CN113223104A - 一种基于因果关系的心脏mr图像插补方法及系统 - Google Patents

一种基于因果关系的心脏mr图像插补方法及系统 Download PDF

Info

Publication number
CN113223104A
CN113223104A CN202110413716.4A CN202110413716A CN113223104A CN 113223104 A CN113223104 A CN 113223104A CN 202110413716 A CN202110413716 A CN 202110413716A CN 113223104 A CN113223104 A CN 113223104A
Authority
CN
China
Prior art keywords
image
key points
cardiac
causal
causal relationship
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
Application number
CN202110413716.4A
Other languages
English (en)
Other versions
CN113223104B (zh
Inventor
郑元杰
李欣萌
张飞燕
崔嘉
姜岩芸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Normal University
Original Assignee
Shandong Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN202110413716.4A priority Critical patent/CN113223104B/zh
Publication of CN113223104A publication Critical patent/CN113223104A/zh
Application granted granted Critical
Publication of CN113223104B publication Critical patent/CN113223104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Abstract

本公开提供了一种基于因果关系的心脏MR图像插补方法及系统，获取待处理的心脏MR图像并进行预处理；对预处理后的当前帧心脏MR图像进行关键点提取，得到基于时序的关键点坐标序列；根据得到的关键点坐标序列，结合图神经网络得到每对关键点之间交互因果关系；根据获取的交互因果关系，得到关键点在下一帧图像中的坐标；根据关键点在下一帧图像中的坐标，得到心脏MR序列中所缺失的图像；有效的解决了心脏核磁共振图像中出现的图像缺失问题，提高了图像插补的鲁棒性。

Description

一种基于因果关系的心脏MR图像插补方法及系统
技术领域
本公开涉及图像处理技术领域，特别涉及一种基于因果关系的心脏MR图像插补方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
因果推理是识别因果关系的过程，直接从观察中学习而不去建模潜在的因果结构，这常常将算法模型与人类的智能行为区分开来。该推理过程通过从人类行为示教中学习到的生成式模型来找出给定用户类型时可行的轨迹解，根据关键的环境信息，建立因果模型，从示教轨迹中反事实推理出潜在的因果关系。
心脏疾病对于人类健康危害巨大，在过去20年中，心脏病一直是全球首要死因。目前而言，有关心脏疾病的检查技术中较为广泛使用的技术是心脏核磁共振技术。核磁共振心脏检查兼具了普通平片(X线)、CT和超声等影像检查的优势，可以通过常规序列显示心脏的大体形状；通过切片序列评估心肌功能；还可以通过定量技术反应心脏及其周围组织的特征，具有良好的应用前景。
发明人发现，心脏MR成像也受到许多因素的影响而导致图像的质量模糊、不完整甚至缺失等问题。如心脏搏动与血管内血液的运动、磁场(包括梯度场)的不均匀、射频相关的干扰等问题都会直接或间接影响图像质量从而导致伪影的形成，此外，不同特征的相邻组织或病人的植入物在某些图像中可能导致局部的信号丢失，导致产出的图像可能显示不完全的左心室覆盖。进一步，这些质量较差的图像或缺失的图像都会对影响诊断的过程和结果、以及对医务人员和病人双方都会产生一定影响。
发明内容
为了解决现有技术的不足，本公开提供了一种基于因果关系的心脏MR图像插补方法及系统，直接从观察中学习，而不去建模潜在的因果结构，从心动周期MR图像序列中获取关键点并得到其因果关系结构依赖关系，通过迭代的方式对缺失图像进行构建，在现有技术基础上能够有效解决了心脏核磁共振图像中出现的图像缺失问题，提高了图像插补的鲁棒性。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种基于因果关系的心脏MR图像插补方法。
一种基于因果关系的心脏MR图像插补方法，包括以下过程：
获取待处理的心脏MR图像并进行预处理；
对预处理后的当前帧心脏MR图像进行关键点提取，得到基于时序的关键点坐标序列；
根据得到的关键点坐标序列，结合图神经网络得到每对关键点之间交互因果关系；
根据获取的交互因果关系，得到关键点在下一帧图像中的坐标；
根据关键点在下一帧图像中的坐标，得到心脏MR序列中所缺失的图像。
进一步的，预处理，包括：去除黑色边缘背景，采用均值滤波去除噪声，将获取的心脏MR图像归一化为相同尺寸。
进一步的，采用CNN网络作为关键点提取器进行关键点提取，利用KeyNet网络作为特征图提取器进行特征图提取；
通过RefinerNet神经网络接收特征图和关键点，使用随机梯度下降法，通过最小化像素级来优化关键点提取器和特征图提取器中的参数，得到基于时序的关键点坐标序列。
进一步的，从第一帧图像开始，构造出图像序列中每一帧图像中点与边的映射，然后使用一维卷积神经网络聚合每个节点和边的时间维度上的信息。
进一步的，从图像中获得关键点后，推理因果关系图的边集合，并推断与有向边相关的参数，包括以下过程：
每一对关键点中引入影响因子gij，i和j分别表示两个关键点，然后通过图神经网络φ预测边的分类；
采用图神经网络对离散分布的数据进行连续逼近，得到连续参数，进而得到因果关系图；
根据得到的因果关系图及当前帧图像的状态，通过图递归网络来预测关键点在下一帧图像中的坐标。
进一步的，使用多元高斯分布来表示下一帧心脏MR图像中关键点的位置，为每个关键点预测下一个图像中的均值和协方差矩阵。
进一步的，对于N个关键点，构造一个有向图G＝(V，E)，顶点V表示关键点的坐标信息，边E表示从j指向i的有向因果关系，使用图神经网络作为空间编码器，生成关键点的嵌入和关系。
本公开第二方面提供了一种基于因果关系的心脏MR图像插补系统。
一种基于因果关系的心脏MR图像插补系统，包括：
图像获取模块，被配置为：获取待处理的心脏MR图像并进行预处理；
关键点提取模块，被配置为：对预处理后的当前帧心脏MR图像进行关键点提取，得到基于时序的关键点坐标序列；
因果关系确定模块，被配置为：根据得到的关键点坐标序列，结合图神经网络得到每对关键点之间交互因果关系；
关键点预测模块，被配置为：根据获取的交互因果关系，得到关键点在下一帧图像中的坐标；
图像插补模块，被配置为：根据关键点在下一帧图像中的坐标，得到心脏MR序列中所缺失的图像。
本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于因果关系的心脏MR图像插补方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于因果关系的心脏MR图像插补方法中的步骤。
与现有技术相比，本公开的有益效果是：
本公开所述的方法、系统、介质或电子设备，直接从观察中学习，而不去建模潜在的因果结构，在无监督的情况下从心动周期MR图像序列中获取关键点并得到其因果关系结构依赖关系，通过这种方式，解决了心脏MR序列图像中某图像缺失、模糊的问题，能够自动完成MR图像序列中缺失图像的插补，提高了最终插补结果的准确性。
本公开所述的方法、系统、介质或电子设备，能够自动实现心脏MR短轴图像的插补，而不需要医生手动标记出关键点坐标信息，完全自动化实现图像的预测、生成，具有一定的鲁棒性，适用于多种医学图像的插补，可用于其他模态医学图像的预测。
本公开所述的方法、系统、介质或电子设备，基于因果关系，建立了心脏MR短轴图像中关键点与关键点之间因果关系的模型，可以通过一次运行实现图像序列中缺失图像的自动生成，运算速度快。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的因果关系的转换示意图。
图2为本公开实施例1提供的基于因果关系的心脏MR图像插补方法的流程图。
图3为本公开实施例1提供的提取模块模型示意图。
图4为本公开实施例1提供的心脏MR短轴图像的原始数据。
图5为本公开实施例1提供的经裁剪后的心脏MR短轴图像数据。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1-5所示，本公开实施例1提供了一种基于因果关系的心脏MR图像插补方法，包括以下过程：
获取待处理的心脏MR图像并进行预处理；
对预处理后的当前帧心脏MR图像进行关键点提取，得到基于时序的关键点坐标序列；
根据得到的关键点坐标序列，结合图神经网络得到每对关键点之间交互因果关系；
根据获取的交互因果关系，得到关键点在下一帧图像中的坐标；
根据关键点在下一帧图像中的坐标，得到心脏MR序列中所缺失的图像。
具体的，包括以下内容：
步骤(1)：接收ACDC大赛心脏MR短轴序列图像公开数据；
步骤(2)：对接收到的心脏MR图像进行裁剪，对心脏MR图像进行图像增强处理，进行均值滤波去除噪声，减少图像的模糊性；
步骤(3)：对增强后心脏MR图像进行归一化处理；
步骤(4)：对心脏MR图像进行关键点的提取，从图像中得到基于时序的关键点坐标序列。
步骤(5)：使用图神经网络推理出每对关键点之间的因果关系。
步骤(6)：对关键点未来运动进行进一步计算，预测已缺失心脏MR短轴图像关键点坐标信息。
本实施例中，对裁剪后的心脏MR图像进行图像增强处理，提高对比度。
本实施例中，将原始MR图像转换为二维坐标下的关键点，重建损失函数，预测其边集合。
本实施例中，在该训练过程中，从数据集中获取源图像和目标图像，并输入特征提取器和关键点检测器，使用由检测到的关键点的局部特征构造出新的特征映射φ。
本实施例中，使用随机梯度下降法，通过最小化像素级来优化特征提取器、关键点检测器和细化器中的参数，提取出心脏MR图像中时间一致性关键点。
本实施例中，使用图神经网络作为构建块来建模不同关键点之间的交互关系，并生成以关键点和关键点之间的因果关系为中心的映射，捕获潜在的归纳偏差。
本实施例中，对于N个关键点，构造一个有向图G＝(V,E)，顶点V表示关键点的坐标信息，边E表示从j指向i的有向因果关系。使用与交互网络中类似结构的图神经网络作为空间编码器，生成关键点的嵌入和关系。
本实施例中，通过条件作用于当前状态和推断的因果图来预测关键点的未来运动。由于是直接操作预测到的关键点，关键点包含噪声和引入不确定性的实际位置。因此，使用多元高斯分布来表示位置，预测每个关键点的下一个状态的均值和协方差矩阵。
更具体的，包括以下内容：
步骤(1)中，图像来自Automated Cardiac Diagnosis Challenge(ACDC)自动心脏诊断挑战公开可用的数据集，包括150个受试者的图像，通过两台不同磁场强度的MRI扫描仪(1.5T-Siemens Area，Siemens Medical Solutions,Germany and 3.0T-Siemens TrioTim,Siemens Medical Solutions，Germany)获得。图像是用传统的SSFP序列获得的，切片厚度从5毫米到10毫米，时片间间隙为5毫米。平面内空间分辨率为1.34-1.68mm。每个序列包含28-40个心脏期，全部或部分覆盖一个心动周期。
步骤(2)中，由于MR图像黑色边缘背景对关键点的选取会产生一定的影响，所以在预处理时选择去除黑色边缘背景，即三通道所有像素点的像素值均为(0,0,0)，然后进行均值滤波去除噪声。
步骤(3)中，将图像归一化为相同大小，对心脏MR短轴图像采用尺度调整处理，设定尺度为固定值。
步骤(4)中，将CNN网络和KeyNet网络作为关键点提取器和特征图提取器，把调整处理后的图像分别输入上述两个网络中，提取出关键点坐标序列
Figure BDA0003024964690000081
及特征热图，通过RefinerNet神经网络接收特征图，然后使用随机梯度下降法，通过最小化像素级来优化关键点检测器特征图提取器中的参数，最终输出基于时序的关键点坐标序列。
步骤(5)中，利用参数化推理来计算出关键点序列条件下边缘集的分布图，使用神经网络作为构建模块来得到各个关键点之间的因果交互关系。
具体来说，从第一帧图像开始，构造出图像序列中每一帧图像中点与边的映射({hm,i},{hm,j})＝(Vm,Em)。然后，使用一维卷积神经网络聚合每个节点和边的时间维度上的信息，得到
Figure BDA0003024964690000082
和
Figure BDA0003024964690000083
步骤(6)中，从图像中获得关键点后，使用一个推理模块来推理关系因果图的边集合，并推断与有向边相关的参数。推理模块时间窗口内将检测到的关键点作为输入和输出图结构上的后验分布。
具体地，每一对关键点中引入影响因子gij，i和j分别表示两个关键点，然后通过图神经网络φ预测边的分类：
Figure BDA0003024964690000091
其中V表示关键点的坐标信息，E表示从关键点j指向i的有向关系，g表示每条边的类型的概率分布，取值在0～1之间。
使用Gumbel-Softmax技术，用一个新的图神经网络对离散分布的数据进行连续逼近，得到连续参数
Figure BDA0003024964690000092
将因果关系图表示为
Figure BDA0003024964690000093
其中T表示当前图像在心脏MR图像序列中为第T帧。
具体地，根据上述过程得出的因果关系图及当前状态，通过图递归网络f来预测关键点在下一帧图像中的坐标：
Figure BDA0003024964690000094
不断重复上述过程，可根据关键点之间的因果关系图预测T+2帧、T+3帧...关键点坐标信息。
具体地，直接对预测的关键点进行操作，检测到的关键点包含噪声，会给实际位置带来不确定性。因此，使用多元高斯分布来表示下一心脏MR图像中关键点的位置，为每个关键点预测下一个图像中的均值和协方差矩阵，预测出心脏MR序列中所缺失的图像，完成图像插补工作。
实施例2：
本公开实施例2提供了一种基于因果关系的心脏MR图像插补系统，包括：
图像获取模块，被配置为：获取待处理的心脏MR图像并进行预处理；
关键点提取模块，被配置为：对预处理后的当前帧心脏MR图像进行关键点提取，得到基于时序的关键点坐标序列；
因果关系确定模块，被配置为：根据得到的关键点坐标序列，结合图神经网络得到每对关键点之间交互因果关系；
关键点预测模块，被配置为：根据获取的交互因果关系，得到关键点在下一帧图像中的坐标；
图像插补模块，被配置为：根据关键点在下一帧图像中的坐标，得到心脏MR序列中所缺失的图像。
所述系统的工作方法与实施例1提供的基于因果关系的心脏MR图像插补方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的基于因果关系的心脏MR图像插补方法中的步骤。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的基于因果关系的心脏MR图像插补方法中的步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于因果关系的心脏MR图像插补方法，其特征在于：包括以下过程：
获取待处理的心脏MR图像并进行预处理；
对预处理后的当前帧心脏MR图像进行关键点提取，得到基于时序的关键点坐标序列；
根据得到的关键点坐标序列，结合图神经网络得到每对关键点之间交互因果关系；
根据获取的交互因果关系，得到关键点在下一帧图像中的坐标；
根据关键点在下一帧图像中的坐标，得到心脏MR序列中所缺失的图像。
2.如权利要求1所述的基于因果关系的心脏MR图像插补方法，其特征在于：
预处理，包括：去除黑色边缘背景，采用均值滤波去除噪声，将获取的心脏MR图像归一化为相同尺寸。
3.如权利要求1所述的基于因果关系的心脏MR图像插补方法，其特征在于：
采用CNN网络作为关键点提取器进行关键点提取，利用KeyNet网络作为特征图提取器进行特征图提取；
通过RefinerNet神经网络接收特征图和关键点，使用随机梯度下降法，通过最小化像素级来优化关键点提取器和特征图提取器中的参数，得到基于时序的关键点坐标序列。
4.如权利要求1所述的基于因果关系的心脏MR图像插补方法，其特征在于：
从第一帧图像开始，构造出图像序列中每一帧图像中点与边的映射，然后使用一维卷积神经网络聚合每个节点和边的时间维度上的信息。
5.如权利要求1所述的基于因果关系的心脏MR图像插补方法，其特征在于：
从图像中获得关键点后，推理因果关系图的边集合，并推断与有向边相关的参数，包括以下过程：
每一对关键点中引入影响因子gij，i和j分别表示两个关键点，然后通过图神经网络φ预测边的分类；
采用图神经网络对离散分布的数据进行连续逼近，得到连续参数，进而得到因果关系图；
根据得到的因果关系图及当前帧图像的状态，通过图递归网络来预测关键点在下一帧图像中的坐标。
6.如权利要求1所述的基于因果关系的心脏MR图像插补方法，其特征在于：
使用多元高斯分布来表示下一帧心脏MR图像中关键点的位置，为每个关键点预测下一个图像中的均值和协方差矩阵。
7.如权利要求1所述的基于因果关系的心脏MR图像插补方法，其特征在于：
对于N个关键点，构造一个有向图G＝(V，E)，顶点V表示关键点的坐标信息，边E表示从j指向i的有向因果关系，使用图神经网络作为空间编码器，生成关键点的嵌入和关系。
8.一种基于因果关系的心脏MR图像插补系统，其特征在于：包括：
图像获取模块，被配置为：获取待处理的心脏MR图像并进行预处理；
关键点提取模块，被配置为：对预处理后的当前帧心脏MR图像进行关键点提取，得到基于时序的关键点坐标序列；
因果关系确定模块，被配置为：根据得到的关键点坐标序列，结合图神经网络得到每对关键点之间交互因果关系；
关键点预测模块，被配置为：根据获取的交互因果关系，得到关键点在下一帧图像中的坐标；
图像插补模块，被配置为：根据关键点在下一帧图像中的坐标，得到心脏MR序列中所缺失的图像。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于因果关系的心脏MR图像插补方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于因果关系的心脏MR图像插补方法中的步骤。
CN202110413716.4A 2021-04-16 2021-04-16 一种基于因果关系的心脏mr图像插补方法及系统 Active CN113223104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110413716.4A CN113223104B (zh) 2021-04-16 2021-04-16 一种基于因果关系的心脏mr图像插补方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110413716.4A CN113223104B (zh) 2021-04-16 2021-04-16 一种基于因果关系的心脏mr图像插补方法及系统

Publications (2)

Publication Number Publication Date
CN113223104A true CN113223104A (zh) 2021-08-06
CN113223104B CN113223104B (zh) 2023-03-24

Family

ID=77087632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110413716.4A Active CN113223104B (zh) 2021-04-16 2021-04-16 一种基于因果关系的心脏mr图像插补方法及系统

Country Status (1)

Country Link
CN (1) CN113223104B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019085804A1 (en) * 2017-11-02 2019-05-09 Peking University Methods and use for detecting and inhibiting cell-free mg53
CN110188754A (zh) * 2019-05-29 2019-08-30 腾讯科技（深圳）有限公司 图像分割方法和装置、模型训练方法和装置
CN111696130A (zh) * 2019-03-12 2020-09-22 北京京东尚科信息技术有限公司 目标跟踪方法、目标跟踪装置及计算机可读存储介质
CN111857111A (zh) * 2019-04-09 2020-10-30 商汤集团有限公司 对象三维检测及智能驾驶控制方法、装置、介质及设备
CN111950419A (zh) * 2020-08-03 2020-11-17 中国民用航空华东地区空中交通管理局 图像信息预测方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019085804A1 (en) * 2017-11-02 2019-05-09 Peking University Methods and use for detecting and inhibiting cell-free mg53
CN109932509A (zh) * 2017-11-02 2019-06-25 北京大学 检测或抑制细胞外游离mg53的方法和用途
CN111696130A (zh) * 2019-03-12 2020-09-22 北京京东尚科信息技术有限公司 目标跟踪方法、目标跟踪装置及计算机可读存储介质
CN111857111A (zh) * 2019-04-09 2020-10-30 商汤集团有限公司 对象三维检测及智能驾驶控制方法、装置、介质及设备
CN110188754A (zh) * 2019-05-29 2019-08-30 腾讯科技（深圳）有限公司 图像分割方法和装置、模型训练方法和装置
CN111950419A (zh) * 2020-08-03 2020-11-17 中国民用航空华东地区空中交通管理局 图像信息预测方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN113223104B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
US10489907B2 (en) Artifact identification and/or correction for medical imaging
JP6947759B2 (ja) 解剖学的対象物を自動的に検出、位置特定、及びセマンティックセグメンテーションするシステム及び方法
CN106682435B (zh) 一种多模型融合自动检测医学图像中病变的系统及方法
US20200090345A1 (en) Method and System for Deep Motion Model Learning in Medical Images
Biffi et al. Explainable anatomical shape analysis through deep hierarchical generative models
JP6885517B1 (ja) 診断支援装置及びモデル生成装置
CN107563434B (zh) 一种基于三维卷积神经网络的脑部mri图像分类方法、装置
Al Khalil et al. On the usability of synthetic data for improving the robustness of deep learning-based segmentation of cardiac magnetic resonance images
CN112820399A (zh) 自动诊断甲状腺结节良恶性的方法及装置
Sirjani et al. Automatic cardiac evaluations using a deep video object segmentation network
Tiago et al. A data augmentation pipeline to generate synthetic labeled datasets of 3D echocardiography images using a GAN
La Rosa A deep learning approach to bone segmentation in CT scans
Zou et al. A novel approach for left ventricle segmentation in tagged MRI
Tiago et al. A domain translation framework with an adversarial denoising diffusion model to generate synthetic datasets of echocardiography images
Mangalagiri et al. Toward generating synthetic CT volumes using a 3D-conditional generative adversarial network
Habijan et al. Generation of artificial CT images using patch-based conditional generative adversarial networks
CN113223104B (zh) 一种基于因果关系的心脏mr图像插补方法及系统
KR102476888B1 (ko) 디지털 병리이미지의 인공지능 진단 데이터 처리 장치 및 그 방법
CN114972266A (zh) 基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法
WO2022096867A1 (en) Image processing of intravascular ultrasound images
Judice et al. A Novel assessment of various bio-imaging methods for lung tumor detection and treatment by using 4-D and 2-D CT images
EP2178046A2 (en) Multi-image correlation
EP3935605A1 (en) Deep reinforcement learning for computer assisted reading and analysis
Rabbani et al. Temporal extrapolation of heart wall segmentation in cardiac magnetic resonance images via pixel tracking
Barhoumi Efficient Scopeformer: Towards Scalable and Rich Feature Extraction for Intracranial Hemorrhage Detection using Hybrid Convolution and Vision Transformer Networks

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