CN114693753B - 基于纹理保持约束的三维超声弹性配准方法及装置 - Google Patents
基于纹理保持约束的三维超声弹性配准方法及装置 Download PDFInfo
- Publication number
- CN114693753B CN114693753B CN202210321114.0A CN202210321114A CN114693753B CN 114693753 B CN114693753 B CN 114693753B CN 202210321114 A CN202210321114 A CN 202210321114A CN 114693753 B CN114693753 B CN 114693753B
- Authority
- CN
- China
- Prior art keywords
- registration
- image
- texture
- network
- voxel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000014759 maintenance of location Effects 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000011524 similarity measure Methods 0.000 claims abstract description 10
- 238000002604 ultrasonography Methods 0.000 claims description 19
- 238000007667 floating Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000002679 ablation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000003042 antagnostic effect Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004513 sizing Methods 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
- G06T2207/10136—3D ultrasound image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
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)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
基于纹理保持约束的三维超声弹性配准方法及装置，能够在保证时效性与配准精度的同时，获取纹理更加真实的形变图像，为临床手术中各项需要运动形变补偿的关键环节提供真实精准的配准结果。其包括：(1)构建三维超声图像数据集，划分训练集与测试集；(2)融合图像各体素的强度信息与局部结构信息，构建图像相似性测度函数；(3)使用生成对抗式学习网络，搭建纹理保持约束的配准框架；(4)根据训练集数据训练网络直至收敛，保存网络模型参数；(5)测试阶段导入训练好的网络模型参数，根据输入的待配准图像对，实现快速精准的弹性配准。
Description
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及一种基于纹理保持约束的三维超声弹性配准方法，以及基于纹理保持约束的三维超声弹性配准装置。
背景技术
超声成像已是一个成熟的和被广泛使用的医学成像技术。相较于CT成像与MR成像，超声成像技术实时性好、可靠性高、安全性强，而且成本较低，操作流程简单方便。与MR、CT成像系统相比，超声成像系统机身相对较小而且可移动，不用固定在特定的房间中，采集方便。另外，超声可在一个高成像频率下连续采集图像序列，达到实时成像的效果，因此被广泛应用于临床手术中。
在超声图像采集过程中，病人在位姿变换以及呼吸运动等因素的影响下，在腹部器官会产生柔性运动形变，进而干扰临床中医生对于目标器官的评估、术中导航等多项临床手术的关键环节，最终影响治疗精度。对于不同采集图像之间存在的运动形变，医学影像处理领域通常使用弹性配准的方法进行运动形变信息的捕捉。在一对待配准图像对之间建立密集的、非线性的对应关系，并在设计好的正则化约束下对配准映射进行优化，最终构建二者之间的运动形变场，为上述问题的解决提供了可能性。因此，医学影像配准很长时间以来都是医学影像处理领域的研究热点。当前的配准问题可由一个公式来表示，见公式(1)：
其中，f表示固定图像；m表示浮动图像；φ表示固定图像f与浮动图像m之间的运动形变场；Lsim表示固定图像f与形变后的浮动图像之间的图像相似性差异；Lsmooth表示对于得到的运动形变场φ的正则化约束；λ则表示Lsim与Lsmooth之间的权重系数。
对于上述配准目标问题，传统配准方法大多采用迭代优化的方式解决每组待配准图像对的优化问题，由于该问题是计算密集型的，因此配准的时间成本高，完成一例高精度的配准时间在分钟量级，无法满足实际临床手术中的需求。
为规避这一问题，近年来基于深度学习的配准方法被广泛的研究。该类型方法借助深度学习网络捕获待配准图像之间的运动形变场，在训练阶段使用大规模的训练样本训练提高网络对于运动形变场的捕捉建模能力，在测试阶段则使用已经训练好的网络预测输入图像对之间的运动形变，在保证配准精度的同时大大降低了配准的时间成本，将配准时间缩减至秒量级。
与图像质量较高的CT图像、MR图像不同，超声图像因其成像机理限制，存在比较严重的斑点噪声，图像质量较差。在大噪声情况下，目前基于深度学习的配准方法得到的配准结果会存在由于配准约束较弱导致的不真实的纹理，严重影响形变后图像的质量。在实际临床治疗过程中，配准后图像的准确性和解剖真实性至关重要，直接影响了数千医生对于目标器官的运动评估、术中基于图像引导导航治疗以及术后目标区域治疗效果评价等多项临床手术关键环节的准确性。现有的基于深度学习的配准方法仍然存在以下几个方面的缺陷：
1、现有基于深度学习的配准方法未能充分考虑超声图像的较大斑点噪声问题，在计算图像相似性时大多选择直接使用图像的强度信息；
2、现有基于深度学习的配准方法大多以原始输入图像对的图像相似性以及生成的运动形变场的平滑正则化为约束进行配准问题优化，在大噪声情况下存在约束较弱的问题，导致生成的形变后图像出现不真实的纹理。
因而，基于纹理保持的三维超声影像弹性配准方法须满足以下条件：(1)充分考虑图像中存在的噪声问题，而非简单使用图像强度信息进行配准；(2)增加对配准问题的约束，在计算原图像相似性以及形变场正则化的基础上加强运动形变约束，提高形变图像的真实性。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于纹理保持约束的三维超声弹性配准方法，其能够在保证时效性与配准精度的同时，获取纹理更加真实的形变图像，为临床手术中各项需要运动形变补偿的关键环节提供真实精准的配准结果。
本发明的技术方案是：这种基于纹理保持约束的三维超声弹性配准方法，其包括以下步骤：
(1)构建三维超声图像数据集，划分训练集与测试集；
(2)融合图像各体素的强度信息与局部结构信息，构建图像相似性测度函数；
(3)使用生成对抗式学习网络，搭建纹理保持约束的配准框架；
(4)根据训练集数据训练网络直至收敛，保存网络模型参数；
(5)测试阶段导入训练好的网络模型参数，根据输入的待配准图像对，实现快速精准的弹性配准。
本发明采用无监督配准策略，不需要形变场金标准，极大程度上解决了形变场金标准标注困难、工作量大等对配准任务的限制；本发明构建了体素强度信息与局部邻域内的结构信息相结合的相似性测度函数，有效地解决了超声图像中斑点噪声的影响；本发明构建了基于生成对抗式网络的纹理保持约束配准框架，借助纹理判别器与内容判别器，对生成的形变图像根据固定图像进行纹理信息与内容信息约束；因此本发明能够在保证时效性与配准精度的同时，获取纹理更加真实的形变图像，为临床手术中各项需要运动形变补偿的关键环节提供真实精准的配准结果。
还提供了基于纹理保持约束的三维超声弹性配准装置，其包括：
构建模块，其配置来构建三维超声图像数据集，划分训练集与测试集；
融合模块，其配置来融合图像各体素的强度信息与局部结构信息，构建图像相似性测度函数；
搭建模块，其配置来使用生成对抗式学习网络，搭建纹理保持约束的配准框架；
保存模块，其配置来根据训练集数据训练网络直至收敛，保存网络模型参数；
配准模块，其配置来测试阶段导入训练好的网络模型参数，根据输入的待配准图像对，实现快速精准的弹性配准。
附图说明
图1是根据本发明的基于纹理保持约束的三维超声弹性配准方法的流程图。
图2示出了根据本发明的纹理保持约束的三维超声弹性配准框架的示意图。
具体实施方式
如图1所示，这种基于纹理保持约束的三维超声弹性配准方法，其包括以下步骤：
(1)构建三维超声图像数据集，划分训练集与测试集；
(2)融合图像各体素的强度信息与局部结构信息，构建图像相似性测度函数；
(3)使用生成对抗式学习网络，搭建纹理保持约束的配准框架；
(4)根据训练集数据训练网络直至收敛，保存网络模型参数；
(5)测试阶段导入训练好的网络模型参数，根据输入的待配准图像对，实现快速精准的弹性配准。
本发明采用无监督配准策略，不需要形变场金标准，极大程度上解决了形变场金标准标注困难、工作量大等对配准任务的限制；本发明构建了体素强度信息与局部邻域内的结构信息相结合的相似性测度函数，有效地解决了超声图像中斑点噪声的影响；本发明构建了基于生成对抗式网络的纹理保持约束配准框架，借助纹理判别器与内容判别器，对生成的形变图像根据固定图像进行纹理信息与内容信息约束；因此本发明能够在保证时效性与配准精度的同时，获取纹理更加真实的形变图像，为临床手术中各项需要运动形变补偿的关键环节提供真实精准的配准结果。
优选地，所述步骤(1)中，使用MICCAI CLUST2015三维超声公开数据集，并对原始数据集进行尺寸裁剪的预处理操作；对于预处理后的数据集按一定比例进行训练数据与测试数据的划分。
优选地，所述步骤(2)中，对于图像中的每个体素，以7维特征向量进行描述；其中前6维分别代表该体素的6-邻域中各个体素与该中心体素之间的强度差值，并以此作为该中心体素的局部邻域结构信息；第7维则是该中心体素的灰度值。
优选地，所述步骤(3)中，配准框架由配准网络、空间形变层、纹理判别器以及内容判别器组成；其中，配准网络接收输入的待配准图像对，预测生成对应的运动形变场；空间形变层将配准网络输出的形变场作用在浮动图像上得到形变图像；纹理判别器和内容判别器接受的输入相同，均为形变图像和固定图像，二者的区别在于，纹理判别器通过计算两幅图像各自在每个分辨率层级特征图的格拉姆矩阵之间的差异来定量化二者的纹理信息损失；内容判别器通过计算两幅图像各自在每个分辨率层级的特征图之间的差异来定量化二者的内容信息损失；将两个判别器各自得到的不同信息相结合反馈给配准网络，进行网络参数的优化更新，最终实现纹理保持约束的配准效果。
优选地，所述步骤(4)中，尝试不同的训练策略以及超参数组合，通过设计消融实验，最终确定一组最佳训练策略以及超参数组合。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种基于纹理保持约束的三维超声弹性配准装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包获取模块，其配置来获取待分割的图像；
构建模块，其配置来构建三维超声图像数据集，划分训练集与测试集；
融合模块，其配置来融合图像各体素的强度信息与局部结构信息，构建图像相似性测度函数；
搭建模块，其配置来使用生成对抗式学习网络，搭建纹理保持约束的配准框架；
保存模块，其配置来根据训练集数据训练网络直至收敛，保存网络模型参数；
配准模块，其配置来测试阶段导入训练好的网络模型参数，根据输入的待配准图像对，实现快速精准的弹性配准。
优选地，所述构建模块中，使用MICCAI CLUST2015三维超声公开数据集，并对原始数据集进行尺寸裁剪的预处理操作；对于预处理后的数据集按一定比例进行训练数据与测试数据的划分。
优选地，所述融合模块中，对于图像中的每个体素，以7维特征向量进行描述；其中前6维分别代表该体素的6-邻域中各个体素与该中心体素之间的强度差值，并以此作为该中心体素的局部邻域结构信息；第7维则是该中心体素的灰度值。
优选地，所述搭建模块中，配准框架由配准网络、空间形变层、纹理判别器以及内容判别器组成；其中，配准网络接收输入的待配准图像对，预测生成对应的运动形变场；空间形变层将配准网络输出的形变场作用在浮动图像上得到形变图像；纹理判别器和内容判别器接受的输入相同，均为形变图像和固定图像，二者的区别在于，纹理判别器通过计算两幅图像各自在每个分辨率层级特征图的格拉姆矩阵之间的差异来定量化二者的纹理信息损失；内容判别器通过计算两幅图像各自在每个分辨率层级的特征图之间的差异来定量化二者的内容信息损失；将两个判别器各自得到的不同信息相结合反馈给配准网络，进行网络参数的优化更新，最终实现纹理保持约束的配准效果。
优选地，所述保存模块中，尝试不同的训练策略以及超参数组合，通过设计消融实验，最终确定一组最佳训练策略以及超参数组合。
下面结合具体实施例和附图详细说明本发明。
附图1为工作流程图，方法包括以下几个步骤：
步骤一：构建三维超声图像数据集，划分训练集与测试集。为保证训练数据集具有较大规模，选择使用MICCAI CLUST2015三维超声公开数据集，并对原始数据集进行尺寸裁剪的预处理操作。对于预处理后的数据集按一定比例进行训练数据与测试数据的划分。
步骤二：融合图像各体素的强度信息与局部结构信息，构建图像相似性测度函数。对于图像中的每个体素，以7为特征向量进行描述。其中前6维分别代表该体素的6-邻域中各个体素与该中心体素之间的强度差值，并以此作为该中心体素的局部邻域结构信息；第7维则是该中心体素的灰度值。通过这种方式，将每个体素的结构信息与强度信息相结合，避免了传统只基于强度信息的相似性测度函数对大噪声的敏感，提高了图像相似性测度函数对噪声的鲁棒性。
步骤三：使用生成对抗式学习网络，搭建纹理保持约束的三维超声弹性配准框架，其示意图如附图2。整个框架由配准网络、空间形变层、纹理判别器以及内容判别器组成。其中，配准网络接收输入的待配准图像对，预测生成对应的运动形变场。空间形变层则将配准网络输出的形变场作用在浮动图像上得到形变图像。纹理判别器和内容判别器接受的输入相同，均为形变图像和固定图像。二者的区别在于，纹理判别器通过计算两幅图像各自在每个分辨率层级特征图的格拉姆矩阵之间的差异来定量化二者的纹理信息损失；而内容判别器则通过计算两幅图像各自在每个分辨率层级的特征图之间的差异来定量化二者的内容信息损失。将两个判别器各自得到的不同信息相结合反馈给配准网络，进行网络参数的优化更新，最终实现纹理保持约束的配准效果。
步骤四:根据训练集数据训练网络直至收敛，保存网络模型参数。尝试不同的训练策略以及超参数组合，通过设计消融实验，最终确定一组最佳训练策略以及超参数组合。
步骤五：测试阶段导入训练好的网络模型参数，根据输入的待配准图像对，实现快速精准的弹性配准。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。
Claims (6)
1.基于纹理保持约束的三维超声弹性配准方法，其特征在于：其包括以下步骤：
（1）构建三维超声图像数据集，划分训练集与测试集；
（2）融合图像各体素的强度信息与局部结构信息，构建图像相似性测度函数；
（3）使用生成对抗式学习网络，搭建纹理保持约束的配准框架；
（4）根据训练集数据训练网络直至收敛，保存网络模型参数；
（5）测试阶段导入训练好的网络模型参数，根据输入的待配准图像对，实现快速精准的弹性配准；
所述步骤（2）中，对于图像中的每个体素，以7维特征向量进行描述；其中前6维分别代表该体素的6-邻域中各个体素与中心体素之间的强度差值，并以此作为中心体素的局部邻域结构信息；第7维则是中心体素的灰度值；
所述步骤（3）中，配准框架由配准网络、空间形变层、纹理判别器以及内容判别器组成；其中，配准网络接收输入的待配准图像对，预测生成对应的运动形变场；空间形变层将配准网络输出的形变场作用在浮动图像上得到形变图像；纹理判别器和内容判别器接受的输入相同，均为形变图像和固定图像，二者的区别在于，纹理判别器通过计算两幅图像各自在每个分辨率层级特征图的格拉姆矩阵之间的差异来定量化二者的纹理信息损失；内容判别器通过计算两幅图像各自在每个分辨率层级的特征图之间的差异来定量化二者的内容信息损失；将两个判别器各自得到的不同信息相结合反馈给配准网络，进行网络参数的优化更新，最终实现纹理保持约束的配准效果。
2.根据权利要求1所述的基于纹理保持约束的三维超声弹性配准方法，其特征在于：所述步骤（1）中，使用MICCAI CLUST2015三维超声公开数据集，并对原始数据集进行尺寸裁剪的预处理操作；对于预处理后的数据集按一定比例进行训练数据与测试数据的划分。
3.根据权利要求2所述的基于纹理保持约束的三维超声弹性配准方法，其特征在于：所述步骤（4）中，尝试不同的训练策略以及超参数组合，通过设计消融实验，最终确定一组最佳训练策略以及超参数组合。
4.基于纹理保持约束的三维超声弹性配准装置，其特征在于：其包括：
构建模块，其配置来构建三维超声图像数据集，划分训练集与测试集；
融合模块，其配置来融合图像各体素的强度信息与局部结构信息，构建图像相似性测度函数；
搭建模块，其配置来使用生成对抗式学习网络，搭建纹理保持约束的配准框架；
保存模块，其配置来根据训练集数据训练网络直至收敛，保存网络模型参数；
配准模块，其配置来测试阶段导入训练好的网络模型参数，根据输入的待配准图像对，实现快速精准的弹性配准；
所述融合模块中，对于图像中的每个体素，以7维特征向量进行描述；其中前6维分别代表该体素的6-邻域中各个体素与中心体素之间的强度差值，并以此作为中心体素的局部邻域结构信息；第7维则是中心体素的灰度值；
所述搭建模块中，配准框架由配准网络、空间形变层、纹理判别器以及内容判别器组成；其中，配准网络接收输入的待配准图像对，预测生成对应的运动形变场；空间形变层将配准网络输出的形变场作用在浮动图像上得到形变图像；纹理判别器和内容判别器接受的输入相同，均为形变图像和固定图像，二者的区别在于，纹理判别器通过计算两幅图像各自在每个分辨率层级特征图的格拉姆矩阵之间的差异来定量化二者的纹理信息损失；内容判别器通过计算两幅图像各自在每个分辨率层级的特征图之间的差异来定量化二者的内容信息损失；将两个判别器各自得到的不同信息相结合反馈给配准网络，进行网络参数的优化更新，最终实现纹理保持约束的配准效果。
5.根据权利要求4所述的基于纹理保持约束的三维超声弹性配准装置，其特征在于：所述构建模块中，使用MICCAI CLUST2015三维超声公开数据集，并对原始数据集进行尺寸裁剪的预处理操作；对于预处理后的数据集按一定比例进行训练数据与测试数据的划分。
6.根据权利要求5所述的基于纹理保持约束的三维超声弹性配准装置，其特征在于：所述保存模块中，尝试不同的训练策略以及超参数组合，通过设计消融实验，最终确定一组最佳训练策略以及超参数组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210321114.0A CN114693753B (zh) | 2022-03-24 | 2022-03-24 | 基于纹理保持约束的三维超声弹性配准方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210321114.0A CN114693753B (zh) | 2022-03-24 | 2022-03-24 | 基于纹理保持约束的三维超声弹性配准方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114693753A CN114693753A (zh) | 2022-07-01 |
| CN114693753B true CN114693753B (zh) | 2024-05-03 |
Family
ID=82141521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210321114.0A Active CN114693753B (zh) | 2022-03-24 | 2022-03-24 | 基于纹理保持约束的三维超声弹性配准方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114693753B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091589A (zh) * | 2019-11-25 | 2020-05-01 | 北京理工大学 | 基于多尺度监督学习的超声和核磁图像配准方法及装置 |
| CN113724139A (zh) * | 2021-11-02 | 2021-11-30 | 南京理工大学 | 基于二重判别器生成对抗网络的无监督的红外单图超分 |
| CN113763442A (zh) * | 2021-09-07 | 2021-12-07 | 南昌航空大学 | 一种可变形医学图像配准方法及系统 |
| WO2022041307A1 (zh) * | 2020-08-31 | 2022-03-03 | 温州医科大学 | 一种构建半监督图像分割框架的方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993825B (zh) * | 2019-03-11 | 2023-06-20 | 北京工业大学 | 一种基于深度学习的三维重建方法 |
-
2022
- 2022-03-24 CN CN202210321114.0A patent/CN114693753B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091589A (zh) * | 2019-11-25 | 2020-05-01 | 北京理工大学 | 基于多尺度监督学习的超声和核磁图像配准方法及装置 |
| WO2022041307A1 (zh) * | 2020-08-31 | 2022-03-03 | 温州医科大学 | 一种构建半监督图像分割框架的方法及系统 |
| CN113763442A (zh) * | 2021-09-07 | 2021-12-07 | 南昌航空大学 | 一种可变形医学图像配准方法及系统 |
| CN113724139A (zh) * | 2021-11-02 | 2021-11-30 | 南京理工大学 | 基于二重判别器生成对抗网络的无监督的红外单图超分 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114693753A (zh) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091589B (zh) | 基于多尺度监督学习的超声和核磁图像配准方法及装置 | |
| JP2023550844A (ja) | 深層形状学習に基づく肝臓ｃｔ自動分割方法 | |
| CN112132878B (zh) | 基于卷积神经网络的端到端大脑核磁共振图像配准方法 | |
| CN113160138B (zh) | 一种脑部核磁共振图像分割方法及系统 | |
| JP7492640B1 (ja) | 脳ネットワークデータ特徴抽出方法および装置 | |
| CN112489029B (zh) | 一种基于卷积神经网络的医学图像分割方法及装置 | |
| CN112598790A (zh) | 脑结构三维重建方法、装置及终端设备 | |
| CN115496720A (zh) | 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备 | |
| CN117078693A (zh) | 一种基于生成对抗网络的淋巴瘤影像重构与分割装置 | |
| CN116579975A (zh) | 一种卷积神经网络的脑龄预测方法及系统 | |
| CN112561918B (zh) | 卷积神经网络的训练方法和病灶分割方法 | |
| CN114581459A (zh) | 一种基于改进性3D U-Net模型的学前儿童肺部影像感兴趣区域分割方法 | |
| CN112164447B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN116843679B (zh) | 基于深度图像先验框架的pet图像部分容积校正方法 | |
| CN109741439A (zh) | 一种二维mri胎儿图像的三维重建方法 | |
| US20240153243A1 (en) | Wasserstein distance and difference metric-combined chest radiograph anomaly identification domain adaptation method and system | |
| CN113205567A (zh) | 基于深度学习的mri影像合成ct影像的方法 | |
| CN108846896A (zh) | 一种自动分子蛋白质分子体学诊断系统 | |
| CN114693753B (zh) | 基于纹理保持约束的三维超声弹性配准方法及装置 | |
| CN116958094A (zh) | 一种动态增强磁共振影像特征生成病理图像特征的方法 | |
| CN114529519B (zh) | 基于多尺度深度空洞残差网络的图像压缩感知重建方法及系统 | |
| CN116309754A (zh) | 一种基于局部-全局信息协作的大脑医学图像配准方法及系统 | |
| Irmawati et al. | Recent trends of left and right ventricle segmentation in cardiac mri using deep learning | |
| CN113538348A (zh) | 一种颅脑磁共振弥散加权图像的处理方法及相关产品 | |
| CN116152285B (zh) | 基于深度学习和灰度信息的图像分割系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |