CN115063641A - 一种基于深度学习的ct伪影识别方法和装置 - Google Patents
一种基于深度学习的ct伪影识别方法和装置 Download PDFInfo
- Publication number
- CN115063641A CN115063641A CN202210995588.3A CN202210995588A CN115063641A CN 115063641 A CN115063641 A CN 115063641A CN 202210995588 A CN202210995588 A CN 202210995588A CN 115063641 A CN115063641 A CN 115063641A
- Authority
- CN
- China
- Prior art keywords
- artifact
- category
- images
- image
- identification
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医疗图像识别技术领域,具体提供了一种基于深度学习的CT伪影识别方法和装置,所述方法包括:调用预先训练得到的初级伪影类别识别模型对待识别的CT图像序列中各个CT图像的伪影子类别进行识别,得到各个CT图像的初级伪影类别识别结果;对CT图像序列中各个CT图像的初级伪影类别识别结果进行统计,根据统计结果生成伪影类别特征向量;调用预先训练得到的终级伪影类别识别模型对所述伪影类别特征向量进行识别,得到所述CT图像序列的伪影类别识别结果。本申请能够更加准确快速的获得CT检查的伪影类别,以便医生为后续CT检查做出正确干预,进而提高诊断的准确性。
Description
技术领域
本发明涉及医疗图像识别技术领域,尤其涉及一种基于深度学习的CT伪影识别方法和装置。
背景技术
CT(计算机断层扫描成像系统)利用X射线扫描物体,获得投影数据,并通过断层重建算法来处理这些投影数据,获得物体的断层和三维的密度信息,达到无损检测的目的。在医学诊断、工业无损检测等领域都有着重要的应用。在医学诊断领域,CT自从1970年问世以来,与磁共振(MRI)、正电子发射计算机断层成像和CT组合系统(PET/CT)一起成为医用三大关键成像系统。相比其他成像手段,CT重建能够快速得到高分辨率的图像,重建结果的对比度精度可以控制在1%以内,能分辨0 .5mm的级别的物体。
但是因为物理过程的复杂性,在CT实际应用中,因外界因素、机器因素等导致CT产生不准确、不真实的影像,称为伪影。CT图像伪影严重降低了CT图像的质量,它不能真实反映断层影像,影响诊断结果。且由于设备原因造成的伪影若无法快速识别,将持续影响后续CT图像的质量,进而影响诊断结果。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题的一种基于深度学习的CT伪影识别方法和装置。
本发明的一个方面,提供了一种基于深度学习的CT伪影识别方法,所述方法包括:
调用预先训练得到的初级伪影类别识别模型对待识别的CT图像序列中各个CT图像的伪影子类别进行识别,得到各个CT图像的初级伪影类别识别结果;
对CT图像序列中各个CT图像的初级伪影类别识别结果进行统计,根据统计结果生成伪影类别特征向量;
调用预先训练得到的终级伪影类别识别模型对所述伪影类别特征向量进行识别,得到所述CT图像序列的伪影类别识别结果。
进一步的,每一CT图像的初级伪影类别识别结果包括:CT图像的伪影子类别以及识别为相应伪影子类别的概率,所述CT图像的伪影子类别包括患者活动伪影、金属物体伪影、环状伪影、散射伪影、欠采样伪影以及正常图像。
进一步的,所述对CT图像序列中各个CT图像的初级伪影类别识别结果进行统计,根据统计结果生成伪影类别特征向量包括:
对所述伪影子类别的识别结果进行分类,得到简化的伪影类别,所述简化的伪影类别包括设备伪影、非设备伪影以及正常图像;
统计所述CT图像序列中识别为每一简化的伪影类别的CT图像的数量和识别为相应伪影类别的概率值,将统计结果作为特征值组成伪影类别特征向量。
进一步的,在调用预先训练得到的初级伪影类别识别模型对待识别的CT图像序列中各个CT图像的伪影子类别进行识别之前,所述方法还包括:
采用Inception-ResNet-V2卷积神经网络构建基础卷积神经网络模型;
获取预设的CT图像的训练集,所述训练集中包括多个CT图像的训练样本;
将所述CT图像的训练样本输入到所述基础卷积神经网络模型的输入层,经过训练得到初级伪影类别识别模型。
进一步的,在获取预设的CT图像的训练集之前,所述方法还包括:
采集具有各类伪影的CT图像数据集,并对CT图像数据集中各个CT图像设置伪影子类别标签;
对所述具有伪影子类别标签的各个CT图像进行预处理;
将预处理后的具有伪影子类别标签的各个CT图像作为训练样本,组成预设的CT图像的训练集。
进一步的,在调用预先训练得到的终级伪影类别识别模型对所述伪影类别特征向量进行识别之前,所述方法还包括:
搭建自定义神经网络模型;
获取预设的伪影类别特征向量训练集,所述预设的伪影类别特征向量训练集包括多个伪影类别特征向量训练样本;
将所述伪影类别特征向量训练样本输入到所述自定义神经网络模型的输入层,经过训练得到终级伪影类别识别模型。
进一步的,在获取预设的伪影类别特征向量训练集之前,所述方法还包括:
采集具有各类伪影的CT图像序列数据集;
调用所述初级伪影类别识别模型对各个CT图像序列中各个CT图像的伪影子类别进行识别,得到与各个CT图像序列对应的各个CT图像的初级伪影类别识别结果;
对与各个CT图像序列对应的各个CT图像的初级伪影类别识别结果进行统计,得到与各个CT图像序列对应的伪影类别特征向量;
根据所述各个CT图像序列的简化伪影类别,为与各个CT图像序列对应的伪影类别特征向量设置伪影类别标签;
将具有伪影类别标签的伪影类别特征向量作为训练样本,组成预设的伪影类别特征向量训练集。
进一步的,所述搭建自定义神经网络模型包括:
使用Tensorflow构建自定义的神经网络模型;
所述自定义的神经网络模型具有4个隐藏层,输出层返回简化的伪影类别识别结果及概率,采用梯度下降算法的优化器。
本发明的另一个方面,提供了一种基于深度学习的CT伪影识别装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述计算机程序被所述处理器执行时,实现如上任一项所述的基于深度学习的CT伪影识别方法。
本申请实施例提供的一种基于深度学习的CT伪影识别方法和装置,基于深度学习构建级联神经网络模型,其中初级伪影类别识别模型对CT图像序列中各个CT图像的初级伪影类别进行识别,采用终级伪影类别识别模型对CT图像序列的伪影类别进行识别,能够更加准确快速的获得CT检查的伪影类别,以便医生为后续CT检查做出正确干预,进而提高诊断的准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在附图中:
图1为本发明实施例的一种基于深度学习的CT伪影识别方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
实施例一
本发明实施例的一种基于深度学习的CT伪影识别方法,如图1所示,一种基于深度学习的CT伪影识别方法,包括以下步骤:
S1、调用预先训练得到的初级伪影类别识别模型对待识别的CT图像序列中各个CT图像的伪影子类别进行识别,得到各个CT图像的初级伪影类别识别结果;
需要说明的是,完成一次CT检查获得的CT图像序列中包含若干张CT图像,在本发明实施例中,初级伪影类别识别模型对CT图像序列中的各个CT图像的初级伪影类别进行识别,得到各个CT图像的初级伪影类别识别结果。
进一步的,每一个CT图像的初级伪影类别识别结果包括CT图像的伪影子类别及识别为相应子类别的概率。所述伪影子类别包括但不限于患者活动伪影、金属物体伪影、环状伪影、散射伪影、欠采样伪影以及正常图像。
S2、对CT图像序列中各个CT图像的初级伪影类别识别结果进行统计,根据统计结果生成伪影类别特征向量;
在本发明实施例中,所述对各个CT图像的初级伪影类别识别结果进行统计,根据统计结果生成伪影类别特征向量包括:对所述伪影子类别的识别结果进行分类,得到简化的伪影类别,所述简化的伪影类别包括设备伪影、非设备伪影以及正常图像;具体的归类方法如下表所示:
归类前 | 归类后 |
正常图像 | 正常图像 |
患者活动伪影 | 非设备伪影 |
金属物体伪影 | 非设备伪影 |
环状伪影 | 设备伪影 |
散射伪影 | 设备伪影 |
欠采样伪影 | 设备伪影 |
进一步的,统计所述CT图像序列中识别为每一简化的伪影类别的CT图像的数量和识别为相应伪影类别的概率值,将统计结果作为特征值组成伪影类别特征向量。
具体的,所述特征属值包括12项,分别为(1)针对三大类别的个数统计:正常个数,设备伪影个数,非设备伪影个数;(2)识别为三大类别的强度的参数:正常类别的最大概率,正常类别的第二大概率,正常类别的第三大概率;设备伪影的最大概率,设备伪影的第二大概率,设备伪影的第三大概率;非设备伪影的最大概率,非设备伪影的第二大概率,非设备伪影的第三大概率。
具体的,所述特征值参数如下表所示:
特征属性 | 特征值 |
1 | 识别为正常类别的图像个数 |
2 | 识别为设备伪影的图像个数 |
3 | 识别为非设备伪影的图像个数 |
4 | 识别为正常类别的最大概率值 |
5 | 识别为正常类别的第二大概率值 |
6 | 识别为正常类别的第三大概率值 |
7 | 识别为设备类别的最大概率值 |
8 | 识别为设备类别的第二大概率值 |
9 | 识别为设备类别的第三大概率值 |
10 | 识别为非设备类别的最大概率值 |
11 | 识别为非设备类别的第二大概率值 |
12 | 识别为非设备类别的第三大概率值 |
S3、调用预先训练得到的终级伪影类别识别模型对所述伪影类别特征向量进行识别,得到所述CT图像序列的伪影类别识别结果。
在本发明实施例中,通过终级伪影类别识别模型对所述伪影类别特征向量进行识别,得到所述CT图像序列的伪影类别识别的最终结果。当识别为设备伪影时,在放射科设备综合管理系统提示工作人员进行故障检测、上报、维修,以不影响后续CT图像的质量,提高诊断结果的准确性。
本发明实施例基于深度学习构建级联神经网络,能够更加准确快速的获得CT检查的伪影类别,其中所述级联神经网络中的初级伪影类别识别模型和终级伪影类别识别模型为预先训练得出的。
具体的,在调用预先训练得到的初级伪影类别识别模型对待识别的CT图像序列中各个CT图像的伪影子类别进行识别之前,还包括训练得出初级伪影类别识别模型,具体的训练方法包括以下步骤:
S11、采用Inception-ResNet-V2卷积神经网络构建基础卷积神经网络模型;
在本发明实施例中,所述基础卷积神经网络模型的输出类别设置为CT图像的伪影子类别,包括但不限于患者活动伪影、金属物体伪影、环状伪影、散射伪影、欠采样伪影以及正常图像。
S12、获取预设的CT图像的训练集,所述训练集中包括多个CT图像的训练样本;
在本发明实施例中,获取预设的CT图像的训练集之前,还需要构建CT图像的训练集,具体包括采集具有各类伪影的CT图像数据集,并对CT图像数据集中各个CT图像设置伪影子类别标签;对所述具有伪影子类别标签的各个CT图像进行预处理;将预处理后的具有伪影子类别标签的各个CT图像作为训练样本,组成预设的CT图像的训练集。
进一步的,本发明的对各个CT图像进行预处理包括对图像进行缩放,具体的可以设置为331*331的缩放,并对缩放后的图像做数据增强操作,包括随机翻转,随机亮度,随机对比度的操作。需要说明的是,为了保证识别图像的完整性并未对图像做随机裁剪的操作。
S13、将所述CT图像的训练样本输入到所述基础卷积神经网络模型的输入层,经过训练得到初级伪影类别识别模型。
在本发明实施例中,训练过程中batch size为16表示每次迭代反向传播梯度计算的样本数量,网络结构中大量使用了Inception结构和Residual Block(残差块),可以很好的提取CT图像中伪影部位的抽象特征 ,保证训练过程的收敛速度和模型的泛化能力。
模型训练的初始学习率为0.001,采用指数平滑方式逐步减小学习率,损失函数采用交叉熵损失,优化器采用RMSProp优化器算法。经过250的epoch迭代训练,训练过程中使用early stopping提前终止训练。
进一步的,在调用预先训练得到的终级伪影类别识别模型对所述伪影类别特征向量进行识别之前,还包括训练得出终级伪影类别识别模型,具体的训练方法包括以下步骤:
S21、搭建自定义神经网络模型;
在本发明实施例中,使用Tensorflow构建自定义的神经网络模型;所述自定义神经网络模型的输入层为与伪影类别特征向量对应的浮点向量,具有4个隐藏层,输出层返回简化伪影类别识别结果及概率,采用梯度下降算法的优化器。
S22、获取预设的伪影类别特征向量训练集,所述预设的伪影类别特征向量训练集包括多个伪影类别特征向量训练样本;
在本发明实施例中,获取预设的伪影类别特征向量训练集之间,还包括构建伪影类别特征向量训练集,具体包括:采集具有各类伪影的CT图像序列数据集;调用所述初级伪影类别识别模型对所述各个CT图像序列中各个CT图像的伪影子类别进行识别,得到与各个CT图像序列对应的各个CT图像的初级伪影类别识别结果;对与各个CT图像序列对应的各个CT图像的初级伪影类别识别结果进行统计,得到与各个CT图像序列对应的伪影类别特征向量;根据所述各个CT图像序列的简化伪影类别,为与各个CT图像序列对应的伪影类别特征向量设置伪影类别标签;将具有伪影类别标签的伪影类别特征向量作为训练样本,组成预设的伪影类别特征向量训练集。
需要说明是是,对与各个CT图像序列对应的各个CT图像的初级伪影类别识别结果进行统计,得到与各个CT图像序列对应的伪影类别特征向量。与上述CT图像序列的伪影类别识别的统计方法相同,在此不再赘述。
S23、将所述伪影类别特征向量训练样本输入到所述自定义神经网络模型的输入层,经过训练得到终级伪影类别识别模型。
本发明实施例中,若推断所述待处理的CT图像识别为设备伪影时,在放射科设备综合管理系统提示故障检测。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
实施例二
本发明实施例提供一种基于深度学习的CT伪影识别装置,所述基于深度学习的CT伪影识别装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述计算机程序被所述处理器执行时,实现如上任一项所述的基于深度学习的CT伪影识别方法。
实施例二在具体实现过程中,可以参阅实施例一,具有相应的技术效果。
本申请实施例提供的一种基于深度学习的CT伪影识别方法和装置,基于深度学习构建级联神经网络模型,其中初级伪影类别识别模型对CT图像序列中各个CT图像的初级伪影类别进行识别,采用终级伪影类别识别模型对CT图像序列的伪影类别进行识别,能够更加准确快速的获得CT检查的伪影类别,以便医生为后续CT检查做出正确干预,进而提高诊断的准确性。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (9)
1.一种基于深度学习的CT伪影识别方法,其特征在于,所述方法包括:
调用预先训练得到的初级伪影类别识别模型对待识别的CT图像序列中各个CT图像的伪影子类别进行识别,得到各个CT图像的初级伪影类别识别结果;
对CT图像序列中各个CT图像的初级伪影类别识别结果进行统计,根据统计结果生成伪影类别特征向量;
调用预先训练得到的终级伪影类别识别模型对所述伪影类别特征向量进行识别,得到所述CT图像序列的伪影类别识别结果。
2.根据权利要求1所述的方法,其特征在于,每一CT图像的初级伪影类别识别结果包括:CT图像的伪影子类别以及识别为相应伪影子类别的概率,所述CT图像的伪影子类别包括患者活动伪影、金属物体伪影、环状伪影、散射伪影、欠采样伪影以及正常图像。
3.根据权利要求2所述的方法,其特征在于,所述对CT图像序列中各个CT图像的初级伪影类别识别结果进行统计,根据统计结果生成伪影类别特征向量包括:
对所述伪影子类别的识别结果进行分类,得到简化的伪影类别,所述简化的伪影类别包括设备伪影、非设备伪影以及正常图像;
统计所述CT图像序列中识别为每一简化的伪影类别的CT图像的数量和识别为相应伪影类别的概率值,将统计结果作为特征值组成伪影类别特征向量。
4.根据权利要求1所述的方法,其特征在于,在调用预先训练得到的初级伪影类别识别模型对待识别的CT图像序列中各个CT图像的伪影子类别进行识别之前,所述方法还包括:
采用Inception-ResNet-V2卷积神经网络构建基础卷积神经网络模型;
获取预设的CT图像的训练集,所述训练集中包括多个CT图像的训练样本;
将所述CT图像的训练样本输入到所述基础卷积神经网络模型的输入层,经过训练得到初级伪影类别识别模型。
5.根据权利要求4所述的方法,其特征在于,在获取预设的CT图像的训练集之前,所述方法还包括:
采集具有各类伪影的CT图像数据集,并对CT图像数据集中各个CT图像设置伪影子类别标签;
对所述具有伪影子类别标签的各个CT图像进行预处理;
将预处理后的具有伪影子类别标签的各个CT图像作为训练样本,组成预设的CT图像的训练集。
6.根据权利要求1所述的方法,其特征在于,在调用预先训练得到的终级伪影类别识别模型对所述伪影类别特征向量进行识别之前,所述方法还包括:
搭建自定义神经网络模型;
获取预设的伪影类别特征向量训练集,所述预设的伪影类别特征向量训练集包括多个伪影类别特征向量训练样本;
将所述伪影类别特征向量训练样本输入到所述自定义神经网络模型的输入层,经过训练得到终级伪影类别识别模型。
7.根据权利要求6所述的方法,其特征在于,在获取预设的伪影类别特征向量训练集之前,所述方法还包括:
采集具有各类伪影的CT图像序列数据集;
调用所述初级伪影类别识别模型对各个CT图像序列中各个CT图像的伪影子类别进行识别,得到与各个CT图像序列对应的各个CT图像的初级伪影类别识别结果;
对与各个CT图像序列对应的各个CT图像的初级伪影类别识别结果进行统计,得到与各个CT图像序列对应的伪影类别特征向量;
根据所述各个CT图像序列的简化伪影类别,为与各个CT图像序列对应的伪影类别特征向量设置伪影类别标签;
将具有伪影类别标签的伪影类别特征向量作为训练样本,组成预设的伪影类别特征向量训练集。
8.根据权利要求7所述的方法,其特征在于,所述搭建自定义神经网络模型包括:
使用Tensorflow构建自定义的神经网络模型;
所述自定义的神经网络模型具有4个隐藏层,输出层返回简化的伪影类别识别结果及概率,采用梯度下降算法的优化器。
9.一种基于深度学习的CT伪影识别装置,其特征在于,所述基于深度学习的CT伪影识别装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述计算机程序被所述处理器执行时,实现如权利要求1-8中任一项所述的基于深度学习的CT伪影识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210995588.3A CN115063641B (zh) | 2022-08-19 | 2022-08-19 | 一种基于深度学习的ct伪影识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210995588.3A CN115063641B (zh) | 2022-08-19 | 2022-08-19 | 一种基于深度学习的ct伪影识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063641A true CN115063641A (zh) | 2022-09-16 |
CN115063641B CN115063641B (zh) | 2022-11-29 |
Family
ID=83208176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210995588.3A Active CN115063641B (zh) | 2022-08-19 | 2022-08-19 | 一种基于深度学习的ct伪影识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063641B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721045A (zh) * | 2023-08-09 | 2023-09-08 | 经智信息科技(山东)有限公司 | 一种多ct图像融合的方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214992A (zh) * | 2018-07-27 | 2019-01-15 | 中国科学院深圳先进技术研究院 | Mri图像的伪影去除方法、装置、医疗设备及存储介质 |
US20190073804A1 (en) * | 2017-09-05 | 2019-03-07 | Siemens Healthcare Gmbh | Method for automatically recognizing artifacts in computed-tomography image data |
EP3561778A1 (en) * | 2018-04-26 | 2019-10-30 | Promaton Holding B.V. | Automated correction of metal affected voxel representations of x-ray data using deep learning techniques |
CN110570492A (zh) * | 2019-09-11 | 2019-12-13 | 清华大学 | 神经网络训练方法和设备、图像处理方法和设备以及介质 |
CN110717912A (zh) * | 2019-10-18 | 2020-01-21 | 上海联影智能医疗科技有限公司 | 医学图像质控系统、方法、计算机设备和可读存储介质 |
CN110796613A (zh) * | 2019-10-10 | 2020-02-14 | 东软医疗系统股份有限公司 | 一种图像伪影的自动识别方法及装置 |
CN110866880A (zh) * | 2019-11-14 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 图像伪影检测方法、装置、设备和存储介质 |
CN111539944A (zh) * | 2020-04-28 | 2020-08-14 | 安徽科大讯飞医疗信息技术有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
CN111724356A (zh) * | 2020-06-04 | 2020-09-29 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
CN111798440A (zh) * | 2020-07-11 | 2020-10-20 | 大连东软教育科技集团有限公司 | 医学图像伪影自动识别方法、系统及存储介质 |
CN111951276A (zh) * | 2020-07-28 | 2020-11-17 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN112862778A (zh) * | 2021-02-04 | 2021-05-28 | 上海联影智能医疗科技有限公司 | 扫描影像检测方法、电子设备和计算机可读介质 |
CN113870178A (zh) * | 2021-08-13 | 2021-12-31 | 首都医科大学附属北京安贞医院 | 一种基于人工智能的斑块伪影修正及成分分析方法和装置 |
CN113989279A (zh) * | 2021-12-24 | 2022-01-28 | 武汉华康龙兴工贸有限公司 | 基于人工智能及图像处理的塑料薄膜质量检测方法 |
CN114202516A (zh) * | 2021-11-29 | 2022-03-18 | 上海联影医疗科技股份有限公司 | 一种异物检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-08-19 CN CN202210995588.3A patent/CN115063641B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190073804A1 (en) * | 2017-09-05 | 2019-03-07 | Siemens Healthcare Gmbh | Method for automatically recognizing artifacts in computed-tomography image data |
EP3561778A1 (en) * | 2018-04-26 | 2019-10-30 | Promaton Holding B.V. | Automated correction of metal affected voxel representations of x-ray data using deep learning techniques |
CN109214992A (zh) * | 2018-07-27 | 2019-01-15 | 中国科学院深圳先进技术研究院 | Mri图像的伪影去除方法、装置、医疗设备及存储介质 |
CN110570492A (zh) * | 2019-09-11 | 2019-12-13 | 清华大学 | 神经网络训练方法和设备、图像处理方法和设备以及介质 |
CN110796613A (zh) * | 2019-10-10 | 2020-02-14 | 东软医疗系统股份有限公司 | 一种图像伪影的自动识别方法及装置 |
CN110717912A (zh) * | 2019-10-18 | 2020-01-21 | 上海联影智能医疗科技有限公司 | 医学图像质控系统、方法、计算机设备和可读存储介质 |
CN110866880A (zh) * | 2019-11-14 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 图像伪影检测方法、装置、设备和存储介质 |
CN111539944A (zh) * | 2020-04-28 | 2020-08-14 | 安徽科大讯飞医疗信息技术有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
CN111724356A (zh) * | 2020-06-04 | 2020-09-29 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
CN111798440A (zh) * | 2020-07-11 | 2020-10-20 | 大连东软教育科技集团有限公司 | 医学图像伪影自动识别方法、系统及存储介质 |
CN111951276A (zh) * | 2020-07-28 | 2020-11-17 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN112862778A (zh) * | 2021-02-04 | 2021-05-28 | 上海联影智能医疗科技有限公司 | 扫描影像检测方法、电子设备和计算机可读介质 |
CN113870178A (zh) * | 2021-08-13 | 2021-12-31 | 首都医科大学附属北京安贞医院 | 一种基于人工智能的斑块伪影修正及成分分析方法和装置 |
CN114202516A (zh) * | 2021-11-29 | 2022-03-18 | 上海联影医疗科技股份有限公司 | 一种异物检测方法、装置、电子设备及存储介质 |
CN113989279A (zh) * | 2021-12-24 | 2022-01-28 | 武汉华康龙兴工贸有限公司 | 基于人工智能及图像处理的塑料薄膜质量检测方法 |
Non-Patent Citations (3)
Title |
---|
ILKAY OKSUZ: "Brain MRI artefact detection and correction using convolutional neural networks", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
T. LOSSAU ET AL: "Motion artifact recognition and quantification in coronary CT angiography using convolutional neural networks", 《MEDICAL IMAGE ANALYSIS》 * |
彭成涛: "基于深度学习医学图像金属伪影校正和辅助诊断方法研究", 《中国博士学位论文全文数据库医药卫生科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721045A (zh) * | 2023-08-09 | 2023-09-08 | 经智信息科技(山东)有限公司 | 一种多ct图像融合的方法及装置 |
CN116721045B (zh) * | 2023-08-09 | 2023-12-19 | 经智信息科技(山东)有限公司 | 一种多ct图像融合的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115063641B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545309B (zh) | 使用深度生成机器学习模型的图像质量评分 | |
US10489907B2 (en) | Artifact identification and/or correction for medical imaging | |
CN110858315B (zh) | 考虑较少训练数据的基于深度机器学习的磁共振成像质量分类 | |
CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
EP3703007B1 (en) | Tumor tissue characterization using multi-parametric magnetic resonance imaging | |
CN109215014B (zh) | Ct图像预测模型的训练方法、装置、设备及存储介质 | |
US11471096B2 (en) | Automatic computerized joint segmentation and inflammation quantification in MRI | |
CN113554131B (zh) | 医学图像处理和分析方法、计算机设备、系统和存储介质 | |
EP2793164A1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
CN115063641B (zh) | 一种基于深度学习的ct伪影识别方法和装置 | |
Mathur et al. | Deep learning based quantification of ovary and follicles using 3d transvaginal ultrasound in assisted reproduction | |
CN115136192A (zh) | 对模型的输入实例的分布外检测 | |
CN109949288A (zh) | 肿瘤类型确定系统、方法及存储介质 | |
US10950343B2 (en) | Highlighting best-matching choices of acquisition and reconstruction parameters | |
Remya et al. | Enhanced DWT Filtering technique for brain tumor detection | |
Azli et al. | Ultrasound image segmentation using a combination of edge enhancement and kirsch’s template method for detecting follicles in ovaries | |
US20240005484A1 (en) | Detecting anatomical abnormalities by segmentation results with and without shape priors | |
JP7387457B2 (ja) | 医用画像処理装置、プログラム、および医用画像処理システム | |
CN112233126B (zh) | 医学图像的加窗方法及装置 | |
FAHSI et al. | An hyperparameter optimization study of brain tumor medical image segmentation using U-net | |
EP4343680A1 (en) | De-noising data | |
US20230237647A1 (en) | Ai driven longitudinal liver focal lesion analysis | |
CN113223104B (zh) | 一种基于因果关系的心脏mr图像插补方法及系统 | |
Sheergojri et al. | MRI Brain Tumor Classification and Uncertainty Estimation using Hybrid CNN-ELM Model | |
EP3889881A1 (en) | Method, device and system for generating a denoised medical image |
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 |