CN113298807A - 一种计算机断层扫描图像处理方法及装置 - Google Patents
一种计算机断层扫描图像处理方法及装置 Download PDFInfo
- Publication number
- CN113298807A CN113298807A CN202110692113.2A CN202110692113A CN113298807A CN 113298807 A CN113298807 A CN 113298807A CN 202110692113 A CN202110692113 A CN 202110692113A CN 113298807 A CN113298807 A CN 113298807A
- Authority
- CN
- China
- Prior art keywords
- image
- dose
- computed tomography
- tomography image
- full
- 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
- 238000002591 computed tomography Methods 0.000 title claims abstract description 255
- 238000003672 processing method Methods 0.000 title claims description 5
- 238000000034 method Methods 0.000 claims abstract description 85
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000003709 image segmentation Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 description 18
- 230000011218 segmentation Effects 0.000 description 11
- 238000012546 transfer Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 206010056342 Pulmonary mass Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Abstract
本发明提供用于处理计算机断层扫描图像的方法，可以基于低剂量计算机断层扫描图像进行分割和/或检测，克服了低剂量计算机断层扫描图像的低清晰度、噪声大等不利因素，提高了针对低剂量计算机断层扫描图像的分割和/或检测的准确率以及精度。该方法包括：将低剂量计算机断层扫描图像映射生成全剂量计算机断层扫描图像；对所生成的全剂量计算机断层扫描图像进行分割和/或检测；以及利用图像分割和/或检测的结果进一步约束所述全剂量计算机断层扫描图像的生成过程。本发明还提供了执行该方法的相应装置。
Description
技术领域
本发明涉及图像处理，尤其涉及一种计算机断层扫描(CT)图像的分割和检测的方法和装置。
背景技术
CT是医学检查的有效手段。但是CT有一定的辐射，所以在可以达到诊断标准的前提下，一般尽量采用低剂量CT。和全剂量CT(或普通CT)相比，低剂量CT的扫描条件中的毫安秒和千伏数值都是相对较低的，低剂量CT的辐射剂量可以低到全剂量CT 的辐射剂量的五分之一，这样可以降低辐射剂量。由于低剂量CT的辐射剂量低，所以CT筛查的趋势是尽量选择低剂量的扫描方式，即采用低剂量CT；例如，目前早期肺癌筛查的病人就可以通过低剂量CT进行筛查。总体来说，低剂量CT适用于健康体检及高危人群普查、筛查等，也适用于短期内需要多次复查和需要常年随诊观察的病人，是一种科学、经济的检查方法。
但是和全剂量CT相比，低剂量CT的图像噪音较高，图像清晰度和对比度较低，这也在某种程度上限制了低剂量CT的应用范围。
发明内容
本发明实施例提供关于低剂量CT图像的分割和检测的方法和装置，能够对低剂量CT图像进行分割和/或检测，准确率高，相当于对全剂量CT图像进行分割和/或检测。由此，可以有效地避免检测中的高辐射量，更加准确地定位和诊断病灶。
根据本发明的一个方面，公开了一种CT图像处理方法，包括：将低剂量CT图像映射生成全剂量CT图像；对所生成的全剂量CT图像进行分割和/或检测；以及利用图像分割和/或检测的结果进一步约束所述全剂量CT图像的生成过程。
在一些实施例中，该方法进一步包括：根据任务标签对真实全剂量CT图像进行图像分割和/或检测；评估针对所述真实全剂量CT图像的图像分割和/或检测的任务损失以对图像分割和/或检测进行优化以收敛所述任务损失。
在一些实施例中，该方法进一步包括：对所生成的全剂量CT图像进行鉴别分类并评估所生成的全剂量CT图像的图像损失；以及基于所述图像损失和所述任务损失对所述全剂量CT图像的所述生成过程进行优化。
在一些实施例中，该方法进一步包括：对真实CT图像进行鉴别分类并判断属于真实图像域的第一概率；对所生成的全剂量CT图像进行鉴别分类并判断属于所述真实图像域的第二概率；以及基于所述第一概率和所述第二概率对鉴别分类进行优化以增加所述第一概率和降低所述第二概率。
在一些实施例中，其中，基于所述图像损失和所述任务损失对所述全剂量CT图像的所述生成过程进行优化包括增加所述第二概率。
在一些实施例中，该方法进一步包括：针对多个图像特征中的每一个，获取用于特征提取的先验权值；以及使用至少一个先验权值以用于在基于所述低剂量CT图像生成全剂量CT图像时提取相应的图像特征。
在一些实施例中，其中，将所述低剂量CT图像映射生成所述全剂量CT图像进一步包括：对所述低剂量CT图像进行特征提取以得到特征图；对所述特征图进行处理以生成特征向量；以及从所述特征向量中还原所述低剂量CT图像的原始特征。
在一些实施例中，其中，对所述特征图进行处理以生成特征向量进一步包括：保留所述低剂量CT图像的所述原始特征以及去除所述低剂量CT图像的图像噪声。
在一些实施例中，该方法进一步包括：针对多个图像特征中的每一个，获取用于特征提取的先验权值；以及在对所述低剂量CT图像进行相应的图像特征提取时使用所述先验权值。
根据本发明的另一方面，公开了一种CT图像处理装置，包括生成模块，用于将低剂量CT图像映射生成全剂量CT图像；以及任务导向模块，用于对所生成的全剂量CT 图像进行分割和/或检测，其中所述装置利用所述任务导向模块执行的图像分割和/或检测的结果进一步约束所述生成模块的所述全剂量CT图像的生成过程。
在一些实施例中，其中，所述任务导向模块根据任务标签对真实全剂量CT图像进行图像分割和/或检测；以及所述装置评估针对所述真实全剂量CT图像的图像分割和/ 或检测中的任务损失以对所述任务导向模块进行优化以收敛所述任务损失。
在一些实施例中，该装置进一步包括鉴别模块，用于对所生成的全剂量断层扫描图像进行鉴别分类并评估所生成的全剂量CT图像的图像损失，所述装置基于所述图像损失和和所述任务损失优化所述生成模块。
在一些实施例中，其中：所述鉴别模块进一步用于对真实CT图像进行鉴别分类并判断属于真实图像域的第一概率，和对所生成的CT图像进行鉴别分类并判断属于所述真实图像域的第二概率；以及所述装置基于所述第一概率和所述第二概率优化所述鉴别模块优化以增加第一概率和降低第二概率。
在一些实施例中，基于所述图像损失和所述任务损失对所述生成模块进行优化包括增加所述第二概率。
在一些实施例中，所述生成模块进一步包括先验模块，所述先验模块用于针对多个图像特征中的每一个，获取用于特征提取的先验权值，所述先验权值用于在基于所述低剂量CT图像生成全剂量CT图像时提取相应的图像特征。
在一些实施例中，所述生成模块包括编码器，用于对所述低剂量CT图像进行特征提取以得到特征图；特征转换器，用于对所述特征图进行处理以生成特征向量；以及解码器，用于从所述特征向量中还原所述低剂量CT图像的原始特征。
在一些实施例中，所述特征转换器包括残差模块，用于保留所述低剂量CT图像的所述原始特征以及去除所述低剂量CT图像的图像噪声。
在一些实施例中，所述生成模块进一步包括先验模块，且所述先验模块用于针对多个图像特征中的每一个，获取用于特征提取的先验权值，以及将至少一个先验权值传递给所述生成模块中的编码器以在对所述低剂量CT图像进行相应的图像特征提取时使用所述先验权值。
根据本发明的另一方面，还公开了一种电子设备，其包括一个或多个处理器；存储装置，用于存储一个或多个程序，且当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任一方法。
根据本发明的另一方面，又公开了一种计算机可读介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现生疏任一方法。
附图说明
图1示出了本发明的根据一些实施例的示例性的装置。
图2示出了本发明的根据一些实施例的生成模块的示例性的结构框图。
图3示出了本发明的根据一些实施例的特征转换器中残差模块的示例性的结构图。
图4示出了本发明的根据一些实施例的传递先验权值的一个示例。
图5示出本发明的实施例的用于对图像进行分割和/或检测的示例性方法。
图6示出本发明的实施例的用于对图像进行分割和/或检测的示例性方法。
图7示出根据一些实施例的用于对图像进行分割和/或检测的示例性方法。
图8示出根据一些实施例的对鉴别分类进行优化的示例性方法。
图9示出根据一些实施例的基于低剂量CT图像生成全剂量CT图像的示例方法。
图10示出本发明的根据一些实施例的示例性的装置。
图11示出基于现有技术和本发明的对图像分割的结果的对比。
具体实施方式
本发明提供了一种基于任务导向的对低剂量CT图像进行分割和/或检测的处理方法和相关装置，其中，任务是指图像分割和图像检测中的至少一者。
如果直接对低剂量CT图像进行分割和/或检测，由于低噪声CT图像的图像噪声大、信噪比低，清晰度和对比度不高，图像分割和/或检测的准确率会收到影响。
因此，本发明提供了相应的方法和装置，先将低噪声CT图像翻译(或映射)生成具有高对比度和清晰度且结构完整的全剂量CT图像，，然后再基于生成的全剂量CT图像进行分割和/或检测，在合成与边缘信息匹配的图像的基础上确保语义信息的匹配，以提高图像分割和/或检测的准确率。
为了修复低剂量CT图像中缺失的结构与功能信息，本发明的一些实施例还提供了与之匹配的生成对抗模型以及优化方法，以基于低剂量CT图像生成与真实高剂量CT 图像的清晰度和完整性相当的图像。此外，本发明的一些实施例还针对不同数据的特征信息提供相应的先验权值用于特征提取，从而能够获得更丰富的图像特征。而且，本发明的一些实施例基于任务导向，针对特定的任务(例如，图像分割、图像检测等)进一步约束CT图像从低剂量到全剂量的翻译映射过程，从而缩小了生成的高剂量CT图像与真实的高剂量CT图像在语义上的差异，使生成的高剂量CT图像更加接近真实的高剂量CT图像，就能够更加准确地执行任务。
下面的详细说明参照附图，所述附图通过例示的方式示出本发明的各种实施例。足够详细地描述这些实施例，以使所属领域中的普通技术人员能够实践这些和其他实施例。本领域技术人员将理解，这些实施例旨在为例示性的，而不是限制性的。从本文中的教示中得出的其它布置可替代所示的具体实施例。各种实施例使用本文中描述的实施例的置换和/或组合。本领域技术人员也可以接合其它实施例，对这些实施例进行结构改变、逻辑改变、机械改变和电气改变。各种实施例不一定是互斥的，只要不违背本发明的精神，一些实施例可与一个或多个其它实施例进行组合。
图1示出本发明用于处理低剂量CT图像的示例性的装置100。装置100至少包括生成模块110和任务导向模块120。
根据一些实施例，生成模块110用于将低剂量CT图像翻译(或映射)生成全剂量CT图像，即将低剂量CT图像翻译为全剂量CT图像。
根据一些实施例，生成模块110所生成的全剂量CT图像也可以直接输出以作其它用途(图1未示出)。
根据一些实施例，任务导向模块120用于对所生成的全剂量CT图像进行分割和/或检测，例如，标注所感兴趣的区域，沿器官边界勾勒分割边界，定位病灶或感兴趣点 (例如，肺结节)，以便于临床诊断。所述任务，包括分割和检测。
为了更好地执行图像分割和/或检测，以及更好地利用图像分割和/或检测的结果进一步约束生成模块快110的将低剂量CT图像生成全剂量CT图像的生成过程，可以对任务导向模块120进行优化或训练。
可以将真实全剂量CT图像和用于进行图像分割和/或检测的任务标签输入任务导向模块，评估任务导向模块对真实全剂量CT图像进行分割和/或检测时的任务损失，以此任务损失(分割是DICE，检测是AP)作为指导来对任务导向模块120进行优化或训练，直至该任务损失收敛(或最小化)。
如果任务是图像分割，任务损失是：
其中，N是所有像素的数目，i为像素序号，ti为分割的目标值，为0或者1；yi为网络的预测值，取值在(0，1)之间，ε为平滑系数，可以平滑损失和梯度。
当任务为图像检测时，例如，对肺结节进行检测时(用方框定位肺结节)，任务损失是：
其中：
pi是建议框内包含目标对应不同类别的预测概率，
是对应的真实类别，取0或者1； ti和
分别代表建议框和真实标注框的四维坐标向量；
上式中的R(x)表示为：
将训练成功的任务导向模块120作为一个评价标尺，接收生成的全剂量CT图像(即生成模块110基于低剂量CT图像生成的全剂量CT图像)和任务标签，对接收到的全剂量CT图像进行分割和/或检测。
根据一些实施例，装置100还可以利用任务导向模块120执行的图像分割和/或检测的结果进一步约束生成模块快110的将低剂量CT图像生成全剂量CT图像的生成过程。
根据一些实施例，装置100基于任务导向模块120针对生成模块所生成的全剂量CT图像的任务损失，对生成模块110进行优化，以进一步提高生成模块110所生成的全剂量CT图像的质量。
根据一些实施例，该装置100进一步包括鉴别模块130，鉴别模块130用于对输入的图像进行鉴别分类，评估所生成的全剂量CT图像相对于真实CT图像的图像损失，或评估所生成的全剂量CT图像相对于真实CT图像的接近程度，或评估所生成的全剂量CT图像属于真实图像域的概率。
根据一些实施例，鉴别模块130可以直接对外输出，即将对输入图像的鉴别分类结果输出到装置100之外以做其它用途(图1中未示出)。
根据一些实施例，装置100可以基于任务导向模块120和鉴别模块130对生成模块进行优化，使生成模块110基于低剂量CT图像所生成的全剂量CT图像更接近真实CT 图像。
根据一些实施例，鉴别模块130使用基于图像块的PatchGAN卷积网络，只在补丁范围内对结构进行惩罚，并输出一个特征图。根据一些实施例，判别器130使用Sigmoid 激活函数，对PatchGAN卷积网络所输出的特征图进行判别，判断输入鉴别模块130的图像是真实的全剂量CT图像域的概率D。
根据一些实施例，鉴别模块130采用70*70的PatchGAN卷积网络，可以实现局部图像特征的提取和表征，有利于促进生成模块110生成更高分辨率的图像，同时提高了运算速度。
根据一些实施例，PatchGAN判别器由4个卷积块组成，每个卷积块均包含步长为2的4*4卷积层、BN层和斜率为0.2的Leaky ReLU层。根据一些实施例，这4个卷积块的卷积核数目分别为64、128、256和512。每个卷积块的最后一层使用步长为1的4*4 卷积产生一维输出。
根据一些实施例，装置100可以使用鉴别模块130对生成模块110基于低剂量CT 图像生成的全剂量CT图像进行鉴别分类，利用鉴别模块130的鉴别分类结果，对生成模块110进行优化，使得生成模块110所生成的全剂量CT图像更加接近真实全剂量CT 图像。
根据一些实施例，在使用鉴别模块130优化生成模块110的时候，还可以利用任务导向模块120.
同时，为了更好地利用鉴别模块130的鉴别分类功能，需要对鉴别模块130进行训练或优化。
本发明采用了一种基于任务导向的对抗和竞争的方法训练鉴别模块130以及优化生成模块110，而且可以交替训练鉴别模块130和优化生成模块110。
当训练鉴别模块130的时候，装置100将真实的全剂量CT图像输入鉴别模块130，鉴别模块130对真实的全剂量CT图像进行鉴别分类，判断其是否属于真实图像域的概率，此概率表示为D(y)；装置100将生成模块110所生成的全剂量CT图像输入鉴别模块130，鉴别模块130对所生成的全剂量CT图像进行鉴别分类，判断其是否属于真实图像域的概率，此概率表示为D(G(x))。训练鉴别模块130的目的是增加概率D(y)并降低概率D(G(x))。概率D(y)越高越好，概率D(G(x))越低越好。
鉴别模块130对所输入图像的鉴别分类结果还可以用图像损失
表示，为：
其中：
x代表低剂量CT图像；
y代表真实的全剂量CT图像；
D(y)代表鉴别模块对真实的全剂量CT图像的鉴别分类结果；
G(x)代表生成模块110所生成的全剂量CT图像；
D(G(x))代表鉴别模块对生成模块110所生成的全剂量CT图像的鉴别分类结果；
x～Pdata(x)表示x服从一定规则的概率分布；
y～Pdata(y)表示y服从一定规则的概率的分布；
D代表鉴别模块；
G代表生成模块；以及
E代表期望。
训练鉴别模块130是为了降低图像损失
在优化生成模块110的时候，装置100将生成模块110基于低剂量CT图像生成的全剂量CT图像输入鉴别模块130，鉴别模块130对所生成的全剂量CT图像进行鉴别分类，判断图像是否属于真实图像域的概率，此概率表示为D(G(x))，优化生成模块110 的目的是使得D(G(x))越高越好。此时，D(G(x))高，就意味着基于低剂量CT图像生成的全剂量CT图像相对于真实全剂量CT图像的图像损失小。
由于训练鉴别模块130的时候，希望概率D(G(x))越低越好，优化生成模块110的时候，希望概率D(G(x))越高越好，所以，在某种程度上，训练鉴别模块130和优化生成模块110是一个对抗和竞争的过程。
装置100可以利用任务导向模块120和鉴别模块130对生成模块110进行优化或训练。
在采用基于任务导向的方法优化生成模块110时，生成模块的图像损失可以用
表示，为：
其中：
当任务导向模块120执行图像分割时，任务损失函数Ltask＝Lseg；
当任务导向模块120执行图像检测时，任务损失函数Ltask＝Ldet；
损失函数L1用于抑制图像噪声，同时保证低频信息的正确性，其表示为：
LL1(G)＝Ex,y～Pdata(x,y)[‖y-G(x)‖1] (公式8)
G(x)代表生成模块110所生成的全剂量CT图像；
D(G(x))代表鉴别模块对生成模块110所生成的全剂量CT图像的鉴别分类结果；
G代表生成模块；
D代表鉴别模块；
x代表低剂量CT图像；
y代表真实的全剂量CT图像；
x～Pdata(x)表示x服从一定规则的概率分布；
y～Pdata(y)表示y服从一定规则的概率的分布；
x,y～Pdata(x,y)表示x和y服从一定规则的概率分布；
α、β和γ这三个参数是在装置100进行训练时选择的；根据一些实施例，可设置α＝1、β＝1000、以及γ＝1；以及
E代表期望。
训练生成模块110是为了降低图像损失
整个装置100的目标损失为L，表示为：
装置100的总体训练或优化结果就是使损失
和损失
最小化，从而最终使损失L最小化。
通过训练或优化好的生成模块110、任务导向模块120和鉴别模块130，可以促进生成质量更好的全剂量CT图像，并更好地完成所生成的全剂量CT图像的分割和/或检测。
根据一些实施例，生成模块110包括编码器111、特征转换器112、解码器113。编码器111用于对所述低剂量CT图像进行特征提取以得到特征图；特征转换器112，用于对所述特征图进行处理，生成特征向量；且解码器113用于从所述特征向量中还原所述低剂量CT图像的原始特征。
图2示出了本发明的生成模块110的一个示例性的结构框图。
如图2所示，编码器111包括r个卷积块，特征转换器112包括m个残差模块，编码器113包括n个反卷积块，其中，r、m和n都是大于零的整数。
根据一些实施例，编码器111包括3个卷积块(r＝3)，每个卷积块均包括卷积层、BN层和ReLU激活函数。根据一些实施例，各个卷积块的卷积层之间彼此连续。每一个卷积层都包含了特定图像特征的参数。
根据一些实施例，编码器111包括3个卷积块，每个卷积块包括一个卷积层，总共有3个连续的卷积层，其中，第一个卷积层使用步长为1的7*7卷积核，第二个和第三个卷积层均使用步长为2的3*3卷积核。3个卷积块的输出通道数分别为32，64，128。
根据一些实施例，编码器111还包括将先验模块的输入和编码器111中卷积块的输出进行合成的合成器(图2中未示出，请参见图4)。
根据一些实施例，特征转换器112用于对特征图进行处理，生成特征向量。
根据一些实施例，特征转换器包括m个残差模块(即残差结)，用于去除低剂量CT图像的图像噪声，保留低剂量CT图像的原始特性，例如对象的大小和形状，从而保护了低剂量CT图像的信息完整性，并完成将低剂量CT图像到全剂量CT图像的特征转换，生成特征向量。
根据一些实施例，m＝9。
根据一些实施例，特征转换器112的每个残差模块包括一个神经网络层。
根据一些实施例，该神经网络层包括若干个(例如，2个)卷积层。
根据一些实施例，特征转换器112中每个残差模块的输出通道均为128。
图3示出了根据一些实施例的特征转换器112中一个残差模块的示例性的结构图。
根据一些实施例，针对每个残差模块，部分输入数据直接输出，这样可以保证前面输入数据的信息直接作用于后续的处理，从而保护了信息的完整性。
如图3所示，一部分输入到残差模块的神经网络层的信息不经过卷积层的处理，而是与卷积层的输出通过合成器合成以后，直接输出。
根据一些实施例，解码器113用于从所述特征向量中还原所述低剂量CT图像的原始特征。
根据一些实施例，解码器113包括n个反卷积块和一个卷积块。
根据一些实施例，n＝2。
根据一些实施例，解码器113中每个反卷积块均包括反卷积层、BN层和ReLU激活函数。根据一些实施例，各个反卷积快的反卷积层之间彼此连续。
根据一些实施例，解码器113中每个反卷积块中的反卷积层使用3*3卷积核。2个反卷积块的输出通道数分别为32和64。
根据一些实施例，解码器113中的卷积块包括步长为1的7*7卷积核、输出通道数为3的卷积层和tanh激活函数。
根据一些实施例，生成模块110还进一步包括先验模块114，用于针对多个图像特征中的每一个，积累先验知识，融合更多结构化和细节化的信息，获取针对相应图像特征的先验权值，这些先验权值用于在基于低剂量CT图像生成全剂量CT图像时提取相应的图像特征，使得生成模块110学习到的特征更加丰富，所生成的图像能融合更多结构化和细节化的信息、更加逼真，从而进一步提高任务导向模块120对图像的分割和/ 或检测结果。
根据一些实施例，先验模块114还包括先验权值传递模块，用将所获取的先验权值传递给生成模块110中的编码器111，以供编码器111在进行图像的特征提取时使用。
根据一些实施例，先验模块114为预先训练的CycleGAN生成模块。根据一些实施例，先验模块114包括编码器、特征转化器、解码器和先验权值传递模块。根据一些实施例，先验模块114的编码器、特征转化器和解码器的结构分别和生成模块110的编码器、特征转化器和解码器的结构相一致。
根据一些实施例，先验模块114可以采用损失函数先期学习关于图像特征提取的知识并训练先验模块114。根据一些实施例，用于训练先验模块114的损失函数为L1损失函数和/或循环一致性损失函数。先验模块114中的先验权值传递模块使用一个参数化的先验权值传递函数进行特征信息传递，将相应图像特征的先验权值传递给生成模块110 中的编码器111以用于相应图像特征的提取。
该先验权值传递模块包括卷积块，该卷积块包括卷积层、BN层和ReLU激活函数。根据一些实施例，该先验权值传递模块的示例性结构为：卷积层-BN层-ReLU激活函数 -卷积层-BN层。
根据一些实施例，编码器111的结构和先验模块114中所包括的编码器的结构相同。先验模块114中的先验权值传递模块使用其卷积块将先验模块114中编码器某一卷积块的卷积层的先验权值传递到编码器111中相应卷积块的卷积层。
具体地，定义Fa为先验模块114的编码器的某一卷积块经过先验权值传递函数输出的特征图，Fb为编码器111中相应卷积块输出的特征图，Fc为输入编码器111中下一个卷积块的特征图，编码器中的合成器执行如下操作：
Fc＝ρFa+(1-ρ)Fb (公式10)
其中，合成系数ρ为一个正数。
根据一个实施例，ρ取值为0.5。
图4所示为根据一些实施例的先验权值传递模块传递先验模块中卷积块的卷积层的先验权值的一个示例。如图4所示，该先验权值传递模块使用先验权值传递函数将先验模块中编码器的第二个卷积块的卷积层的先验权值传递给编码器111中的第二个卷积块的卷积层。
图4仅仅是一个示例，本发明不排除对先验模块中多个卷积块的多个卷积层的先验权值同时进行传递。
根据一些实施例，先验模块114也包括鉴别模块(图4中未示出)，用于更好地积累先验知识。
根据一些实施例，先验模块114的鉴别模块和鉴别模块130的结构相一致。
图5是本发明用于处理低剂量CT图像的装置100所执行的示例性方法500。该装置100至少包括生成模块110和和任务导向模块120。
如图5所示，方法500包括步骤510、步骤520和步骤530。在步骤510中，装置100将低剂量CT图像映射生成全剂量CT图像。在步骤520中，装置100对所生成的全剂量CT图像进行分割和/或检测。在步骤530中，装置100利用图像分割和/或检测的结果进一步约束全剂量CT图像的生成过程，使得所生成的全剂量CT图像更接近真实全剂量CT图像，从而进一步促进图像分割和/或检测结果的准确率。
图6是根据一些实施例由装置100执行的示例性方法600，此方法包括训练(或优化)任务导向模块120，以更好地对输入的图像进行分割和/或检测。
如图6所示，方法600包括步骤610、620、630和640。在步骤610中，根据任务标签，对真实的全剂量CT图像进行图像分割和/或图像检测。在步骤620中，评估对真实的全剂量CT图像进行图像分割和/或检测时的任务损失Lseg或Ldet，并基于该任务损失对图像分割和/或检测过程进行训练(或优化)以收敛该任务损失。在步骤630中，将低剂量CT图像映射生成全剂量CT图像。在步骤640中，对所生成的全剂量CT图像进行分割和/或检测。
为了提高对低剂量CT图像进行分割和/或检测的准确率，所生成的全剂量CT图像越接近真实的全剂量CT图像越好。除了利用图像分割和/或检测结果反馈约束基于低剂量CT图像生成全剂量CT图像的过程外，还可以采取其它一些措施以对生成模块110 进行优化。
根据一些实施例，该装置100进一步针对所生成的全剂量CT图像进行鉴别分类，利用鉴别分类的结果反馈来优化基于低剂量CT图像生成全剂量CT图像的过程。鉴别分类可以包括评估生成模块110所生成的全剂量CT图像的图像损失(或所生成的全剂量CT图像相对于全剂量CT图像的接近程度)，或包括鉴别所生成的全剂量CT图像属于真实图像域的概率。鉴别分类的结果可以反过来对基于低剂量CT图像生成全剂量CT 图像的过程进行优化。
鉴别分类的结果也可以输出装置100以供其它用途。
根据一些实施例，装置100可以同时利用鉴别出的所生成的全剂量CT图像相对于真实全剂量图像的图像损失以及对所生成的全剂量CT图像进行分割和/或检测中的任务损失，来优化基于低剂量CT图像生成全剂量CT图像的过程。
图7示出了根据一些实施例的基于图像损失和任务损失来优化基于低剂量CT图像生成全剂量CT图像的过程的方法700。
如图7所示，方法700包括步骤710、720和730。在步骤710中，基于低剂量CT 图像所生成的全剂量CT图像进行鉴别分类，并评估所生成的全剂量CT图像的图像损失。在步骤720中，基于任务导向对所生成的全剂量CT图像进行分割和/或检测，评估任务损失Ltask。在步骤730中，基于所评估的图像损失和任务损失Ltask对所述生成模块进行优化，降低损失
且增加针对输入的低剂量CT图像的概率D(G(x))。
图7中各个步骤的顺序仅是一个示例。事实上，步骤720可以早于步骤710执行，或者步骤720和710是同时执行的。
为了更好地利用对所生成的全剂量CT图像的鉴别分类结果进一步约束基于低剂量 CT图像生成全剂量CT图像的过程，需要对鉴别分类过程进行优化或训练。
图8是根据一些实施例由装置100执行的优化鉴别分类过程的示例性方法800。
如图8所示，方法800包括步骤810、820和830。在步骤810中，对真实CT图像进行鉴别分类，判断属于真实图像域的概率，此概率表示为D(y)。在步骤820中，对基于低剂量CT图像生成的全剂量CT图像进行鉴别分类，判断属于真实图像域的概率，此概率表示为D(G(x))。在步骤830中，基于D(y)和D(G(x))对鉴别分类过程进行优化，优化的目的是增加概率D(y)、降低概率D(G(x))，或减小
本发明可以交替执行方法700和800，以交替优化鉴别分类过程和优化基于低剂量CT图像生成全剂量CT图像的过程。由于执行方法700时的目的之一是增大D(G(x))，而执行方法800时的目的之一是减小D(G(x))，所以本发明交替优化鉴别分类过程和基于低剂量CT图像生成全剂量CT图像的过程是一个竞争和对抗的过程。
整个装置100的训练结果就是降低损失
和损失
最终使损失L最小化。
图9示出了根据一些实施例的基于低剂量CT图像生成全剂量CT图像的示例方法900。
如图9所示，方法900包括步骤910、920和930。在步骤910中，对低剂量CT图像进行特征提取以得到特征图。在步骤920中，对特征图进行处理以生成特征向量。在步骤930中，从特征向量中还原低剂量CT图像的原始特征。
根据一些实施例，在步骤920中，对特征图进行处理以生成特征向量进一步包括保留输入装置100的低剂量CT图像里的原始特征，并去除该低剂量CT扫描图像中的图像噪声。
根据一些实施例，装置100针对多个图像特征中的每一个，积累先验知识，获取用于特征提取的先验权值，并在提取低剂量CT图像中的相应图像特征时使用这些先验权值，使得生成模块110所生成的图像更加逼真。
根据一些实施例，装置100获取特征提取的先验知识的学习过程也是一个基于任务导向的竞争和对抗的过程，也会用到类似于上述公式(如公式(6)、(7)和(9))的方法对该学习过程进行优化和训练。
本发明上述各种方法实际上也不限于对低剂量CT图像的处理，实际上，也启发了对其它类型的CT图像的处理。例如，为了更准确地定位和检测病灶或确诊疾病，在某些特殊场合，可能需要做强化CT(或增强CT)，即借助一些检测药剂(如在患者体内注射造影剂)，再做CT。虽然这些检测药剂对人无毒副作用，但是，少数人对这些检测药剂会产生过敏反映。那么，基于本发明的精神，可以对一个全剂量CT图像进行类似的处理，生成一个尽量接近强化CT图像的CT图像，以在某些场合避免做真正的强化 CT，不仅可以降低检查成本，也可以减小患者所承担的风险。
本发明的各种方法也启发了对其它图像的处理，采用基于任务(例如图像分割或检测)导向的深度学习方法，提高图像的清晰度，提高任务执行的准确率，可以降低对输入图像的要求，降低对环境的需求，或者降低成本。
图10示出本发明的用于图像分割和/或检测的另一个示例装置。
如图10所示，该示例装置1000可以包括至少一个输入输出模块1010、至少一个处理器1020和至少一个存储器1030，其中，该至少一个存储器1030上存储有计算机程序代码1040。该至少一个存储器1030和计算机程序代码1040可以被配置通过至少一个处理器1020使示例装置1000至少执行上述的各种示例方法和各个实施例。
在一些实施例中，计算机程序代码1040可以是至少一个程序。
在一些实施例中，至少一个输入输出模块1010至少接收低剂量CT图像，至少输出图像分割和/或检测结果。
在一些实施例中，示例装置1000中的至少一个处理器1020可以包括但不限于至少一个硬件处理器，包括诸如中央处理单元这样的至少一个微处理器，或者可以是至少一个硬件处理器的一部分以及诸如基于现场可编程门阵列等开发的专用处理器。另外，该至少一个处理器1020还可以包括未在图10中示出的至少一个其他电路或元件。
在一些实施例中，示例装置1000中的至少一个存储器1030可以包括各种形式的存储介质，例如易失性和/或非易失性的存储器。易失性的存储器可以包括但不限于例如随机存取存储器、高速缓冲存储器等。非易失性存储器可以包括但不限于只读存储器、硬盘、闪速存储器等。另外，至少一个存储器1030可以包括但不限于电子、磁性、光学、电磁、红外或半导体系统、装置、器件或者前者的任何组合。
另外，在一些实施例中，示例装置1000还可以包括至少一个其他元件、电路或接口等，例如显卡、天线元件等。
根据一些实施例，显卡具有12G的显卡内存。
在一些实施例中，示例装置1000中的电路、部件、元件和接口等(包括前述的至少一个处理器1020和至少一个存储器1030)可以经由任何适当的连接机构耦接在一些，例如，可以包括但不限于总线、交叉开关、有限和/或无线线路等，并且连接方式可以包括但不限于电连接、磁连接、光学连接、电磁连接等。
应当理解，根据本发明的实施例的装置不局限于上述示例(例如装置100、装置1000)。在所示的各示例装置中的各个模块可以通过任何适当的方式连接或耦接在一起，各模块之间的箭头仅用于表示所关注的数据或信号的流向，但不表示模块之间的数据或信号的流向只能按照箭头方向。
除了上述方法和设备以外，本发明的各种装置还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得处理器执行上述的各示例方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
根据一些实施例，可以采用python语言编写计算机程序，采用pytorch深度学习框架进行程序开发，其中CT源数据预处理可以采用numpy、simpleITK等库。整个装置的训练优化过程可以使用例如NVIDIA公司的CUDA并行计算平台。
此外，本发明的装置的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行上述的各示例方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
图11示出基于现有技术和本发明的对图像分割的结果的对比的一个例子。如图11所示，采用本发明的技术方案之后，图像分割的Dice指标(精确度指标)明显更高，更接近1。
可见，根据本发明的技术方案，在CT图像上将图像恢复任务和分割和/或检测任务并行，利用分割和/或检测任务对图像的回复进行进一步知道与约束，利用迁移学习技术从先验模块中获取先验信息，使得图像更多细节得以回复，图像分割精度也大大提高。此外，将咸阳模块中提取的特征迁移到生成模块中，使得生成模块学到的特征更加丰富，从而进一步提高了CT图像的分割和/或检测结果。
以上结合实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本发明中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“例如”指词组“例如但不限于”，且可与其互换使用。
另外，在本发明的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变形、修改、改变、添加和子组合。
Claims (20)
1.一种计算机断层扫描图像处理方法，包括：
将低剂量计算机断层扫描图像映射生成全剂量计算机断层扫描图像；
对所生成的全剂量计算机断层扫描图像进行分割和/或检测；以及
利用图像分割和/或检测的结果进一步约束所述全剂量计算机断层扫描图像的生成过程。
2.根据权利要求1所述的方法，进一步包括：
根据任务标签对真实全剂量计算机断层扫描图像进行图像分割和/或检测；
评估针对所述真实全剂量计算机断层扫描图像的图像分割和/或检测的任务损失以对图像分割和/或检测进行优化以收敛所述任务损失。
3.根据权利要求2所述的方法，进一步包括：
对所生成的全剂量计算机断层扫描图像进行鉴别分类并评估所生成的全剂量计算机断层扫描图像的图像损失；以及
基于所述图像损失和所述任务损失对所述全剂量计算机断层扫描图像的所述生成过程进行优化。
4.根据权利要求3所述的方法，进一步包括：
对真实计算机断层扫描图像进行鉴别分类并判断属于真实图像域的第一概率；对所生成的全剂量计算机断层扫描图像进行鉴别分类并判断属于所述真实图像域的第二概率；以及
基于所述第一概率和所述第二概率对鉴别分类进行优化以增加所述第一概率和降低所述第二概率。
5.根据权利要求4所述的方法，其中，基于所述图像损失和所述任务损失对所述全剂量计算机断层扫描图像的所述生成过程进行优化包括增加所述第二概率。
6.根据权利要求1所述的方法，进一步包括：
针对多个图像特征中的每一个，获取用于特征提取的先验权值；以及
使用至少一个先验权值以用于在基于所述低剂量计算机断层扫描图像生成全剂量计算机断层扫描图像时提取相应的图像特征。
7.根据权利要求1所述的方法，其中，将所述低剂量计算机断层扫描图像映射生成所述全剂量计算机断层扫描图像进一步包括：
对所述低剂量计算机断层扫描图像进行特征提取以得到特征图；
对所述特征图进行处理以生成特征向量；以及
从所述特征向量中还原所述低剂量计算机断层扫描图像的原始特征。
8.根据权利要求7所述的方法，其中，对所述特征图进行处理以生成特征向量进一步包括：
保留所述低剂量计算机断层扫描图像的所述原始特征以及去除所述低剂量计算机断层扫描图像的图像噪声。
9.根据权利要求7所述的方法，进一步包括：
针对多个图像特征中的每一个，获取用于特征提取的先验权值；以及
在对所述低剂量计算机断层扫描图像进行相应的图像特征提取时使用所述先验权值。
10.一种计算机断层扫描图像处理装置，包括：
生成模块，用于将低剂量计算机断层扫描图像映射生成全剂量计算机断层扫描图像；以及
任务导向模块，用于对所生成的全剂量计算机断层扫描图像进行分割和/或检测，其中
所述装置利用所述任务导向模块执行的图像分割和/或检测的结果进一步约束所述生成模块的所述全剂量计算机断层扫描图像的生成过程。
11.根据权利要求10所述的装置，其中：
所述任务导向模块根据任务标签对真实全剂量计算机断层扫描图像进行图像分割和/或检测；以及
所述装置评估针对所述真实全剂量计算机断层扫描图像的图像分割和/或检测中的任务损失以对所述任务导向模块进行优化以收敛所述任务损失。
12.根据权利要求11所述的装置，进一步包括鉴别模块，用于对所生成的全剂量断层扫描图像进行鉴别分类并评估所生成的全剂量断层扫描图像的图像损失，所述装置基于所述图像损失和和所述任务损失优化所述生成模块。
13.根据权利要求12所述的装置，其中：
所述鉴别模块进一步用于对真实计算机断层扫描图像进行鉴别分类并判断属于真实图像域的第一概率，和对所生成的计算机断层扫描图像进行鉴别分类并判断属于所述真实图像域的第二概率；以及
所述装置基于所述第一概率和所述第二概率优化所述鉴别模块优化以增加第一概率和降低第二概率。
14.根据权利要求13所述的装置，其中，基于所述图像损失和所述任务损失对所述生成模块进行优化包括增加所述第二概率。
15.根据权利要求10所述的装置，所述生成模块进一步包括先验模块，所述先验模块用于针对多个图像特征中的每一个，获取用于特征提取的先验权值，所述先验权值用于在基于所述低剂量计算机断层扫描图像生成全剂量计算机断层扫描图像时提取相应的图像特征。
16.根据权利要求10所述的装置，其中，所述生成模块包括：
编码器，用于对所述低剂量计算机断层扫描图像进行特征提取以得到特征图；
特征转换器，用于对所述特征图进行处理以生成特征向量；以及
解码器，用于从所述特征向量中还原所述低剂量计算机断层扫描图像的原始特征。
17.根据权利要求16所述的装置，其中，所述特征转换器包括残差模块，用于保留所述低剂量计算机断层扫描图像的所述原始特征以及去除所述低剂量计算机断层扫描图像的图像噪声。
18.根据权利要求16所述的装置，其中，所述生成模块进一步包括先验模块，所述先验模块用于针对多个图像特征中的每一个，获取用于特征提取的先验权值，以及将至少一个先验权值传递给所述生成模块中的编码器以在对所述低剂量计算机断层扫描图像进行相应的图像特征提取时使用所述先验权值。
19.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，且
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
20.一种计算机可读介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-9中任意所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110692113.2A CN113298807A (zh) | 2021-06-22 | 2021-06-22 | 一种计算机断层扫描图像处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110692113.2A CN113298807A (zh) | 2021-06-22 | 2021-06-22 | 一种计算机断层扫描图像处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113298807A true CN113298807A (zh) | 2021-08-24 |
Family
ID=77329198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110692113.2A Pending CN113298807A (zh) | 2021-06-22 | 2021-06-22 | 一种计算机断层扫描图像处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113298807A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115689923A (zh) * | 2022-10-27 | 2023-02-03 | 佛山读图科技有限公司 | 低剂量ct图像降噪系统与降噪方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298804A (zh) * | 2019-07-01 | 2019-10-01 | 东北大学 | 一种基于生成对抗网络和3d残差编码解码的医学图像降噪方法 |
| US20200118306A1 (en) * | 2018-10-12 | 2020-04-16 | Korea Advanced Institute Of Science And Technology | Method for processing unmatched low-dose x-ray computed tomography image using neural network and apparatus therefor |
| CN111488865A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像优化方法、装置、计算机存储介质以及电子设备 |
| CN112102213A (zh) * | 2020-11-23 | 2020-12-18 | 南京安科医疗科技有限公司 | 低剂量ct图像处理方法、扫描系统及计算机存储介质 |
| CN112489158A (zh) * | 2021-01-13 | 2021-03-12 | 河北大学 | 基于cGAN的自适应网络用于低剂量PET图像的增强方法 |
| CN112508175A (zh) * | 2020-12-10 | 2021-03-16 | 深圳先进技术研究院 | 用于低剂量pet重建的多任务学习型生成式对抗网络生成方法及系统 |
-
2021
- 2021-06-22 CN CN202110692113.2A patent/CN113298807A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200118306A1 (en) * | 2018-10-12 | 2020-04-16 | Korea Advanced Institute Of Science And Technology | Method for processing unmatched low-dose x-ray computed tomography image using neural network and apparatus therefor |
| CN110298804A (zh) * | 2019-07-01 | 2019-10-01 | 东北大学 | 一种基于生成对抗网络和3d残差编码解码的医学图像降噪方法 |
| CN111488865A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像优化方法、装置、计算机存储介质以及电子设备 |
| CN112102213A (zh) * | 2020-11-23 | 2020-12-18 | 南京安科医疗科技有限公司 | 低剂量ct图像处理方法、扫描系统及计算机存储介质 |
| CN112508175A (zh) * | 2020-12-10 | 2021-03-16 | 深圳先进技术研究院 | 用于低剂量pet重建的多任务学习型生成式对抗网络生成方法及系统 |
| CN112489158A (zh) * | 2021-01-13 | 2021-03-12 | 河北大学 | 基于cGAN的自适应网络用于低剂量PET图像的增强方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115689923A (zh) * | 2022-10-27 | 2023-02-03 | 佛山读图科技有限公司 | 低剂量ct图像降噪系统与降噪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Binczyk et al. | Radiomics and artificial intelligence in lung cancer screening | |
| US10496884B1 (en) | Transformation of textbook information | |
| US10867384B2 (en) | System and method for automatically detecting a target object from a 3D image | |
| US10499857B1 (en) | Medical protocol change in real-time imaging | |
| US10853449B1 (en) | Report formatting for automated or assisted analysis of medical imaging data and medical diagnosis | |
| US20220036564A1 (en) | Method of classifying lesion of chest x-ray radiograph based on data normalization and local patch and apparatus thereof | |
| Lo et al. | Artificial convolution neural network techniques and applications for lung nodule detection | |
| US10692602B1 (en) | Structuring free text medical reports with forced taxonomies | |
| Choi et al. | Convolutional neural network-based MR image analysis for Alzheimer’s disease classification | |
| US7756313B2 (en) | System and method for computer aided detection via asymmetric cascade of sparse linear classifiers | |
| WO2018057714A1 (en) | Systems, methods and media for automatically generating a bone age assessment from a radiograph | |
| US20230281809A1 (en) | Connected machine-learning models with joint training for lesion detection | |
| Gündel et al. | Robust classification from noisy labels: Integrating additional knowledge for chest radiography abnormality assessment | |
| JP2021144675A (ja) | 方法及びプログラム | |
| Schmarje et al. | A data-centric approach for improving ambiguous labels with combined semi-supervised classification and clustering | |
| CN113298807A (zh) | 一种计算机断层扫描图像处理方法及装置 | |
| Giv et al. | Lung segmentation using active shape model to detect the disease from chest radiography | |
| Islam et al. | An overview of image processing techniques for detecting COVID-19 and other infectious diseases | |
| Petersen et al. | A Bayesian framework for automated cardiovascular risk scoring on standard lumbar radiographs | |
| Liu et al. | Ensemble Learning with multiclassifiers on pediatric hand radiograph segmentation for bone age assessment | |
| Oyelade et al. | Deep Learning Model for Improving the Characterization of Coronavirus on Chest X-ray Images Using CNN | |
| Przelaskowski et al. | Semantic Segmentation of Abnormal Lung Areas on Chest X-rays to Detect COVID-19 | |
| Xu et al. | A Tuberculosis Detection Method Using Attention and Sparse R-CNN. | |
| US20230401702A1 (en) | Object detection in paired imaging | |
| US20240021294A1 (en) | Training data generation device, training data generation method and program, and learning device |
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: 20210824 |