CN113205566A - 基于深度学习的腹部三维医学影像转换生成方法 - Google Patents
基于深度学习的腹部三维医学影像转换生成方法 Download PDFInfo
- Publication number
- CN113205566A CN113205566A CN202110442107.1A CN202110442107A CN113205566A CN 113205566 A CN113205566 A CN 113205566A CN 202110442107 A CN202110442107 A CN 202110442107A CN 113205566 A CN113205566 A CN 113205566A
- Authority
- CN
- China
- Prior art keywords
- image
- abdomen
- model
- initial
- deep learning
- 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
- 210000001015 abdomen Anatomy 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 230000003187 abdominal effect Effects 0.000 claims abstract description 17
- 238000013136 deep learning model Methods 0.000 claims abstract description 17
- 102100037819 Fas apoptotic inhibitory molecule 1 Human genes 0.000 claims description 3
- 101000878509 Homo sapiens Fas apoptotic inhibitory molecule 1 Proteins 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 16
- 230000005855 radiation Effects 0.000 abstract description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 210000004197 pelvis Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000005260 human cell Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 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
- 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
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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]
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种基于深度学习的腹部三维医学影像转换生成方法,用于实现由腹部MRI影像转换为腹部CT影像的跨模态影像转换,包括如下步骤:步骤S1,对已有训练集中的真实MRI影像和真实CT影像进行三维医学配准,得到配准影像;步骤S2,将配准影像输入用于图像转换的三维深度学习模型进行模型训练,得到训练后的三维深度学习模型;步骤S3,将需要进行转换的腹部MRI影像输入训练后的三维深度学习模型,得到同一部位的相应的CT影像。本发明能够用于患者因各种原因(如担心辐射等)只进行了MRI拍摄而没有进行CT拍摄时帮助医生进行辅助诊断,为医生提供更多可用的医学诊断影像作为判断依据。
Description
技术领域
本发明属于计算机视觉领域以及医疗影像领域,涉及一种不同模态的三维医疗影像之间进行转换的方法,具体涉及一种基于深度学习的腹部三维医学影像转换生成方法。
背景技术
医学影像包含多种模态的数据形式,MRI与CT是两种常见模态的三维医学影像,由于成像原理不同,二者对疾病的诊断各有优势,比如CT影像中的骨组织更加清晰,MRI影像中的软组织则更细致,而且由于没有放射性不会对人体细胞造成损伤。单模态医学影像通常无法反映疾病的复杂特征,综合分析MRI和CT多模态医疗影像,综合考虑不同模态数据特征及互补关系,能为医生提供更加全面的诊断信息,提高疾病诊断准确率。同时,利用MRI数据生成具有医学诊断意义的CT数据能有效避免给患者带来辐射伤害。
然而现有研究成果存在生成的数据精度不够解决这一共性问题,并且对医疗影像中的微小细节无法保留,使其生成的数据无法满足精度与匹配度要求。因此,需要设计一种能够解决上述问题的方法。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于深度学习的腹部三维医学影像转换生成方法,能够通过仅有的腹部MRI影像生成可以用于辅助诊断的同一部位的对应CT影像。
本发明提供了一种基于深度学习的腹部三维医学影像转换生成方法,用于实现由腹部MRI影像转换为腹部CT影像的跨模态影像转换,具有这样的特征,包括如下步骤:步骤S1,对已有训练集中的真实MRI影像和真实CT影像进行三维医学配准,得到配准影像;步骤S2,将所述配准影像输入用于图像转换的三维深度学习模型进行模型训练,得到训练后的三维深度学习模型;步骤S3,将需要进行转换的腹部MRI影像输入训练后的所述三维深度学习模型,得到同一部位的相应的CT影像。
在本发明提供的基于深度学习的腹部三维医学影像转换生成方法中,还可以具有这样的特征:其中,步骤S2中,三维深度学习模型包括生成器模型和判别器模型,模型训练具体包括如下子步骤:
步骤S2-1,构建初始生成器模型和初始判别器模型;
步骤S2-2,将腹部MRI影像输入所述初始生成器模型,得到初始腹部CT影像Ⅰ;
步骤S2-3,采用所述已有训练集中的一部分所述真实CT影像和一部分所述初始腹部CT影像Ⅰ输入所述初始判别器模型,对所述初始判别器模型进行训练,得到训练后的初始判别器模型;
步骤S2-4,采用所述已有训练集中的另一部分经过三维医学配准后的真实MRI影像和对应的真实CT影像输入所述初始生成器模型,对所述初始生成器模型进行训练,得到训练后的初始训练器模型;
步骤2-5,重复步骤S2-2,得到初始腹部CT影像Ⅱ,将其与对应的真实CT影像进行对比,判断所述初始腹部CT影像是否为高质量影像,当判断为是高质量影像时,则停止训练,当判断为不是高质量影像时,则重复步骤步骤S2-3和步骤S2-4,直至输出的腹部CT影像为高质量影像时,则停止训练。
在本发明提供的基于深度学习的腹部三维医学影像转换生成方法中,还可以具有这样的特征:其中,步骤S1中,三维医学配准采用FAIM算法。
在本发明提供的基于深度学习的腹部三维医学影像转换生成方法中,还可以具有这样的特征:其中,步骤S3中,CT影像为DICOM格式的三维CT影像。
发明的作用与效果
根据本发明所涉及的基于深度学习的腹部三维医学影像转换生成方法,由于在训练模型之前对MRI影像和CT影像进行了三维配准,使得深度学习模型得到的训练数据质量更高,易于得出更好的效果。具体来说,模型使用了生成式对抗网络作为主体,通过生成器模型和判别器模型互相博弈的方法生成高质量的CT影像。
进一步地,采用3D卷积处理三维的MRI影像和CT影像,能捕捉更多的空间信息和和医学影像中组织器官的信息,并且解决医学影像切片的不连续性问题,解决生成的图像模糊、边缘不清晰等问题。通过生成CT影像,综合分析MRI和CT两个模态医疗影像,能为医生提供更加全面的诊断信息,提高疾病诊断准确率。同时,利用MRI数据生成具有医学诊断意义的CT数据能有效避免给患者带来辐射伤害。
此外,本发明的基于深度学习的腹部三维医学影像转换生成方法能够用于患者因各种原因,如担心辐射等,只进行了MRI拍摄而没有进行CT拍摄时帮助医生进行辅助诊断,为医生提供更多可用的医学诊断影像作为判断依据。
附图说明
图1是本发明的实施例中基于深度学习的腹部三维医学影像转换生成方法的流程图;
图2是本发明的实施例中腹部骨盆的MRI影像和对应的同一部位的CT影像示意图;
图3是本发明的实施例中腹部三维医学影像转换生成模型的训练步骤的流程图;
图4是本发明的实施例中由MRI影像生成CT影像所使用的全卷积网络结构的示意图。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解,以下结合实施例及附图对本发明作具体阐述。
本发明的一种基于深度学习的腹部三维医学影像转换生成方法在实施过程中通过一台计算机运行,该计算机需要一张显卡进行GPU加速从而完成模型的训练过程,训练完成的腹部三维医学影像转换生成方法的模型以及影像识别过程以可执行代码的形式存储在计算机中。
图1是本发明的实施例中基于深度学习的腹部三维医学影像转换生成方法的流程图,图2是本发明的实施例中腹部骨盆的MRI影像和对应的同一部位的CT影像示意图,图2中,图2(a)为,图2(b)为骨盆的MRI影响,图2(b)为对应的骨盆的CT影像。
如图1和图2所示,本发明的基于深度学习的腹部三维医学影像转换生成方法,用于实现由腹部MRI影像转换为腹部CT影像的跨模态影像转换,包括如下步骤:
步骤S1,对已有训练集中的真实MRI影像和真实CT影像进行三维医学配准,得到配准影像。
本发明中,三维医学配准采用FAIM算法,用于处理需要配对的完整3D影像,并预测将源模态影像转换到目标模态影像所需要的位移场。
图3是本发明的实施例中腹部三维医学影像转换生成模型的训练步骤的流程图。
步骤S2,将所述配准影像输入用于图像转换的三维深度学习模型进行模型训练,得到训练后的三维深度学习模型。
本发明中,三维深度学习模型包括生成器模型和判别器模型,模型训练具体包括如下子步骤:
步骤S2-1,构建初始生成器模型和初始判别器模型;
步骤S2-2,将腹部MRI影像输入所述初始生成器模型,得到初始腹部CT影像Ⅰ;
步骤S2-3,采用所述已有训练集中的一部分所述真实CT影像和一部分所述初始腹部CT影像Ⅰ输入所述初始判别器模型,对所述初始判别器模型进行训练,得到训练后的初始判别器模型;
步骤S2-4,采用所述已有训练集中的另一部分经过三维医学配准后的真实MRI影像和对应的真实CT影像输入所述初始生成器模型,对所述初始生成器模型进行训练,得到训练后的初始训练器模型;
步骤2-5,重复步骤S2-2,得到初始腹部CT影像Ⅱ,将其与对应的真实CT影像进行对比,判断所述初始腹部CT影像是否为高质量影像,当判断为是高质量影像时,则停止训练,当判断为不是高质量影像时,则重复步骤步骤S2-3和步骤S2-4,直至输出的腹部CT影像为高质量影像时,则停止训练。
本发明中,训练后得到的模型存储在计算机中,计算机可以通过可执行代码调用该模型,得到由输入的MRI影像转换而成的CT影像并输出显示,上述高质量影像指的是:1、输出的腹部CT影像与对应的真实CT影像相似度较高,人眼难以分辨此CT影像是真实拍摄还是由模型生成;2、输出的CT影像能正确反应出患者的真实MRI影像中包含的医疗影像信息,如各类病灶的形状等。
步骤S3,将需要进行转换的腹部MRI影像输入训练后的所述三维深度学习模型,得到同一部位的相应的CT影像。
本发明中,CT影像为DICOM格式的三维CT影像,通过阅读DICOM格式的软件对生成CT影像进行阅读,并且可以进行窗宽、窗位的调节,更符合医生的阅片习惯。
本发明的初始三维医学影像转换生成模型的各层包含不同的模型参数,这些模型参数在构建时为随机设置。
实施例:
图4是本发明的实施例中由MRI影像生成CT影像所使用的全卷积网络结构的示意图。
如图4所示,生成器的具体结构是基于一个全卷积网络,其中一种可能的结构如下:
若从数据集中提取出的三维MRI切片大小为32×32×16,相应的三维CT切片大小为24×24×12,两种影像已经经过三维配准。在全卷积网络中,首先使用卷积核大小为7×7×3的三维卷积处理输入的MRI切片,在第一个隐藏层中获得32张特征图,并且在图像的前两个维度进行单个体素的填充,作为第二层的输入。第二层卷积使用5×5×3的卷积核获得64张特征图作为第三层的输入,第三层使用3×3×3的卷积核获得32张特征图,最后使用一个3×3×3的卷积核处理这些特征图获得一个三维图像,即为输出的CT影像。为了保持影像大小的对应关系,在最后两层需要对三维特征图的每一维都进行体素填充。通过这种方法,MRI影像和CT影像之间潜在的非线性关系被编码在了网络所拥有的大量参数中。
实施例的作用与效果
根据本实施例所涉及的基于深度学习的腹部三维医学影像转换生成方法,由于在训练模型之前对MRI影像和CT影像进行了三维配准,使得深度学习模型得到的训练数据质量更高,易于得出更好的效果。具体来说,模型使用了生成式对抗网络作为主体,通过生成器模型和判别器模型互相博弈的方法生成高质量的CT影像。
进一步地,采用3D卷积处理三维的MRI影像和CT影像,能捕捉更多的空间信息和和医学影像中组织器官的信息,并且解决医学影像切片的不连续性问题,解决生成的图像模糊、边缘不清晰等问题。通过生成CT影像,综合分析MRI和CT两个模态医疗影像,能为医生提供更加全面的诊断信息,提高疾病诊断准确率。同时,利用MRI数据生成具有医学诊断意义的CT数据能有效避免给患者带来辐射伤害。
此外,本实施例的基于深度学习的腹部三维医学影像转换生成方法能够用于患者因各种原因,如担心辐射等,只进行了MRI拍摄而没有进行CT拍摄时帮助医生进行辅助诊断,为医生提供更多可用的医学诊断影像作为判断依据。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (4)
1.一种基于深度学习的腹部三维医学影像转换生成方法,用于实现由腹部MRI影像转换为腹部CT影像的跨模态影像转换,其特征在于,包括如下步骤:
步骤S1,对已有训练集中的真实MRI影像和真实CT影像进行三维医学配准,得到配准影像;
步骤S2,将所述配准影像输入用于图像转换的三维深度学习模型进行模型训练,得到训练后的三维深度学习模型;
步骤S3,将需要进行转换的腹部MRI影像输入训练后的所述三维深度学习模型,得到同一部位的相应的CT影像。
2.根据权利要求1所述的基于深度学习的腹部三维医学影像转换生成方法,其特征在于:
其中,所述步骤S2中,三维深度学习模型包括生成器模型和判别器模型,模型训练具体包括如下子步骤:
步骤S2-1,构建初始生成器模型和初始判别器模型;
步骤S2-2,将腹部MRI影像输入所述初始生成器模型,得到初始腹部CT影像Ⅰ;
步骤S2-3,采用所述已有训练集中的一部分所述真实CT影像和一部分所述初始腹部CT影像Ⅰ输入所述初始判别器模型,对所述初始判别器模型进行训练,得到训练后的初始判别器模型;
步骤S2-4,采用所述已有训练集中的另一部分经过三维医学配准后的真实MRI影像和对应的真实CT影像输入所述初始生成器模型,对所述初始生成器模型进行训练,得到训练后的初始训练器模型;
步骤2-5,重复步骤S2-2,得到初始腹部CT影像Ⅱ,将其与对应的真实CT影像进行对比,判断所述初始腹部CT影像是否为高质量影像,当判断为是高质量影像时,则停止训练,当判断为不是高质量影像时,则重复步骤步骤S2-3和步骤S2-4,直至输出的腹部CT影像为高质量影像时,则停止训练。
3.根据权利要求1所述的基于深度学习的腹部三维医学影像转换生成方法,其特征在于:
其中,所述步骤S1中,三维医学配准采用FAIM算法。
4.根据权利要求1所述的基于深度学习的腹部三维医学影像转换生成方法,其特征在于:
其中,所述步骤S3中,CT影像为DICOM格式的三维CT影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110442107.1A CN113205566A (zh) | 2021-04-23 | 2021-04-23 | 基于深度学习的腹部三维医学影像转换生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110442107.1A CN113205566A (zh) | 2021-04-23 | 2021-04-23 | 基于深度学习的腹部三维医学影像转换生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113205566A true CN113205566A (zh) | 2021-08-03 |
Family
ID=77028142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110442107.1A Pending CN113205566A (zh) | 2021-04-23 | 2021-04-23 | 基于深度学习的腹部三维医学影像转换生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205566A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2621332A (en) * | 2022-08-08 | 2024-02-14 | Twinn Health Ltd | A method and an artificial intelligence system for assessing an MRI image |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285200A (zh) * | 2018-08-23 | 2019-01-29 | 上海连叶智能科技有限公司 | 一种基于人工智能的多模态医学影像的转换方法 |
CN110464353A (zh) * | 2019-08-21 | 2019-11-19 | 南方医科大学 | 一种基于深度卷积神经网络的伪ct合成方法及应用 |
CN110580695A (zh) * | 2019-08-07 | 2019-12-17 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、系统及电子设备 |
CN111639676A (zh) * | 2020-05-07 | 2020-09-08 | 安徽医科大学第二附属医院 | 一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法 |
CN112353381A (zh) * | 2020-11-24 | 2021-02-12 | 杭州冉曼智能科技有限公司 | 基于多模态大脑影像的阿尔茨海默症综合诊断系统 |
CN112465058A (zh) * | 2020-12-07 | 2021-03-09 | 中国计量大学 | 改进GoogLeNet神经网络下多模态医学图像分类方法 |
-
2021
- 2021-04-23 CN CN202110442107.1A patent/CN113205566A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285200A (zh) * | 2018-08-23 | 2019-01-29 | 上海连叶智能科技有限公司 | 一种基于人工智能的多模态医学影像的转换方法 |
CN110580695A (zh) * | 2019-08-07 | 2019-12-17 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、系统及电子设备 |
CN110464353A (zh) * | 2019-08-21 | 2019-11-19 | 南方医科大学 | 一种基于深度卷积神经网络的伪ct合成方法及应用 |
CN111639676A (zh) * | 2020-05-07 | 2020-09-08 | 安徽医科大学第二附属医院 | 一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法 |
CN112353381A (zh) * | 2020-11-24 | 2021-02-12 | 杭州冉曼智能科技有限公司 | 基于多模态大脑影像的阿尔茨海默症综合诊断系统 |
CN112465058A (zh) * | 2020-12-07 | 2021-03-09 | 中国计量大学 | 改进GoogLeNet神经网络下多模态医学图像分类方法 |
Non-Patent Citations (1)
Title |
---|
YUTA HIASA等: ""Cross-modality image synthesis from unpaired data using CycleGAN"", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2621332A (en) * | 2022-08-08 | 2024-02-14 | Twinn Health Ltd | A method and an artificial intelligence system for assessing an MRI image |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886508B (zh) | 差分减影方法和医学图像处理方法及系统 | |
CN111768343B (zh) | 用于促进检查肝脏肿瘤病例的系统和方法 | |
EP3675043B1 (en) | Systems and methods for deep learning-based image reconstruction | |
EP3547252A1 (en) | Multi-modal image processing system and method | |
CN111540025B (zh) | 预测用于图像处理的图像 | |
US9646393B2 (en) | Clinically driven image fusion | |
US20200134876A1 (en) | Generating simulated body parts for images | |
CN111568451A (zh) | 一种曝光剂量调节方法和系统 | |
Poonkodi et al. | 3d-medtrancsgan: 3d medical image transformation using csgan | |
CN113205566A (zh) | 基于深度学习的腹部三维医学影像转换生成方法 | |
US11565129B2 (en) | Binary tracking of an anatomical tracking structure on medical images | |
Rhee et al. | Scan-based volume animation driven by locally adaptive articulated registrations | |
US9224229B2 (en) | Process and apparatus for data registration | |
CN114596225A (zh) | 一种运动伪影模拟方法和系统 | |
Chen et al. | Dual-domain modulation for high-performance multi-geometry low-dose CT image reconstruction | |
US11138736B2 (en) | Information processing apparatus and information processing method | |
Preedanan et al. | Improvement of urinary stone segmentation using GAN-based urinary stones inpainting augmentation | |
Pandey et al. | A Framework for Mathematical Methods in Medical Image Processing | |
Galeano et al. | Alternative Tool for the Diagnosis of Diseases Through Virtual Reality | |
Sizikova et al. | Synthetic data in radiological imaging: Current state and future outlook | |
Galeano et al. | 3D reconstruction of organ from CT images and visualization in a virtual reality environment | |
CN111667903A (zh) | 医学图像处理方法和装置 | |
EP2643811B1 (en) | Process and apparatus for data registration | |
WO2022179896A2 (en) | Actor-critic approach for generating synthetic images | |
JP2023080703A (ja) | 医用画像処理装置、方法及びプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210803 |