CN116012477A - 一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法 - Google Patents
一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法 Download PDFInfo
- Publication number
- CN116012477A CN116012477A CN202211700958.2A CN202211700958A CN116012477A CN 116012477 A CN116012477 A CN 116012477A CN 202211700958 A CN202211700958 A CN 202211700958A CN 116012477 A CN116012477 A CN 116012477A
- Authority
- CN
- China
- Prior art keywords
- image
- tissue
- normal
- breast
- abnormal tissue
- 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
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法，包括，获取乳腺的DCE‑MRI图像，将图像分割为患侧图像和健侧图像，构建基于对称引导的乳腺癌正常影像重建和异常组织提取模型，将患侧图像和健侧图像输入至模型中，获取患侧图像的正常组织图像和异常组织图像，设置模型的参数并进行训练，获取训练模型，获取需要进行正常影像重建的乳腺图像，将乳腺图像输入至训练后的基于对称引导的乳腺癌正常影像重建和异常组织提取模型，获取乳腺图像的正常组织图像和异常组织图像。能够有效的识别乳腺DCE‑MRI图像中的异常组织，并重建正常组织影像，基于对侧乳腺进行重建还可以有效避免乳腺个体差异带来的影响。
Description
技术领域
本发明涉及医学影像分析处理技术领域，尤其涉及一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法。
背景技术
动态对比增强磁共振影像(Dynamic Contrast-Enhanced Magnetic ResonanceImaging，DCE-MRI)相较于X射线、超声等传统乳腺医学影像技术，对软组织病变具有较高的敏感性，是乳腺癌新辅助化疗(Neoadjuvant Chemotherapy，NAC)疗效评估中常用的最灵敏、最准确的影像学检查方法。研究表明(Lee H,Lee D E,Park S,et al.PredictingResponse to Neoadjuvant Chemotherapy in Patients With Breast Cancer[J].Clinical Nuclear Medicine,2019,44(1):21-29.)，DCE-MRI影像中除病灶外，纤维腺体组织、背景实质强化、淋巴结等正常组织信息可以提升疗效评估的准确性。然而，肿瘤占位会影响正常组织的信息提取，因此很多研究借助对侧乳腺进行分析，显然这种方式会导致分析不准确。
目前，图像分解技术在医学影像正常组织与异常组织分离方面取得了成功。李淑娟(李淑娟.基于乳腺动态增强MRI的分解与配准[D].大连理工大学,2016.)和Liu(Liu H,Zheng Y,Liang D,et al.Total variation based DCE-MRI decomposition byseparating lesion from background for time-intensity curve estimation[J].Medical Physics,2017,44(6):2321-2331.)在全变分分解的框架下根据病灶周围不同组织成像的特异性进行分解，发现全变分约束可以表征乳腺癌异常组织增强的连续性，分别将提取具有灰度一致性的纹理图像用于配准和将获取的单纯的病变增强信息用于准确TIC曲线的绘制。该工作主要关注病灶附近邻域区域的异常组织提取，分解范围小，因此没有考虑病灶外乳腺正常组织。Kawata等人应用结构-纹理分解获得3D胸部CT图像中肺结节纹理的空间构型(Y.Kawata,N.Niki,M.Kusumoto,et al.A preliminary study ofvisualizing texture components of stage IA lung adenocarcinoma in three-dimensional thoracic CT images with structure-texture image decomposition[C],Biomedical Applications in Molecular,Structural,and Functional Imaging,2020.)，通过提取肺结节中的纹理信息，用于分析肿瘤异质性等肿瘤内部信息，并进一步实现3D肺结节纹理结构可视化，该模型需要预先对肺结节区域进行手动分割，无法实现异常区域的自动化识别。
综上所述，当前对乳腺组织影像进行重建存在以下问题：图像中肿瘤占位会影响正常组织的信息提取，借助对侧乳腺进行分析导致分析不准确；没有考虑病灶外乳腺正常组织，主要关注病灶附近邻域区域的异常组织提取，分解范围小；需要预先对图像区域进行手动分割，无法实现异常区域的自动化识别。
发明内容
本发明提供一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法，以克服上述技术问题。
一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法，包括，
步骤一、获取乳腺的DCE-MRI图像，将图像分割为患侧图像和健侧图像，分别对患侧图像和健侧图像进行归一化处理，获取归一化后的患侧图像和健侧图像，
步骤二、构建基于对称引导的乳腺癌正常影像重建和异常组织提取模型，将患侧图像和健侧图像输入至基于对称引导的乳腺癌正常影像重建和异常组织提取模型中，获取患侧图像的正常组织图像和异常组织图像，所述基于对称引导的乳腺癌正常影像重建和异常组织提取模型包括正常组织编码器、异常组织编码器、判别器、异常组织解码器、正常组织解码器以及联合解码器，
所述正常组织编码器用于提取患侧图像中的正常组织因子，
所述异常组织编码器用于提取患侧图像中的异常组织因子，
所述正常组织解码器用于对正常组织因子进行重建并生成新的患侧乳腺正常组织图像，
所述联合解码器用于重建正常组织因子和异常组织因子之间的联合因子，并根据联合因子生成患侧图像重建约束，
所述异常组织解码器用于根据患侧图像重建约束对异常组织因子进行重建并生成新的患侧乳腺异常组织图像，
所述判别器用于判断新的患侧乳腺正常组织图像与健侧图像之间的相似度，根据相似度的取值输出新的患侧乳腺正常组织图像，
步骤三、设置基于对称引导的乳腺癌正常影像重建和异常组织提取模型中的参数并进行训练，获取训练后的基于对称引导的乳腺癌正常影像重建和异常组织提取模型，获取需要进行正常影像重建的乳腺图像，将乳腺图像输入至训练后的基于对称引导的乳腺癌正常影像重建和异常组织提取模型，获取乳腺图像的正常组织图像和异常组织图像。
优选地，所述基于对称引导的乳腺癌正常影像重建和异常组织提取模型的损失函数为公式(1)，
LG(x′，a，x，y)＝λALA(x′，y)+λTVLTV(a)+λRLR(x′，a，x) (1)
其中，x为患侧图像，y为健侧图像，LA(x′)为对抗损失，LTV(a)为总变分损失，LR(x′，a，x)为重建损失，λA为对抗损失的权重，λR为重建损失的权重，λTV为总变分损失的权重，患侧图像x经过正常组织编码器EN和异常组织编码器EA分别得到正常组织因子zN和异常组织因子zA，正常组织解码器DN将zN重建生成患侧乳腺正常组织图像x′，异常组织解码器DA将zA重建生成患侧乳腺异常组织图像a。
优选地，所述对抗损失的表达式为公式(2)，
其中，py表示健侧图像y的概率分布，x为患侧图像，D为判别器，E代表期望值，判别器D的损失函数为公式(3)，
其中，px表示患侧图像x的概率分布。
优选地，所述总变分损失的表达式为公式(4)，
其中，(i，J)代表像素坐标，a为患侧乳腺异常组织图像。
优选地，所述重建损失的表达式为公式(5)，
其中，DU为联合解码器，zN为正常组织因子，zA为异常组织因子，
和A分别表示无病灶图像域和有病灶图像域，||·||1表示1-范数，x为患侧图像。
本发明提供一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法，通过基于对称引导的乳腺癌正常影像重建和异常组织提取模型能够有效的识别乳腺DCE-MRI图像中的异常组织，并重建正常组织影像，借助解耦表征学习，通过正常组织编码器、异常组织编码器分离乳腺DCE-MRI中的正常组织因子和异常组织因子，同时借助人体对称性作为引导，即每个人两侧乳腺的正常组织会呈现相似的增强模式与灰度范围，基于健侧图像实现不同组织的特异性感知，不仅能够无监督的实现乳腺癌影像中异常组织的识别和正常组织影像的重建，还可以有效避免乳腺个体差异带来的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明总线异常处理装置结构示意图；
图2是本发明是乳腺DCE-MRI中患侧与健侧乳腺感兴趣区域截取示意图，其中x为患侧乳腺，y为健侧乳腺；
图3是本发明选取的病灶区域较明显时相的健侧和患侧乳腺区域DCE-MRI图像，其中，1-患侧图像，2-健侧图像；
图4是本发明基于对称引导的乳腺癌正常组织影像重建模型的框架；
图5是本发明分解模型中编码器Ex、解码器Dx和判别器D的详细结构其中CB和CB’均为卷积块，CTB为反卷积块；
图6是本发明患侧乳腺分解得到的正常组织与异常组织图像，其中，1-正常组织图像，2-异常组织图像。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
近年来，解耦表征学习在图像分解领域具有良好的表现，Tang等人基于胸部X射线影像中病灶区域通常由异常组织叠加或取代正常组织的假设(Y.B.Tang，Y.X.Tang，Y.Y.Zhu，et a1.A disentangled generative model for disease decomposition inchest X-rays via normal image synthesis[J]，Medical Image Analysis，2021，67(12).)，根据解耦表征学习的思想构建了解耦生成模型，其中正常组织采用总变分约束以及大量健康胸片引导，残差图用来表示异常组织。对于乳腺DCE-MRI影像来说，病灶灰度被增强亮度大，且具有连续性，总变分约束更适合约束乳腺异常组织。其次，各患者胸部X射线影像灰度相似性较高，模型采用了大量数据进行训练，然而患者间乳腺DCE-MRI个体差异较大，且数据量有限，通过大量数据来学习正常组织特征难度大，使用患侧乳腺对应的健侧乳腺建模正常组织，解决了多中心问题，无需大量数据训练。
在临床上对称性具有十分重要的应用，人体解剖结构在器官、组织等成像上的对称性可以为区分正常与异常组织提供有用信息。Qiu等人通过从镜像大脑中减去原始大脑，得到差分图用来训练随机森林分类器，实现病变分割。(Qiu W，Kuang H，Teleg E，etal.Machine Learning for Detecting Early Infarction in Acute Stroke with Non-Contrast-enhanced CT[J].Radiology，2020，294(3)：638-644.)Liang等人提出一种对称性增强注意力网络实现了对早急性脑梗塞病灶的检测和精确的勾勒(Liang，Kongming，KaiHan，Xiuli Li，et al.″Symmetry-Enhanced Attention Network for Acute IschemicInfarct Segmentation with Non-contrast CT Images.″In International Conferenceon Medical Image Computing and Computer-Assisted Intervention，2021，432-441.)，其利用脑部影像的对称性，实现脑CT影像的自动化矫正，并根据左右大脑的特征对比进行相似度建模，增强了对输入区域病灶的判断能力。上述研究都表明对称性具有重要的临床价值，对于乳腺来说，患者双侧乳腺的正常组织也具有相似的特征，这种对称性可以为乳腺癌正常组织影像的重建提供帮助。
综上所述，为分析患侧乳腺的正常组织信息可以通过图像分解获得，从而去除肿瘤占位的影响，目前该工作面临以下几个问题：(1)图像分解技术为医学图像中正常组织与异常组织的分离提供了可能，其中基于解耦表征学习的分解模型具有更加突出的表现，然而由于关注点不同，以前的分解模型不能完全适用于乳腺癌正常组织影像的重建。(2)临床上对称信息的应用为乳腺癌正常组织影像重建提供了新的思路，将对称性与基于解耦表征学习的图像分解技术结合，充分利用左右乳腺正常组织具有相似的增强模式与灰度范围作为先验，使用患侧乳腺对称的健侧乳腺引导重建工作，可以重建生成与健侧乳腺具有相似特征表达的乳腺癌正常组织影像。
图1为本发明方法流程图，如图1所示，本实施例的方法可以包括：
一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法，包括，
步骤一、获取乳腺的DCE-MRI图像，选取乳腺DCE-MRI图像序列中病灶较为明显的90s左右时相成像，并选取乳腺区域作为研究对象，根据病灶亮度和手术病理结果记录确定患侧和健侧，选择合适的位置截取大小为100*100的感兴趣区域，使其能够包含完整的单侧乳腺，图2所示为乳腺DCE-MRI(Breast DCE-MRI)中患侧与健侧乳腺感兴趣区域截取示意图，感兴趣区域的大小可根据实际情况如病灶的大小等进行调整，其中x为患侧乳腺，y为健侧乳腺。将患侧感兴趣区域作为待分解的模型输入图像，健侧感兴趣区域作为输入判别器的健侧图像。基于人体对称性将图像分割为患侧图像和健侧图像，分别对患侧图像和健侧图像进行归一化处理，计算患侧图像与健侧图像的最大灰度值Imax、最小灰度值Imin，使用公式(1)将灰度归一化到0～1范围内，
其中，Imax为最大灰度值，Imin为最小灰度值，I为患侧图像与健侧图像的灰度值。
如图3所示为患者所有包含病灶的患侧乳腺感兴趣区域图像和对应的健侧乳腺感兴趣区域图像，获取归一化后的患侧图像和健侧图像，
步骤二、构建基于对称引导的乳腺癌正常影像重建和异常组织提取模型，模型框架如图4所示，将患侧图像和健侧图像输入至基于对称引导的乳腺癌正常影像重建和异常组织提取模型中，获取患侧图像的正常组织图像和异常组织图像，其中x为患侧乳腺，y为健侧乳腺，所述基于对称引导的乳腺癌正常影像重建和异常组织提取模型包括正常组织编码器EN、异常组织编码器EA、判别器D、异常组织解码器DA、正常组织解码器DN以及联合解码器DU，模型中的编码器、解码器以及判别器的详细结构如图5所示，其中CB和CB’均为卷积块，CTB为反卷积块。
所述正常组织编码器用于提取患侧图像中的正常组织因子，
所述异常组织编码器用于提取患侧图像中的异常组织因子，
所述正常组织解码器用于对正常组织因子进行重建并生成新的患侧乳腺正常组织图像，
所述联合解码器用于重建正常组织因子和异常组织因子之间的联合因子，即对正常组织因子和异常组织因子进行矩阵拼接获得联合因子，并根据联合因子生成患侧图像重建约束，
所述异常组织解码器用于根据患侧图像重建约束对异常组织因子进行重建并生成新的患侧乳腺异常组织图像，
所述判别器用于判断新的患侧乳腺正常组织图像与健侧图像之间的相似度，根据相似度的取值输出新的患侧乳腺正常组织图像，所述判别器材是为了生成的正常组织图像与健侧图像具有足够相似的特征。
所述基于对称引导的乳腺癌正常影像重建和异常组织提取模型的损失函数为公式(2)，
LG(x′，a，x，y)＝λALA(x′，y)+λTVLTV(a)+λRLR(x′，a，x) (2)
其中，x为患侧图像，y为健侧图像，LA(x′)为对抗损失，LTV(a)为总变分损失，LR(x′，a，x)为重建损失，λA为对抗损失的权重，λR为重建损失的权重，λTV为总变分损失的权重，患侧图像x经过正常组织编码器EN和异常组织编码器EA分别得到正常组织因子zN和异常组织因子zA，正常组织解码器DN将zN重建生成患侧乳腺正常组织图像x′，异常组织解码器DA将zA重建生成患侧乳腺异常组织图像a。
所述对抗损失的表达式为公式(3)，
其中，py表示健侧图像y的概率分布，x为患侧图像，D为判别器，E代表期望值，判别器D的损失函数为公式(4)，
其中，px表示患侧图像x的概率分布。
所述总变分损失的表达式为公式(5)，
其中，(i，j)代表像素坐标，a为患侧乳腺异常组织图像。根据医学领域知识，异常组织通常为大块的连通区域，总变分损失可以使生成的异常组织增强图像具有空间平滑性，并且减少异常点。
所述重建损失的表达式为公式(6)，
其中，DU为联合解码器，zN为正常组织因子，zA为异常组织因子，
和A分别表示无病灶图像域和有病灶图像域，||·||1表示1-范数，x为患侧图像。重建损失LR(x′，a)由三部分组成：由联合解码器DU将zN和zA的联合因子重建生成第一患侧重建图像约束；将x′与a再次叠加得到第二患侧重建图像约束；当输入图像x为无病灶图像时，该模型生成的异常组织增强图像a应当为空，因此当x为无病灶图像时，加入惩罚项。
步骤三、设置基于对称引导的乳腺癌正常影像重建和异常组织提取模型中的参数并进行训练，设置参数为训练次数epoch为100，学习率为10e-4，批大小为16，损失函数权重λA、λr、λTV分别为15，1O，1。所有参数均是根据多次实验结果调整得到的经验值。其中训练次数、学习率、批大小均可根据实际情况进行适当调整，损失函数权重λA、λR、λTV的调节对于分解结果至关重要，其中λA如果较小会导致重建得到的正常组织图像与其对应的健侧乳腺图像不够相似，即无法得到具有放射真实性的正常组织图像，λTV如果增大会使得提取到的异常组织减少甚至为空，导致正常组织与异常组织的分离不彻底，而λR会直接影响模型的训练速度，适当的λR可以使模型更快收敛。
输入数据通过当前模型计算得到结果的损失函数，并通过误差反传更新模型参数，当训练模型训练次数达到100时，损失函数收敛，停止训练。
获取训练后的基于对称引导的乳腺癌正常影像重建和异常组织提取模型，获取需要进行正常影像重建的乳腺图像，将乳腺图像输入至训练后的基于对称引导的乳腺癌正常影像重建和异常组织提取模型，获取乳腺图像的正常组织图像和异常组织图像，乳腺图像的正常组织图像与异常组织图像如图6所示。
正常组织图像替代患侧乳腺的在DCE-MRI中的位置，得到重建的正常组织影像；异常组织图像周围(即非患侧乳腺所在位置)填充灰度值为0的像素，使得到的异常病灶影像具有乳腺DCE-MRI影像相同的大小。重建得到的健康影像更加清晰和真实，可以模拟患者健康状态影像，用于个性化疾病研究的数据扩增；获得的异常组织更加便于分析，可以提高放射科医生的读取效率。
整体的有益效果：
本发明提供一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法，通过基于对称引导的乳腺癌正常影像重建和异常组织提取模型能够有效的识别乳腺DCE-MRI图像中的异常组织，并重建正常组织影像，借助解耦表征学习，通过正常组织编码器、异常组织编码器分离乳腺DCE-MRI中的正常组织因子和异常组织因子，同时借助人体对称性作为引导，即每个人两侧乳腺的正常组织会呈现相似的增强模式与灰度范围，基于健侧图像实现不同组织的特异性感知，不仅能够无监督的实现乳腺癌影像中异常组织的识别和正常组织影像的重建，还可以有效避免乳腺个体差异带来的影响。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法，其特征在于，包括，
步骤一、获取乳腺的DCE-MRI图像，将图像分割为患侧图像和健侧图像，分别对患侧图像和健侧图像进行归一化处理，获取归一化后的患侧图像和健侧图像，
步骤二、构建基于对称引导的乳腺癌正常影像重建和异常组织提取模型，将患侧图像和健侧图像输入至基于对称引导的乳腺癌正常影像重建和异常组织提取模型中，获取患侧图像的正常组织图像和异常组织图像，所述基于对称引导的乳腺癌正常影像重建和异常组织提取模型包括正常组织编码器、异常组织编码器、判别器、异常组织解码器、正常组织解码器以及联合解码器，
所述正常组织编码器用于提取患侧图像中的正常组织因子，
所述异常组织编码器用于提取患侧图像中的异常组织因子，
所述正常组织解码器用于对正常组织因子进行重建并生成新的患侧乳腺正常组织图像，
所述联合解码器用于重建正常组织因子和异常组织因子之间的联合因子，并根据联合因子生成患侧图像重建约束，
所述异常组织解码器用于根据患侧图像重建约束对异常组织因子进行重建并生成新的患侧乳腺异常组织图像，
所述判别器用于判断新的患侧乳腺正常组织图像与健侧图像之间的相似度，根据相似度的取值输出新的患侧乳腺正常组织图像，
步骤三、设置基于对称引导的乳腺癌正常影像重建和异常组织提取模型中的参数并进行训练，获取训练后的基于对称引导的乳腺癌正常影像重建和异常组织提取模型，获取需要进行正常影像重建的乳腺图像，将乳腺图像输入至训练后的基于对称引导的乳腺癌正常影像重建和异常组织提取模型，获取乳腺图像的正常组织图像和异常组织图像。
2.根据权利要求1所述的一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法，其特征在于，所述基于对称引导的乳腺癌正常影像重建和异常组织提取模型的损失函数为公式(1)，
LG(x′，a，x，y)＝λALA(x′，y)+λTVLTV(a)+λRLR(x′，a，x) (1)
其中，x为患侧图像，y为健侧图像，LA(x′)为对抗损失，LTV(a)为总变分损失，LR(x′，a，x)为重建损失，λA为对抗损失的权重，λR为重建损失的权重，λTV为总变分损失的权重，患侧图像x经过正常组织编码器EN和异常组织编码器EA分别得到正常组织因子zN和异常组织因子zA，正常组织解码器DN将zN重建生成患侧乳腺正常组织图像x′，异常组织解码器DA将zA重建生成患侧乳腺异常组织图像a。
3.根据权利要求2所述的一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法，其特征在于，所述对抗损失的表达式为公式(2)，
其中，py表示健侧图像y的概率分布，x为患侧图像，D为判别器，E代表期望值，判别器D的损失函数为公式(3)，
其中，px表示患侧图像x的概率分布。
4.根据权利要求2所述的一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法，其特征在于，所述总变分损失的表达式为公式(4)，
其中，(i，J)代表像素坐标，a为患侧乳腺异常组织图像。
5.根据权利要求2所述的一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法，其特征在于，所述重建损失的表达式为公式(5)，
其中，DU为联合解码器，zN为正常组织因子，zA为异常组织因子，
和A分别表示无病灶图像域和有病灶图像域，||·||1表示1-范数，x为患侧图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211700958.2A CN116012477A (zh) | 2022-12-28 | 2022-12-28 | 一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211700958.2A CN116012477A (zh) | 2022-12-28 | 2022-12-28 | 一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116012477A true CN116012477A (zh) | 2023-04-25 |
Family
ID=86036743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211700958.2A Pending CN116012477A (zh) | 2022-12-28 | 2022-12-28 | 一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116012477A (zh) |
-
2022
- 2022-12-28 CN CN202211700958.2A patent/CN116012477A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110310281B (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
| Shen et al. | A hybrid knowledge-guided detection technique for screening of infectious pulmonary tuberculosis from chest radiographs | |
| US8483467B2 (en) | Medical image diagnosis assisting apparatus and method, and computer readable recording medium on which is recorded program for the same | |
| CN111429474B (zh) | 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法 | |
| US20130108133A1 (en) | Medical image processing apparatus, method and program | |
| Zhuang et al. | Nipple segmentation and localization using modified u-net on breast ultrasound images | |
| CN111667478A (zh) | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 | |
| US20240008801A1 (en) | System and method for virtual pancreatography pipepline | |
| NJSRF et al. | Anaylsis and Detection of Community-acquired pneumonia using pspnet with complex Daubechies wavelets | |
| Raja et al. | Lung segmentation and nodule detection in 3D medical images using convolution neural network | |
| Ni et al. | Asymmetry disentanglement network for interpretable acute ischemic stroke infarct segmentation in non-contrast CT scans | |
| Wang et al. | TRCT-GAN: CT reconstruction from biplane X-rays using transformer and generative adversarial networks | |
| KR20200116278A (ko) | 치과 영상으로부터 피검체의 성별 및 연령을 판정하는 방법 및 이를 이용한 장치 | |
| Zhang et al. | Automatic parotid gland segmentation in MVCT using deep convolutional neural networks | |
| CN112967254A (zh) | 基于胸部ct影像肺部疾病识别和检测方法 | |
| Mangalagiri et al. | Toward generating synthetic CT volumes using a 3D-conditional generative adversarial network | |
| Kim et al. | AI-based computer-aided diagnostic system of chest digital tomography synthesis: Demonstrating comparative advantage with X-ray-based AI systems | |
| Singh et al. | Semantic segmentation of bone structures in chest X-rays including unhealthy radiographs: A robust and accurate approach | |
| CN116012477A (zh) | 一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法 | |
| KR20220132544A (ko) | 약한 감독 병변 분할 | |
| Amara et al. | Augmented reality for medical practice: a comparative study of deep learning models for ct-scan segmentation | |
| Amritha et al. | Liver tumor segmentation and classification using deep learning | |
| Li et al. | Cochlear CT image segmentation based on u-net neural network | |
| Mathur et al. | Computer-Aided Diagnosis System for Brain Tumor Classification and Segmentation | |
| Hammami et al. | Data augmentation for multi-organ detection in medical images |
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 |