CN114596225A - 一种运动伪影模拟方法和系统 - Google Patents
一种运动伪影模拟方法和系统 Download PDFInfo
- Publication number
- CN114596225A CN114596225A CN202210195616.3A CN202210195616A CN114596225A CN 114596225 A CN114596225 A CN 114596225A CN 202210195616 A CN202210195616 A CN 202210195616A CN 114596225 A CN114596225 A CN 114596225A
- Authority
- CN
- China
- Prior art keywords
- segmented
- image
- motion
- vector field
- motion vector
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000013598 vector Substances 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 36
- 210000002216 heart Anatomy 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 238000003384 imaging method Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 238000002591 computed tomography Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 210000004072 lung Anatomy 0.000 description 8
- 230000008602 contraction Effects 0.000 description 6
- 210000004351 coronary vessel Anatomy 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 210000002345 respiratory system Anatomy 0.000 description 2
- 210000000952 spleen Anatomy 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例公开了一种运动伪影模拟方法。该方法可以包括基于伪影模拟模型,确定目标对象的分段运动向量场。该方法可以包括通过分段重建目标图像确定分段重建图像,该方法还可以包括基于分段运动向量场和分段重建图像,生成运动伪影模拟图像。
Description
技术领域
本说明书涉及图像处理领域,特别涉及一种运动伪影模拟方法和系统。
背景技术
伪影是指在成像过程或信息处理过程中由于某种原因出现了扫描物体本身不存在的致使图像质量下降的图像。运动伪影是指由于扫描物体的运动导致的伪影。以扫描物体为心脏为例,心脏运动伪影会对观察心脏的正常状况造成影响。因此,减少运动伪影在图像处理过程中越来越重要。通常的解决方法是通过使用运动伪影去除模型校正包含运动伪影的图像。但是,运动伪影去除模型的训练需要大量的包括运动伪影的图像。
因此,希望提供一种运动伪影模拟方法和系统,以通过模拟获得大量的包括运动伪影的图像。
发明内容
本申请实施例之一提供一种运动伪影模拟方法。该方法可以包括基于伪影模拟模型,确定目标对象的分段运动向量场。该方法可以包括通过分段重建目标图像确定分段重建图像,该方法还可以包括基于分段运动向量场和分段重建图像,生成运动伪影模拟图像。
在一些实施例中,基于伪影模拟模型,确定目标对象的分段运动向量场可以包括提取目标图像中管状结构的中心线,以及基于中心线和伪影模拟模型,确定分段运动向量场。
在一些实施例中,目标图像可以为具有高于预设阈值的质量分数的图像。
在一些实施例中,基于伪影模拟模型,确定目标对象的分段运动向量场可以包括将预设时间段分成多个子时间段,以及基于伪影模拟模型,确定每个子时间段的分段运动向量场。
在一些实施例中,伪影模拟模型可以包括运动函数或机器学习模型。
在一些实施例中,通过分段重建目标图像确定分段重建图像可以包括以目标图像的时相为中心,获取目标图像的投影数据,以及对投影数据进行分段重建,确定分段重建图像。
在一些实施例中,基于分段运动向量场和分段重建图像,生成运动伪影模拟图像可以包括基于分段运动向量场和分段重建图像,生成分段运动补偿图像,以及通过叠加分段运动补偿图像,确定运动伪影模拟图像。
在一些实施例中,基于分段运动向量场和分段重建图像,生成分段运动补偿图像可以包括基于分段运动向量场、分段重建图像,以及与分段重建图像对应的投影数据相关的权重,生成分段运动补偿图像。
在一些实施例中,该方法可以进一步包括基于运动伪影模拟图像,训练运动伪影去除模型。
本申请实施例之一提供了一种运动伪影模拟系统。该系统可以包括确定模块、重建模块和生成模块。确定模块可以被配置为基于伪影模拟模型,确定目标对象的分段运动向量场。重建模块可以被配置为通过分段重建目标图像确定分段重建图像。生成模块可以被配置为基于分段运动向量场和分段重建图像,生成运动伪影模拟图像。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的运动伪影模拟系统的示例性应用场景图;
图2是根据本说明书一些实施例所示的运动伪影模拟系统的示例性模块图;
图3是根据本说明书一些实施例所示的运动伪影模拟方法的示例性流程图;
图4是根据本说明书一些实施例所示的示例性权重曲线的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本说明书中的术语“图像”用于地指代图像数据(例如,扫描数据、投影数据)和/或各种形式的图像,包括二维(2D)图像、三维(3D)图像、四维(4D)图像等。本说明书中的术语“像素”和“体素”可互换使用以指代图像的元素。本说明书中的术语“解剖结构”可以指的是气体(例如,空气)、液体(例如,水)、固体(例如,石)、细胞、组织、组织、成像对象的器官等,或其任意组合,其可以显示在图像中,并且真实存在于成像对象的身体中或上。本说明书中的术语“范围”、“位置”和“区域”可以指图像中所示的解剖结构的位置或成像对象身体中或上存在的解剖结构的实际位置,这是因为图像可以指示成像对象身体中或上存在的某种解剖结构的实际位置。
本说明书的实施例涉及运动伪影模拟方法和系统。该运动伪影模拟方法和系统可以应用于医学成像(如CT、X射线机、MRI、PET等)中的运动伪影模拟。例如,该运动伪影模拟方法和系统可以应用于心脏运动伪影模拟、呼吸运动伪影模拟、头部运动伪影模拟等,能够对医学成像设备在拍摄心脏、肺、腹部等器官和/或组织时所产生的伪影进行模拟。应当理解的是,本说明书的系统及方法的应用场景仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。虽然本说明书主要以心脏、肺为例进行了描述,但需要注意的是,本说明书的原理也可应用于更多的生物器官或组织,如骨骼、血管、神经、脾脏、胃等。
图1是根据本说明书一些实施例所示的运动伪影模拟系统的示例性应用场景图。运动伪影模拟系统100可以通过实施本说明书披露的方法和/或过程模拟运动伪影以生成运动伪影模拟图像(即包含运动伪影的图像)。如图1所示,运动伪影模拟系统100可以包括:扫描设备110、处理设备120、终端设备130、网络140和存储设备150。
在一些实施例中,运动伪影模拟系统100的两个或以上组件可以通过无线连接(例如,网络140)、有线连接或其任意组合来彼此连接和/或彼此通信。运动伪影模拟系统100的组件之间的连接可以是可变的。仅作为示例,如图1所示,扫描设备110可以通过网络140和/或直接(如连接扫描设备110和处理设备120的虚线双向箭头所示)连接到处理设备120。又例如,存储设备150可以直接和/或通过网络140连接到处理设备120。再例如,终端设备130可以直接(如连接终端设备130和处理设备120的虚线双向箭头所示)和/或通过网络140与处理设备120连接。
扫描设备110可以获取扫描数据。扫描设备110可以扫描目标物体或其一部分,并生成与该目标物体或其一部分有关的扫描数据(例如,图像)。在一些实施例中,扫描设备110可以包括单模态成像设备。例如,扫描设备110可以包括数字减影血管造影(DSA)、正电子发射断层摄影(PET)设备、单光子发射计算机断层摄影(SPECT)设备、磁共振成像(MRI)设备(也称为MR扫描仪)、计算机断层扫描(CT)设备、超声扫描仪、数字射线照相(DR)扫描仪等,或其任意组合。在一些实施例中,扫描设备110可以包括多模态成像设备。示例性的多模态成像设备可以包括PET-CT设备、PET-MR设备等或其组合。为了说明的目的,结合CT设备描述本说明书。
处理设备120可以处理从扫描设备110、终端设备130和/或存储设备150获得的数据和/或信息。例如,处理设备120可以获取由扫描设备110生成的目标图像(例如,不包括运动伪影或包括低于预设阈值的运动伪影的图像)。处理设备120可以基于伪影模拟模型确定目标对象的分段运动向量场,并通过分段重建目标图像确定分段重建图像。进一步,基于分段运动向量场和分段重建图像,处理设备120可以生成运动伪影模拟图像。在一些实施例中,处理设备120可以包括计算机、用户控制台、单个服务器或服务器组等。服务器组可以是集中式或分布式的。在一些实施例中,处理设备120可以是本地的或远程的。例如,处理设备120可以经由网络140访问存储在扫描设备110、终端设备130和/或存储设备150中的信息和/或数据。又例如,处理设备120可以直接连接扫描设备110、终端设备130和/或存储设备150访问存储的信息和/或数据。在一些实施例中,处理设备120可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间、多云等,或其任意组合。在一些实施例中,处理设备120或处理设备120的一部分可以集成到扫描设备110中。
终端设备130可以实现用户与运动伪影模拟系统100之间的用户交互。在一些实施例中,终端设备130可以与扫描设备110、处理设备120和/或存储设备150连接和/或通信。例如,终端设备130可以从扫描设备110获取目标图像。又例如,终端设备130可以从处理设备120获取处理结果(例如,生成的运动伪影模拟图像)和显示该处理结果。再例如,用户(例如,医生、放射科医师)可以通过终端设备130向扫描设备110发送一种或多种控制指令以控制扫描设备110按照指令进行扫描。在一些实施例中,终端设备130可以包括移动设备131、平板计算机132、笔记本计算机133等,或其任意组合。在一些实施例中,终端设备130可以是处理设备120或扫描设备110的一部分。
网络140可以包括促进运动伪影模拟系统100的信息和/或数据交换的任何合适的网络。仅作为示例,网络140可以包括医院信息管理系统(Hospital Information System,HIS)、医学影像存档与传输系统(Picture archiving and communication systems,PACS)或者尽管独立于HIS或PACS但连接于其上其他网络。在一些实施例中,运动伪影模拟系统100的一个或多个组件(例如,扫描设备110、处理设备120、存储设备150、终端设备130)可以通过网络140与运动伪影模拟系统100的一个或以上其他组件通信信息和/或数据。例如,处理设备120可以经由网络140从扫描设备110中获得数据(例如,扫描数据)。又例如,终端设备130可以经由网络140从终端设备130获得用户(例如,医生、放射科医师)指令。在一些实施例中,运动伪影模拟系统100的一个或多个组件(例如,扫描设备110、处理设备120、存储设备150、终端设备130)可以与一个或多个外部资源(例如第三方的外部数据库等)通信信息和/或数据。例如,处理设备120可以获取来自提供和/或更新伪影模拟模型的供应商或制造商(例如,扫描设备110的制造商)的外部数据库中的伪影模拟模型。
存储设备150可以存储数据(例如,目标图像、伪影模拟模型、生成的运动伪影模拟图像等),指令和/或任何其他信息。在一些实施例中,存储设备150可以存储从扫描设备110、终端设备130和/或处理设备120获得的数据。例如,存储设备150可以存储从扫描设备110获得的目标图像。在一些实施例中,存储设备150可以存储数据和/或指令,处理设备120可以执行或使用所述数据和指令来执行本说明书中描述的示例性方法/系统。在一些实施例中,存储设备150可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。在一些实施例中,存储设备150可以通过本说明书中描述的云平台实现。在一些实施例中,存储设备150可以直接或经由网络140与运动伪影模拟系统100的一个或以上其他组件(例如,扫描设备110、处理设备120、存储设备150、终端设备130)通信。运动伪影模拟系统100的一个或以上组件可以直接或通过网络140访问存储在存储设备150中的数据或指令。在一些实施例中,存储设备150可以是处理设备120或扫描设备110的一部分。
应该注意的是,上述关于运动伪影模拟系统100的描述仅出于说明性目的而提供,并不旨在限制本说明书的范围。对于本领域普通技术人员而言,在本说明书内容的指导下,可做出多种变化和修改。例如,运动伪影模拟系统100可以包括一个或以上附加组件和/或运动伪影模拟系统100的一个或以上组件可以省略。又例如,运动伪影模拟系统100的组件可以在两个或以上子组件上实现和/或运动伪影模拟系统100的两个或以上组件可以集成为单个组件。然而,这些变化和修改不脱离本说明书的范围。
图2是根据本说明书一些实施例所示的运动伪影模拟系统的示例性模块图。如图2所示,运动伪影模拟系统200可以包括确定模块210、重建模块220、以及生成模块230。
确定模块210可以用于基于伪影模拟模型,确定目标对象的分段运动向量场。关于确定分段运动向量场的更多描述可以在本说明书的其他地方找到,例如,参见图3中步骤310及其相关描述。
重建模块220可以用于通过分段重建目标图像确定分段重建图像。关于确定分段重建图像的更多描述可以在本说明书的其他地方找到,例如,参见图3中步骤320及其相关描述。
生成模块230可以用于基于分段运动向量场和分段重建图像,生成运动伪影模拟图像。关于生成运动伪影模拟图像的更多描述可以在本说明书的其他地方找到,例如,参见图3中步骤330及其相关描述。
应当理解,图2所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件(如处理器)、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
应该注意的是,上述对运动伪影模拟系统200描述仅出于说明性目的而提供,并不旨在限制本说明书的范围。对于本领域普通技术人员而言,在不脱离本说明书的原理的情况下,可以对上述方法和系统的应用形式和细节做出各种变化和修改。在一些实施例中,运动伪影模拟系统200可以包括一个或以上其他模块和/或上述一个或以上模块可以省略。例如,运动伪影模拟系统200还可以包括传输模块(未示出),用于将信号(例如,电信号、电磁信号)发送到运动伪影模拟系统100的一个或以上组件(例如,扫描设备110、存储设备150、终端设备130)。又例如,运动伪影模拟系统200可以包括用于存储与运动伪影模拟相关的信息和/或数据(例如,目标图像、伪影模拟模型、生成的运动伪影模拟图像等)的存储模块(未示出)。在一些实施例中,可以将两个或以上模块集成为一个模块,和/或一个模块可以被分成两个或以上单元。然而,这些变化和修改也在本说明书的范围内。
图3是根据本说明书一些实施例所示的运动伪影模拟方法的示例性流程图。在一些实施例中,过程300可以由运动伪影模拟系统100执行。例如,过程300可以实现为存储在存储设备(例如,存储设备150)中的一组指令(例如,应用程序)。在一些实施例中,处理设备120可以执行该组指令以及被该组指令引导以执行过程300。
步骤310,基于伪影模拟模型,确定目标对象的分段运动向量场。在一些实施例中,步骤310可以由确定模块210执行。
在一些实施例中,目标图像可以为具有高于预设阈值的质量分数的图像。预设阈值可以是运动伪影模拟系统100的默认设置,或由用户(例如,医生、放射科医师)手动设置,或者由处理设备120根据实际需要调整。在一些实施例中,可以从扫描物体的多个初始图像中筛选目标图像。扫描物体可以包括生物体的组织、器官等。例如,组织可以包括上皮组织、结缔组织、肌肉组织、神经组织等中的一种或多种的组合。又例如,器官可以包括心脏、肝脏、脾脏、肺、胃等中的一种或多种的组合。初始图像可以是扫描物体的医学扫描图像。仅作为示例,初始图像可以通过医学成像设备(例如扫描设备110)获取。在本说明书的实施例中,扫描物体可以包括心脏、肺等在图像拍摄过程中具有运动(如呼吸运动、心脏跳动)的组织/器官。由于扫描物体的运动,有可能会使得所拍摄的医学图像(即初始图像)产生伪影(运动伪影)。在一些实施例中,目标图像可以为包含管状结构(例如,血管(例如冠脉)、呼吸道)的扫描物体(例如心脏、肺)的图像。仅作为示例,目标图像可以为心脏的冠脉图像。
在一些实施例中,质量分数可以基于图像中运动伪影、噪声和CT均值中的至少一个获得。在一些实施例中,可以基于运动伪影、噪声和CT均值中的至少一个,对初始图像进行打分以获得初始图像的质量分数,并基于质量分数从多个初始图像中筛选出目标图像。例如,用户(例如,医生、放射科医师)可以基于运动伪影、噪声和CT均值中的至少一个给多个初始图像打分。在一些实施例中,用户(例如,医生、放射科医师)可以根据运动伪影、噪声和CT均值中的至少一个评价初始图像的质量,并根据初始图像的质量对诊断的影响来打分。在一些实施例中,可以用0-5分给多个初始图像打分。例如,初始图像的质量非常好(例如,不包括运动伪影),适用于诊断,可以为4-5分;初始图像的质量勉强能用于诊断,可以为3分。不能确认初始图像的质量是否能用于诊断,可以为2分。初始图像的质量完全不可用于诊断,可以为1分。进一步,可以从多个初始图像中筛选质量分数大于或等于预设阈值(例如3分)的初始图像作为目标图像。
在一些实施例中,伪影模拟模型可以指用于仿真模拟扫描物体(例如心脏、肺)运动的模型。在一些实施例中,可以从目标图像中提取目标对象,并基于该目标对象和伪影模拟模型确定分段运动向量场。仅作为示例,目标对象可以指目标图像中的扫描物体(例如心脏、肺)。在一些实施例中,目标对象可以指从目标图像中提取的管状结构(例如,血管(例如冠脉)、呼吸道)的中心线,基于该管状结构的中心线和伪影模拟模型确定分段运动向量场。在一些实施例中,管状结构的中心线可以指沿管状结构的延伸方向的管状结构的几何中心线。管状结构的延伸方向可以指管状结构的长度增加的方向。在一些实施例中,可以通过中心线提取算法提取目标图像中管状结构的中心线。仅作为示例,中心线提取算法可以包括但不限于手动中心线提取算法、基于最小路径的中心线提取算法和基于活动轮廓模型的中心线提取算法等中的至少一种或多种的组合。
在一些实施例中,伪影模拟模型可以为机器学习模型。仅作为示例,机器学习模型可以包括神经网络模型、深度学习模型等。在一些实施例中,可以将上述目标图像输入机器学习模型,并基于机器学习模型的输出确定分段运动向量场。在一些实施例中,可以将上述提取的目标对象(例如,扫描物体、中心线)输入机器学习模型,并基于机器学习模型的输出确定分段运动向量场。
在一些实施例中,伪影模拟模型可以包括运动函数。在一些实施例中,运动函数可以作为伪影模拟模型的输入之一。该运动函数可以为随机运动函数。仅作为示例,随机运动函数可以表示为下述公式(1):
rate*(vec_x,vec_y,vec_z), (1)
其中,rate表示运动速率,vec_x表示提取的目标对象(例如,扫描物体、中心线)上任意一点x方向的运动向量,vec_y表示提取的目标对象(例如,扫描物体、中心线)上任意一点y方向的运动向量,vec_z表示提取的目标对象(例如,扫描物体、中心线)上任意一点z方向的运动向量。在一些实施例中,x,y,z方向可以为目标图像的图像坐标系的三个轴所在的方向。在一些实施例中,vec_x,vec_y和vec_z可以随机生成。在一些实施例中,随机运动函数可以包括匀速运动函数、变速运动函数中的至少一个。例如,当随机运动函数为匀速运动函数时,rate为恒定不变的值;当随机运动函数为变速运动函数时,rate为随机变化的值。
在一些实施例中,运动向量场可以反映扫描物体(例如心脏、肺)的运动情况。运动向量场可以是包括扫描物体上的至少两个空间点在图像域中的运动向量的集合。运动向量可以表示扫描物体上的任意两个空间点在图像域中对应的体素从一个时间点到另外一个时间点的位移。
在一些实施例中,可以将预设时间段分成多个子时间段并基于提取的目标对象(例如,扫描物体、中心线)和伪影模拟模型,确定每个子时间段的分段运动向量场。预设时间段可以是运动伪影模拟系统100的默认设置,或由用户(例如,医生、放射科医师)手动设置,或者由处理设备120根据实际需要调整。例如,预设时间段可以为获取目标图像的时间段或其一部分。在一些实施例中,可以根据预设数量的时间节点将预设时间段分成多个子时间段。预设数量的时间节点可以是从预设时间段间隔选取的预设数量的时间点。预设数量的时间节点可以将预设时间段平均或非平均分割成若干子时间段。该预设数量可以是运动伪影模拟系统100的默认设置,或由用户(例如,医生、放射科医师)手动设置,或者由处理设备120根据实际需要调整。例如,该预设数量可以为5个,分别为T0、T1、T2、T3、和T4,该5个时间点将预设时间段平均分成4个子时间段,且T0是开始获取目标图像的时间点,T4是获取目标图像结束的时间点。
在一些实施例中,可以将提取的目标对象(例如,扫描物体、中心线)、预设时间段、预设数量的时间节点输入伪影模拟模型。该伪影模拟模型相应输出每个子时间段的运动向量场(即分段运动向量场)。具体地,可以根据预设数量(例如n)的时间节点将预设时间段分成若干子时间段(例如n-1段),然后基于提取的目标对象上每个空间点在图像域中的坐标,根据运动函数获取每个子时间段的运动向量场。
步骤320,通过分段重建目标图像确定分段重建图像。在一些实施例中,步骤320可以由重建模块220执行。
在一些实施例中,可以以目标图像的时相为中心,获取目标图像的投影数据。目标图像的时相可以指采集目标图像时,扫描物体所处的时相。示例性地,以心脏冠状动脉为扫描物体,心脏的每个生理周期通常包括等容收缩期、快速射血期、减慢射血期、舒张前期、等容舒张期、快速充盈期、减慢充盈期、心房收缩期等八个时相。例如,采集目标图像时,心脏可以处于上述八个时相中的至少一个。进一步,可以指定上述至少一个时相中的一个作为目标图像的时相。例如,采集目标图像时,心脏处于等容收缩期,则可以指定等容收缩期作为目标图像的时相。又例如,获取目标图像的过程中,心脏经历了整个等容收缩期和部分快速射血期,此时可以指定等容收缩期作为目标图像的时相。然后,以目标图像的时相为中心,可以获取处于目标图像的时相前后的投影数据。
进一步,可以对投影数据进行分段重建,确定分段重建图像。具体地,可以根据预设数量(例如n)的时间节点将投影数据分成若干个数据段(例如n-1段),然后对每个数据段进行重建,得到分段重建图像(例如n-1段)。在一些实施例中,可以通过重建算法对每个数据段进行重建。重建算法是将扫描物体在数据域的相关信息转换为图像域的信息的算法。仅作为示例,重建算法可以包括但不限于反投影(Back Projection,BP)算法、滤波反投影(Filtered Back Projection,FBP)算法等。
步骤330,基于分段运动向量场和分段重建图像,生成运动伪影模拟图像。在一些实施例中,步骤330可以由生成模块230执行。
在一些实施例中,分段运动向量场和分段重建图像的数量相等且一一对应。例如,有n-1段分段重建图像,n-1段分段重建图像中每一个对应一个分段运动向量场,即不同的分段重建图像对应不同的分段运动向量场。
在一些实施例中,可以基于分段运动向量场和分段重建图像,生成分段运动补偿图像。具体地,对于分段重建图像中的至少一段,使用与其对应的运动向量场运动补偿该段重建图像,从而生成该段重建图像对应的运动补偿图像。例如,对于该段重建图像中的每一个体素,使用与该段重建图像对应的运动向量场移动该体素的位置(即拉长或形变该重建图像),待该段重建图像中的所有体素被移动后,获得的图像即为该段重建图像的运动补偿图像。进一步,可以通过叠加分段运动补偿图像,确定运动伪影模拟图像。具体地,叠加所有的分段运动补偿图像(例如n-1段),从而生成运动伪影模拟图像。
在一些实施例中,可以基于分段运动向量场、分段重建图像对应的投影数据,以及与分段重建图像对应的投影数据相关的权重,生成分段运动补偿图像。具体地,可以为每个分段重建图像对应的投影数据设置权重曲线,并基于权重曲线获得加权后的投影数据,然后重建加权后的投影数据生成加权分段重建图像,进一步基于运动向量场和加权分段重建图像,生成分段运动补偿图像。在一些实施例中,权重曲线可以为直线或曲线,本说明书对此不作限制。
图4是根据本说明书一些实施例所示的示例性权重曲线的示意图。如图4所示,5个时间节点T0、T1、T2、T3、和T4中每个时间节点可以对应至少一条权重曲线,时间节点T0对应权重曲线1a,时间节点T1对应权重曲线1b和2a,时间节点T2对应权重曲线2b和3a,时间节点T3对应权重曲线3b和4a,时间节点T4对应权重曲线4b。
在一些实施例中,根据5个时间节点T0、T1、T2、T3、和T4,可以将目标图像410的投影数据分成4个投影数据段411、412、413和414。权重曲线1a和1b可以用于加权投影数据段411,从而获得加权后的投影数据段1;权重曲线2a和2b可以用于加权投影数据段412,从而获得加权后的投影数据段2;权重曲线3a和3b可以用于加权投影数据段413,从而获得加权后的投影数据段3;权重曲线4a和4b可以用于加权投影数据段414,从而获得加权后的投影数据段3。需要注意的是,对于任一投影数据段,用于对其加权的权重的和可以为1。
进一步,对加权后的投影数据段(例如1-4)分别进行重建,得到4个加权分段重建图像。对于该4个加权分段重建图像中的每个,可以根据获得的该加权分段重建图像对应的运动向量场对该加权分段重建图像进行运动补偿,以确定该加权分段重建图像的运动补偿图像。然后,通过叠加获得的运动补偿图像,从而生成运动伪影模拟图像。
根据本说明书公布的运动伪影模拟方法,可以实现对运动伪影的分段模拟,这符合扫描物体(例如冠脉)的实际运动情况,相比于传统的对扫描物体的模体进行变换之后做正反投再成像的运动伪影模拟方式,效率更高。
另外,根据本说明书公布的运动伪影模拟方法,可以获得大量的运动伪影模拟图像,这些图像可以包含各种运动伪影。在一些实施例中,基于生成的运动伪影模拟图像,可以训练运动伪影去除模型。生成的运动伪影模拟图像可以作为运动伪影去除模型的训练样本。运动伪影去除模型可以用于去除或减少图像中的运动伪影。运动伪影去除模型可以包括深度学习模型、机器学习模型等。例如,运动伪影去除模型可以包括但不限于U-NET(U型网络)、神经网络模型等。以这些大量的运动伪影模拟图像作为训练样本,可以提高运动伪影去除模型的运动伪影去除效果。
应该注意的是,以上关于过程300的描述仅出于说明性目的而提供,并不旨在限制本说明书的范围。对于本领域普通技术人员而言,在本说明书内容的指导下,可做出多种变化和修改。在一些实施例中,过程300可以包括一个或以上附加操作(或步骤)和/或省略上述一个或以上操作(或步骤)来完成。例如,过程300可以包括附加的传输操作(或步骤),以将所生成的运动伪影模拟图像发送到终端设备(例如,终端设备130)进行展示。又例如,过程300可以包括附加的存储操作(或步骤)以在本说明书的其他地方公开的存储设备(例如,存储设备150)中存储与运动伪影模拟相关的信息和/或数据(例如,目标图像、伪影模拟模型、生成的运动伪影模拟图像等)。然而,这些变化和修改不脱离本说明书的范围。
本说明书实施例可能带来的有益效果包括但不限于:(1)可以实现对运动伪影的分段模拟,这符合扫描物体(例如冠脉)的实际运动情况,相比于传统的对扫描物体的模体进行变换之后做正反投再成像的运动伪影模拟方式,效率更高;(2)可以获得大量的运动伪影模拟图像,这些图像可以包含各种运动伪影;(3)以这些大量的运动伪影模拟图像作为训练样本,可以提高运动伪影去除模型的运动伪影去除效果。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本说明书的各方面可能表现为位于一个或以上计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种运动伪影模拟方法,其特征在于,所述方法包括:
基于伪影模拟模型,确定目标对象的分段运动向量场;
通过分段重建目标图像确定分段重建图像;
基于所述分段运动向量场和所述分段重建图像,生成运动伪影模拟图像。
2.如权利要求1所述的方法,其特征在于,基于伪影模拟模型,确定目标对象的分段运动向量场,包括:
提取所述目标图像中管状结构的中心线;
基于所述中心线和伪影模拟模型,确定所述分段运动向量场。
3.如权利要求1所述的方法,其特征在于,所述目标图像为具有高于预设阈值的质量分数的图像。
4.如权利要求1所述的方法,其特征在于,基于伪影模拟模型,确定目标对象的分段运动向量场,包括:
将预设时间段分成多个子时间段;
基于所述伪影模拟模型,确定每个子时间段的分段运动向量场。
5.如权利要求4所述的方法,其特征在于,所述伪影模拟模型包括运动函数或机器学习模型。
6.如权利要求4所述的方法,其特征在于,通过分段重建所述目标图像确定分段重建图像,包括:
以所述目标图像的时相为中心,获取所述目标图像的投影数据;
对所述投影数据进行分段重建,确定所述分段重建图像。
7.如权利要求1所述的方法,其特征在于,基于所述分段运动向量场和所述分段重建图像,生成运动伪影模拟图像,包括:
基于所述分段运动向量场和所述分段重建图像,生成分段运动补偿图像;
通过叠加所述分段运动补偿图像,确定所述运动伪影模拟图像。
8.如权利要求7所述的方法,其特征在于,基于所述分段运动向量场和所述分段重建图像,生成分段运动补偿图像,包括:
基于所述分段运动向量场、所述分段重建图像,以及与分段重建图像对应的投影数据相关的权重,生成所述分段运动补偿图像。
9.如权利要求1所述的方法,其特征在于,所述方法进一步包括:
基于所述运动伪影模拟图像,训练运动伪影去除模型。
10.一种运动伪影模拟系统,其特征在于,所述系统包括:
确定模块,被配置为基于伪影模拟模型,确定目标对象的分段运动向量场;
重建模块,被配置为通过分段重建所述目标图像确定分段重建图像;
生成模块,被配置为基于所述分段运动向量场和所述分段重建图像,生成运动伪影模拟图像。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210195616.3A CN114596225A (zh) | 2022-03-01 | 2022-03-01 | 一种运动伪影模拟方法和系统 |
PCT/CN2023/079098 WO2023165533A1 (en) | 2022-03-01 | 2023-03-01 | Systems and methods for motion artifact simulation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210195616.3A CN114596225A (zh) | 2022-03-01 | 2022-03-01 | 一种运动伪影模拟方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114596225A true CN114596225A (zh) | 2022-06-07 |
Family
ID=81807094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210195616.3A Pending CN114596225A (zh) | 2022-03-01 | 2022-03-01 | 一种运动伪影模拟方法和系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114596225A (zh) |
WO (1) | WO2023165533A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023165533A1 (en) * | 2022-03-01 | 2023-09-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for motion artifact simulation |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013205830B4 (de) * | 2013-04-03 | 2024-05-29 | Siemens Healthineers Ag | Verfahren und Bilddatenerzeugungseinrichtung zur Erzeugung von Bilddaten eines sich bewegenden Objekts, Magnetresonanzanlage und Computerprogrammprodukt |
KR101582093B1 (ko) * | 2014-02-21 | 2016-01-04 | 삼성전자주식회사 | 단층 촬영 장치 및 그에 따른 단층 영상 복원 방법 |
CN109949206B (zh) * | 2019-01-30 | 2023-09-26 | 上海联影医疗科技股份有限公司 | 运动伪影图像的生成方法、装置、设备和存储介质 |
CN113534031B (zh) * | 2020-04-21 | 2023-05-05 | 上海联影医疗科技股份有限公司 | 图像域数据生成方法、计算机设备和可读存储介质 |
CN111815692B (zh) * | 2020-07-15 | 2023-12-01 | 东软教育科技集团有限公司 | 无伪影数据及有伪影数据的生成方法、系统及存储介质 |
CN114596225A (zh) * | 2022-03-01 | 2022-06-07 | 上海联影医疗科技股份有限公司 | 一种运动伪影模拟方法和系统 |
-
2022
- 2022-03-01 CN CN202210195616.3A patent/CN114596225A/zh active Pending
-
2023
- 2023-03-01 WO PCT/CN2023/079098 patent/WO2023165533A1/en unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023165533A1 (en) * | 2022-03-01 | 2023-09-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for motion artifact simulation |
Also Published As
Publication number | Publication date |
---|---|
WO2023165533A1 (en) | 2023-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11847781B2 (en) | Systems and methods for medical acquisition processing and machine learning for anatomical assessment | |
US10417762B2 (en) | Matching patient images and images of an anatomical atlas | |
EP3444777A1 (en) | Automatic change detection in medical images | |
WO2022037696A1 (zh) | 基于深度学习的骨骼分割方法和系统 | |
US10803354B2 (en) | Cross-modality image synthesis | |
Tmenova et al. | CycleGAN for style transfer in X-ray angiography | |
US9406130B2 (en) | Determining an anatomical atlas | |
CN109381205B (zh) | 用于执行数字减影血管造影的方法、混合成像装置 | |
JP2022077991A (ja) | 医用画像処理装置、医用画像処理方法、医用画像処理プログラム、モデルトレーニング装置、およびトレーニング方法 | |
JP2019082745A (ja) | 人工知能利用駆出率決定方法 | |
CN114596225A (zh) | 一种运动伪影模拟方法和系统 | |
KR20190114229A (ko) | 영상 처리 장치 및 방법 | |
CN113538419B (zh) | 一种图像处理方法和系统 | |
US11138736B2 (en) | Information processing apparatus and information processing method | |
CN113205566A (zh) | 基于深度学习的腹部三维医学影像转换生成方法 | |
CN107799166B (zh) | 医学成像系统 | |
Nakao | Medical Image Synthesis and Statistical Reconstruction Methods | |
Moon et al. | Standardizing 3D medical imaging | |
WO2023131061A1 (en) | Systems and methods for positron emission computed tomography image reconstruction | |
Szostek et al. | Using computed tomography images for a heart modeling | |
CN115908430A (zh) | 基于图像处理的介入医学检测方法、装置、设备及介质 | |
CN118154805A (zh) | 呼吸运动建模方法、系统、装置及计算机可读存储介质 | |
CN114565584A (zh) | 一种胸片去骨处理方法及装置 | |
CN115398482A (zh) | 创建合成医学图像 | |
CN114926513A (zh) | 图像配准融合方法、装置、系统、计算机设备和存储介质 |
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 |