CN114049334A - 一种以ct图像为输入的超分辨率mr成像方法 - Google Patents

一种以ct图像为输入的超分辨率mr成像方法 Download PDF

Info

Publication number
CN114049334A
CN114049334A CN202111363157.7A CN202111363157A CN114049334A CN 114049334 A CN114049334 A CN 114049334A CN 202111363157 A CN202111363157 A CN 202111363157A CN 114049334 A CN114049334 A CN 114049334A
Authority
CN
China
Prior art keywords
image
resolution
super
model
gan
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
Application number
CN202111363157.7A
Other languages
English (en)
Inventor
刘明杰
邹伟
马艺玮
陈俊生
黄健
石均仁
朴昌浩
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202111363157.7A priority Critical patent/CN114049334A/zh
Publication of CN114049334A publication Critical patent/CN114049334A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种以CT图像为输入的超分辨率MR成像方法，将医疗图像模态转换GAN模型和MR图像重构GAN模型两个模型集成，医疗图像模态转换GAN模型为输入CT图像输出MR图像的GAN网络模型，MR图像重构GAN模型为利用模态转换的MR图像与真实MR图像提取高频特征信息获取超分辨率MR图像的GAN网络模型。通过挖掘医疗图像模态转换与MR图像重构之间的内在联系，将两者集成为一个端到端的以CT图像为输入的超分辨率MR成像GAN模型，获得以CT图像为输入的超分辨率MR图像，提高计算机辅助诊断的效率，简化医务人员的操作流程。

Description

一种以CT图像为输入的超分辨率MR成像方法
技术领域
本发明涉及人工智能与医疗影像的交叉研究领域，具体涉及一种以CT图像为输入的超分辨率MR成像方法。
背景技术
在医疗影像应用中，MRI和CT都适用于全身各组织的病变检查，但MRI对于多数疾病的诊断更具参考性。首先，相较于CT的平扫方式，MRI可随意做多方向(横断、冠状、矢状或任何角度)切层检查，这使得MRI具有更丰富的诊断信息。其次，MRI可在不使用血管造影剂的情况下清晰显示血管结构，故在“无损伤”地显示血管，以及对肿块、淋巴结和血管结构之间的相互鉴别方面有独到之处。再者，MRI有高于CT数倍的软组织分辨能力，对组织成分中水含量的变化十分敏感，能够比CT更有效和早期地发现组织病变。最后，得益于磁共振血流成像技术的发展，MRI能够清晰地、全面地显示心脏、心肌、心包以及心内的其他细小结构，为无损地检查和诊断各种获得性与先天性心脏疾病，以及心脏功能的检查，提供了可靠的方法。而CT成像也几乎适用于全身各组织的病变检查。此外，CT检查无需在密闭环境中进行，且更加方便迅速，可在数分钟内完成，易为患者接受，故CT成像的适用人群更加广泛。
若能利用CT图像转换为超分辨率的MR图像，就容易获得成像速度快且诊断信息丰富又清晰的医疗图像，有助于解决MRI不适于所有人群和成像速度慢的问题。图像模态转换可利用CT图像转换为MR图像，但其得到的结果具有很高的峰值信噪比，会丢失一些高频细节信息，不能很好地反映图像中组织器官的细节纹理走向信息。MR图像重构利用模态转换后的MR图像和真实MR图像，重构为超分辨率的MR图像，获得更多的高频细节信息和细节纹理走向，但生成超分辨率MR图像的步骤复杂，需要先得到模态转换后的MR图像和真实MR图像，增加了医务人员图像处理工作。
发明内容
本发明提出一种以CT图像为输入的超分辨率MR成像方法，可获得以CT图像为输入的超分辨率MR图像，提高计算机辅助诊断的效率，简化医务人员的操作流程。
本发明采用的技术方案是：一种以CT图像为输入的超分辨率MR成像方法，包括以下步骤：
(1)构建医疗图像模态转换GAN模型；
(2)构建MR图像重构GAN模型；
(3)将步骤(1)和步骤(2)构建的模型集成为超分辨率MR成像GAN模型，包括网络结构集成和目标函数集成；
(4)对步骤(3)集成的模型进行训练；
(5)输入CT图像，经训练好后的模型处理后输出超分辨率MR图像。
本发明提出一种以CT图像为输入的超分辨率MR成像方法。挖掘医疗图像模态转换与MR图像重构之间的内在联系——MR图像重构模型利用模态转换生成的MR图像作为输入，重构为分辨率更高的MR图像。本发明基于此联系，通过网络结构集成和目标函数集成将两者集成为一个以CT图像为输入的超分辨率MR成像GAN模型，获得以CT图像为输入的超分辨率MR图像，提高计算机辅助诊断的效率，简化医务人员的操作流程。
附图说明
图1为一种以CT图像为输入的超分辨率MR成像方法技术路线图；
图2为非平衡CT-MR数据集样本；
图3为标准GAN和条件约束GAN架构图；
图4为多尺度卷积核并行结构；
图5为稠密连接结构；
图6为残差网络模块结构；
图7为以CT图像为输入的超分辨率MR成像GAN模型架构。
具体实施方式
下面结合附图和实施方式对本发明进行详细的描述，但并不以此作为对本申请保护范围的限定。
本发明提出一种以CT图像为输入的超分辨率MR成像方法，其技术路线如图1所示。通过构建超分辨率MR成像GAN模型，实现以CT图像为输入，直接输出超分辨率MR图像。采用的技术方案具体包括以下步骤：
(1)构建医疗图像模态转换GAN模型；
构建非平衡CT-MR数据集，包括非对应CT-MR数据和对应CT-MR数据。如图2所示，从人体同一组织相同方向上获取的医疗影像CT图像和MR图像称为对应CT-MR数据，该数据具有一一对应关系，且成对存在。其他不具有对应关系的称为非对应CT-MR数据。由于医疗诊断中，同一患者大多只选择CT或MRI，故非对应CT-MR数据多于对应CT-MR数据。
以CT/MR同时作为约束，构建多约束GAN模型，促使生成器生成逼近于真实MR的图像。其条件架构如图3所示，CT/MR图像都是GAN模型中的约束条件，且作用在GAN的生成器、逆生成器和判别器上。
采用多尺度卷积核并行与稠密连接的思想构建多条件约束GAN模型的网络结构，结合网络结构中的隐层特征损失优化目标函数，构成医疗图像模态转换GAN模型。
多尺度卷积核并行结构如图4所示，采用多个不同尺度的卷积核对CNN模型中的前层输入进行特征提取，然后进行不同尺度的特征融合；稠密连接如图5所示，网络中任一层都与后面的每一层进行连接，其是在保证网络中层与层之间最大信息传输的前提下，直接将所有层连接起来。通过多尺度卷积核并行构建多层网络，利用稠密连接将多尺度卷积核构成的网络进行连接，形成一个集成了多尺度卷积核并行和稠密连接的网络模块，最后通过网络模块级联设计多条件约束GAN模型中的生成器、逆生成器和判别器。
采用融合多尺度卷积核并行与稠密连接的网络模块级联的方式进行生成器和逆生成器中的编码器、解码器设计。编码器采用3个卷积层结构，进行下采样，用于对图像进行特征提取，解码器采用3个反卷积层结构，进行上采样，用于生成与输入相同规模的图像。针对编码器中的网络结构进行一一对应的反卷积操作来设计解码器，最终得到生成图像。
采用生成图像与目标图像间网络隐层特征误差与像素误差相融合的方式构建目标函数，以提高模态转换模型生成MR图像的逼真性。目标函数做如下表示：
Figure BDA0003360026570000031
其中，d＝{CT,MR,(CT,MR)}，即表示非对应CT-MR数据中的CT图像或MR图像，或者对应CT-MR数据中的CT、MR图像。
Figure BDA0003360026570000032
和
Figure BDA0003360026570000033
分别表示像素误差和各隐层特征误差的均值。λa是超参数，用以平衡像素误差与隐层特征误差。
(2)构建MR图像重构GAN模型，具体包括如下步骤：
1)利用多尺度卷积核并行与残差网络的思想设计GAN网络模块；
2)通过网络模块级联的方式构建GAN模型中的生成器和判别器；
3)融合Canny边缘检测损失的目标函数。
残差网络结构如图6所示，其是由一系列包括了直接映射xl和残差部分Φ(xl,Wl)的残差块组成的。残差网络中任意层都由其前一层和前一层与当前层之间的残差部分之和构成，保证信息非常通畅的在高层和底层之间传导，该传导保证了在加深网络的同时可以有效避免模型的梯度弥散。采用多尺度卷积核并行与残差网络可在增加网络深度的同时提取图像不同尺度的特征。
所构建GAN模型中的生成器和判别器，与模态转换GAN模型一样，生成器也包括编码器和解码器，解码器同样采用反卷积操作，将特征图像重新进行排列后还原到真实图像大小。
采用Canny边缘检测损失计算的方法提取MR图像的高频信息，以提高重构MR图像的清晰度。通过高斯滤波对模态转换GAN模型生成的MR图像和真实MR图像进行降噪处理，以降低伪边缘识别，再利用Canny边缘检测算法提取二者的边缘信息，最后使用经边缘检测后的图像差异大小来表示图像的还原程度，由此获得Canny边缘检测损失Ledge、重构MR图像与真实MR图像间的像素误差Lres～pix和隐层特征误差Lres～prec。将Canny边缘检测损失、重构MR图像与真实MR图像间的像素误差和隐层特征误差以及网络对抗损失融合，可构成MR图像重构GAN模型的目标函数：
LHS＝LGAN+λ1Ledge+λ2(Lres～pix+λ3Lres～prec)
其中，LGAN表示GAN模型本身的对抗约束，Ledge表示Canny边缘检测损失。Lres～pix、Lres～prec分别表示重构MR图像与真实MR图像间的像素误差和隐层特征误差。λ1、λ2和λ3是超参数，用以平衡各项误差损失。
(3)将步骤(1)和步骤(2)构建的模型集成为超分辨率MR成像GAN模型，包括网络结构集成和目标函数集成；
MR图像重构GAN模型的输入来源于医疗图像模态转换GAN模型所输出的生成MR图像。由此，在网络结构集成方面，集成后GAN模型的生成器是模态转换和图像重构的生成器顺序拼接形成的。判别器是模态转换中的判别器，其不仅要区分重构MR图像的真伪，也要判断重构MR图像是否与输入CT图像存在对应关系。在目标函数方面，通过超参数的方式进行融合，获得整个超分辨率MR成像GAN模型的目标函数：
Figure BDA0003360026570000041
其中，LGAN表示GAN模型本身的对抗约束，
Figure BDA0003360026570000042
表示生成CT图像与真实CT图像间的像素误差和隐层特征误差，Ledge表示Canny边缘检测损失，Lres～pix表示重构MR图像与真实MR图像间的像素误差，Lres～prec表示重构MR图像与真实MR图像间的隐层特征误差，λ1、λ2和λ3是超参数，用以平衡各项误差损失。α取0或1，当采用对应CT-MR数据训练时，α取0；当采用非对应CT-MR数据训练时，α取1。
在本方法中，LGAN具体为：
Figure BDA0003360026570000043
DMR(IMR)表示真实MR图像的判别器输出值，DMR(GMR(ICT))表示生成MR图像的判别器输出值，DMR(ICT,IMR)表示真实MR图像与真实CT图像对应关系的判别器输出值，DMR(ICT,GMR(ICT))表示生成MR图像与真实CT图像对应关系的判别器输出值，将判别器输出值视为0-1之间的概率值，E为该概率值的期望，
Figure BDA0003360026570000044
表示真实MR图像的判别器输出值的期望，
Figure BDA0003360026570000045
表示生成MR图像的判别器输出值的期望，
Figure BDA0003360026570000046
表示真实MR图像与真实CT图像对应关系的判别器输出值的期望，
Figure BDA0003360026570000047
表示生成MR图像与真实CT图像对应关系的判别器输出值的期望。
(4)对步骤(3)集成的模型进行训练；
集成后的超分辨率MR成像GAN模型架构如图7所示，用非平衡CT-MR数据集进行训练。
当采用非对应CT-MR数据训练时，具体操作方式如下：
1)利用CT图像ICT作为输入，通过生成器GMR生成MR图像GMR(ICT)。由于不存在与生成MR图像对应的真实MR图像作为约束，无法进行MR图像重构，此时获得是生成MR图像GMR(ICT)；
2)将生成MR图像GMR(ICT)作为逆生成器GCT的输入，并以原始CT图像ICT作为约束条件，通过逆生成器GCT得到生成CT图像GCT(GMR(ICT))；
3)随机地选择生成MR图像GMR(ICT)或者真实MR图像IMR作为判别器DMR的输入以训练其区分真实MR图像与生成MR图像的能力。判别器输出0-1之间的数字，代指该图像为真实MR图像的概率。如设置阈值为0.9，则判别器输出不小于0.9的数字即认为此时的输入图像为真实MR图像。生成器、逆生成器在约束模型下不断学习MR泛化特性，判别器不断提高MR图像识别能力，通过其生成器和判别器之间的相互对抗，促使生成MR图像逼近于真实MR图像。
当采用对应CT-MR数据训练时，具体操作方式如下：
1)利用CT图像ICT作为输入，通过集成后的生成模型和图像重构模型生成MR图像GHR-MR(GMR(ICT))；
2)将生成MR图像GHR-MR(GMR(ICT))作为逆生成器GCT的输入，并以原始CT图像ICT作为约束条件，通过逆生成器GCT得到生成CT图像GCT(GMR(ICT))；
3)判别器判别输入的MR图像是否与CT图像存在对应关系，判别器输出其对应关系的概率值；
4)随机地选择生成MR图像GHR-MR(GMR(ICT))或者真实MR图像IMR作为判别器DHR-MR的输入以训练其区分真实MR图像与生成MR图像的能力。
整个以CT图像为输入的超分辨率MR成像GAN模型的训练过程如下所示：
Figure BDA0003360026570000051
(5)输入CT图像，经训练好后的模型处理后输出超分辨率MR图像。

Claims (8)

1.一种以CT图像为输入的超分辨率MR成像方法，其特征在于，包括以下步骤：
(1)构建医疗图像模态转换GAN模型；
(2)构建MR图像重构GAN模型；
(3)将步骤(1)和步骤(2)构建的模型集成为超分辨率MR成像GAN模型，包括网络结构集成和目标函数集成；
(4)对步骤(3)集成的模型进行训练；
(5)输入CT图像，经训练好后的模型处理后输出超分辨率MR图像。
2.根据权利要求1所述一种以CT图像为输入的超分辨率MR成像方法，其特征在于：所述步骤(1)具体包括，利用多尺度卷积核并行构建多层网络，利用稠密连接将多尺度卷积核构成的网络进行连接，形成一个集成了多尺度卷积核并行和稠密连接的网络模块，最后通过网络模块级联设计多条件约束GAN模型中的生成器、逆生成器和判别器。
3.根据权利要求2所述一种以CT图像为输入的超分辨率MR成像方法，其特征在于：采用生成图像与目标图像间网络隐层特征误差与像素误差相融合的方式构建医疗图像模态转换GAN模型的目标函数，所述目标函数为：
Figure FDA0003360026560000011
其中，d＝{CT,MR,(CT,MR)}，即表示非对应CT-MR数据中的CT图像或MR图像，或者对应CT-MR数据中的CT、MR图像，
Figure FDA0003360026560000012
和
Figure FDA0003360026560000013
分别表示像素误差和各隐层特征误差的均值，λa是超参数。
4.根据权利要求1所述一种以CT图像为输入的超分辨率MR成像方法，其特征在于：步骤(2)所述构建MR图像重构GAN模型，包括
1)利用多尺度卷积核并行与残差网络设计GAN网络模块；
2)通过网络模块级联的方式构建GAN模型中的生成器和判别器；
3)融合Canny边缘检测损失的目标函数。
5.根据权利要求4所述一种以CT图像为输入的超分辨率MR成像方法，其特征在于：采用Canny边缘检测损失算法提取MR图像的高频信息，通过高斯滤波对模态转换GAN模型生成的MR图像和真实MR图像进行降噪处理，再利用Canny边缘检测算法提取二者的边缘信息，最后使用经边缘检测后的图像差异大小来表示图像的还原程度。
6.根据权利要求1所述一种以CT图像为输入的超分辨率MR成像方法，其特征在于：所述网络结构集成包括，集成后超分辨率MR成像GAN模型的生成器是医疗图像模态转换GAN模型和MR图像重构GAN模型的生成器顺序拼接形成的，判别器是医疗图像模态转换GAN模型中的判别器，其不仅要区分重构MR图像的真伪，也要判断重构MR图像是否与输入CT图像存在对应关系。
7.根据权利要求1所述一种以CT图像为输入的超分辨率MR成像方法，其特征在于：所述集成后的目标函数为：
Figure FDA0003360026560000021
其中，LGAN表示GAN模型本身的对抗约束，
Figure FDA0003360026560000022
表示生成CT图像与真实CT图像间的像素误差和隐层特征误差，Ledge表示Canny边缘检测损失，Lres～pix表示重构MR图像与真实MR图像间的像素误差，Lres～prec表示重构MR图像与真实MR图像间的隐层特征误差，λ1、λ2和λ3是超参数，α取0或1，当采用对应CT-MR数据训练时，α取0；当采用非对应CT-MR数据训练时，α取1。
8.根据权利要求1所述一种以CT图像为输入的超分辨率MR成像方法，其特征在于：所述对集成后的超分辨率MR成像GAN模型进行训练包括：
当采用非对应CT-MR数据训练时，具体操作如下：
1)利用CT图像ICT作为输入，通过集成后的生成器GMR生成MR图像GMR(ICT)；
2)将生成MR图像GMR(ICT)作为逆生成器GCT的输入，并以原始CT图像ICT作为约束条件，通过逆生成器GCT得到生成CT图像GCT(GMR(ICT))；
3)随机地选择生成MR图像GMR(ICT)或者真实MR图像IMR作为判别器DMR的输入以训练其区分真实MR图像与生成MR图像的能力；
当采用对应CT-MR数据训练时，具体操作如下：
1)利用CT图像ICT作为输入，通过集成后的生成模型和图像重构模型生成MR图像GHR-MR(GMR(ICT))；
2)将生成MR图像GHR-MR(GMR(ICT))作为逆生成器GCT的输入，并以原始CT图像ICT作为约束条件，通过逆生成器GCT得到生成CT图像GCT(GMR(ICT))；
3)判别器判别输入的MR图像是否与CT图像存在对应关系，判别器输出其对应关系的概率值；
4)随机地选择生成MR图像GHR-MR(GMR(ICT))或者真实MR图像IMR作为判别器DHR-MR的输入以训练其区分真实MR图像与生成MR图像的能力。
CN202111363157.7A 2021-11-17 2021-11-17 一种以ct图像为输入的超分辨率mr成像方法 Pending CN114049334A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111363157.7A CN114049334A (zh) 2021-11-17 2021-11-17 一种以ct图像为输入的超分辨率mr成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111363157.7A CN114049334A (zh) 2021-11-17 2021-11-17 一种以ct图像为输入的超分辨率mr成像方法

Publications (1)

Publication Number Publication Date
CN114049334A true CN114049334A (zh) 2022-02-15

Family

ID=80209850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111363157.7A Pending CN114049334A (zh) 2021-11-17 2021-11-17 一种以ct图像为输入的超分辨率mr成像方法

Country Status (1)

Country Link
CN (1) CN114049334A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820861A (zh) * 2022-05-18 2022-07-29 北京医智影科技有限公司 基于CycleGAN的MR合成CT方法、设备和计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820861A (zh) * 2022-05-18 2022-07-29 北京医智影科技有限公司 基于CycleGAN的MR合成CT方法、设备和计算机可读存储介质

Similar Documents

Publication Publication Date Title
Huang et al. Coronary artery segmentation by deep learning neural networks on computed tomographic coronary angiographic images
CN110443867B (zh) 基于生成对抗网络的ct图像超分辨率重构方法
CN110444277B (zh) 一种基于多生成多对抗的多模态脑部mri图像双向转换方法
CN113298710B (zh) 基于外部注意力机制的光学相干层析超分辨率成像方法
CN112435164B (zh) 基于多尺度生成对抗网络的低剂量ct肺部图像的同时超分辨率和去噪方法
CN111429474A (zh) 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法
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
CN112488976B (zh) 一种基于darts网络的多模态医学图像融合方法
Ding et al. FTransCNN: Fusing Transformer and a CNN based on fuzzy logic for uncertain medical image segmentation
Wang et al. MMNet: A multi-scale deep learning network for the left ventricular segmentation of cardiac MRI images
Wang et al. Sk-unet: An improved u-net model with selective kernel for the segmentation of lge cardiac mr images
Qiu et al. Residual dense attention networks for COVID-19 computed tomography images super-resolution
Wang et al. IGNFusion: an unsupervised information gate network for multimodal medical image fusion
Cai et al. Triple multi-scale adversarial learning with self-attention and quality loss for unpaired fundus fluorescein angiography synthesis
CN114049334A (zh) 一种以ct图像为输入的超分辨率mr成像方法
CN111755131A (zh) 一种基于注意力引导的covid-19早筛和严重程度评估方法和系统
CN116402954A (zh) 一种基于深度学习的脊柱三维结构的重建方法
WO2022163402A1 (ja) 学習済みモデルの生成方法、機械学習システム、プログラムおよび医療画像処理装置
Adjei et al. Gan-based synthetic gastrointestinal image generation
Cho et al. Aortic annulus detection based on deep learning for transcatheter aortic valve replacement using cardiac computed tomography
Feng et al. Coupled-projection residual network for mri super-resolution
Qin et al. Multicenter Computer‐Aided Diagnosis for Lymph Nodes Using Unsupervised Domain‐Adaptation Networks Based on Cross‐Domain Confounding Representations
Baalbaki et al. An end-to-end deep learning approach for atherosclerosis detection using autoencoders
CN114049333A (zh) 一种非平衡数据集下图像模态转换方法
Tu¹ et al. Check for updates Self Pre-training with Single-Scale Adapter for Left Atrial 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