CN114332282A - 一种结合目标检测的稀疏光声图像重建方法及系统 - Google Patents
一种结合目标检测的稀疏光声图像重建方法及系统 Download PDFInfo
- Publication number
- CN114332282A CN114332282A CN202111683028.6A CN202111683028A CN114332282A CN 114332282 A CN114332282 A CN 114332282A CN 202111683028 A CN202111683028 A CN 202111683028A CN 114332282 A CN114332282 A CN 114332282A
- Authority
- CN
- China
- Prior art keywords
- network
- image reconstruction
- data set
- training
- photoacoustic
- 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
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种结合目标检测的稀疏光声图像重建方法,包括:构建第一训练数据集;构建目标检测网络;用第一训练数据集训练目标检测网络;使用目标检测网络处理原始光声数据集获得经过裁切的图像组数据集;构建第二训练数据集;构建图像重建网络;用第二训练数据集训练图像重建网络;使用目标检测网络处理稀疏光声图像,获取兴趣区域的坐标向量组数据集;使用图像重建网络重建输出最终光声图像。本发明通过结合基于Two‑stage网络与Transformers模型的目标检测网络和基于GAN网络与patchGan网络的图像重建网络,处理隔点采样的稀疏光声图像,解决了光声图像信息稀疏、背景无效信息过多导致图像恢复效果差的问题。
Description
技术领域
本发明涉及图像重建方法,尤其涉及一种结合目标检测的稀疏光声图像重建方法及系统。
背景技术
光声成像是一种新型的生物医学光子成像方法,其基本原理是生物组织的光声效应,即生物组织被光线照射时,生物组织会吸收光能引起内部温度的变化,再由于受热膨胀产生声信号。因为物质本身的光吸收系数和散射系数不同,因此不同的物质产生的声信号是不同的,若对生物组织使用相同频率的短脉冲激光扫描照射,然后用超声探测器接收组织产生的超声波,再采用适当的反演算法求解声学逆问题即可重建出组织表面的初始声压分布图或光吸收能量分布图,最后根据分布图即可反演出组织的图像信息。相比于传统的医学成像方法(CT、光学相干断层成像、MRI、超声成像等),光声成像的优势在于非侵入式、高穿透深度以及高分辨率,目前主要的研究领域分支有光声断层成像,光声显微成像和光声内窥成像等,其中光声显微成像(photoacoustic microscopy,PAM)通过类似于光学共聚焦成像的点激发模式能达到超越光学成像分辨率极限的效果,因此光声显微镜在当前生物光子医学上是重要的研究重点。
光声显微成像一般是通过是将光聚焦在一点上进行扫描物体,但目前的主要问题是扫描的方式一般由机械三维移动平台控制光声组件或者样本来实现,常见的扫描精度为微米级。现有成像主要问题为成像时间过长,其中使用基于深度学习的稀疏采样率图像重建为高采样率图像的方法已经成为重要解决方法之一。然而现有的深度学习图像重建方法主要研究对象为常用的公开数据集,例如DIV2K、Set5、Set14和BSD100等,这些数据集的图像多为日常城市、自然景观的照片,与光声显微成像的生物组织等对象的区别较大,其中图像信息分布量是一个重要的区别。在光声显微成像的目标中,在针对细胞乃至细胞核级别的成像,有些生物组织的成像会产生图像信息过于稀疏的问题。以健康小鼠的单层(10微米)脑细胞切片为例,目标为小鼠的脑细胞核(直径在5-8微米),在部分成像区域中出现细胞分布稀疏的问题,即一张裁切的图像中有效的细胞核所占的像素比例为10%至20%不等,其余像素为组织切片的组织液,扫描出大量的无效背景信息。
在面对如此有效信息如此稀疏的光声图像,现有图像重建方法表现出网络鲁棒性差、训练困难等问题,并使大量运算开销浪费在无效背景的计算中。因此设计出一种能够针对稀疏信息图像的稀疏采样,在提高网络稳定性的同时,减少整体网络运算开销的图像重建网络具有重要的研究意义和广泛的应用前景。
发明内容
为解决现有技术中的问题,本发明提供一种结合目标检测的稀疏光声图像重建方法及系统,通过结合基于Two-stage网络与Transformers模型的目标检测网络和基于GAN网络与patchGan网络的图像重建网络,来处理隔点采样的稀疏光声图像,获取兴趣区域的坐标向量组数据集,然后重建并输出最终光声图像,不仅节约了大量运算开销,而且图像恢复效果好、图像重建速度快,解决了光声图像信息稀疏、背景无效信息过多导致图像恢复效果差的问题。
本发明的一种结合目标检测的稀疏光声图像重建方法包括如下步骤:
步骤1:使用原始光声数据集构建用于训练目标检测网络的第一训练数据集;
步骤2:构建基于Two-stage网络与Transformers模型的目标检测网络;
步骤3:采用第一训练数据集训练目标检测网络;
步骤4:使用训练好的目标检测网络处理原始光声数据集获得经过裁切的图像组数据集;
步骤5:使用原始光声数据集和经过裁切的图像组数据集构建用于训练图像重建网络的第二训练数据集;
步骤6:构建基于GAN网络与patchGan网络的图像重建网络;
步骤7:采用第二训练数据集训练图像重建网络;
步骤8:使用训练好的目标检测网络处理隔点采样的稀疏光声图像,获取兴趣区域的坐标向量组数据集;
步骤9:使用训练好的图像重建网络根据原始图像和兴趣区域的坐标向量组数据集,重建并输出最终光声图像。
本发明作进一步改进,在所述步骤1中,采用标注工具labelimg标注原始光声数据集,构建用于训练目标检测网络的所述第一训练数据集。
本发明作进一步改进,在所述步骤8中,所述目标检测网络处理隔点采样的稀疏光声图像获取兴趣区域的坐标向量组数据集包括以下步骤:
步骤801:粗检测,使用3个卷积层和1个全连接层进行浅层特征提取;
步骤802:细检测,使用阈值法将置信度大于设定阈值的网格选出,将选出的网格合并绝对位置编码组成新的向量组,送入transformer网络。
本发明作进一步改进,在所述步骤801中,卷积层的大小根据稀疏光声图像的信息分布来决定。
本发明作进一步改进,在所述步骤802中,所述绝对位置编码为使用正弦、余弦函数的方式对二维坐标进行编码,输出值的范围为-1至1。
本发明作进一步改进,在所述步骤802中,采用IOU(交并比)作为目标检测网络的损失函数,用于简化目标检测网络的设计与训练速度。
本发明作进一步改进,在所述步骤6中,所述图像重建网络包括生成器网络和判别器网络,所述生成器网络的下采样层采用空洞卷积,上采样使用转置卷积,所述判别器网络由5层卷积层组成,卷积层之间部分使用稠密连接。
本发明作进一步改进,在所述步骤7中,训练所述图像重建网络的过程中,加入Dropout机制使部分特征值随机失效。
本发明作进一步改进,在所述步骤9中,所述图像重建网络设有生成器损失函数LossG和判别器损失函数Loss2,其中,所述生成器损失函数LossG包括感知损失函数Lossp、损失函数Loss1、抑制背景生成函数Lossground,w表示相对应的损失值的权值,wp+w1+wg=1,LossG=wp*Lossp+w1*Loss1+wg*Lossground,感知损失函数Lossp为特征级的损失函数,Loss1损失函数为像素级误差,Lossground为针对稀疏信息图像的损失函数。
本发明还提供一种实现上述的结合目标检测的稀疏光声图像重建方法的系统,包括:
构建训练数据集模块:用于根据原始光声数据集构建用于训练目标检测网络的第一训练数据集,用于根据原始光声数据集和经过裁切的图像组数据集构建用于训练图像重建网络的第二训练数据集;
网络构建和训练模块:构建基于Two-stage网络与Transformers模型的目标检测网络,并采用第一训练数据集训练目标检测网络;构建基于GAN网络与patchGan网络的图像重建网络,并采用第二训练数据集训练图像重建网络;
图像裁切模块:使用训练好的目标检测网络处理隔点采样的稀疏光声图像,获取兴趣区域的坐标向量组数据集;
图像重建模块:使用训练好的图像重建网络根据原始图像和兴趣区域的坐标向量组数据集,重建并输出最终光声图像。
本发明的有益效果是:通过结合基于Two-stage网络与Transformers模型的目标检测网络和基于GAN网络与patchGan网络的图像重建网络,先使用训练好的目标检测网络处理隔点采样的稀疏光声图像,获取兴趣区域的坐标向量组数据集,然后使用训练好的图像重建网络根据原始图像和兴趣区域的坐标向量组数据集,重建并输出最终光声图像,不仅节约了大量运算开销,而且图像恢复效果好、图像重建速度快,解决了光声图像信息稀疏、背景无效信息过多导致图像恢复效果差的问题。
附图说明
图1为本发明的一种结合目标检测的稀疏光声图像重建方法的流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
请参见图1,本发明的一种结合目标检测的稀疏光声图像重建方法包括如下步骤:
步骤1:使用原始光声数据集构建用于训练目标检测网络的第一训练数据集;
步骤2:构建基于Two-stage网络与Transformers模型的目标检测网络;
步骤3:采用第一训练数据集训练目标检测网络;
步骤4:使用训练好的目标检测网络处理原始光声数据集获得经过裁切的图像组数据集;
步骤5:使用原始光声数据集和经过裁切的图像组数据集构建用于训练图像重建网络的第二训练数据集;
步骤6:构建基于GAN网络与patchGan网络的图像重建网络;
步骤7:采用第二训练数据集训练图像重建网络;
步骤8:使用训练好的目标检测网络处理隔点采样的稀疏光声图像,获取兴趣区域的坐标向量组数据集;
步骤9:使用训练好的图像重建网络根据原始图像和兴趣区域的坐标向量组数据集,重建并输出最终光声图像。
本实施例中,目标检测网络与图像重建网络之间使用函数接口进行通信,网络的训练过程中,目标检测网络使用第一训练数据集单独训练,而图像重建网络需要已训练完成的目标检测网络协助构建第二训练数据集才能完成训练;本实施例中使用的低清图通过隔点采样高清图获取,真实模拟光声显微成像中的隔点采样。本实施例中,隔点采样的稀疏光声图像经过目标检测网络获取兴趣区域坐标,根据坐标在图像中截取兴趣区域图像并打包送入图像重建网络,重建并输出最终光声图像。
本实施例中所构建的目标检测网络基于Two-stage网络与Transformers模型。其中,Two-stage网络,主要通过一个卷积神经网络来完成目标检测过程,其提取的是CNN卷积特征,在训练网络时,其主要训练两个部分,第一步是训练RPN网络,第二步是训练目标区域检测的网络,网络的准确度高、速度相对One-stage慢。Transformers模型,是TensorFlow2.0和PyTorch的最新自然语言处理库Transformers(以前称为pytorch-transformers和pytorch-pretrained-bert)提供用于自然语言理解(NLU)和自然语言生成(NLG)的最先进的模型(BERT,GPT-2,RoBERTa,XLM,DistilBert,XLNet,CTRL...),拥有超过32种预训练模型,支持100多种语言,并且在TensorFlow 2.0和PyTorch之间具有深厚的互操作性,在本实施例中,transformers的全局特性更适应光声图像的稀疏性。
本实施例中所构建的图像重建网络基于GAN网络与patchGan网络。其中,GAN网络结构能较好的将稀疏采样的光声图像进行重建。PatchGAN,PatchGAN与一般GAN的差别主要是在于Discriminator上,一般的GAN是只需要输出一个true or fasle的矢量,这是代表对整张图像的评价;但是PatchGAN输出的是一个Nx N的矩阵,这个NxN的矩阵的每一个元素,比如a(i,j)只有True or False这两个选择(1abel是NxN的矩阵,每一个元素是True或者False),这样的结果往往是通过卷积层来达到的,因为逐次叠加的卷积层最终输出的这个NxN的矩阵,其中的每一个元素,实际上代表着原图中的一个比较大的感受野,也就是说对应着原图中的一个Patch,因此具有这样结构以及这样输出的GAN被称之为Patch GAN。
请参见图1,在所述步骤1中,采用标注工具labelimg标注原始光声数据集,构建用于训练目标检测网络的所述第一训练数据集。其中,Labelimg,是一种用于深度网络训练的数据集做标注的工具,在本实施例中,采用该工具标注构建数据集能够更好的完成目标检测网络的训练。
请参见图1,在所述步骤8中,所述目标检测网络处理隔点采样的稀疏光声图像获取兴趣区域的坐标向量组数据集包括以下步骤:
步骤801:粗检测,使用3个卷积层和1个全连接层进行浅层特征提取,主要目的为寻找可能存在的兴趣区域。
步骤802:细检测,使用阈值法将置信度大于设定阈值的网格选出,将选出的网格合并绝对位置编码组成新的向量组,送入transformer网络,由于transformer编码、解码器结构,输入与输出的向量数量是固定的,再依据所统计的本系统所使用的数据集的兴趣区域数量的中位数,此部分transformer网络包含三套不同向量尺寸的网络(本数据集兴趣区域数量的中位数为25,因此设置输入输出向量数为15/25/35),用以提高网络的运算速率,Transformer的网络输出最后通过全连接层输出目标检测预测框,输出结构为:预测框类型/置信度/位置编码,筛选出预测框类型中分类为目标类型且置信度大于阈值的向量,通过位置解码获取其坐标,最终输出为兴趣区域的坐标向量组数据集。
请参见图1,在所述步骤801中,卷积层的大小根据稀疏光声图像的信息分布来决定,在本实施例中,光声图像的切割图像尺寸为256*256,图像中稀疏分布的兴趣区域大小在32*32左右,因此卷积核大小设计为5*5,使用合适的padding方法,经过全连接层,最终提取图像浅层特征的尺寸为8*8,输出维度表示将图像分为多少个网格,输出的值为此处网格的兴趣区域的置信度,越高则此处信息约丰富。
请参见图1,在所述步骤802中,所述绝对位置编码为使用正弦、余弦函数的方式对二维坐标进行编码,可以理解为将横坐标映射到正弦函数中,纵坐标映射到余弦函数中,三角函数的默认角度为0至2π,在最终的位置编码输出中,输出值的范围为-1至1。
请参见图1,在所述步骤802中,采用IOU(交并比)作为目标检测网络的损失函数,用于简化目标检测网络的设计与训练速度。transformer输出的向量组通过位置解码器后得到预测方块的集合,为解决标签集合与预测集合中向量不对齐的问题,本实施例中引用匈牙利算法来得到两个集合之间的最小插值的组合方式,在整体网络中,目标检测网络作为前置网络,主要作用为挑选出兴趣区域,因此网络仅使用IOU(交并比)作为损失函数,来简化网络的设计与训练速度,先通过匈牙利算法得到最佳的集合映射,再计算IOU损失。
请参见图1,在所述步骤6中,所述图像重建网络包括生成器网络和判别器网络,所述生成器网络的下采样层采用空洞卷积,上采样使用转置卷积,所述判别器网络由5层卷积层组成,卷积层之间部分使用稠密连接。其中,生成器网络每层特征的通道数需要根据图像尺寸与复杂度进行设计,网络中的卷积层的尺寸需要根据输出特征层与输出特征层的尺寸进行设计,由于生成器的自动编码器结构,其输入尺寸与输出尺寸一致,输入的稀疏采样的图像需要通过背景色像素填充,填充为与目标输出尺寸一致的尺寸,例如16*16的稀疏采样图像LR,重建目标为64*64的高采样率图像HR,需在LR的每个像素外插入15个背景色像素,得到模拟真实稀疏(间隔)采样的64*64残缺图像,因此其生成器的输入实际为模拟真实稀疏采样的残缺图像,输出为补全的高采样率图像。判别器网络为patchGAN网络,patchGAN的思想体现在输出不是一个值,而是输出一个矩阵,在图像意义上相当于将重建图像与样本图像分布均匀裁切为诺干小块,逐一评价对应的每个小块之间的图像相似度。
请参见图1,在所述步骤7中,训练所述图像重建网络的过程中,加入Dropout机制使部分特征值随机失效,用于确保图像重建网络的稳定性。
请参见图1,在所述步骤9中,所述图像重建网络设有生成器损失函数LossG和判别器损失函数Loss2,其中,所述生成器损失函数LossG包括感知损失函数Lossp、损失函数Loss1、抑制背景生成函数Lossground,w表示相对应的损失值的权值,wp+w1+wg=1,LossG=wp*Lossp+w1*Lossl+wg*Lossground,感知损失函数Lossp为特征级的损失函数,Lossl损失函数为像素级误差,Lossground为针对稀疏信息图像的损失函数。
其中,感知损失函数Lossp为特征级的损失函数,将重建图像与样本图像分布送入Vgg19网络中,该网络中提取其第16层的特征作为对比:Lossp=|vgg19(Y)j-vgg19(X)j|2/CjHjWj;其中Y表示样本原图,X表示生成的重建图像,j表示提取第几层的特征,CjHjWj表示第j层特征的尺寸大小,vgg19网络使用vgg论文中的网络结构,vgg19网络的训练使用公开数据集cifar10。
Loss1损失函数为像素级误差,直接为重建图像与样本原图之间的像素差。
Lossground为针对稀疏信息图像的损失函数,通过对本实施例所使用的稀疏光声图像组进行统计,其图像中有效信息与无效背景的平均比例为2∶8,因此在网络的训练中,增添Lossground来约束生成的有效信息与无效背景的比例,防止生成器倾向于生成无效背景信息来欺骗判别器导致网络训练效果变差。
Loss2在判别器损失函数计算中,判别器分别计算重建图像与样本原图之间的相似度矩阵MarsH、稀疏图像与样本原图之间的相似度矩阵MatLH,LossG=|MatSH-MatLH|2。
请参见图1,本发明还提供一种实现上述的结合目标检测的稀疏光声图像重建方法的系统,包括:
构建训练数据集模块:用于根据原始光声数据集构建用于训练目标检测网络的第一训练数据集,用于根据原始光声数据集和经过裁切的图像组数据集构建用于训练图像重建网络的第二训练数据集;
网络构建和训练模块:构建基于Two-stage网络与Transformers模型的目标检测网络,并采用第一训练数据集训练目标检测网络;构建基于GAN网络与patchGan网络的图像重建网络,并采用第二训练数据集训练图像重建网络;
图像裁切模块:使用训练好的目标检测网络处理隔点采样的稀疏光声图像,获取兴趣区域的坐标向量组数据集;
图像重建模块:使用训练好的图像重建网络根据原始图像和兴趣区域的坐标向量组数据集,重建并输出最终光声图像。
由上可知,本发明的有益效果是:通过结合基于Two-stage网络与Transformers模型的目标检测网络和基于GAN网络与patchGan网络的图像重建网络,先使用训练好的目标检测网络处理隔点采样的稀疏光声图像,获取兴趣区域的坐标向量组数据集,然后使用训练好的图像重建网络根据原始图像和兴趣区域的坐标向量组数据集,重建并输出最终光声图像,不仅节约了大量运算开销,而且图像恢复效果好、图像重建速度快,解决了光声图像信息稀疏、背景无效信息过多导致图像恢复效果差的问题。
以上所述之具体实施方式为本发明的较佳实施方式,并非以此限定本发明的具体实施范围,本发明的范围包括并不限于本具体实施方式,凡依照本发明所作的等效变化均在本发明的保护范围内。
Claims (10)
1.一种结合目标检测的稀疏光声图像重建方法,其特征在于,包括如下步骤:
步骤1:使用原始光声数据集构建用于训练目标检测网络的第一训练数据集;
步骤2:构建基于Two-stage网络与Transformers模型的目标检测网络;
步骤3:采用第一训练数据集训练目标检测网络;
步骤4:使用训练好的目标检测网络处理原始光声数据集获得经过裁切的图像组数据集;
步骤5:使用原始光声数据集和经过裁切的图像组数据集构建用于训练图像重建网络的第二训练数据集;
步骤6:构建基于GAN网络与patchGan网络的图像重建网络;
步骤7:采用第二训练数据集训练图像重建网络;
步骤8:使用训练好的目标检测网络处理隔点采样的稀疏光声图像,获取兴趣区域的坐标向量组数据集;
步骤9:使用训练好的图像重建网络根据原始图像和兴趣区域的坐标向量组数据集,重建并输出最终光声图像。
2.如权利要求1所述的结合目标检测的稀疏光声图像重建方法,其特征在于,在所述步骤1中,采用标注工具labelimg标注原始光声数据集,构建用于训练目标检测网络的所述第一训练数据集。
3.如权利要求2所述的结合目标检测的稀疏光声图像重建方法,其特征在于,在所述步骤8中,所述目标检测网络处理隔点采样的稀疏光声图像获取兴趣区域的坐标向量组数据集包括以下步骤:
步骤801:粗检测,使用3个卷积层和1个全连接层进行浅层特征提取;
步骤802:细检测,使用阈值法将置信度大于设定阈值的网格选出,将选出的网格合并绝对位置编码组成新的向量组,送入transformer网络。
4.如权利要求3所述的结合目标检测的稀疏光声图像重建方法,其特征在于,在所述步骤801中,卷积层的大小根据稀疏光声图像的信息分布来决定。
5.如权利要求3所述的结合目标检测的稀疏光声图像重建方法,其特征在于,在所述步骤802中,所述绝对位置编码为使用正弦、余弦函数的方式对二维坐标进行编码,输出值的范围为-1至1。
6.如权利要求5所述的结合目标检测的稀疏光声图像重建方法,其特征在于,在所述步骤802中,采用IOU(交并比)作为目标检测网络的损失函数,用于简化目标检测网络的设计与训练速度。
7.如权利要求6所述的结合目标检测的稀疏光声图像重建方法,其特征在于,在所述步骤6中,所述图像重建网络包括生成器网络和判别器网络,所述生成器网络的下采样层采用空洞卷积,上采样使用转置卷积,所述判别器网络由5层卷积层组成,卷积层之间部分使用稠密连接。
8.如权利要求7所述的结合目标检测的稀疏光声图像重建方法,其特征在于,在所述步骤7中,训练所述图像重建网络的过程中,加入Dropout机制使部分特征值随机失效。
9.如权利要求8所述的结合目标检测的稀疏光声图像重建方法,其特征在于,在所述步骤9中,所述图像重建网络设有生成器损失函数LossG和判别器损失函数Loss2,其中,所述生成器损失函数LossG包括感知损失函数Lossp、损失函数Loss1、抑制背景生成函数Lossground,w表示相对应的损失值的权值,wp+w1+wg=1,LossG=wp*Lossp+w1*Loss1+wg*Lossground,感知损失函数Lossp为特征级的损失函数,Loss1损失函数为像素级误差,Lossground为针对稀疏信息图像的损失函数。
10.一种实现权利要求1-9任一项所述的结合目标检测的稀疏光声图像重建方法的系统,其特征在于,包括:
构建训练数据集模块:用于根据原始光声数据集构建用于训练目标检测网络的第一训练数据集,用于根据原始光声数据集和经过裁切的图像组数据集构建用于训练图像重建网络的第二训练数据集;
网络构建和训练模块:构建基于Two-stage网络与Transformers模型的目标检测网络,并采用第一训练数据集训练目标检测网络;构建基于GAN网络与patchGan网络的图像重建网络,并采用第二训练数据集训练图像重建网络;
图像裁切模块:使用训练好的目标检测网络处理隔点采样的稀疏光声图像,获取兴趣区域的坐标向量组数据集;
图像重建模块:使用训练好的图像重建网络根据原始图像和兴趣区域的坐标向量组数据集,重建并输出最终光声图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111683028.6A CN114332282A (zh) | 2021-12-31 | 2021-12-31 | 一种结合目标检测的稀疏光声图像重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111683028.6A CN114332282A (zh) | 2021-12-31 | 2021-12-31 | 一种结合目标检测的稀疏光声图像重建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332282A true CN114332282A (zh) | 2022-04-12 |
Family
ID=81023281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111683028.6A Pending CN114332282A (zh) | 2021-12-31 | 2021-12-31 | 一种结合目标检测的稀疏光声图像重建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332282A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173690A (zh) * | 2023-10-24 | 2023-12-05 | 四川泓宝润业工程技术有限公司 | 自动定位和读取天然气仪表读数的方法、装置及电子设备 |
-
2021
- 2021-12-31 CN CN202111683028.6A patent/CN114332282A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173690A (zh) * | 2023-10-24 | 2023-12-05 | 四川泓宝润业工程技术有限公司 | 自动定位和读取天然气仪表读数的方法、装置及电子设备 |
CN117173690B (zh) * | 2023-10-24 | 2024-01-26 | 四川泓宝润业工程技术有限公司 | 自动定位和读取天然气仪表读数的方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7150166B2 (ja) | Ct画像生成方法及びその装置、コンピュータ機器並びにコンピュータプログラム | |
JP2023550844A (ja) | 深層形状学習に基づく肝臓ct自動分割方法 | |
CN113012172B (zh) | 一种基于AS-UNet的医学图像分割方法及系统 | |
CN110009669B (zh) | 一种基于深度强化学习的3d/2d医学图像配准方法 | |
CN112488924B (zh) | 一种图像超分辨率模型训练方法、重建方法及装置 | |
CN109214989B (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
CN111369574B (zh) | 一种胸腔器官的分割方法及装置 | |
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 | |
CN112381916B (zh) | 一种利用二维薄片图像的数字岩心三维结构重建方法 | |
CN114037714A (zh) | 一种面向前列腺系统穿刺的3d mr与trus图像分割方法 | |
CN114332282A (zh) | 一种结合目标检测的稀疏光声图像重建方法及系统 | |
CN108447113A (zh) | 一种基于深度学习模型的脉冲式强度关联三维成像方法 | |
CN112700508B (zh) | 一种基于深度学习的多对比度mri图像重建方法 | |
CN114549318A (zh) | 基于亚体素卷积神经网络的超高分辨荧光显微成像方法 | |
Grau et al. | Occlusion fields: An implicit representation for non-line-of-sight surface reconstruction | |
CN113436067A (zh) | 一种自学习的超分辨率三维光声血管图像重建方法及系统 | |
CN114519781A (zh) | 一种基于循环神经网络的岩心图像三维重建方法 | |
CN112465924A (zh) | 一种基于多特征融合的快速医学图像重构方法 | |
CN112233227A (zh) | 一种ct投影图生成方法和装置 | |
Pavlov et al. | Towards in-vivo ultrasound-histology: Plane-waves and generative adversarial networks for pixel-wise speed of sound reconstruction | |
CN116703850A (zh) | 基于领域自适应的医学图像分割方法 | |
CN113593007B (zh) | 一种基于变分自编码的单视图三维点云重建方法及系统 | |
CN114677281A (zh) | 一种基于生成对抗网络的fib-sem超分辨率算法 | |
CN113870184A (zh) | 基于x射线吸收图像生成相位衬度图像和暗场图像的方法、装置、计算设备和存储介质 | |
Hu et al. | Craniofacial Reconstruction via Face Elevation Map Estimation Based on the Deep Convolution Neutral Network |
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 |