CN113052931A - 基于多约束gan的dce-mri图像生成方法 - Google Patents
基于多约束gan的dce-mri图像生成方法 Download PDFInfo
- Publication number
- CN113052931A CN113052931A CN202110274845.XA CN202110274845A CN113052931A CN 113052931 A CN113052931 A CN 113052931A CN 202110274845 A CN202110274845 A CN 202110274845A CN 113052931 A CN113052931 A CN 113052931A
- Authority
- CN
- China
- Prior art keywords
- image
- gan
- constraint
- enhanced
- dce
- 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
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000002872 contrast media Substances 0.000 claims abstract description 29
- 238000002347 injection Methods 0.000 claims abstract description 28
- 239000007924 injection Substances 0.000 claims abstract description 28
- 230000008602 contraction Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 239000003795 chemical substances by application Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 18
- 239000000284 extract Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 210000000481 breast Anatomy 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000004066 metabolic change Effects 0.000 description 2
- ONALOACLIWHNGJ-VPVMAENOSA-N 2-[bis[2-[bis(carboxymethyl)amino]ethyl]amino]acetic acid;gadolinium;(2r,3r,4r,5s)-6-(methylamino)hexane-1,2,3,4,5-pentol Chemical compound [Gd].CNC[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.CNC[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.OC(=O)CN(CC(O)=O)CCN(CC(=O)O)CCN(CC(O)=O)CC(O)=O ONALOACLIWHNGJ-VPVMAENOSA-N 0.000 description 1
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
- G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明公开了一种基于多约束GAN的DCE‑MRI图像生成方法，在生成注射造影剂后第1时相增强图像I1 ’时，由于无其他已生成相邻时相的增强图像，所以此时无约束图像。多约束GAN中的生成器仅利用未注射造影剂的图像I0来生成增强图像I1 ’。在生成注射造影剂后第n时相的增强图像In ’(n>1)时，已生成的增强图像I1 ’与未注射造影剂的图像I0构成二通道多约束图像。此时，多约束GAN中的生成器为多约束神经网络，其将充分利用不同时相间照影剂的衰减信息来生成增强图像I1 ’。
Description
技术领域
本发明公开涉及医学图像处理技术领域，尤其涉及一种基于多约束GAN的DCE-MRI图像生成方法。
背景技术
近年来，通过学习已知样本的概率密度分布来生成新样本的生成模型受到人们的广泛关注。生成模型的目标函数是数据分布与模型分布之间的距离，可以用极大似然法进行求解，而通常直接用极大似然法求解较为困难，但生成对抗网络(GenerativeAdversarial Networks，GAN)利用神经网络的学习能力来拟合两个分布之间的距离，却能够巧妙地避开了求解似然函数的难题，是目前最成功、使用最广泛的生成模型。
由于动态对比度增强磁共振(Dynamic contrast-enhanced magnetic resonanceimaging,DCE-MRI)图像能够获得注入造影剂前、中、后各时期组织的连续动态增强图像，从而反映病灶组织的生理代谢变化。但对注射造影剂过敏或者心肝肺肾功能差的患者不能做DCE-MRI检查，无法更有效的显示病灶。如果能够根据平扫MRI图像，利用GAN代替注射造影剂后的多次MRI扫描操作来生成DCE-MRI的图像，则能够实现不仅能够提供患者病灶组织的生理代谢变化，还无需注射造影剂进行二次MRI动态扫描。
虽然，目前还没有研究者提出针对DCE-MRI图像生成的GAN结构，但GAN或者卷积神经网络(CNN)已经被广泛用于跨模态MRI图像的生成。Chartsias等人利用U-Net分别提取不同模态的MRI图像的有效特征，再将这些特征融合来生成新模态的图像。该方法被用来根据BRATS 2015数据库中的MRI T1图像生成T2及FLAIR图像，并根据ISLES MRI T1，T2及DWI图像生成FLAIR图像。Yu等人提出Edge-Aware GANs，该网络由生成器、判别器和边缘检测模块组成。生成器及判别器分别用来生成新模态的图像及判断生成新图像的真伪，边缘检测模块将图像的边缘信息通过损失函数形式加入GAN中，使得3个模块可以相互作用。该网络根据BRATS 2015数据库中的MRI T1图像生成相应的T2及FLAIR图像，根据IXI图像中的MRI PD图像生成T2图像，生成结果均令人满意。Dar等人[3]提出一种条件GAN以实现MRI T1与T2图像间的转换，并且使用感知损失函数关注生成图像的细节。Yang等人提出了一种半监督的GAN来实现双模态间MRI图像的转换，其监督网络保证生成图像与原图像间空间的准确性，而无监督网络为生成图像提供真实且较原图像变化显著的视觉效果。
目前，已有方法均处理常规对比度增强磁共振图像(contrast-enhancedmagnetic resonance imaging,CE-MRI)，而非DCE-MRI。CE-MRI为注射照影剂后的一次成像，生成三维图像。而DCE-MRI为注射照影剂后的多次成像，为四维时间序列图像。因此，与CE-MRI相比，不同时相的DCE-MRI间有更多的有用相关信息。因此，多约束GAN利用充分利用不同时相的增强图像间的相关信息来生成DCE-MRI图像。
发明内容
鉴于此，本发明公开提供了一种基于多约束GAN的DCE-MRI图像生成方法，以实现充分利用不同时相图像间的约束关系生成四维DCE-MRI图像。
本发明提供的技术方案，具体为，基于多约束GAN的DCE-MRI图像生成方法，包括如下步骤：
S1：获取数据，得到不同时相的图像数据，包括注射造影剂前扫描1次获得图像I0，注射造影剂后等间隔扫描多次获得的图像I1-In；
S2：训练多约束生成对抗网络，在生成增强图像I1’时，无生成增强图像，仅利用图像I0来预测生成；在生成增强图像In’(n>2)时，在未注射照影剂前扫描图像I0及预测生成增强图像I1’的约束下，学习常规磁共振图像及造影剂的作用来生成增强图像I2’-In’；
S3：将图像I1’-In’分别与真实图像I1-In输入到生成对抗网络的判别器中，判别器对输入其中的图像真伪进行判断；
S4：直到判别器无法区别其输入图像为生成图像或真实图像时，完成对多约束生成对抗网络的训练。
多约束生成对抗网络中生成器为U-Net结构。在生成增强图像I2’-In’时，多约束生成对抗网络中生成器能够在图像I0及生成增强图像I1’的约束下，同时学习常规磁共振图像特征及照影剂影响，生成增强图像In’。
当生成注射造影剂后第1时相图像时，所述生成器的输入为真实图像I0；当生成注射造影剂后第n时相图像In’(n>1)时，生成器的输入为图像I0及增强图像I1’构成的二通道图像。所述多约束生成对抗网络中的生成器包括收缩下降路径和对称扩张路径，所述收缩下降路径提取图像的低维特征，扩张路径提取图像的高维特征，通过跳跃连接将收缩下降路径上卷积层的输出与扩张路径上卷积层的输入相连接。
根据特征图分辨率的不同，所述多约束GAN中的生成器网络中的路径分为不同状态，其中每个状态由2个块组成，每个块含有一个3×3的卷积层及紧跟的一个BN层和一个ReLu层，在收缩或扩张路径上，第二个块后连接一个核大小为2×2的最大下采样或上卷积层，使特征图在两个方向上的大小都减半或加倍。
根据特征图分辨率的不同，所述多约束生成对抗网络中的判别器网络中的路径分为不同状态，包括4个状态，每个状态由2个块组成，每个块含有一个3×3的卷积层及紧跟的一个BN层和一个ReLu层，在第二个块后连接一个核大小为2×2的下采样层，最后一层为1×1的卷积层，并使用softmax激活函数对输入进行分类。
本发明提供的基于多约束GAN的DCE-MRI图像生成方法，利用不同时相间约束信息来生成DCE-MRI图像。该方法能够实现根据平扫MRI图像，利用提出的多约束GAN代替注射造影剂后的多次MRI扫描操，生成DCE-MRI的图像。其能够提供患者病灶组织的生理代谢变化，无需注射造影剂进行二次MRI动态扫描。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明的公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明公开实施例提供的多约束GAN结构图；
图2为本发明公开实施例提供的生成器结构图；
图3为本发明公开实施例提供的判别器结构图；
图4为应用本发明公开实施例提供的基于多约束GAN的乳腺DCE-MRI生成图像表示。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的系统的例子。
GAN主要由一个生成器和一个判别器组成。生成器的目标是生成逼真的伪样本让判别器无法判别出真伪，判别器的目标是正确区分数据是真实样本还是来自生成器的伪样本。当判别器的识别能力达到一定程度却无法正确判断数据来源，就完成对GAN的训练。目前，GAN网络已在医学图像处理领域得到广泛的应用，但还没有研究者提出同时利用多时相图像间的相互约束来生成DCE-MRI图像的GAN结构。
为此，本实施方案提供了一种基于多约束GAN的DCE-MRI生成方法，包括：S1：获取数据，得到不同时相的图像数据，包括注射造影剂前扫描1次获得图像I0，注射造影剂后等间隔扫描多次获得的图像I1-In；
S2：训练多约束生成对抗网络，在生成增强图像I1’时，无生成增强图像，因此仅利用图像I0来预测生成；在生成增强图像In’(n>2)时，在未注射照影剂前扫描图像I0及预测生成增强图像I1’的约束下，学习常规磁共振图像及造影剂的作用来生成增强图像I2’-In’；
S3：将图像I1’-In’分别与真实图像I1-In输入到生成对抗网络的判别器中，判别器对输入其中的图像真伪进行判断；
S4：直到判别器无法区别其输入图像为生成图像或真实图像时，完成对多约束生成对抗网络的训练。
本实施方案针对相邻时相DCE-MRI图像间的相互关系，提出基于相邻时相约束的GAN结构。
其中多约束GAN结构如图1所示，以乳腺DCE-MRIT1时相的加权抑脂图像为例说明GAN结构。在注射造影剂前扫描1次获得图像I0，注射后间隔90s扫描5次获得图像I1-I5，生成图像用I2’-In’表示。
当预测生成第1时相增强图像I1’时，多约束GAN的输入为注射造影剂前T0时相的二维MRI图像I0；当预测生成第n时相增强图像In’时(n>2)，多约束GAN的输入为I0与预测生成的T1时相增强图像I1’构成的二通道图像。通过生成器生成注射造影剂后Tn时相的MRI图像In’，再将GAN中In’与真实图像In输入到判别器中，判别器对输入其中的图像真伪进行判断；当判别器无法区域其输入图像为生成图像还是真实图像时，完成对多约束GAN的训练。
多约束生成对抗网络中生成器为U-Net结构。在生成增强图像I2’-In’时，多约束GAN中生成器能够在图像I0及生成增强图像I1’的约束下，同时学习常规磁共振图像特征及照影剂影响，生成增强图像In’。
具体地，多约束GAN中的生成器结构如图2所示。多约束生成对抗网络中生成器为U-Net结构，在生成增强图像I2’-In’时，多约束生成对抗网络中生成器能够在图像I0及生成增强图像I1’的约束下，同时学习常规磁共振图像特征及照影剂影响，生成增强图像In’；
多约束生成对抗网络包括收缩下降路径和对称扩张路径，收缩下降路径提取图像的低维特征，扩张路径提取图像的高维特征，通过跳跃连接将收缩下降路径上卷积层的输出与扩张路径上卷积层的输入相连接。
生成网络由左侧的收缩下降路径和右侧对称扩张路径组成，这两条路径分别提取图像的低维及高维特征。通过跳跃连接将收缩路径上卷积层的输出与扩张路径上卷积层的输入相连接，使得该网络能够同时利用低维及高维特征来生成图像。根据特征图分辨率的不同，网络中的路径可分为不同状态。每个状态由2个块组成，每个块含有一个3×3的卷积层及紧跟的一个BN层和一个ReLu层(BN层及ReLu层在图中简化未显示)。在收缩(扩张)路径上，第二个块后连接一个核大小为2×2的最大下采样(上卷积)层，使特征图在两个方向上的大小都减半(加倍)。
判别器结构如图3所示，其采用典型的CNN结构。根据特征图分辨率的不同，网络结构可分为4个状态。每个状态由2个块组成，每个块含有一个3×3的卷积层及紧跟的一个BN层和一个ReLu层(图3中未显示)。在第二个块后连接一个核大小为2×2的下采样层，使特征图大小减半，可以提取不同尺度的特征。最后一层为1×1的卷积层，其将特征图数目变为1，并使用softmax激活函数对输入进行分类。
在训练生成器时，使用平均绝对误差MAE作为生成器的损失函数。MAE用来衡量次网络生成图像与金标准图像间的平均误差。在训练判别器时，使用交叉熵函数作为损失函数，交叉熵描述实际输出与期望输出的距离，交叉熵的值越小，两个概率分布就越接近，分类结果约准确。
应用上述方法，以60位患者的乳腺DCE-MRI T1加权抑脂图像(病人隐私信息将被除去)为实验数据，每位患者在注射造影剂(钆喷酸葡胺)前扫描1次生成图像I0，注射后间隔90s扫描5次生成图像I1-I5。每组图像大小均为784×784×180像素，其在X，Y与Z方向的分辨率分别为0.45mm，0.45mm与1.00mm。对图像进行三线性插值使其在三个方向的分辨率均为1.00mm。
图4为一组乳腺DCE-MRI图像不同时相的原始图像及预测生成结果。不同时相的生成图像均能反映真实乳腺组织结构，生成结果令人满意。
对于数据库中的30组图像进行实验，使用生成图像与真实图像间的平均峰值信噪比来评价图像生成质量，对于生成的5个时相的图像的峰值信号比分别可以达到12.34，13.16，11.96，14.54及13.21。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。
Claims (6)
1.基于多约束GAN的DCE-MRI图像生成方法，其特征在于，包括如下步骤：
S1：获取数据，得到不同时相的图像数据，包括注射造影剂前扫描1次获得图像I0，注射造影剂后等间隔扫描多次获得的图像I1-In；
S2：训练多约束GAN；当生成增强图像I1’时，无生成增强图像，利用图像I0来预测；当生成增强图像In’(n>2)时，在未注射照影剂前扫描图像I0及预测生成增强图像I1’的约束下，学习常规磁共振图像及造影剂的作用来生成增强图像I2’-In’；
S3：将图像I1’-In’分别与真实图像I1-In输入到生成对抗网络的判别器中，判别器对输入其中的图像真伪进行判断；
S4：直到判别器无法区别其输入图像为生成图像或真实图像时，完成对多约束GAN的训练。
2.根据权利要求1所述的基于多约束GAN的DCE-MRI图像生成方法，其特征在于，多约束GAN中生成器为U-Net结构；生成增强图像I2’-In’时，多约束GAN中生成器能够在图像I0及已生成增强图像I1’的约束下，同时学习常规磁共振图像特征及照影剂影响，生成增强图像In’。
3.根据权利要求2所述的基于多约束GAN的DCE-MRI图像生成方法，其特征在于，当生成注射造影剂后第1时相图像时，所述生成器的输入为真实图像I0；当生成注射造影剂后第n时相增强图像In’其(n>1)时，生成器的输入为图像I0及增强图像I1’构成的二通道图像。
4.根据权利要求1所述的基于多约束GAN的DCE-MRI图像生成方法，其特征在于，所述多约束GAN中的生成器包括收缩下降路径和对称扩张路径，所述收缩下降路径提取图像的低维特征，扩张路径提取图像的高维特征，通过跳跃连接将收缩下降路径上卷积层的输出与扩张路径上卷积层的输入相连接。
5.根据权利要求4所述的基于多约束GAN的DCE-MRI图像生成方法，其特征在于，根据特征图分辨率的不同，所述多约束生成对抗网络中的生成器网络中的路径分为不同状态，其中每个状态由2个块组成，每个块含有一个3×3的卷积层及紧跟的一个BN层和一个ReLu层，在收缩或扩张路径上，第二个块后连接一个核大小为2×2的最大下采样或上卷积层，使特征图在两个方向上的大小都减半或加倍。
6.根据权利要求4所述的基于多约束GAN的DCE-MRI图像生成方法，其特征在于，根据特征图分辨率的不同，所述多约束生成对抗网络中的判别器网络中的路径分为不同状态，包括4个状态，每个状态由2个块组成，每个块含有一个3×3的卷积层及紧跟的一个BN层和一个ReLu层，在第二个块后连接一个核大小为2×2的下采样层，最后一层为1×1的卷积层，并使用softmax激活函数对输入进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110274845.XA CN113052931A (zh) | 2021-03-15 | 2021-03-15 | 基于多约束gan的dce-mri图像生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110274845.XA CN113052931A (zh) | 2021-03-15 | 2021-03-15 | 基于多约束gan的dce-mri图像生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113052931A true CN113052931A (zh) | 2021-06-29 |
Family
ID=76512304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110274845.XA Pending CN113052931A (zh) | 2021-03-15 | 2021-03-15 | 基于多约束gan的dce-mri图像生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052931A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782796A (zh) * | 2022-06-17 | 2022-07-22 | 武汉北大高科软件股份有限公司 | 一种物品图像防伪的智能验证方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340816A (zh) * | 2020-03-23 | 2020-06-26 | 沈阳航空航天大学 | 一种基于双u型网络框架的图像分割方法 |
| CN111915526A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 |
| CN112070767A (zh) * | 2020-09-10 | 2020-12-11 | 哈尔滨理工大学 | 一种基于生成式对抗网络的显微图像中微血管分割方法 |
| CN112132790A (zh) * | 2020-09-02 | 2020-12-25 | 西安国际医学中心有限公司 | Dac-gan模型构建方法及在乳腺mr图像中的应用 |
-
2021
- 2021-03-15 CN CN202110274845.XA patent/CN113052931A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340816A (zh) * | 2020-03-23 | 2020-06-26 | 沈阳航空航天大学 | 一种基于双u型网络框架的图像分割方法 |
| CN111915526A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 |
| CN112132790A (zh) * | 2020-09-02 | 2020-12-25 | 西安国际医学中心有限公司 | Dac-gan模型构建方法及在乳腺mr图像中的应用 |
| CN112070767A (zh) * | 2020-09-10 | 2020-12-11 | 哈尔滨理工大学 | 一种基于生成式对抗网络的显微图像中微血管分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宫照煊等: "基于灰度信息约束水平集的胰腺组织分割方法", 小型微型计算机系统, vol. 41, no. 8, pages 1741 - 1744 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782796A (zh) * | 2022-06-17 | 2022-07-22 | 武汉北大高科软件股份有限公司 | 一种物品图像防伪的智能验证方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cai et al. | Deep adversarial learning for multi-modality missing data completion | |
| Li et al. | Transforming medical imaging with Transformers? A comparative review of key properties, current progresses, and future perspectives | |
| Yu et al. | Morphological feature visualization of Alzheimer's disease via multidirectional perception GAN | |
| Liu et al. | Perception consistency ultrasound image super-resolution via self-supervised CycleGAN | |
| Huang et al. | MISSFormer: an effective transformer for 2D medical image segmentation | |
| Dou et al. | Automatic detection of cerebral microbleeds from MR images via 3D convolutional neural networks | |
| JP2023540910A (ja) | 病変検出のための共同訓練を伴う接続機械学習モデル | |
| CN116051945A (zh) | 一种基于CNN-Transformer并行融合方法 | |
| CN110992352A (zh) | 基于卷积神经网络的婴儿头围ct图像自动测量方法 | |
| Kim et al. | Tumor-attentive segmentation-guided GAN for synthesizing breast contrast-enhanced MRI without contrast agents | |
| Fan et al. | TR-Gan: multi-session future MRI prediction with temporal recurrent generative adversarial Network | |
| Lu et al. | PKRT-Net: prior knowledge-based relation transformer network for optic cup and disc segmentation | |
| CN115170401A (zh) | 图像补全方法、装置、设备及存储介质 | |
| CN113052931A (zh) | 基于多约束gan的dce-mri图像生成方法 | |
| Li et al. | Attention-based and micro designed EfficientNetB2 for diagnosis of Alzheimer’s disease | |
| Xu et al. | Applying cross-modality data processing for infarction learning in medical internet of things | |
| Lin | Synthesizing missing data using 3D reversible GAN for alzheimer's disease | |
| Yu et al. | Cardiac LGE MRI segmentation with cross-modality image augmentation and improved U-Net | |
| CN115965785A (zh) | 图像分割方法、装置、设备、程序产品及介质 | |
| Baumgartner et al. | Fully convolutional networks in medical imaging: Applications to image enhancement and recognition | |
| Soh et al. | HUT: Hybrid UNet transformer for brain lesion and tumour segmentation | |
| CN114049334A (zh) | 一种以ct图像为输入的超分辨率mr成像方法 | |
| Punjabi | Multimodal Data Fusion and Feature Visualization in Convolutional Neural Networks | |
| Hu | Multi-texture GAN: exploring the multi-scale texture translation for brain MR images | |
| US20230206438A1 (en) | Multi arm machine learning models with attention for lesion segmentation |
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 |