CN112561972B - 医学图像配准方法 - Google Patents
医学图像配准方法 Download PDFInfo
- Publication number
- CN112561972B CN112561972B CN202011597633.7A CN202011597633A CN112561972B CN 112561972 B CN112561972 B CN 112561972B CN 202011597633 A CN202011597633 A CN 202011597633A CN 112561972 B CN112561972 B CN 112561972B
- Authority
- CN
- China
- Prior art keywords
- image
- regression model
- data set
- drr
- dimensional
- 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 47
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000002591 computed tomography Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 238000003708 edge detection Methods 0.000 claims description 14
- 238000012952 Resampling Methods 0.000 claims description 10
- 238000013519 translation Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005266 casting Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000003325 tomography Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 39
- 238000001959 radiotherapy Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—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
- G06T2207/30—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)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种医学图像配准方法，本发明利用深度学习方法，建立卷积神经网络回归模型，包括以下步骤：(a)生成数字重建放射影像(Digitally Reconstructed Radiographs，DRR)作为数据集；(b)对数据集进行预处理，并划分数据集；(c)构建CNN回归模型；(d)评估回归模型的性能。使用CNN回归模型来实现2D‑3D医学图像配准，输入同一患者的3维CT图像和2维X光图像，直接回归出配准中涉及的6个变换参数，满足了放射治疗、手术导航等领域的实时性要求。
Description
技术领域
本发明涉及一种医学图像配准方法。
背景技术
2D-3D医学图像配准在放射治疗、手术导航等多个领域应用广泛，发挥着至关重要的作用。例如，在放射治疗中，3维CT图像可以提供人体解剖结构和兴趣区域更准确的三维结构信息，但扫描难以实时进行，一般只能在术前获得。2维X光图像成像时间短，可以实时扫描。因此，需要把术前3维CT图像和术中2维X光图像在同一个坐标系中对齐，即时得到兴趣区域和结构上更多的信息。
传统的基于强度的图像配准方法，是一个不断优化迭代的过程，每进行一次迭代，需要判断图像对的相似性测度是否达到设定的真实变换参数。在每次迭代过程中，都需要生成一个新的数字重建放射影像，这其中涉及大量的运算过程，耗费过多时间，难以满足2D-3D医学图像配准的实时要求。另外，基于强度的方法，选取的相似性度量通常是高度不凸的，所以优化器极有可能陷入局部极大值，从而导致这些方法的捕获范围较小。
发明内容
本发明的目的在于提供一种医学图像配准方法。
为解决上述问题，本发明提供一种医学图像配准方法，包括：
步骤(a)，生成数字重建放射影像作为数据集；
步骤(b)，对所述数据集进行预处理，并划分数据集；
步骤(c)，构建CNN回归模型，基于数据集训练所述CNN回归模型；
步骤(d)，评估所述CNN回归模型的性能。
进一步的，在上述方法中，步骤(a)，包括：
(a1)获取各组3维的电子计算机断层扫描(CT)图像；
(a2)对每组3维的电子计算机断层扫描图像进行筛查，提取仅包含目标的切片，例如仅提取包含肺部的切片
(a3)使用光线投射法生成3维的电子计算机断层扫描图像对应的2维DRR图像，其中DRR图像涉及的6个参数(tx，ty，tz，tθ，tα，tβ)，其中，前3个参数是平移参数，后3个参数是旋转参数；将平移参数的间隔设为5mm，旋转参数的间隔设为2°，以生成DRR图像作为数据集。
进一步的，在上述方法中，步骤(b)包括：
(b1)将上述DRR图像作为数据集，分别进行边缘检测、添加噪声；
(b2)对边缘检测、添加噪声后的DRR图像进行重采样、归一化操作；
(b3)将重采样、归一化操作后的DRR图像随机选取80％作为训练数据集，20％作为测试数据集。
进一步的，在上述方法中，步骤(b1)包括：
(b11)使用opencv库的Canny算子进行边缘检测，其中，首先对DRR图像选择预设的高斯滤波器进行平滑滤波，然后采用非极值抑制技术进行处理得到最后的边缘图像；
(b12)使用opencv库对最后的边缘图像添加高斯噪声。
进一步的，在上述方法中，步骤(b2)包括：
(b21)使用opencv库的resize函数对边缘检测、添加噪声后的DRR图像进行重采样；
(b22)使用最大最小值归一化方法对重采样后的DRR图像进行归一化，以将重采样后的DRR图像的像素映射到[0，1]区间内，公式如下：
其中，xi表示图像的像素点的值，min(x)、max(x)分别表示图像的像素点的最大与最小值。
进一步的，在上述方法中，步骤(c)包括：
(c1)建立CNN回归模型，所述CNN回归模型基于VGGNet作为网络结构；
(c2)基于所述数据集训练CNN回归模型。
进一步的，在上述方法中，步骤(c2)包括：
将训练数据集中的DRR图像直接输入CNN回归模型；
将训练数据集中的DRR图像和其边缘图像作为网络输入的两个通道拼在一起，输入CNN回归模型；
将训练数据集中的DRR图像和其噪声图像作为网络输入的两个通道拼在一起，输入CNN回归模型。
进一步的，在上述方法中，步骤(d)包括：
(d1)使用投影方向上的平均目标配准误差mTREproj作为评价模型的性能指标，投影方向上的平均目标配准误差mTREproj小于目标物体尺寸的1％视为成功的配准，公式如下：
其中，N是3维CT图像中标记点的数量，Pn表示第n个点，T、分别表示真实和预测的变换参数，/>表示投影平面的法线。
进一步的，在上述方法中，步骤(d)包括，利用同一患者的3维cT图像和2维X光图像对CNN回归模型进行验证，并使用性能评估指标评价CNN回归模型的优劣。
与现有技术相比，本发明的有益效果如下：
1本发明中使用的是同一患者的3维CT图像和2维X光图像，可以真实地模拟临床场景；
2本发明容易实现，可以快速得到预测结果，只要将需要配准的CT图像和X光图像导入到模型中，就可以得到结果；
3本发明建立的基于卷积神经网络回归的2D-3D医学图像配准模型，满足了放射治疗等实际应用的实时性要求。
附图说明
图1为本发明实施例提供的一种基于卷积神经网络的2D-3D医学图像配准方法的流程图；
图2为本发明实施例提供的一种基于卷积神经网络的2D-3D医学图像配准方法的模拟光线投射图；
图3为本发明实施例提供的一种基于卷积神经网络的2D-3D医学图像配准方法的变换参数效果图；
图4为本发明实施例提供的一种基于卷积神经网络的2D-3D医学图像配准方法的网络结构图；
图5为本发明实施例提供的一种基于卷积神经网络的2D-3D医学图像配准方法的整体框架图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种医学图像配准方法，包括：
步骤(a)，生成数字重建放射影像作为数据集；
步骤(b)，对所述数据集进行预处理，并划分数据集；
步骤(c)，构建CNN回归模型，基于数据集训练所述CNN回归模型；
步骤(d)，评估所述CNN回归模型的性能。
在此，本发明涉及一种基于卷积神经网络(Convolutional Neural Network，CNN)的2D-3D医学图像配准方法。
本发明医学图像配准方法一实施例中，步骤(a)，包括：
(a1)获取各组3维的电子计算机断层扫描(CT)图像；
(a2)对每组3维的电子计算机断层扫描图像进行筛查，提取仅包含目标的切片，例如仅提取包含肺部的切片
(a3)使用光线投射法生成3维的电子计算机断层扫描图像对应的2维DRR图像，其中DRR图像涉及的6个参数(tx，ty，tz，tθ，tα，tβ)，其中，前3个参数是平移参数，后3个参数是旋转参数；将平移参数的间隔设为5mm，旋转参数的间隔设为2°，以生成DRR图像作为数据集。
本发明医学图像配准方法一实施例中，步骤(b)包括：
(b1)将上述DRR图像作为数据集，分别进行边缘检测、添加噪声；
(b2)对边缘检测、添加噪声后的DRR图像进行重采样、归一化操作；
(b3)将重采样、归一化操作后的DRR图像随机选取80％作为训练数据集，20％作为测试数据集。
本发明医学图像配准方法一实施例中，步骤(b1)包括：
(b11)边缘检测：使用opencv库的Canny算子进行边缘检测，其中，首先对DRR图像选择预设的高斯滤波器进行平滑滤波，然后采用非极值抑制技术进行处理得到最后的边缘图像；
(b12)添加噪声：使用opencv库对最后的边缘图像添加高斯噪声。
本发明医学图像配准方法一实施例中，步骤(b2)包括：
(b21)重采样：使用opencv库的resize函数对边缘检测、添加噪声后的DRR图像进行重采样；
(b22)归一化：使用最大最小值归一化方法对重采样后的DRR图像进行归一化，以将重采样后的DRR图像的像素映射到[0，1]区间内，公式如下：
其中，xi表示图像的像素点的值，min(x)、max(x)分别表示图像的像素点的最大与最小值。
本发明医学图像配准方法一实施例中，步骤(c)包括：
(c1)建立CNN回归模型，所述CNN回归模型基于VGGNet作为网络结构；
(c2)基于所述数据集训练CNN回归模型。
本发明医学图像配准方法一实施例中，步骤(c2)包括：
本发明对数据集进行不同的图像预处理，由此设计了三种不同的训练方式。一是将训练数据集中的DRR图像直接输入CNN回归模型；二是将训练数据集中的DRR图像和其边缘图像作为网络输入的两个通道拼在一起，输入CNN回归模型；最后，考虑到临床真实环境下存在背景干扰，为了模拟这一场景，将训练数据集中的DRR图像和其噪声图像作为网络输入的两个通道拼在一起，输入CNN回归模型。
本发明医学图像配准方法一实施例中，步骤(d)包括：
(d1)使用投影方向上的平均目标配准误差mTREproj作为评价模型的性能指标，投影方向上的平均目标配准误差mTREproj小于目标物体尺寸的1％视为成功的配准，公式如下：
其中，N是3维CT图像中标记点的数量，Pn表示第n个点，T、分别表示真实和预测的变换参数，/>表示投影平面的法线。
本发明医学图像配准方法一实施例中，步骤(d)包括，利用同一患者的3维CT图像和2维X光图像对CNN回归模型进行验证，并使用性能评估指标评价CNN回归模型的优劣。
具体的，如图1所示，本发明是对3维CT图像和2维X光图像进行配准，将图像预处理后输入CNN回归模型，直接得到2D-3D医学图像配准中涉及的6个变换参数。首先利用光线投射法将三维的CT图像生成二维的X光图像，作为CNN回归模型的数据集。然后对数据集进行预处理操作，使得模型训练效果更佳。把预处理后的数据集划分为训练集和测试集，输入到构建好的CNN回归模型中，经过训练和测试，最后对模型进行性能评估验证。
如图2所示，2D-3D医学图像配准需要在同一坐标系中对齐，本发明利用光线投射法将配准中涉及的3维CT图像转换成2维DRR图像。DRR生成是一个模拟X光线穿透CT体积，经过衰减和吸收后投影到成像平面后累加的过程。整个过程是X光线衰减的过程，符合光学吸收模型规律，因此DRR生成中X光线的衰减过程可用下式表示：
其中，s为光学投射方向的长度参数；I(s)为距离s处的光学强度；τ(t)是光线强度的衰减系数，即沿光线投射方向t处的光线吸收率；I0是光线进入三维数据场时的光线强度。
如图3所示，本发明是刚体的2D-3D医学图像配准，涉及6个变换参数，其中包括3个平移参数tx、ty、tz和3个旋转参数tθ、tα、tβ。变换参数引起图像的变化效果如下：平移参数tx、ty和一个旋转参数tθ的效果近似2D刚体变换，平移参数tz引起图像的细微缩放，旋转参数tα、tβ引起图像的形状变化。
如图4所示，本发明的网络结构基于VGGNet，整个网络结构包括16层，分为13层的卷积部分和3层的全连接部分。模型输入是固定大小的256×256的灰度图像，首先是经过卷积部分，包括13个3×3的卷积层，部分卷积层后跟着一个步长为2的2×2的最大池化层。全连接部分包括3个全连接层，分别包括2048、2048、6个激活神经元，输出有6个节点，对应于6个变换参数。除了最后一个输出全连接层，每个卷积层和全连接层后都跟着线性整流单元(ReLU)。
在训练阶段，使用的目标函数是均方误差损失(mean-square error，MSE)和L2范式损失，定义如下：
L＝MSE+λL2
其中，MSE表示均方误差，L2表示L2范式，λ表示正则化参数。
其中，n是训练样本的数量，yi是第i个训练样本的标签，是第i个训练样本的预测值。
另外，在CNN回归模型中，需要利用优化算法使得损失函数最小化，本发明使用小批量随机梯度下降法(mini-SGD)，每次梯度计算使用一个批量样本，避免消耗大量内存，其中批量大小为32，动量为0.9，权重衰减为0.0001。
如图5所示，本发明涉及的整体配准框架，首先获取同一患者同一部位的2维X光图像和3维CT图像，通过投影使得CT图像生成DRR图像。将上述图像分别进行图像预处理(边缘检测、高斯噪声)，然后输入到CNN回归器中，通过损失函数不断缩小预测值和真实值之间的误差，再反向传播到CNN回归器中。直到达到模型设定的值，输出预测变换参数。
与现有技术相比，本发明的有益效果如下：
1本发明中使用的是同一患者的3维CT图像和2维X光图像，可以真实地模拟临床场景；
2本发明容易实现，可以快速得到预测结果，只要将需要配准的CT图像和X光图像导入到模型中，就可以得到结果；
3本发明建立的基于卷积神经网络回归的2D-3D医学图像配准模型，满足了放射治疗等实际应用的实时性要求。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (4)
1.一种医学图像配准方法，其特征在于，包括：
步骤(a)，生成数字重建放射影像作为数据集；
步骤(b)，对所述数据集进行预处理，并划分数据集；
步骤(c)，构建CNN回归模型，基于数据集训练所述CNN回归模型；
步骤(d)，评估所述CNN回归模型的性能；
步骤(a),包括：
(a1)获取各组3维的电子计算机断层扫描(CT)图像；
(a2)对每组3维的电子计算机断层扫描图像进行筛查，提取仅包含目标的切片，仅提取包含肺部的切片
(a3)使用光线投射法生成3维的电子计算机断层扫描图像对应的2维DRR图像，其中DRR图像涉及的6个参数(tx,ty,tz,tθ,tα,tβ)，其中，前3个参数是平移参数，后3个参数是旋转参数；将平移参数的间隔设为5mm，旋转参数的间隔设为2°，以生成DRR图像作为数据集；
步骤(b)包括：
(b1)将所述2维DRR图像作为数据集，分别进行边缘检测、添加噪声；
(b2)对边缘检测、添加噪声后的DRR图像进行重采样、归一化操作；
(b3)将重采样、归一化操作后的DRR图像随机选取80％作为训练数据集，20％作为测试数据集；
步骤(b1)包括：
(b11)使用opencv库的Canny算子进行边缘检测，其中，首先对DRR图像选择预设的高斯滤波器进行平滑滤波，然后采用非极值抑制技术进行处理得到最后的边缘图像；
(b12)使用opencv库对最后的边缘图像添加高斯噪声；
步骤(b2)包括：
(b21)使用opencv库的resize函数对边缘检测、添加噪声后的DRR图像进行重采样；
(b22)使用最大最小值归一化方法对重采样后的DRR图像进行归一化，以将重采样后的DRR图像的像素映射到[0，1]区间内，公式如下：
其中，xi表示图像的像素点的值，min(x)、max(x)分别表示图像的像素点的最大与最小值；
步骤(d)包括：
(d1)使用投影方向上的平均目标配准误差mTREproj作为评价模型的性能指标，投影方向上的平均目标配准误差mTREproj小于目标物体尺寸的1％视为成功的配准，公式如下：
其中，N是3维CT图像中标记点的数量，Pn表示第n个点，T、分别表示真实和预测的变换参数，/>表示投影平面的法线。
2.如权利要求1所述的医学图像配准方法，其特征在于，步骤(c)包括：
(c1)建立CNN回归模型，所述CNN回归模型基于VGGNet作为网络结构；
(c2)基于所述数据集训练CNN回归模型。
3.如权利要求2所述的医学图像配准方法，其特征在于，步骤(c2)包括：
将训练数据集中的DRR图像直接输入CNN回归模型；
将训练数据集中的DRR图像和其边缘图像作为网络输入的两个通道拼在一起，输入CNN回归模型；
将训练数据集中的DRR图像和其噪声图像作为网络输入的两个通道拼在一起，输入CNN回归模型。
4.如权利要求1所述的医学图像配准方法，其特征在于，步骤(d)包括，利用同一患者的3维CT图像和2维X光图像对CNN回归模型进行验证，并使用性能评估指标评价CNN回归模型的优劣。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011597633.7A CN112561972B (zh) | 2020-12-29 | 2020-12-29 | 医学图像配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011597633.7A CN112561972B (zh) | 2020-12-29 | 2020-12-29 | 医学图像配准方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112561972A CN112561972A (zh) | 2021-03-26 |
| CN112561972B true CN112561972B (zh) | 2024-04-16 |
Family
ID=75032870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011597633.7A Active CN112561972B (zh) | 2020-12-29 | 2020-12-29 | 医学图像配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561972B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3121789A1 (en) * | 2015-07-22 | 2017-01-25 | Siemens Medical Solutions USA, Inc. | Method and system for convolutional neural network regression based 2d/3d image registration |
| CN107507234A (zh) * | 2017-08-29 | 2017-12-22 | 北京大学 | 锥束计算机断层扫描图像与x光图像配准方法 |
| CN110009669A (zh) * | 2019-03-22 | 2019-07-12 | 电子科技大学 | 一种基于深度强化学习的3d/2d医学图像配准方法 |
| CN111080681A (zh) * | 2019-12-16 | 2020-04-28 | 电子科技大学 | 一种基于LoG算子的3D/2D医学图像配准方法 |
-
2020
- 2020-12-29 CN CN202011597633.7A patent/CN112561972B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3121789A1 (en) * | 2015-07-22 | 2017-01-25 | Siemens Medical Solutions USA, Inc. | Method and system for convolutional neural network regression based 2d/3d image registration |
| CN106651750A (zh) * | 2015-07-22 | 2017-05-10 | 美国西门子医疗解决公司 | 用于基于卷积神经网络回归的2d/3d图像配准的方法和系统 |
| CN107507234A (zh) * | 2017-08-29 | 2017-12-22 | 北京大学 | 锥束计算机断层扫描图像与x光图像配准方法 |
| CN110009669A (zh) * | 2019-03-22 | 2019-07-12 | 电子科技大学 | 一种基于深度强化学习的3d/2d医学图像配准方法 |
| CN111080681A (zh) * | 2019-12-16 | 2020-04-28 | 电子科技大学 | 一种基于LoG算子的3D/2D医学图像配准方法 |
Non-Patent Citations (2)
| Title |
|---|
| 沈延延 ; 冯汉升 ; .基于神经网络的双X射线影像2D-3D配准算法.中国医学物理学杂志.2020,(第03期),全文. * |
| 陈向前 ; 郭小青 ; 周钢 ; 樊瑜波 ; 王豫 ; .基于深度学习的2D/3D医学图像配准研究.中国生物医学工程学报.2020,(第04期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112561972A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111492406B (zh) | 训练机器学习算法的方法、图像处理系统和图像重建方法 | |
| US10751548B2 (en) | Automated image segmentation using DCNN such as for radiation therapy | |
| CN108921851B (zh) | 一种基于3d对抗网络的医学ct图像分割方法 | |
| EP3226766B1 (en) | System and method for image calibration | |
| US11373308B2 (en) | X-ray image processing method and X-ray image processing apparatus | |
| CN111540025B (zh) | 预测用于图像处理的图像 | |
| CN112598649B (zh) | 基于生成对抗网络的2d/3d脊椎ct非刚性配准方法 | |
| KR20100133950A (ko) | 동적인 제약들에 따른 오브젝트 주변의 사용을 통한 단층 촬영에 있어서의 양 감소 및 이미지 강화 | |
| EP3131062A2 (en) | Method, apparatus, and computer readable medium for removing unwanted objects from a tomogram | |
| CN112154342A (zh) | 医学图像转换 | |
| KR102036834B1 (ko) | 이미지 처리 방법 | |
| He et al. | Downsampled imaging geometric modeling for accurate CT reconstruction via deep learning | |
| Dutta et al. | Deep learning framework to synthesize high-count preclinical PET images from low-count preclinical PET images | |
| Xia et al. | Deep residual neural network based image enhancement algorithm for low dose CT images | |
| CN108694007B (zh) | 从磁共振图像展开肋骨 | |
| Zhang et al. | DRR4Covid: learning automated COVID-19 infection segmentation from digitally reconstructed radiographs | |
| CN112561972B (zh) | 医学图像配准方法 | |
| CN111260636A (zh) | 模型训练方法及设备、图像处理方法及设备以及介质 | |
| ROMENY et al. | Advances in three-dimensional diagnostic radiology | |
| WO2005076038A1 (en) | Method and apparatus for providing high-resolution reconstruction of an observed object | |
| Vizitiu et al. | Data-driven adversarial learning for sinogram-based iterative low-dose CT image reconstruction | |
| US20240104802A1 (en) | Medical image processing method and apparatus and medical device | |
| US20230281842A1 (en) | Generation of 3d models of anatomical structures from 2d radiographs | |
| Shen et al. | CT denoising by multi-feature CONCAT residual network with cross-domain attention BLCOK | |
| Valat et al. | Sinogram Inpainting with Generative Adversarial Networks and Shape Priors. Tomography 2023, 9, 1137–1152 |
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 |