学图像和相关信息的国际标准(ISO 12052)。其定义了质量能满足临床需要的可用于数据交换的医学图像格式，是部署最为广泛的医疗信息标准之一，当前大约有百亿级符合DICOM标准的医学图像用于临床使用。
本申请实施例所述的DICOM图像包含DR图像、CR图像等医学成像图片。
步骤S400，对待抑制DICOM图像进行预处理；
一些实施例中，如图3所示，步骤S400可以包括以下子步骤：
步骤S410，获取待抑制DICOM图像的肺部区域；
在DICOM图像中，用于观察人体器官和部位的窗口宽度和窗口水平通常是固定的，但是有时很多图像信息并不是特别全，此时需要调整窗宽窗位，以获取完整图像信息。因此需要设计一种自适应调整窗口宽度和窗口级别的算法，能够准确快速地获取待抑制DICOM图像的肺部区域。
如图4所示，步骤S410包括：
步骤S411，获取待抑制DICOM图像的感兴趣区域；
为了减少图像边缘嘈杂信息的干扰，可以通过预先设定的裁切区间对图像进行裁切，找到对应肺部的感兴趣区域。该裁切区间可由经验总结得出，原图的高、宽各1/4至3/4的区间一般能够包含肺部的全部重要特征，因此，可按照该区间对原图进行裁切，得到感兴趣区域。
步骤S412，对感兴趣区域进行N等分，得到N个等分区域；
N等分是指将感兴趣区域分割成N个尺寸大小相同的区域，N为整数且N≥2。
步骤S413，分别对每个等分区域取最大灰度值和最小灰度值；
步骤S414，对所有最大灰度值求取平均值E，并对所有最小灰度值求取平均值F；
步骤S415，将区间[F,E]作为窗宽，并将(E+F)/2作为窗位，对感兴趣区域进行窗宽窗位变换，得到第一图像；
窗宽窗位的作用是为了最大程度展现图像的内容，从而使图像中包含的信息能被更充分的利用，而在图像的灰度域上能够反映这种程度的工具是图像灰度值的累积分布函数，所以想要设计合理的窗宽窗位计算算法，就需要基于图像灰度值的累积分布函数。
下面以对感兴趣区域进行四等分为例对计算窗宽窗位进行具体说明。
图5示出了对感兴趣区域进行四等分的示意图。如图5所示，以感兴趣区域高、宽中点进行分割，得到A、B、C、D四个尺寸大小相同的图像区域。然后计算区域A的最大灰度值MAX1和最小灰度值MIN1，区域B的最大灰度值MAX2和最小灰度值MIN2，区域C的最大灰度值MAX3和最小灰度值MIN3，区域D的最大灰度值MAX4和最小灰度值MIN4，再计算MAX1、MAX2、MAX3和MAX4的平均值E，计算MIN1、MIN2、MIN3和MIN4的平均值F。最后，[F,E]、(E+F)/2作即为窗宽、窗位。
步骤S416，将第一图像输入unet网络进行特征提取，输出第二图像，并将第二图像作为肺部区域。
上述方法的普适性比较好，能够在不引入其他算法、有干扰的情况下，尽可能地得到合理的窗宽窗位。通过unet网络进行图像特征提取的方法为常规算法，此处不再赘述。
另外，在unet网络对较大尺寸的图像进行预测时，图像的上下文信息会有一定的缺失，导致在边缘的预测产生误差。并且，考虑到显存压力，常常需要将图像切分较小的区域后再进行预测，这样的操作无疑会放大裁剪边缘的误差，导致图像在拼接处产生的误差较大。因此需要设计一种新的策略以解决图像边缘信息误差，即在输入网络前对图像进行边缘扩展，使得最终输出的尺寸与原图一致，能够在预测边界区域的时候提供图像的上下文信息。
如图6所示，步骤S416可以包括以下子步骤：
步骤S4161，将第一图像分割成多个相同大小的第一图像块；
步骤S4162，分别对每个第一图像块进行镜像边缘填充，得到与多个第一图像块一一对应的多个第二图像块；
由于进行了镜像边缘填充，因此，第二图像块的尺寸必然大于第一图像块，相邻第二图像块必然会有重叠的区域。
步骤S4163，分别将每个第二图像块多次输入unet网络进行特征提取，得到多个第三图像块，其中，每个第二图像块对应多个第三图像块；
步骤S4164，分别对每个第二图像块对应的多个第三图像块中每个像素点的灰度值求取平均值，得到与多个第二图像块一一对应的多个第四图像块；
由于一个第二图像块对应多个第三图像块，因此，同一第二图像块对应的多个第三图像块具有相同的像素点，将同一像素点对应的多个灰度值计算平均值，得到所有像素点的灰度平均值，并根据所有像素点的灰度平均值生成灰度图，即第四图像块。
步骤S4165，获取多个第四图像块之间的第一重叠区域和非重叠区域；
第一图像块与第二图像块一一对应，第四图像块与第二图像块一一对应，相应的，第一图像块与第四图像块也同样一一对应，也就是说，多个第四图像块之间的拼接位置关系与多个第一图像块之间的拼接位置关系是一致的。由于前述镜像边缘填充，第四图像块的尺寸比与其对应的第一图像块大，因此，相邻两个第四图像块之间必然存在重叠的部分，即第一重叠区域，而除去与其相邻的所有第四图像块的第一重叠区域，即为非重叠区域。
步骤S4166，对同一第一重叠区域中每个像素点的灰度值求取平均值，得到多个第二重叠区域；
对于相邻两个第四图像块，具有共同的第一重叠区域，但是共同的第一重叠区域所对应的图像信息是不同的，因此，该第一重叠区域上的每个像素点均对应两个灰度值，对这两个灰度值求平均值，然后再根据每个像素点的灰度平均值生成灰度图，即为第二重叠区域。
步骤S4167，拼接第二重叠区域和非重叠区域，得到第二图像。
将所有第二重叠区域和所有非重叠区域的图像按拼接位置关系进行拼接，可以得到第二图像。
当内存资源有限从而无法对整张大图进行预测时，可以先对图像分割，再对每个分割图像进行镜像边缘填充，再对预测后的图像进行重构。这种方式不需要对图像进行缩放，进而避免图像细节损失，能够为边界区域提供上下文信息，因此在数据量较少时充当数据扩充的手段。
为了在计算中减少对图像的细节纹理的损失，模型采用在原图大小直接计算，考虑到显存压力，使用1024*1024滑动窗口计算，并采用Overlap-tile策略减少计算边缘信息损失，可以在保留肺部纹理细节清晰的同时有效的抑制骨影，有效的保证了输出结果的准确性和精确性。
一些实施例中，在步骤S416之后，还需要计算第二图像的窗宽和窗位，对第二图像进行窗宽窗位变换，得到第三图像，并将第三图像作为肺部区域。
窗宽窗位变换是指通过窗宽窗位将大于8bit的灰度信息映射到8bit的处理。具体的，将第二图像位于窗宽窗位确定的灰度区间内的像素转换成8bit的灰度值(即0-255)，将小于区间下限值的转换为0，将大于区间上限值的转换为255，这样就得到一幅灰度范围为[0，255]的8bit图像，即第三图像，可直接通过普通显示设备上显示。
步骤S420，对肺部区域进行归一化处理；
步骤S430，对归一化处理后的肺部区域进行数据增强处理，输出预处理后的待抑制DICOM图像。
步骤S430中，可采用缩放、反转、扭曲、调整图像对比、旋转角度等方式对归一化处理后的肺部区域进行数据增强。
数据增强在某方面可以使模型更集中地观测总的普遍模式的数据，而消除某些与普遍模式无关的数据，带来某种正则化作用，减小模型的结构风险。
此外，由于图像数值间的差别可能很大，如果不进行处理，可能会影响计算分析的结果。为了消除图像之间的取值范围差异的影响，需要进行标准化处理，将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析。
因此，一些实施例中，还需要在归一化和数据增强处理之间增加标准化处理，即对归一化处理后的待识别区域进行标准化处理，并对标准化处理后的待识别区域进行数据增强处理，输出预处理后的待识别DR图像。
具体的，可以采用零-均值规范化，经过处理的数据的均值为0，标准差为1，其转化公式为：
式中，x*为原始数据的标准差，
为原始数据的均值，σ为原始数据的均方差。
步骤S500，将预处理后的待抑制DICOM图像输入训练好的神经网络模型进行骨影抑制，输出骨影抑制后的DICOM图像。
图7示出了应用本申请实施例的基于神经网络的骨影抑制方法输出的DICOM图像。从图7可以明显看出，DICOM图像中的骨影均被去除，得到了清晰的肺部图像，便于临床医生根据清晰的肺部图像对患者进行确诊。
本实施例所述方法使得DR系统仅拍摄一次，即可获取清晰图像，减少患者接受的辐射量，同时也减少了因两次曝光成像所引起的人体组织运动的影响。本方法特别适用于当前新型冠状肺炎的影像分析，可以准确地、快速地获取清晰的肺部图像，对于确诊、防治新型冠状肺炎具有重大意义。
图8为本申请实施例提供的一种基于神经网络的骨影抑制装置600的结构框图，如图8所示，该基于神经网络的骨影抑制装置600主要包括：
模型构建模块601，用于通过ResUnet网络构建神经网络模型；
模型训练模块602，用于对神经网络模型进行训练，得到训练好的神经网络模型；
图像获取模块603，用于获取人体肺部的待抑制DICOM图像；
预处理模块604，用于对待抑制DICOM图像进行预处理；
骨影抑制模块605，用于将预处理后的待抑制DICOM图像输入训练好的神经网络模型进行骨影抑制，输出骨影抑制后的DICOM图像。
本申请实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。
本申请实施例提供的方法中的各种变化方式和具体实例同样适用于本实施例提供的一种基于神经网络的骨影抑制装置，通过前述对基于神经网络的骨影抑制方法的详细描述，本领域技术人员可以清楚的知道本实施例中的基于神经网络的骨影抑制装置的实施方法，为了说明书的简洁，在此不再详述。
图9为本申请实施例提供的一种电子设备700的结构框图。电子设备700可以是手机、平板电脑、PC机、服务器等设备。如图9所示，电子设备700包括存储器701和处理器702。
其中，存储器701可用于存储指令、程序、代码、代码集或指令集。存储器701可以包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令以及用于实现上述实施例提供的基于神经网络的骨影抑制方法的指令等；存储数据区可存储上述实施例提供的基于神经网络的骨影抑制方法中涉及到的数据等。
处理器702可以包括一个或者多个处理核心。处理器702通过运行或执行存储在存储器301内的指令、程序、代码集或指令集，调用存储在存储器701内的数据，执行本申请的各种功能和处理数据。处理器702可以为特定用途集成电路(Application SpecificIntegrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(ProgrammableLogic Device，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器和微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器702功能的电子器件还可以为其它，本申请实施例不作具体限定。
本申请实施例提供一种计算机可读存储介质，存储有能够被处理器加载并执行如上述实施例提供的基于神经网络的骨影抑制方法的计算机程序。
本实施例中，计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。具体的，计算机可读存储介质可以是便携式计算机盘、硬盘、U盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、讲台随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、光盘、磁碟、机械编码设备以及上述任意组合。
本实施例中的计算机程序包含用于执行图1所示的方法的程序代码，程序代码可包括对应执行上述实施例提供的方法步骤对应的指令。计算机程序可从计算机可读存储介质下载到各个计算/处理设备，或者通过网络(例如因特网、局域网、广域网和/或无线网)下载到外部计算机或外部存储设备。计算机程序可完全地在用户计算机上执行、作为一个独立的软件包执行。
另外，需要理解的是，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。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、物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、物品或者设备所固有的要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (9)
1.一种基于神经网络的骨影抑制方法，其特征在于，包括：
通过ResUnet网络构建神经网络模型；
对所述神经网络模型进行训练，得到训练好的神经网络模型；
获取人体肺部的待抑制DICOM图像；
对所述待抑制DICOM图像进行预处理；
将预处理后的待抑制DICOM图像输入训练好的神经网络模型进行骨影抑制，输出骨影抑制后的DICOM图像。
2.根据权利要求1所述的方法，其特征在于，所述对待抑制DICOM图像进行预处理包括：
获取所述待抑制DICOM图像的肺部区域；
对所述肺部区域进行归一化处理；
对归一化处理后的肺部区域进行数据增强处理，输出所述预处理后的待抑制DICOM图像。
3.根据权利要求2所述的方法，其特征在于，所述获取所述待抑制DICOM图像的肺部区域，包括：
获取所述待抑制DICOM图像的感兴趣区域；
对所述感兴趣区域进行N等分，得到N个等分区域；
分别对每个等分区域取最大灰度值和最小灰度值；
对所有最大灰度值求取平均值E，并对所有最小灰度值求取平均值F；
将区间[F，E]作为窗宽，并将(E+F)/2作为窗位，对所述感兴趣区域进行窗宽窗位变换，得到第一图像；
将所述第一图像输入unet网络进行特征提取，输出第二图像，并将所述第二图像作为所述肺部区域。
4.根据权利要求3所述的方法，其特征在于，所述将所述第一图像输入unet网络进行特征提取，输出第二图像，包括：
将所述第一图像分割成多个相同大小的第一图像块；
分别对每个第一图像块进行镜像边缘填充，得到与所述多个第一图像块一一对应的多个第二图像块；
分别将每个第二图像块多次输入所述unet网络进行特征提取，得到多个第三图像块，其中，每个第二图像块对应多个第三图像块；
分别对每个第二图像块对应的多个第三图像块中每个像素点的灰度值求取平均值，得到与所述多个第二图像块一一对应的多个第四图像块；
获取所述多个第四图像块之间的第一重叠区域和非重叠区域；
对同一第一重叠区域中每个像素点的灰度值求取平均值，得到多个第二重叠区域；
拼接所述第二重叠区域和所述非重叠区域，得到所述第二图像。
5.根据权利要求3或4所述的方法，其特征在于，在所述将所述第一图像输入unet网络进行特征提取，输出第二图像之后，还包括：
计算所述第二图像的窗宽和窗位，对所述第二图像进行窗宽窗位变换，得到第三图像，并将所述第三图像作为所述肺部区域。
6.根据权利要求1至4任一项所述的方法，其特征在于，所述神经网络模型中当前网络层的输出的计算公式为：
式中，al为当前网络层l的输出，zl为正常网络层1的输出，bl为网络层1的输入，w为权重；
激活函数的公式为：
f(x)＝max(0，x)；
损失函数的公式为：
式中，μx和μy分别代表图像x、y的平均值，σx和σy分别代表图像x、y的标准差，σxy代表图像x、y的协方差。
7.一种基于神经网络的骨影抑制装置，其特征在于，包括：
模型构建模块，用于通过ResUnet网络构建神经网络模型；
模型训练模块，用于对所述神经网络模型进行训练，得到训练好的神经网络模型；
图像获取模块，用于获取人体肺部的待抑制DICOM图像；
预处理模块，用于对所述待抑制DICOM图像进行预处理；
骨影抑制模块，用于将预处理后的待抑制DICOM图像输入训练好的神经网络模型进行骨影抑制，输出骨影抑制后的DICOM图像。
8.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至6中任一种方法的计算机程序。
9.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至6中任一种方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011566188.8A CN112529818B (zh) | 2020-12-25 | 2020-12-25 | 基于神经网络的骨影抑制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011566188.8A CN112529818B (zh) | 2020-12-25 | 2020-12-25 | 基于神经网络的骨影抑制方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112529818A true CN112529818A (zh) | 2021-03-19 |
| CN112529818B CN112529818B (zh) | 2022-03-29 |
Family
ID=74976458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011566188.8A Active CN112529818B (zh) | 2020-12-25 | 2020-12-25 | 基于神经网络的骨影抑制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529818B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101102438A (zh) * | 2006-07-07 | 2008-01-09 | 帆宣系统科技股份有限公司 | 图像信号的对比伸张与溢位补偿系统及方法 |
| EP2124191A2 (en) * | 2008-05-21 | 2009-11-25 | Riverain Medical Group, LLC | Feature based neural network regression for feature suppression |
| CN103824281A (zh) * | 2014-01-07 | 2014-05-28 | 沈阳航空航天大学 | 一种胸部x光图像中骨骼抑制的方法 |
| CN104166994A (zh) * | 2014-07-29 | 2014-11-26 | 沈阳航空航天大学 | 一种基于训练样本优化的骨骼抑制方法 |
| CN105023273A (zh) * | 2015-07-01 | 2015-11-04 | 张逸凡 | 一种医学图像的感兴趣区域调节窗宽和窗位的方法 |
| CN105550983A (zh) * | 2015-12-28 | 2016-05-04 | 成都睿明医疗信息技术有限公司 | 一种基于动态范围转换的医学图像窗宽窗位显示方法 |
| CN106163404A (zh) * | 2014-04-08 | 2016-11-23 | Icad股份有限公司 | 用于射线图像的肺分割和骨抑制技术 |
| US20170294016A1 (en) * | 2016-04-12 | 2017-10-12 | Samsung Electronics Co., Ltd. | Apparatus and method of processing computed tomography image |
| US10217216B2 (en) * | 2016-05-19 | 2019-02-26 | Sichuan University | Kind of x-ray chest image rib suppression method based on poisson model |
| CN109993159A (zh) * | 2018-01-02 | 2019-07-09 | 上海西门子医疗器械有限公司 | 用于图像诊断系统的窗口设置方法和装置 |
| KR20190143708A (ko) * | 2018-06-21 | 2019-12-31 | 한국외국어대학교 연구산학협력단 | 딥러닝 기반의 x-선 영상 뼈 감쇄 장치 및 방법 |
| US20200051245A1 (en) * | 2018-08-10 | 2020-02-13 | Carestream Health, Inc. | Bone suppression for chest radiographs using deep learning |
| CN111275620A (zh) * | 2020-01-17 | 2020-06-12 | 西安工程大学 | 一种基于Stacking集成学习的图像超分辨方法 |
| CN111696164A (zh) * | 2020-05-15 | 2020-09-22 | 平安科技（深圳）有限公司 | 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 |
| CN111915543A (zh) * | 2020-08-04 | 2020-11-10 | 深圳蓝韵医学影像有限公司 | 基于组织提取的dr图像窗宽窗位自适应调整方法及系统 |
| CN112053328A (zh) * | 2020-08-18 | 2020-12-08 | 深圳蓝韵医学影像有限公司 | 数字x射线尘肺图像的处理方法及系统 |
-
2020
- 2020-12-25 CN CN202011566188.8A patent/CN112529818B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101102438A (zh) * | 2006-07-07 | 2008-01-09 | 帆宣系统科技股份有限公司 | 图像信号的对比伸张与溢位补偿系统及方法 |
| EP2124191A2 (en) * | 2008-05-21 | 2009-11-25 | Riverain Medical Group, LLC | Feature based neural network regression for feature suppression |
| CN103824281A (zh) * | 2014-01-07 | 2014-05-28 | 沈阳航空航天大学 | 一种胸部x光图像中骨骼抑制的方法 |
| CN106163404A (zh) * | 2014-04-08 | 2016-11-23 | Icad股份有限公司 | 用于射线图像的肺分割和骨抑制技术 |
| CN104166994A (zh) * | 2014-07-29 | 2014-11-26 | 沈阳航空航天大学 | 一种基于训练样本优化的骨骼抑制方法 |
| CN105023273A (zh) * | 2015-07-01 | 2015-11-04 | 张逸凡 | 一种医学图像的感兴趣区域调节窗宽和窗位的方法 |
| CN105550983A (zh) * | 2015-12-28 | 2016-05-04 | 成都睿明医疗信息技术有限公司 | 一种基于动态范围转换的医学图像窗宽窗位显示方法 |
| US20170294016A1 (en) * | 2016-04-12 | 2017-10-12 | Samsung Electronics Co., Ltd. | Apparatus and method of processing computed tomography image |
| US10217216B2 (en) * | 2016-05-19 | 2019-02-26 | Sichuan University | Kind of x-ray chest image rib suppression method based on poisson model |
| CN109993159A (zh) * | 2018-01-02 | 2019-07-09 | 上海西门子医疗器械有限公司 | 用于图像诊断系统的窗口设置方法和装置 |
| KR20190143708A (ko) * | 2018-06-21 | 2019-12-31 | 한국외국어대학교 연구산학협력단 | 딥러닝 기반의 x-선 영상 뼈 감쇄 장치 및 방법 |
| US20200051245A1 (en) * | 2018-08-10 | 2020-02-13 | Carestream Health, Inc. | Bone suppression for chest radiographs using deep learning |
| CN111275620A (zh) * | 2020-01-17 | 2020-06-12 | 西安工程大学 | 一种基于Stacking集成学习的图像超分辨方法 |
| CN111696164A (zh) * | 2020-05-15 | 2020-09-22 | 平安科技（深圳）有限公司 | 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 |
| CN111915543A (zh) * | 2020-08-04 | 2020-11-10 | 深圳蓝韵医学影像有限公司 | 基于组织提取的dr图像窗宽窗位自适应调整方法及系统 |
| CN112053328A (zh) * | 2020-08-18 | 2020-12-08 | 深圳蓝韵医学影像有限公司 | 数字x射线尘肺图像的处理方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| CW不要无聊的风格: "【图像处理】U-Net中的重叠-切片(Overlap-tile)", 《HTTPS://WWW.JIANSHU.COM/P/F5F5C9F0222E》 * |
| MOHAMMAD ESLAMI 等: "Image-to-Images Translation for Multi-Task Organ Segmentation and Bone Suppression in Chest X-Ray Radiography", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
| 丛日娟 等: "窗宽窗位对基于互信息的医学图像配准的影响", 《计算机工程》 * |
| 李丹: "红外告警系统中的目标检测算法研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 * |
| 焦庆磊: "基于CNN的X光胸片肺结节检测方法研究", 《中国优秀博硕士学位论文全文数据库（硕士）医药卫生科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112529818B (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210158510A1 (en) | Estimating object thickness with neural networks | |
| JP6676655B2 (ja) | 二重エネルギーｘ線冠動脈カルシウムのグレード付け | |
| Murakami et al. | Automatic identification of bone erosions in rheumatoid arthritis from hand radiographs based on deep convolutional neural network | |
| US12020821B2 (en) | Method and apparatus of predicting fracture risk | |
| US20230281809A1 (en) | Connected machine-learning models with joint training for lesion detection | |
| KR20200026071A (ko) | 환자 특정적 딥러닝 이미지 잡음제거 방법들 및 시스템들 | |
| US20070206880A1 (en) | Coupled Bayesian Framework For Dual Energy Image Registration | |
| CN112560778B (zh) | Dr图像身体部位识别方法、装置、设备及可读存储介质 | |
| CN115861172A (zh) | 基于自适应正则化光流模型的室壁运动估计方法及装置 | |
| Zhao et al. | Dual-energy CT imaging using a single-energy CT data is feasible via deep learning | |
| Soomro et al. | Segmenting MR images by level-set algorithms for perspective colorectal cancer diagnosis | |
| CN114266714A (zh) | 医学图像处理方法、装置及计算机设备 | |
| JP2018102586A (ja) | 眼底画像処理装置 | |
| CN112529818B (zh) | 基于神经网络的骨影抑制方法、装置、设备及存储介质 | |
| US10460491B2 (en) | Method for real-time deformable fusion of a source multi-dimensional image and a target multi-dimensional image of an object | |
| Reza et al. | Deep-learning-based whole-lung and lung-lesion quantification despite inconsistent ground truth: Application to computerized tomography in SARS-CoV-2 nonhuman primate models | |
| US20220198651A1 (en) | Multi-phase filter | |
| CN112750110A (zh) | 基于神经网络对肺部病灶区进行评估的评估系统和相关产品 | |
| CN111402191A (zh) | 一种目标检测方法、装置、计算设备及介质 | |
| JP4127537B2 (ja) | 画像処理方法および装置並びにプログラム | |
| Dandıl et al. | A Mask R-CNN based Approach for Automatic Lung Segmentation in Computed Tomography Scans | |
| CN113538419B (zh) | 一种图像处理方法和系统 | |
| JP2023551706A (ja) | 画像のノイズ除去の実行 | |
| Kumari et al. | Heuristically modified fusion-based hybrid algorithm for enhanced dental caries segmentation | |
| KR20220169134A (ko) | 인공지능 기반 온쓸개관돌의 단층 촬영 이미지 판독 장치, 시스템, 방법 및 프로그램 |
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 |