CN112634147A - 自监督学习的pet图像降噪方法、系统、装置及介质 - Google Patents
自监督学习的pet图像降噪方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN112634147A CN112634147A CN202011427224.2A CN202011427224A CN112634147A CN 112634147 A CN112634147 A CN 112634147A CN 202011427224 A CN202011427224 A CN 202011427224A CN 112634147 A CN112634147 A CN 112634147A
- Authority
- CN
- China
- Prior art keywords
- pet
- image
- training
- pet image
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000012795 verification Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract 6
- 238000012545 processing Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000700 radioactive tracer Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005855 radiation Effects 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明涉及一种自监督学习的PET图像降噪方法、系统、装置及介质，方法具体为：对待降噪PET图像进行预处理，并输入训练好的3D卷积神经网络，获得降噪PET图像；3D卷积神经网络的训练过程具体为：采集PET样本图像，PET样本图像为剂量低于设定剂量或扫描时间小于设定时间的PET图像；随机产生一组均匀分布的掩码和对应的反转掩码，并将掩码和反转掩码应用于PET样本图像上，对应获得配对的标签数据和输入数据；利用配对的标签数据和输入数据分为训练集、测试集和验证集，分别对3D卷积神经网络进行训练、测试和验证。与现有技术相比，本发明训练成本低，操作简便，能够保持待降噪PET图像原有的图像结构和对比度。
Description
技术领域
本发明涉及一种图像降噪技术，尤其是涉及一种自监督学习的PET图像降噪方法、系统、装置及介质。
背景技术
正电子发射计算机断层成像(PositronEmissionTomography)是核医学领域比较先进的临床检查影像技术。通过向人体注射放射性示踪剂药物，药物中的放射性核素衰变产生的一对γ射线，从而得到放射性药物在人体内的分布图。一般放射性示踪剂选取的是生物生命代谢中必须的物质，如葡萄糖、蛋白质、核酸和脂肪酸，标记上短寿命的放射性核素，如18F，11C等，注入人体后，通过对于该物质在代谢中的聚集，来反映生命代谢活动的情况。由于PET扫描扫描时间比较长，且需要注射发射性示踪剂，放射性示踪剂衰变出来的正电子在与人体组织器官中的负电子湮灭之后产生一对511kev的光子，这些高能量的光子会给人体带来辐射损伤。。临床上通过降低注射放射性示踪剂的剂量来降低PET扫描剂量，然而降低注射剂量会导致图像噪声增加，对比度下降等问题，影响到PET图像的质量。除此之外，由于PET或CT的扫描时间比较长，扫描效率比较低，因此临床上非常渴望降低PET的扫描剂量，然而减少扫描时间或者降低注射剂量均会导致图像噪声增加，对比度下降。
传统的图像降噪方法包括BM3D和NLM等，利用这些方法对PET图像进行降噪，通常会导致图像过平滑和对比度下降等问题，近年来深度学习在各个领域得到了快速的发展，并广泛应用于医学图像分析当中，但基于深度学习的模型通常也会面临网络模型复杂、图像过平滑、对比度下降以及需要大量的配对数据的问题，深度学习的模型需要理想无噪的标签数据才能实现较好的降噪性能，成本高，操作复杂。
现有技术也给出了一些解决方案，中国专利CN202010693415.7提出了一种自监督学习方法及应用。现有的低剂量条件下CT成像质量较差。本申请提供了一种自监督学习方法，所述方法包括：对图像噪声建模；从低剂量CT图像中产生当前像素的近似目标像素值，获取目标像素点；随机从低剂量CT输入图像中裁剪出图像块，从图像块中随机选取N个像素点，将目标像素点替换掉当前选取的像素点得到目标图像；训练网络，逐步达到收敛状态。需人工干预即可端到端地进行网络的训练，并实现降噪。
但该专利存在以下问题：
PET图像为三维图像，该专利仅适用于2D数据和2D卷积神经网络，应用该专利处理PET图像时会导致输出图像在在冠状位和矢状位上产生明显的不连续状的伪影，准确度低；
该专利从输入图像中产生出对应的标签数据，输入数据为原始图像，标签数据来自于周围5*5的邻域内随机像素值来替换目标像素，运算量大，效率低；
该专利采用均方误差损失函数，通常会面临过平滑的问题，导致图像对比度降低。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种自监督学习的PET图像降噪方法、系统、装置及介质。
本发明的目的可以通过以下技术方案来实现：
一种自监督学习的PET图像降噪方法，具体为：
对待降噪PET图像进行归一化处理，并输入训练好的3D卷积神经网络，获得降噪PET图像；
其中，所述的3D卷积神经网络的训练过程具体为：
采集PET样本图像，所述的PET样本图像为剂量低于设定剂量或扫描时间小于设定时间的PET图像；
随机产生一组均匀分布的掩码和对应的反转掩码，并将掩码和反转掩码应用于PET样本图像上，对应获得配对的标签数据和输入数据；
对配对的标签数据和输入数据进行归一化处理，并分为训练集、测试集和验证集，利用训练集、测试集和验证集分别对3D卷积神经网络进行训练、测试和验证。
进一步地，所述的对3D卷积神经网络进行训练、测试和验证的过程具体为：
201)利用训练集训练3D卷积神经网络；
202)利用测试集测试训练过程采用的目标函数L是否最小，若是则执行步骤203)，否则执行步骤201)；
203)通过将验证集输入3D卷积神经网络计算验证误差，若验证误差最小，训练结束，否则通过反向传播更新网络参数，并执行步骤201)。
进一步地，所述的目标函数L具体为：
其中，Imask掩码，Iinvert-mask为反转掩码，为yi为PET样本图像，N为PET样本图像的数量。
一种自监督学习的PET图像降噪系统，包括图像采集模块、图像处理模块、模型训练模块和图像降噪模块；
所述的图像采集模块用于采集待降噪PET图像以及采集PET样本图像，所述的PET样本图像为剂量低于设定剂量或扫描时间小于设定时间的PET图像；
所述的图像处理模块包括第一处理单元和第二处理单元，所述的第一处理单元用于随机产生一组均匀分布的掩码和对应的反转掩码，并将掩码和反转掩码应用于PET样本图像上，对应获得配对的标签数据和输入数据，所述的第二处理单元用于对降噪PET图像以及配对的标签数据和输入数据进行归一化处理；
所述的模型训练模块将归一化处理后的配对的标签数据和输入数据分为训练集、测试集和验证集，并利用训练集、测试集和验证集分别对3D卷积神经网络进行训练、测试和验证；
所述的图像降噪模块用于将归一化处理后的待降噪PET图像输入训练好的3D卷积神经网络，获得降噪PET图像。
进一步地，所述的对3D卷积神经网络进行训练、测试和验证的过程具体为：
601)利用训练集训练3D卷积神经网络；
602)利用测试集测试训练过程采用的目标函数L是否最小，若是则执行步骤203)，否则执行步骤201)；
603)通过将验证集输入3D卷积神经网络计算验证误差，若验证误差最小，训练结束，否则通过反向传播更新网络参数，并执行步骤201)。
进一步地，所述的目标函数L采用平均绝对误差损失函数，可以更有效的保存图像细节，具体为：
其中，Imask掩码，Iinvert-mask为反转掩码，为yi为PET样本图像，N为PET样本图像的数量。
一种自监督学习的PET图像降噪装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器调用所述程序指令能够执行任一所述的PET图像降噪方法。
一种计算机可读存储介质，包括计算机程序，所述计算机程序能够被处理器执行以实现任一所述的PET图像降噪方法。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明采集PET样本图像，PET样本图像为剂量低于设定剂量或扫描时间小于设定时间的PET图像，随机产生一组均匀分布的掩码和对应的反转掩码，并将掩码和反转掩码应用于PET样本图像上，对应获得配对的标签数据和输入数据，直接通过掩码和反转掩码将目标像素移除，计算量少，运算效率高，相比于现有的降噪算法，不需要额外采集大量现成的标签数据和输入数据，也不需要理想的低噪声标签数据，采用已有的噪声图像即可实现，训练成本低，操作简便，同时通过利用掩码和反转掩码获得的配对数据对3D卷积神经网络进行训练，由于PET图像是三维的，3D卷积神经网络能够处理3D空间上的连续性，输出结果的准确度更高，降噪后的降噪PET图像与降噪前的待降噪PET图像相比，能够保持原有的图像结构和对比度；
(2)本发明目标函数L采用平均绝对误差损失函数，可以更有效的保存图像细节。
附图说明
图1为本发明的方法流程示意图；
图2为3D卷积神经网络的结构示意图；
图3为待降噪PET图像；
图4为降噪PET图像。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
一种自监督学习的PET图像降噪方法，如图1，具体为：
101)采集PET样本图像，PET样本图像为剂量低于设定剂量或扫描时间小于设定时间的PET图像；
102)随机产生一组均匀分布的掩码和对应的反转掩码，并将掩码和反转掩码应用于PET样本图像上，对应获得配对的标签数据和输入数据；
103)对配对的标签数据和输入数据进行归一化处理，并分为训练集、测试集和验证集，利用训练集、测试集和验证集分别对3D卷积神经网络进行训练、测试和验证；
104)对待降噪PET图像进行归一化处理，并输入训练好的3D卷积神经网络，获得降噪PET图像，并保存至DICOM文件中，待降噪PET图像为图3，降噪PET图像为图4，可以看出，降噪PET图像和待降噪PET图像相比，降噪效果好，且能够保持原有的图像结构和对比度。
对3D卷积神经网络进行训练、测试和验证的过程具体为：
201)利用训练集训练3D卷积神经网络；
202)利用测试集测试训练过程采用的目标函数L是否最小，若是则执行步骤203)，否则执行步骤201)；
203)通过将验证集输入3D卷积神经网络计算验证误差，若验证误差最小，训练结束，否则通过反向传播更新网络参数，并执行步骤201)。
目标函数L具体为：
其中，Imask掩码，Iinvert-mask为反转掩码，为yi为PET样本图像，N为PET样本图像的数量。
如图2，3D卷积神经网络采用自编码结构，包括5层卷积层和4层反卷积层，5层卷积层的卷积核分别为64×64×64、62×62×62、60×60×60、58×58×58和56×56×56，4层反卷积层的卷积核分别为116×58×58、120×60×60、124×62×62和64×64×64，其中，第2层卷积层、第3层卷积层和第4层卷积层分别与第3层反卷积层、第2层反卷积层和第1层反卷积层跳跃连接。由于PET图像是三维数据，我们使用了3D卷积神经网络来代替普通的2D卷积神经网络，以避免2D卷积网络不能很好的处理三维空间上的连续性问题。
实施例2
一种自监督学习的PET图像降噪系统，包括图像采集模块、图像处理模块、模型训练模块和图像降噪模块；
图像采集模块用于采集待降噪PET图像以及采集PET样本图像，PET样本图像为剂量低于设定剂量或扫描时间小于设定时间的PET图像；
图像处理模块包括第一处理单元和第二处理单元，第一处理单元用于随机产生一组均匀分布的掩码和对应的反转掩码，并将掩码和反转掩码应用于PET样本图像上，对应获得配对的标签数据和输入数据，第二处理单元用于对降噪PET图像以及配对的标签数据和输入数据进行归一化处理；
模型训练模块将归一化处理后的配对的标签数据和输入数据分为训练集、测试集和验证集，并利用训练集、测试集和验证集分别对3D卷积神经网络进行训练、测试和验证；
图像降噪模块用于将归一化处理后的待降噪PET图像输入训练好的3D卷积神经网络，获得降噪PET图像。
对3D卷积神经网络进行训练、测试和验证的过程具体为：
601)利用训练集训练3D卷积神经网络；
602)利用测试集测试训练过程采用的目标函数L是否最小，若是则执行步骤203)，否则执行步骤201)；
603)通过将验证集输入3D卷积神经网络计算验证误差，若验证误差最小，训练结束，否则通过反向传播更新网络参数，并执行步骤201)。
目标函数L具体为：
其中，Imask掩码，Iinvert-mask为反转掩码，为yi为PET样本图像，N为PET样本图像的数量。
如图2，3D卷积神经网络采用自编码结构，包括5层卷积层和4层反卷积层，5层卷积层的卷积核分别为64×64×64、62×62×62、60×60×60、58×58×58和56×56×56，4层反卷积层的卷积核分别为116×58×58、120×60×60、124×62×62和64×64×64，其中，第2层卷积层、第3层卷积层和第4层卷积层分别与第3层反卷积层、第2层反卷积层和第1层反卷积层跳跃连接。
实施例3
一种自监督学习的PET图像降噪装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器调用所述程序指令能够执行实施例1所述的任一PET图像降噪方法。
实施例4
一种计算机可读存储介质，包括计算机程序，所述计算机程序能够被处理器执行以实现实施例1所述的任一PET图像降噪方法。
实施例1、实施例2、实施例3和实施例4提出了一种自监督学习的PET图像降噪方法、系统、装置及介质，采集PET样本图像，PET样本图像为剂量低于设定剂量或扫描时间小于设定时间的PET图像，随机产生一组均匀分布的掩码和对应的反转掩码，并将掩码和反转掩码应用于PET样本图像上，对应获得配对的标签数据和输入数据，相比于现有的降噪算法，不需要额外采集大量现成的标签数据和输入数据，也不需要理想的低噪声标签数据，采用已有的噪声图像即可实现，训练成本低，操作简便，同时通过利用掩码和反转掩码获得的配对数据对3D卷积神经网络进行训练，降噪后的降噪PET图像与降噪前的待降噪PET图像相比，能够保持原有的图像结构和对比度。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种自监督学习的PET图像降噪方法，其特征在于，具体为：
对待降噪PET图像进行预处理，并输入训练好的3D卷积神经网络，获得降噪PET图像；
其中，所述的3D卷积神经网络的训练过程具体为：
采集PET样本图像，所述的PET样本图像为剂量低于设定剂量或扫描时间小于设定时间的PET图像；
随机产生一组均匀分布的掩码和对应的反转掩码，并将掩码和反转掩码应用于PET样本图像上，对应获得配对的标签数据和输入数据；
对配对的标签数据和输入数据进行预处理，并分为训练集、测试集和验证集，利用训练集、测试集和验证集分别对3D卷积神经网络进行训练、测试和验证。
2.根据权利要求1所述的一种自监督学习的PET图像降噪方法，其特征在于，所述的对3D卷积神经网络进行训练、测试和验证的过程具体为：
201)利用训练集训练3D卷积神经网络；
202)利用测试集测试训练过程采用的目标函数L是否最小，若是则执行步骤203)，否则执行步骤201)；
203)通过将验证集输入3D卷积神经网络计算验证误差，若验证误差最小，训练结束，否则通过反向传播更新网络参数，并执行步骤201)。
3.根据权利要求2所述的一种自监督学习的PET图像降噪方法，其特征在于，所述的目标函数L具体为：
其中，Imask掩码，Iinvert-mask为反转掩码，为yi为PET样本图像，N为PET样本图像的数量。
4.根据权利要求1所述的一种自监督学习的PET图像降噪方法，其特征在于，所述的预处理为归一化处理。
5.一种自监督学习的PET图像降噪系统，其特征在于，包括：
图像采集模块，用于采集待降噪PET图像以及采集PET样本图像，所述的PET样本图像为剂量低于设定剂量或扫描时间小于设定时间的PET图像；
图像处理模块，包括第一处理单元和第二处理单元，所述的第一处理单元用于随机产生一组均匀分布的掩码和对应的反转掩码，并将掩码和反转掩码应用于PET样本图像上，对应获得配对的标签数据和输入数据，所述的第二处理单元用于对降噪PET图像以及配对的标签数据和输入数据进行预处理；
模型训练模块，将预处理后的配对的标签数据和输入数据分为训练集、测试集和验证集，并利用训练集、测试集和验证集分别对3D卷积神经网络进行训练、测试和验证；
图像降噪模块，用于将预处理后的待降噪PET图像输入训练好的3D卷积神经网络，获得降噪PET图像。
6.根据权利要求5所述的一种自监督学习的PET图像降噪系统，其特征在于，所述的对3D卷积神经网络进行训练、测试和验证的过程具体为：
601)利用训练集训练3D卷积神经网络；
602)利用测试集测试训练过程采用的目标函数L是否最小，若是则执行步骤203)，否则执行步骤201)；
603)通过将验证集输入3D卷积神经网络计算验证误差，若验证误差最小，训练结束，否则通过反向传播更新网络参数，并执行步骤201)。
7.根据权利要求6所述的一种自监督学习的PET图像降噪系统，其特征在于，所述的目标函数L具体为：
其中，Imask掩码，Iinvert-mask为反转掩码，为yi为PET样本图像，N为PET样本图像的数量。
8.根据权利要求5所述的一种自监督学习的PET图像降噪系统，其特征在于，所述的预处理为归一化处理。
9.一种自监督学习的PET图像降噪装置，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的PET图像降噪方法。
10.一种计算机可读存储介质，其特征在于，包括计算机程序，所述计算机程序能够被处理器执行以实现如权利要求1-4任一所述的PET图像降噪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011427224.2A CN112634147B (zh) | 2020-12-09 | 2020-12-09 | 自监督学习的pet图像降噪方法、系统、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011427224.2A CN112634147B (zh) | 2020-12-09 | 2020-12-09 | 自监督学习的pet图像降噪方法、系统、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112634147A true CN112634147A (zh) | 2021-04-09 |
| CN112634147B CN112634147B (zh) | 2024-03-29 |
Family
ID=75308836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011427224.2A Active CN112634147B (zh) | 2020-12-09 | 2020-12-09 | 自监督学习的pet图像降噪方法、系统、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112634147B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104603746A (zh) * | 2012-09-28 | 2015-05-06 | 英特尔公司 | 由读和写掩码控制的向量移动指令 |
| CN109087346A (zh) * | 2018-09-21 | 2018-12-25 | 北京地平线机器人技术研发有限公司 | 单目深度模型的训练方法、训练装置和电子设备 |
| CN109829443A (zh) * | 2019-02-23 | 2019-05-31 | 重庆邮电大学 | 基于图像增强与3d卷积神经网络的视频行为识别方法 |
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN111369540A (zh) * | 2020-03-06 | 2020-07-03 | 西安电子科技大学 | 基于掩码卷积神经网络的植物叶片病害识别方法 |
-
2020
- 2020-12-09 CN CN202011427224.2A patent/CN112634147B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104603746A (zh) * | 2012-09-28 | 2015-05-06 | 英特尔公司 | 由读和写掩码控制的向量移动指令 |
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN109087346A (zh) * | 2018-09-21 | 2018-12-25 | 北京地平线机器人技术研发有限公司 | 单目深度模型的训练方法、训练装置和电子设备 |
| CN109829443A (zh) * | 2019-02-23 | 2019-05-31 | 重庆邮电大学 | 基于图像增强与3d卷积神经网络的视频行为识别方法 |
| CN111369540A (zh) * | 2020-03-06 | 2020-07-03 | 西安电子科技大学 | 基于掩码卷积神经网络的植物叶片病害识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 姚羽, 高福祥, 于戈: "基于混沌神经元的延时滥用入侵检测模型", 电子学报, no. 08, 25 August 2004 (2004-08-25) * |
| 张利峰;: "基于CAN总线的计算机联锁故障安全通信网络的设计", 铁路通信信号工程技术, no. 05, 25 October 2005 (2005-10-25) * |
| 陈晓龙;陈万培;刘时;范冠杰;: "基于虚拟仪器的彩色图像单色背景透明化处理", 国外电子测量技术, no. 06, 15 June 2012 (2012-06-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112634147B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325686B (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
| CN110809782B (zh) | 衰减校正系统和方法 | |
| JP7179757B2 (ja) | ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減 | |
| JP7203852B2 (ja) | 深層学習を使用した低線量ｐｅｔイメージングからの全線量ｐｅｔ画像の推定 | |
| CN109308728B (zh) | 正电子发射型计算机断层扫描图像处理方法及装置 | |
| CN111429379B (zh) | 一种基于自监督学习的低剂量ct图像去噪方法及系统 | |
| Cheng et al. | Applications of artificial intelligence in nuclear medicine image generation | |
| US20220108459A1 (en) | Systems and methods for image processing | |
| US20220092755A1 (en) | Systems and methods for image processing | |
| CN110415311B (zh) | Pet图像重建方法、系统、可读存储介质和设备 | |
| CN110136076A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
| CN111445550B (zh) | Pet图像的迭代重建方法、装置和计算机可读存储介质 | |
| CN112150378B (zh) | 基于自逆卷积生成对抗网络的低剂量全身pet图像增强方法 | |
| CN110874855B (zh) | 一种协同成像方法、装置、存储介质和协同成像设备 | |
| CN110717951B (zh) | 一种基于cGANs的PET图像直接重建方法 | |
| CN110555897B (zh) | 一种图像生成的方法、装置、设备及存储介质 | |
| He et al. | Downsampled imaging geometric modeling for accurate CT reconstruction via deep learning | |
| CN113989231A (zh) | 动力学参数的确定方法、装置、计算机设备和存储介质 | |
| CN112634147B (zh) | 自监督学习的pet图像降噪方法、系统、装置及介质 | |
| CN115423892A (zh) | 一种基于最大期望网络的无衰减校正pet重建方法 | |
| CN112819713B (zh) | 基于无监督学习的低剂量pet图像降噪方法 | |
| CN110264537B (zh) | Pet图像重建方法、系统、可读存储介质和设备 | |
| Xue et al. | PET Synthesis via Self-supervised Adaptive Residual Estimation Generative Adversarial Network | |
| WO2023116922A1 (en) | Systems and methods for positron emission tomography imaging | |
| WO2023131061A1 (en) | Systems and methods for positron emission computed tomography image reconstruction |
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 |