CN114494482A - 一种基于平扫ct生成ct血管成像的方法 - Google Patents

一种基于平扫ct生成ct血管成像的方法 Download PDF

Info

Publication number
CN114494482A
CN114494482A CN202111597005.3A CN202111597005A CN114494482A CN 114494482 A CN114494482 A CN 114494482A CN 202111597005 A CN202111597005 A CN 202111597005A CN 114494482 A CN114494482 A CN 114494482A
Authority
CN
China
Prior art keywords
image
flat
cta
scan
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
Application number
CN202111597005.3A
Other languages
English (en)
Inventor
娄昕
吕晋浩
周欣
段曹辉
马笑笑
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.)
First Medical Center of PLA General Hospital
Original Assignee
First Medical Center of PLA General Hospital
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 First Medical Center of PLA General Hospital filed Critical First Medical Center of PLA General Hospital
Priority to CN202111597005.3A priority Critical patent/CN114494482A/zh
Publication of CN114494482A publication Critical patent/CN114494482A/zh
Pending legal-status Critical Current

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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06T2207/20—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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于平扫CT生成CT血管成像的方法，获取平扫CT图像和层面对应的CTA图像；构建用于从平扫CT图像生成CTA图像的深度学习模型；定义深度学习模型的损失函数，采用反向传播和梯度下降算法，寻找使损失函数最小的模型参数，获得训练好的深度学习模型。本发明方法不仅能够克服目前CTA注射造影剂的缺陷，规避了由于注射造影剂而可能引起的过敏反应或者肾毒性，极大地减少了CTA的成本和难度，适用多种医疗场景，具有很高的临床应用价值。

Description

一种基于平扫CT生成CT血管成像的方法
技术领域
本发明属于医学图像处理技术领域，具体涉及一种基于平扫CT生成CT血管成像的方法。
背景技术
目前临床上主要用于血管成像的方法有数字剪影血管造影(Digitalsubtraction angiography,DSA),计算机体层摄影血管成像(Computed topographyangiography,CTA)，磁共振血管成像(Magnetic resonance angiography,MRA)，以及超声血管成像等。其中，DSA由于空间分辨率高且能够实时观察，被认为是血管成像的金标准，但是，这种方法有创伤，往往不作为首选的检查方法。CTA和MRA可对全身各部位血管进行成像，且创伤很小，常常作为首选的检查方法。超声血管成像由于只能对特定部位成像，且成像效果容易受到患者本身情况以及操作者水平影响。DSA、CTA需要注射造影剂(也称为：对比剂)才能达到成像的目的，MRA除在特定几个部位(例如：头血管)无需造影剂外，其他部位的血管成像均需要注射造影剂。
注射造影剂前称为平扫CT，血管结构在平扫CT显示为低密度，无法区分管腔和管壁。注射造影剂之后称为增强CT，CTA是增强CT的一种特例。在CT血管成像时，血管的管腔结构显示为高密度，管壁则无变化，两者可显著地区分，从而获得管腔的形态变化。目前临床中通常使用CTA方法，但是，由于需要注射造影剂，存在造影剂过敏或相关不良事件等发生的可能性，同时由于造影剂具有肾毒性，对于肾脏功能受损的患者无法进行该项检查，另外，目前的CTA技术只利用到了注射造影剂之后血管密度增加这一个特征，而人体血管本身具有特定的位置和形态特征，如胸腹主动脉走行于脊柱前方，其有固定分支及走行方向，这些特征在目前的CTA技术均未使用。
针对上述问题，本发明提出基于平扫CT生成CTA的方法，其无需注射造影剂，通过深度学习的方法，充分利用血管的位置特征及形态特征，并结合平扫CT上管腔中血液低密度特征，将平扫CT获得的血管结构进行提取，不仅能够克服目前CTA注射造影剂的缺陷，而且能够极大地减低检查费用，适用多种医疗场景，具有很高的临床应用价值。
发明内容
本发明的目的在于针对现有CTA中存在的上述技术问题，提出了一种基于平扫CT生成CT血管成像的方法。
本发明的上述目的通过以下技术方案实现：
一种基于平扫CT生成CT血管成像的方法，包括以下步骤：
步骤1、获取平扫CT图像xi和层面对应的CTA图像yi，构成训练集
Figure BDA0003431577440000021
N为志愿者的总数；
步骤2、构建用于从平扫CT图像生成CTA图像的深度学习模型，深度学习模型依次包括输入层、第一个SA模块、收缩路径、扩张路径、第二个SA模块和输出层；
步骤3、定义深度学习模型Gθ(·)的损失函数L(θ)，
Figure BDA0003431577440000022
其中，·表示模型输入，θ表示模型参数，
Figure BDA0003431577440000023
表示L2范数，⊙表示逐元素乘积，Mi指CTA图像中血管区域的mask；
步骤4、采用反向传播和梯度下降算法，寻找使损失函数L(θ)最小的模型参数
Figure BDA0003431577440000024
获得训练好的深度学习模型
Figure BDA0003431577440000025
如上所述步骤1包括以下步骤：
步骤1.1、使用CT机采集N名志愿者的平扫CT图像和层面对应的CTA图像；
步骤1.2、对平扫CT图像、CTA图像进行配准，使得两者的血管分布逐像素对应；
步骤1.3、将步骤1.2获得的配准后的第i个志愿者的平扫CT图像和层面对应的CTA图像分别表示为xi和yi，并将xi和yi组成训练样本对，所有志愿者的平扫CT图像和层面对应的CTA图像组成训练集
Figure BDA0003431577440000026
N为志愿者的总数。
如上所述步骤2中的两个SA模块的输入特征定义为F，SA模块首先使用最大池化操作和平均池化操作将输入特征F的通道信息聚合为两个二维特征图，进而获得输入特征F在通道方向上最大池化特征Fmax和平均池化特征Favg，将最大池化特征Fmax和平均池化特征Favg级联，并将级联后的最大池化特征Fmax和平均池化特征Favg进行卷积，将卷积后的特征表示为Fc，随后，使用sigmoid激活函数对特征Fc进行激活处理，得到空间注意力图Ms，最后，将空间注意力图Ms和输入特征F逐通道相乘，得到空间注意力特征Fs，空间注意力特征Fs作为SA模块的输出特征。
一种基于平扫CT生成CT血管成像的方法，还包括步骤5、利用训练好的深度学习模型
Figure BDA0003431577440000031
输入平扫CT图像，经过深度学习模型正向传播生成CTA图像。
本发明相对于现有技术，具有以下有益效果：
现有的CT成像必须依靠注射造影剂才能实现血管成像，本发明方法利用平扫CT图像和CTA图像采集、配准、训练集及构建的U-Net网络结构深度学习模型Gθ(·)，解决了现有技术中的不足，无需注射造影剂即可实现CTA，因此可减低CTA的成本和难度，规避了由于注射造影剂可能引起的过敏反应或者肾毒性。
附图说明
图1是本发明基于平扫CT图像生成CTA图像法的示意图。输入平扫CT图像，通过深度学习模型Gθ(·)的U-Net网络结构，即可生成CTA图像。
图2是U-Net的网络结构示意图。U-Net包含一个收缩路径和一个扩张路径，具有多层次分解、多通道滤波和多尺度跳跃连接等优点。Conv，卷积；BN，批归一化；ReLU，线性整流函数；Up-conv，上卷积层；Max pooling，最大池化层。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实施示例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
一种基于平扫CT生成CT血管成像的方法，包括以下步骤：
步骤1，获取平扫CT图像和层面对应的CTA图像。
平扫CT图像和层面对应的CTA图像的可通过以下方式获得：
步骤1.1，使用CT机(如GE Revolution)采集N名志愿者的平扫CT图像和层面对应的CTA图像，平扫CT图像和CTA图像是配对的，层面一一对应，结构一致。本实施例以腹部动脉血管为例，但本方法不局限于腹部动脉血管，可以包括全身各个部位的动脉或者静脉血管。
步骤1.2，对于采集过程中有运动的情况，对平扫CT图像、CTA图像进行配准，保证两者的血管分布逐像素对应。
步骤1.3，将步骤1.2获得的配准后的第i个志愿者的平扫CT图像和层面对应的CTA图像分别表示为xi和yi，并将xi和yi组成训练样本对。所有志愿者的平扫CT图像和层面对应的CTA图像组成训练集
Figure BDA0003431577440000041
N为志愿者的总数。
另一种实施方式，平扫CT图像和层面对应的CTA图像的也可以从已经采集的平扫CT图像和层面对应的CTA图像的图像库中获得。
步骤2，构建用于从平扫CT图像生成CTA图像的深度学习模型。将该深度学习模型表示为Gθ(·)，·表示模型输入，θ表示模型参数。Gθ(·)将平扫CT图像xi作为输入，输出生成的CTA图像
Figure BDA0003431577440000042
本实施例中，深度学习模型Gθ(·)采用结合空间注意力模块的U-Net网络结构。深度学习模型依次包括输入层、第一个SA模块、收缩路径、扩张路径、第二个SA模块和输出层。
对于上述两个SA模块，定义输入特征为F∈RC×H×W,C、H、W分别表示F的通道数、高和宽，R表示实数域，∈表示属于。首先使用最大池化操作和平均池化操作将输入特征F的通道信息聚合为两个二维特征图：Fmax∈R1×H×W和Favg∈R1×H×W。Fmax和Favg分别表示输入特征F在通道方向上最大池化特征和平均池化特征。然后，将最大池化特征Fmax和平均池化特征Favg级联，并将级联后的最大池化特征Fmax和平均池化特征Favg进行卷积，将卷积后的特征表示为Fc。随后，使用sigmoid激活函数对Fc进行激活处理，得到空间注意力图Ms。最后，将空间注意力图Ms和输入特征F逐通道相乘，得到空间注意力特征Fs。空间注意力特征Fs作为SA模块的输出特征。
步骤3，定义深度学习模型Gθ(·)的损失函数L(θ)。
Figure BDA0003431577440000043
其中，定义
Figure BDA0003431577440000044
为Gθ(xi)和yi之间的差异函数，Mi指CTA图像中血管区域的mask。本实施例中，采用L2范数定义的损失函数，损失函数L(θ)可以表示为：
Figure BDA0003431577440000045
其中
Figure BDA0003431577440000046
表示L2范数，⊙表示逐元素乘积。
步骤4，模型训练。模型训练就是采用反向传播和梯度下降算法，寻找使损失函数L(θ)最小的模型参数
Figure BDA0003431577440000047
即满足：
Figure BDA0003431577440000051
本实施例中，采用Adam算法进行模型训练，一阶动量设置为0.9，二阶动量设置为0.999。在训练完成以后，深度学习模型Gθ(·)的参数固定为
Figure BDA0003431577440000052
即训练完成后的深度学习模型为
Figure BDA0003431577440000053
可用于从平扫CT图像生成CTA图像。
步骤5，利用训练好的深度学习模型
Figure BDA0003431577440000054
仅输入平扫CT图像x，经过深度学习模型正向传播就可以生成CTA图像
Figure BDA0003431577440000055
即：
Figure BDA0003431577440000056
需要指出的是，本发明中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。

Claims (3)

1.一种基于平扫CT生成CT血管成像的方法，其特征在于，包括以下步骤：
步骤1、获取平扫CT图像xi和层面对应的CTA图像yi，构成训练集
Figure FDA0003431577430000011
N为志愿者的总数；
步骤2、构建用于从平扫CT图像生成CTA图像的深度学习模型，深度学习模型依次包括输入层、第一个SA模块、收缩路径、扩张路径、第二个SA模块和输出层；
步骤3、定义深度学习模型Gθ(·)的损失函数L(θ)，
Figure FDA0003431577430000012
其中，·表示模型输入，θ表示模型参数，
Figure FDA0003431577430000013
表示L2范数，⊙表示逐元素乘积，Mi指CTA图像中血管区域的mask；
步骤4、采用反向传播和梯度下降算法，寻找使损失函数L(θ)最小的模型参数
Figure FDA0003431577430000015
获得训练好的深度学习模型
Figure FDA0003431577430000016
2.根据权利要求1所述的一种基于平扫CT生成CT血管成像的方法，其特征在于，所述的步骤1包括以下步骤：
步骤1.1、使用CT机采集N名志愿者的平扫CT图像和层面对应的CTA图像；
步骤1.2、对平扫CT图像、CTA图像进行配准，使得两者的血管分布逐像素对应；
步骤1.3、将步骤1.2获得的配准后的第i个志愿者的平扫CT图像和层面对应的CTA图像分别表示为xi和yi，并将xi和yi组成训练样本对，所有志愿者的平扫CT图像和层面对应的CTA图像组成训练集
Figure FDA0003431577430000014
N为志愿者的总数。
3.根据权利要求1所述的一种基于平扫CT生成CT血管成像的方法，其特征在于，所述的步骤2中的两个SA模块的输入特征定义为F，SA模块首先使用最大池化操作和平均池化操作将输入特征F的通道信息聚合为两个二维特征图，进而获得输入特征F在通道方向上最大池化特征Fmax和平均池化特征Favg，将最大池化特征Fmax和平均池化特征Favg级联，并将级联后的最大池化特征Fmax和平均池化特征Favg进行卷积，将卷积后的特征表示为Fc，随后，使用sigmoid激活函数对特征Fc进行激活处理，得到空间注意力图Ms，最后，将空间注意力图Ms和输入特征F逐通道相乘，得到空间注意力特征Fs，空间注意力特征Fs作为SA模块的输出特征。
CN202111597005.3A 2021-12-24 2021-12-24 一种基于平扫ct生成ct血管成像的方法 Pending CN114494482A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111597005.3A CN114494482A (zh) 2021-12-24 2021-12-24 一种基于平扫ct生成ct血管成像的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111597005.3A CN114494482A (zh) 2021-12-24 2021-12-24 一种基于平扫ct生成ct血管成像的方法

Publications (1)

Publication Number Publication Date
CN114494482A true CN114494482A (zh) 2022-05-13

Family

ID=81495536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111597005.3A Pending CN114494482A (zh) 2021-12-24 2021-12-24 一种基于平扫ct生成ct血管成像的方法

Country Status (1)

Country Link
CN (1) CN114494482A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024066711A1 (zh) * 2022-09-26 2024-04-04 中国人民解放军总医院第一医学中心 一种基于聚焦学习的ct血管造影智能成像方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190371018A1 (en) * 2018-05-29 2019-12-05 Korea Advanced Institute Of Science And Technology Method for processing sparse-view computed tomography image using neural network and apparatus therefor
CN111986181A (zh) * 2020-08-24 2020-11-24 中国科学院自动化研究所 基于双注意力机制的血管内支架图像分割方法和系统
CN112085677A (zh) * 2020-09-01 2020-12-15 深圳先进技术研究院 一种图像处理方法、系统和计算机存储介质
CN112101523A (zh) * 2020-08-24 2020-12-18 复旦大学附属华山医院 基于深度学习的cbct图像跨模态预测cta图像的卒中风险筛查方法和系统
CN112258514A (zh) * 2020-11-20 2021-01-22 福州大学 一种ct影像肺血管的分割方法
CN112785581A (zh) * 2021-01-29 2021-05-11 复旦大学附属中山医院 基于深度学习的提取训练大血管cta成像的培训方法和装置
CN112927240A (zh) * 2021-03-08 2021-06-08 重庆邮电大学 一种基于改进的AU-Net网络的CT图像分割方法
CN113222852A (zh) * 2021-05-26 2021-08-06 深圳高性能医疗器械国家研究院有限公司 一种增强ct图像的重建方法
CN113436127A (zh) * 2021-03-25 2021-09-24 上海志御软件信息有限公司 基于深度学习的自动化肝脏分段模型的构建方法、装置、计算机设备和存储介质
CN113674279A (zh) * 2021-10-25 2021-11-19 青岛美迪康数字工程有限公司 基于深度学习的冠脉cta影像的处理方法及装置
CN113706544A (zh) * 2021-08-19 2021-11-26 天津师范大学 一种基于完备注意力卷积神经网络的医学图像分割方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190371018A1 (en) * 2018-05-29 2019-12-05 Korea Advanced Institute Of Science And Technology Method for processing sparse-view computed tomography image using neural network and apparatus therefor
CN111986181A (zh) * 2020-08-24 2020-11-24 中国科学院自动化研究所 基于双注意力机制的血管内支架图像分割方法和系统
CN112101523A (zh) * 2020-08-24 2020-12-18 复旦大学附属华山医院 基于深度学习的cbct图像跨模态预测cta图像的卒中风险筛查方法和系统
CN112085677A (zh) * 2020-09-01 2020-12-15 深圳先进技术研究院 一种图像处理方法、系统和计算机存储介质
CN112258514A (zh) * 2020-11-20 2021-01-22 福州大学 一种ct影像肺血管的分割方法
CN112785581A (zh) * 2021-01-29 2021-05-11 复旦大学附属中山医院 基于深度学习的提取训练大血管cta成像的培训方法和装置
CN112927240A (zh) * 2021-03-08 2021-06-08 重庆邮电大学 一种基于改进的AU-Net网络的CT图像分割方法
CN113436127A (zh) * 2021-03-25 2021-09-24 上海志御软件信息有限公司 基于深度学习的自动化肝脏分段模型的构建方法、装置、计算机设备和存储介质
CN113222852A (zh) * 2021-05-26 2021-08-06 深圳高性能医疗器械国家研究院有限公司 一种增强ct图像的重建方法
CN113706544A (zh) * 2021-08-19 2021-11-26 天津师范大学 一种基于完备注意力卷积神经网络的医学图像分割方法
CN113674279A (zh) * 2021-10-25 2021-11-19 青岛美迪康数字工程有限公司 基于深度学习的冠脉cta影像的处理方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李伟: "基于深度学习的主动脉CT增强扫描图像合成研究", no. 12, pages 062 - 47 *
杨博雄 等: "深度学习之人脸图像处理 核心算法与案例实战", 武汉大学出版社, pages: 109 - 113 *
郝晓宇;熊俊峰;薛旭东;石军;文可;韩文廷;李骁扬;赵俊;傅小龙;: "融合双注意力机制3D U-Net的肺肿瘤分割", no. 10 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024066711A1 (zh) * 2022-09-26 2024-04-04 中国人民解放军总医院第一医学中心 一种基于聚焦学习的ct血管造影智能成像方法

Similar Documents

Publication Publication Date Title
US11398029B2 (en) Systems and methods for medical acquisition processing and machine learning for anatomical assessment
CN108629816B (zh) 基于深度学习进行薄层磁共振图像重建的方法
Zhou et al. Image quality improvement of hand-held ultrasound devices with a two-stage generative adversarial network
Frakes et al. Application of an adaptive control grid interpolation technique to morphological vascular reconstruction
CN113808106B (zh) 一种基于深度学习的超低剂量pet图像重建系统及方法
US11826201B2 (en) Ultrasound lesion assessment and associated devices, systems, and methods
Sobhaninia et al. Localization of fetal head in ultrasound images by multiscale view and deep neural networks
CN113052936A (zh) 集成fdk和深度学习的单视角ct重建方法
WO2023039353A2 (en) Real-time super-resolution ultrasound microvessel imaging and velocimetry
CN114494482A (zh) 一种基于平扫ct生成ct血管成像的方法
Do et al. 7T MRI super-resolution with Generative Adversarial Network
CN110101401B (zh) 一种肝脏对比剂数字减影造影方法
KR102084138B1 (ko) 영상 처리 장치 및 방법
Li et al. Segmentation of human aorta using 3D nnU-net-oriented deep learning
CN116434918A (zh) 医学图像处理方法及计算机可读存储介质
CN115861132B (zh) 一种血管图像校正方法、装置、介质及设备
CN115797611B (zh) 三维医学图像模态转换模型训练方法及设备
CN111626964A (zh) 扫描图像的优化方法、优化装置和医学扫描系统
CN116269496A (zh) 基于隐式神经表示的心脏三维超声成像及心功能评估系统
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
WO2022163513A1 (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
CN115731444A (zh) 一种基于人工智能和超像素分割的医学影像融合方法
Li et al. HRINet: alternative supervision network for high-resolution CT image interpolation
CN114596225A (zh) 一种运动伪影模拟方法和系统
Yin et al. Analysis of coronary angiography video interpolation methods to reduce x-ray exposure frequency based on deep learning

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