CN116309922B - Ct灌注影像的去伪影方法、装置、设备和存储介质 - Google Patents
Ct灌注影像的去伪影方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116309922B CN116309922B CN202310577352.2A CN202310577352A CN116309922B CN 116309922 B CN116309922 B CN 116309922B CN 202310577352 A CN202310577352 A CN 202310577352A CN 116309922 B CN116309922 B CN 116309922B
- Authority
- CN
- China
- Prior art keywords
- image
- images
- brain
- imaging
- artifact
- 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
- 230000010412 perfusion Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003384 imaging method Methods 0.000 claims abstract description 128
- 210000004556 brain Anatomy 0.000 claims abstract description 101
- 239000011159 matrix material Substances 0.000 claims abstract description 87
- 239000002872 contrast media Substances 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 55
- 210000005013 brain tissue Anatomy 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 14
- 210000003625 skull Anatomy 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000011946 reduction process Methods 0.000 claims description 4
- 239000012216 imaging agent Substances 0.000 claims 1
- 238000012216 screening Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种CT灌注影像的去伪影方法、装置、设备和存储介质，通过对灌注影像序列进行分层处理得到对应不同空间层面的多个图像数据集，分别对各图像数据集中的脑部图像进行配准后，再进行头枕装置去除处理以及血管内造影剂影响减小处理得到处理后配准图像，接着计算各图像数据集的相似度矩阵，进而计算得到平均相似度矩阵，基于平均相似度矩阵判断灌注影像序列中是否存在伪影，还根据平均相似度矩阵得到每一成像时刻与其他成像时刻图像相似度的平均值，并根据该值对各时刻进行筛选得到伪影时刻，最后将伪影时刻对应的所有空间层面的脑部图像从灌注影像序列中删除。采用本方法能够快速并自动的识别伪影影像，并将其去除。
Description
技术领域
本申请涉及转化医学技术领域，特别是涉及一种CT灌注影像的去伪影方法、装置、设备和存储介质。
背景技术
脑CT灌注成像（CTP）是一种对患者脑部进行不同层面下的连续CT扫描的成像技术，是当前检查急性缺血性脑卒中的重要影像学方法。CTP影像包含多个空间层面、多个时刻的影像，通过显示造影剂在脑组织中的浓度变化，反映脑组织血流情况。基于示踪动力学模型及示踪剂稀释理论，通过特定算法对获取的CT灌注图像进行处理，可以得到灌注参数图及缺血、梗死区域，指导后续治疗。
伪影是由于设备或人为原因所造成的、图像中组织结构被错误传递的一种现象，是一种原本被扫描物体并不存在而在图像上却出现的各种形态的影像。在脑CT灌注影像扫描过程中，患者的自主或非自主运动可能造成重建后的脑CT灌注影像中存在运动伪影。运动伪影会导致重建的脑CT灌注影像中存在像素点模糊、重叠等问题，甚至导致影像中颅骨变形、像素点无法对应正确的空间层面，严重的运动伪影会导致图像退化、灌注参数图计算错误，影响脑CT灌注影像在诊断及治疗中的作用。因此在分析脑CT灌注影像之前，需要首先将伪影严重的影像筛选及删除，以免影响分析结果。
发明内容
基于此，有必要针对上述技术问题，提供一种能够自动判断及删除伪影的CT灌注影像的去伪影方法、装置、设备和存储介质。
一种CT灌注影像的去伪影方法，所述方法包括：
获取与脑部相关的CT灌注影像序列；
根据影像空间层面信息对所述CT灌注影像序列进行分层处理，得到对应不同空间层面的多个图像数据集，各所述图像数据集中包括多张由不同成像时刻得到的脑部图像；
分别对各所述图像数据集中的脑部图像进行配准得到配准图像，再对各所述配准图像进行头枕装置去除处理以及血管内造影剂影响减小处理得到处理后配准图像；
在每一个图像数据集中，计算任意两个成像时刻对应的处理后配准图像之间的相似度，相应得到各所述图像数据集的相似度矩阵；
根据各所述图像数据集的相似度矩阵进行计算得到平均相似度矩阵，并基于所述平均相似度矩阵判断所述CT灌注影像序列中某一成像时刻得到的脑部图像是否存在伪影；
若判断结果为存在伪影，则根据所述平均相似度矩阵计算每一成像时刻与其他成像时刻图像相似度的平均值，若某一成像时刻与其他成像时刻图像相似度的平均值满足预设条件，则该成像时刻为伪影时刻；
将所述伪影时刻对应的所有空间层面的脑部图像从所述CT灌注影像序列中删除，并对其中剩余的脑部图像进行处理得到去除伪影后的CT灌注影像序列。
在其中一实施例中，所述分别对各所述图像数据集中的脑部图像进行配准得到配准图像包括：
在每一个图像数据集中，选取造影剂浓度最大的成像时刻对应的脑部图像作为固定图像，根据所述固定图像分别对图像数据集中其他时刻对应的脑部图像进行配准，得到所述配准图像。
在其中一实施例中，所述再对各所述配准图像进行头枕装置去除处理包括:
根据第一阈值对所述配准图像进行二值化处理，得到第一图像；
对所述第一图像取最大连通域，得到颅脑区域的二值化图；
将所述颅脑区域的二值化图与对应的配准图像进行相乘处理，得到去除头枕装置的颅脑区域图像。
在其中一实施例中，对所述颅脑区域图像进行血管内造影剂影响减小处理得到所述处理后配准图像包括：
根据第二阈值以及第三阈值对所述颅脑区域图像进行二值化处理，得到第二图像；
对所述第二图像进行包括开运算、提取最大连通域操作，得到不包含颅骨的脑组织区域二值图；
将所述脑组织区域二值图与对应的配准图像进行相乘处理，得到不包含颅骨区域的脑组织区域图像；
对所述不包含颅骨的脑组织区域图像进行高斯滤波得到脑组织区域滤波后图像；
将所述去除头枕装置的颅脑区域图像与所述脑组织区域滤波后图像结合，得到所述处理后配准图像。
在其中一实施例中，所述计算任意两个成像时刻对应的处理后配准图像之间的相似度采用以下公式：
；
其中，；
；
在上式中，表示两个处理后配准图像其中一图像A的第k个Hu不变矩，/>表示两个处理后配准图像其中一图像B的第k个Hu不变矩，/>，代表7个Hu不变矩的标号。
在其中一实施例中，所述根据各所述图像数据集的相似度矩阵进行计算得到平均相似度矩阵，采用以下公式：
；
在上式中，n代表第n个空间层面，，其中，/>，/>代表第/>，/>个时刻，/>，/>，/>，/>为第/>，/>个时刻对应的图像。
在其中一实施例中，基于所述平均相似度矩阵判断所述CT灌注影像序列中某一成像时刻得到的脑部图像是否存在伪影包括：
计算所述平均相似度矩阵的平均值和标准差，若所述平均值和标准差同时满足以下公式，则判断结果为存在伪影，否则判断结果为不存在伪影：
；
；
在上式中，，/>为预设值，/>为平均值，/>为标准差。
一种CT灌注影像的去伪影装置，所述装置包括：
影像序列获取模块，用于获取与脑部相关的CT灌注影像序列；
序列分层处理模块，用于根据影像空间层面信息对所述CT灌注影像序列进行分层处理，得到对应不同空间层面的多个图像数据集，各所述图像数据集中包括多张由不同成像时刻得到的脑部图像；
图像配准模块，用于分别对各所述图像数据集中的脑部图像进行配准得到配准图像，再对各所述配准图像进行头枕装置去除处理以及血管内造影剂影响减小处理得到处理后配准图像；
相似度矩阵计算模块，用于在每一个图像数据集中，计算任意两个成像时刻对应的处理后配准图像之间的相似度，相应得到各所述图像数据集的相似度矩阵；
伪影判断模块，用于根据各所述图像数据集的相似度矩阵进行计算得到平均相似度矩阵，并基于所述平均相似度矩阵判断所述CT灌注影像序列中某一成像时刻得到的脑部图像是否存在伪影；
伪影时刻获取模块，用于若判断结果为存在伪影，则根据所述平均相似度矩阵计算每一成像时刻与其他成像时刻图像相似度的平均值，若某一成像时刻与其他成像时刻图像相似度的平均值满足预设条件，则该成像时刻为伪影时刻；
伪影去除模块，用于将所述伪影时刻对应的所有空间层面的脑部图像从所述CT灌注影像序列中删除，并对其中剩余的脑部图像进行处理得到去除伪影后的CT灌注影像序列。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取与脑部相关的CT灌注影像序列；
根据影像空间层面信息对所述CT灌注影像序列进行分层处理，得到对应不同空间层面的多个图像数据集，各所述图像数据集中包括多张由不同成像时刻得到的脑部图像；
分别对各所述图像数据集中的脑部图像进行配准得到配准图像，再对各所述配准图像进行头枕装置去除处理以及血管内造影剂影响减小处理得到处理后配准图像；
在每一个图像数据集中，计算任意两个成像时刻对应的处理后配准图像之间的相似度，相应得到各所述图像数据集的相似度矩阵；
根据各所述图像数据集的相似度矩阵进行计算得到平均相似度矩阵，并基于所述平均相似度矩阵判断所述CT灌注影像序列中某一成像时刻得到的脑部图像是否存在伪影；
若判断结果为存在伪影，则根据所述平均相似度矩阵计算每一成像时刻与其他成像时刻图像相似度的平均值，若某一成像时刻与其他成像时刻图像相似度的平均值满足预设条件，则该成像时刻为伪影时刻；
将所述伪影时刻对应的所有空间层面的脑部图像从所述CT灌注影像序列中删除，并对其中剩余的脑部图像进行处理得到去除伪影后的CT灌注影像序列。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取与脑部相关的CT灌注影像序列；
根据影像空间层面信息对所述CT灌注影像序列进行分层处理，得到对应不同空间层面的多个图像数据集，各所述图像数据集中包括多张由不同成像时刻得到的脑部图像；
分别对各所述图像数据集中的脑部图像进行配准得到配准图像，再对各所述配准图像进行头枕装置去除处理以及血管内造影剂影响减小处理得到处理后配准图像；
在每一个图像数据集中，计算任意两个成像时刻对应的处理后配准图像之间的相似度，相应得到各所述图像数据集的相似度矩阵；
根据各所述图像数据集的相似度矩阵进行计算得到平均相似度矩阵，并基于所述平均相似度矩阵判断所述CT灌注影像序列中某一成像时刻得到的脑部图像是否存在伪影；
若判断结果为存在伪影，则根据所述平均相似度矩阵计算每一成像时刻与其他成像时刻图像相似度的平均值，若某一成像时刻与其他成像时刻图像相似度的平均值满足预设条件，则该成像时刻为伪影时刻；
将所述伪影时刻对应的所有空间层面的脑部图像从所述CT灌注影像序列中删除，并对其中剩余的脑部图像进行处理得到去除伪影后的CT灌注影像序列。
上述CT灌注影像的去伪影方法、装置、设备和存储介质，通过根据影像空间层面信息对CT灌注影像序列进行分层处理，得到对应不同空间层面的多个图像数据集，分别对各图像数据集中的脑部图像进行配准得到配准图像，再对各配准图像进行头枕装置去除处理以及血管内造影剂影响减小处理得到处理后配准图像，计算各图像数据集中任意两个成像时刻对应的处理后配准图像之间的相似度，得到多个相似度矩阵，根据各图像数据集的相似度矩阵进行计算得到平均相似度矩阵，并基于平均相似度矩阵判断所述CT灌注影像序列中某一成像时刻得到的脑部图像是否存在伪影，若判断结果为存在伪影，则根据平均相似度矩阵计算每一成像时刻与其他成像时刻图像相似度的平均值，若某一成像时刻与其他成像时刻图像相似度的平均值满足预设条件，则该成像时刻为伪影时刻，最后将伪影时刻对应的所有空间层面的脑部图像从所述CT灌注影像序列中删除，并对其中剩余的脑部图像进行处理得到去除伪影后的CT灌注影像序列。采用本方法能够快速地识别伪影影像，减小了人工筛选的耗时，并能够提高影像质量及后续分析结果的准确性。
附图说明
图1为一个实施例中CT灌注影像的去伪影方法的流程示意图；
图2为一个实验中对配准图像进行去头枕装置过程示意图，其中，（a）表示配准图像，（b）表示对配准图像进行二值化处理得到的第一图像，（c）表示对第一图像取最大连通域得到的颅脑区域的二值图，（d）表示去除头枕装置的颅脑区域图像；
图3为一个实验中对去除头枕装置的颅脑区域图像进行血管内造影剂影响减小处理的过程示意图，其中，（a）表示去除头枕装置的颅脑区域图像（b）表示根据两个阈值对去除头枕装置的颅脑区域图像进行二值化处理后得到的第二图像，（c）表示对第二图像进行开运算、提取最大连通域操作，得到的不包含颅骨的脑组织区域二值图，（d）表示预处理后的配准图像；
图4为一个原始CT灌注影像序列中同一空间层面的四个成像时刻得到的脑部图像，其中，（a）（b）（c）（d）分别表示不同成像时刻得到的脑部图像，（c）表示筛选出来的伪影时刻对应的脑部图像；
图5为一个实施例中CT灌注影像的去伪影装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
针对现有技术中，在对CT灌注影像中的伪影进行判断及删除均采用手动筛选的问题，在一个实施例中，如图1所示，提供了一种CT灌注影像的去伪影方法，包括以下步骤：
步骤S100，获取与脑部相关的CT灌注影像序列；
步骤S110，根据影像空间层面信息对CT灌注影像序列进行分层处理，得到对应不同空间层面的多个图像数据集，各图像数据集中包括多张由不同成像时刻得到的脑部图像；
步骤S120，分别对各图像数据集中的脑部图像进行配准得到配准图像，再对各配准图像进行头枕装置去除处理以及血管内造影剂影响减小处理得到处理后配准图像；
步骤S130，在每一个图像数据集中，计算任意两个成像时刻对应的处理后配准图像之间的相似度，相应得到各图像数据集的相似度矩阵；
步骤S140，根据各图像数据集的相似度矩阵进行计算得到平均相似度矩阵，并基于平均相似度矩阵判断所述CT灌注影像序列中某一成像时刻得到的脑部图像是否存在伪影；
步骤S150，若判断结果为存在伪影，则根据平均相似度矩阵计算每一成像时刻与其他成像时刻图像相似度的平均值，若某一成像时刻与其他成像时刻图像相似度的平均值满足预设条件，则该成像时刻为伪影时刻；
步骤S160，将伪影时刻对应的所有空间层面的脑部图像从CT灌注影像序列中删除，并对其中剩余的脑部图像进行处理得到去除伪影后的CT灌注影像序列。
在步骤S100中，由CT设备在一段时间内对目标（脑部）进行不同层面下连续扫描得到CT灌注影像序列，其中，每一个成像时刻均会得到不同层面下的多张灌注脑部图像。由于完成CT扫描需要一段时间，所以在该段时间内，目标可能会自主或非自主运动，这样可能会造成某一成像时刻得到的图像存在运动伪影以对后续处理造成影响。所以首先需要对CT灌注影像序列进行判断，是否存在伪影，再将伪影图像进行删除，将剩余的正常图像构建得到新的CT灌注影像序列。
在步骤S110中，对CT灌注影像序列进行分层处理，根据影像标签中包含的影像空间位置信息，对影像序列进行分层处理，得到每个空间位置（即每个层面）的不同时刻的图像，并根据各空间位置的不同时刻图像构建对应的图像数据集，且各所述图像数据集中的图像数量以及对应的成像时刻均是一一对应的。
在步骤S120中，分别对各图像数据集中的脑部图像进行配准得到配准图像包括：在进行图像配准时，以各图像数据集为处理单元，选取造影剂浓度最大的成像时刻对应的脑部图像作为固定图像，根据固定图像分别对图像数据集中其他时刻对应的脑部图像进行配准，得到配准图像。
具体的，在进行配准时，将其他所有时刻的图像配准到固定图像上，使每个时刻的同一体素在空间上重合。
由于，严重的运动伪影会导致颅骨变形严重，使图像与正常图像的相似度较差。在后续步骤中，根据不同时刻图像之间的相似度对伪影图像进行筛选，但由于不同时刻的造影剂浓度不同，血管的HU值有很大变化，会影响筛选效果。且患者头部与头枕装置的相对运动也会对图像相似度产生影响。因此需在筛选之前对每一帧图像进行预处理，减小造影剂及头枕装置的影响，同时保留颅骨形状等信息。在本实施例中，依次对每一张配准图像依次进行头枕装置去除处理、血管内造影剂影响减小处理。
具体的，对各配准图像进行头枕装置去除处理包括:根据第一阈值对配准图像进行二值化处理，得到第一图像，对第一图像取最大连通域，得到颅脑区域的二值化图，将颅脑区域的二值化图与对应的配准图像进行相乘处理，得到去除头枕装置的颅脑区域图像。
接着，对颅脑区域图像进行血管内造影剂影响减小处理得到所述处理后配准图像包括：根据第二阈值以及第三阈值对颅脑区域图像进行二值化处理，得到第二图像，对第二图像进行包括开运算、提取最大连通域操作，得到不包含颅骨的脑组织区域二值图，将脑组织区域二值图与对应的配准图像进行相乘处理，得到不包含颅骨区域的脑组织区域图像，接着对不包含颅骨的脑组织区域图像进行高斯滤波得到脑组织区域滤波后图像，最后再将去除头枕装置的颅脑区域图像与脑组织区域滤波后图像结合，得到处理后配准图像。即此时得到的处理后配准图像中，脑组织区域像素点值采用所述脑组织区域滤波后图像的对应像素点值，颅骨等非脑组织区域像素点值采用所述去除头枕装置的颅脑区域图像的对应像素点值。
在本实施例中，第一阈值、第二阈值以及第三阈值均可根据需要处理图像的具体情况进行设定。
对各张图像进行预处理后，头枕及血管内造影剂浓度的影响已基本消除，图像相似度能够直接反映伪影情况。在步骤S130中，先计算每一个图像数据集中，也就是各空间层面中两个任意成像时间对应的图像之间的相似度，再根据各图像数据集中得到的所有相似度构建该图像数据集的相似度矩阵。
具体的，计算任意两个成像时刻对应的处理后配准图像之间的相似度采用以下公式：
（1）
其中，；
；
在公式（1）中，使用Hu矩计算两个处理后配准图像中图像A与图像B的相似度，Hu矩已被证明具有旋转，缩放和平移不变性。表示图像A的第k个Hu不变矩，/>表示图像B的第k个Hu不变矩，/>，代表7个Hu不变矩的标号。
接着可根据第n个图像数据集也就是第n个空间层面的所有T个时刻的图像，两两计算相似度，得到本空间层的相似度矩阵：
（2）
在公式（2）中，，/>代表第/>，/>个时刻，/>，/>，/>，/>为第/>，/>个时刻对应的图像，其相似度矩阵/>大小为/>。
在步骤S140中，根据各图像数据集的相似度矩阵进行计算得到平均相似度矩阵，采用以下公式：
（3）
在公式（3）中，平均相似度矩阵大小为/>。
接着，基于平均相似度矩阵判断CT灌注影像序列中某一成像时刻得到的脑部图像是否存在伪影包括：计算平均相似度矩阵的平均值和标准差/>，若平均值和标准差/>同时满足以下公式，则判断结果为存在伪影，否则判断结果为不存在伪影：
（4）
（5）
在公式（4）和公式（5）中，，/>为预设经验值。
若通过上述步骤进行判断得到序列中某一成像时刻对应的图像存在伪影，则通过步骤S140对各个成像时刻进行筛选，其过程为：在平均相似度矩阵中，根据以下公式计算成像时刻/>与其他所有成像时刻图像相似度的平均值/>：
（6）
在进行了公式（6）的处理后，将会得到大小为T的序列，该序列中包括每个成像时刻的图像相似度平均值，若/>满足以下公式，则说明该对应的成像时刻伪影严重，为伪影时刻：
（7）
在公式（7）中，为预设经验值。
最后，将筛选得到的伪影时刻对应的所有空间层面的脑部图像进行删除，并将剩余的脑部图像进行插值及重新离散，得到去伪影后的CT灌注影像序列。
在本文中，还根据上述方法进行实验，按照本文方案步骤对读取的原始CT灌注影像序列进行处理，在进行分层及配准处理后，配准后的图像如图2（a）所示，颅脑下方的高灰度值弧形即为用于限制患者头部运动的头枕装置。对配准后的脑部图像I0，使用第一阈值T0，T0 = -200对其进行二值化，得到二值化后的图像A0也就是第一图像，如图2（b）所示，其中前景点为I中Hu值大于T0的点。对A0取最大连通域，得到颅脑区域的二值图A1如图2（c）所示；将颅脑区域的二值图A1与配准后的影像I0相乘，即可得到去除头枕装置的颅脑区域图像I1，如图2（d）。
接着进行血管内造影剂影响减小处理，对去除头枕装置的颅脑区域图像I1如图3（a）所示，使用第二阈值T1，T1 = 200，及第三阈值T2， T2 = 10作为阈值对其进行二值化，得到二值化后的图像B也就是第二图像，如图3（b）所示，其中前景点为I1中Hu值小于T1且大于T2的点；对二值化图像B进行开运算、提取最大连通域等操作，得到不包含颅骨的脑组织区域二值图C，如图3（c）所示；最后对脑组织区域内的点进行高斯滤波，对其外的点不进行处理；而后将两部分组合，得到预处理后的图像I，如图3（d）所示。
接着，根据公式（1），对第n个空间层面的T个时刻，计算其每两个时刻图像之间的相似度，其中A，B为任意两个时刻的图像。对第n个空间层面的所有T个时刻的图像，两两计算相似度，而后利用公式（2）得到本空间层的相似度矩阵Sn，层面n的相似度矩阵Sn大小为/>。最后，对所有N个空间层面的相似度矩阵进行平均，利用公式（3）得到平均相似度矩阵S；平均相似度矩阵S大小为/>。并计算平均相似度矩阵S的平均值和标准差。
之后，再根据公式（4）和公式（5）对平均相似度矩阵S进行判断，其中，c1，c2分别设置为0.01和0.5。若同时满足公式（4）和公式（5）则认为该病例有伪影，需进行伪影筛选及删除；否则，则认为该病例无严重伪影。
再通过上述步骤判断该原始CT灌注影像序列存在伪影后，根据公式（6）在平均相似度矩阵S中计算成像时刻图像与其他所有成像时刻图像相似度的平均值/>。
根据公式（7）进行筛选，其中，将c3设置为0.5，若成像时刻，图像的相似度平均值满足公式（7），则成像时刻i为伪影时刻。如图4所示，为某病例一个层面不同时刻的灌注影像。采用本方法筛选出的伪影影像为图4（c）所示。
最后，筛选得到伪影时刻后，将该时刻的所有层面的影像进行删除，然后对剩余影像进行时间插值及重新离散。
上述CT灌注影像的去伪影方法中，通过根据影像空间层面信息对CT灌注影像序列进行分层处理，得到对应不同空间层面的多个图像数据集，分别对各图像数据集中的脑部图像进行配准得到配准图像，再对各配准图像进行头枕装置去除处理以及血管内造影剂影响减小处理得到处理后配准图像，计算各图像数据集中任意两个成像时刻对应的处理后配准图像之间的相似度，得到多个相似度矩阵，根据各图像数据集的相似度矩阵进行计算得到平均相似度矩阵，并基于平均相似度矩阵判断所述CT灌注影像序列中某一成像时刻得到的脑部图像是否存在伪影，若判断结果为存在伪影，则根据平均相似度矩阵计算每一成像时刻与其他成像时刻图像相似度的平均值，若某一成像时刻与其他成像时刻图像相似度的平均值满足预设条件，则该成像时刻为伪影时刻，最后将伪影时刻对应的所有空间层面的脑部图像从所述CT灌注影像序列中删除，并对其中剩余的脑部图像进行处理得到去除伪影后的CT灌注影像序列。采用本方法能够快速地识别伪影影像，减小了人工筛选的耗时，并能够提高影像质量及后续分析结果的准确性。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种CT灌注影像的去伪影装置，包括：影像序列获取模块200、序列分层处理模块210、图像配准模块220、相似度矩阵计算模块230、伪影判断模块240、伪影时刻获取模块250和伪影去除模块260，其中：
影像序列获取模块200，用于获取与脑部相关的CT灌注影像序列；
序列分层处理模块210，用于根据影像空间层面信息对所述CT灌注影像序列进行分层处理，得到对应不同空间层面的多个图像数据集，各所述图像数据集中包括多张由不同成像时刻得到的脑部图像；
图像配准模块220，用于分别对各所述图像数据集中的脑部图像进行配准得到配准图像，再对各所述配准图像进行头枕装置去除处理以及血管内造影剂影响减小处理得到处理后配准图像；
相似度矩阵计算模块230，用于在每一个图像数据集中，计算任意两个成像时刻对应的处理后配准图像之间的相似度，相应得到各所述图像数据集的相似度矩阵；
伪影判断模块240，用于根据各所述图像数据集的相似度矩阵进行计算得到平均相似度矩阵，并基于所述平均相似度矩阵判断所述CT灌注影像序列中某一成像时刻得到的脑部图像是否存在伪影；
伪影时刻获取模块250，用于若判断结果为存在伪影，则根据所述平均相似度矩阵计算每一成像时刻与其他成像时刻图像相似度的平均值，若某一成像时刻与其他成像时刻图像相似度的平均值满足预设条件，则该成像时刻为伪影时刻；
伪影去除模块260，用于将所述伪影时刻对应的所有空间层面的脑部图像从所述CT灌注影像序列中删除，并对其中剩余的脑部图像进行处理得到去除伪影后的CT灌注影像序列。
关于CT灌注影像的去伪影装置的具体限定可以参见上文中对于CT灌注影像的去伪影方法的限定，在此不再赘述。上述CT灌注影像的去伪影装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种CT灌注影像的去伪影方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取与脑部相关的CT灌注影像序列；
根据影像空间层面信息对所述CT灌注影像序列进行分层处理，得到对应不同空间层面的多个图像数据集，各所述图像数据集中包括多张由不同成像时刻得到的脑部图像；
分别对各所述图像数据集中的脑部图像进行配准得到配准图像，再对各所述配准图像进行头枕装置去除处理以及血管内造影剂影响减小处理得到处理后配准图像；
在每一个图像数据集中，计算任意两个成像时刻对应的处理后配准图像之间的相似度，相应得到各所述图像数据集的相似度矩阵；
根据各所述图像数据集的相似度矩阵进行计算得到平均相似度矩阵，并基于所述平均相似度矩阵判断所述CT灌注影像序列中某一成像时刻得到的脑部图像是否存在伪影；
若判断结果为存在伪影，则根据所述平均相似度矩阵计算每一成像时刻与其他成像时刻图像相似度的平均值，若某一成像时刻与其他成像时刻图像相似度的平均值满足预设条件，则该成像时刻为伪影时刻；
将所述伪影时刻对应的所有空间层面的脑部图像从所述CT灌注影像序列中删除，并对其中剩余的脑部图像进行处理得到去除伪影后的CT灌注影像序列
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取与脑部相关的CT灌注影像序列；
根据影像空间层面信息对所述CT灌注影像序列进行分层处理，得到对应不同空间层面的多个图像数据集，各所述图像数据集中包括多张由不同成像时刻得到的脑部图像；
分别对各所述图像数据集中的脑部图像进行配准得到配准图像，再对各所述配准图像进行头枕装置去除处理以及血管内造影剂影响减小处理得到处理后配准图像；
在每一个图像数据集中，计算任意两个成像时刻对应的处理后配准图像之间的相似度，相应得到各所述图像数据集的相似度矩阵；
根据各所述图像数据集的相似度矩阵进行计算得到平均相似度矩阵，并基于所述平均相似度矩阵判断所述CT灌注影像序列中某一成像时刻得到的脑部图像是否存在伪影；
若判断结果为存在伪影，则根据所述平均相似度矩阵计算每一成像时刻与其他成像时刻图像相似度的平均值，若某一成像时刻与其他成像时刻图像相似度的平均值满足预设条件，则该成像时刻为伪影时刻；
将所述伪影时刻对应的所有空间层面的脑部图像从所述CT灌注影像序列中删除，并对其中剩余的脑部图像进行处理得到去除伪影后的CT灌注影像序列。
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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.CT灌注影像的去伪影方法，其特征在于，所述方法包括：
获取与脑部相关的CT灌注影像序列；
根据影像空间层面信息对所述CT灌注影像序列进行分层处理，得到对应不同空间层面的多个图像数据集，各所述图像数据集中包括多张由不同成像时刻得到的脑部图像；
分别在各所述图像数据集中选取影剂浓度最大的成像时刻对应的脑部图像作为固定图像，根据该图像对其他脑部图像进行配准得到配准图像，再对各所述配准图像进行头枕装置去除处理以及血管内造影剂影响减小处理得到处理后配准图像；
在每一个图像数据集中，计算任意两个成像时刻对应的处理后配准图像之间的相似度，相应得到各所述图像数据集的相似度矩阵；
根据各所述图像数据集的相似度矩阵进行计算得到平均相似度矩阵，并根据平均相似度矩阵的平均值和标准差判断是否满足预设条件，若满足预设条件则判断对应的成像时刻得到的脑部图像存在伪影；
若判断结果为存在伪影，则根据所述平均相似度矩阵计算每一成像时刻与其他成像时刻图像相似度的平均值，若某一成像时刻与其他成像时刻图像相似度的平均值满足预设条件，则该成像时刻为伪影时刻；
将所述伪影时刻对应的所有空间层面的脑部图像从所述CT灌注影像序列中删除，并对其中剩余的脑部图像进行处理得到去除伪影后的CT灌注影像序列。
2.根据权利要求1所述的去伪影方法，其特征在于，所述分别在各所述图像数据集中选取影剂浓度最大的成像时刻对应的脑部图像作为固定图像，根据该图像对其他脑部图像进行配准得到配准图像包括：
在每一个图像数据集中，选取造影剂浓度最大的成像时刻对应的脑部图像作为固定图像，根据所述固定图像分别对图像数据集中其他时刻对应的脑部图像进行配准，得到所述配准图像。
3.根据权利要求2所述的去伪影方法，其特征在于，所述再对各所述配准图像进行头枕装置去除处理包括:
根据第一阈值对所述配准图像进行二值化处理，得到第一图像；
对所述第一图像取最大连通域，得到颅脑区域的二值化图；
将所述颅脑区域的二值化图与对应的配准图像进行相乘处理，得到去除头枕装置的颅脑区域图像。
4.根据权利要求3所述的去伪影方法，其特征在于，对所述颅脑区域图像进行血管内造影剂影响减小处理得到所述处理后配准图像包括：
根据第二阈值以及第三阈值对所述颅脑区域图像进行二值化处理，得到第二图像；
对所述第二图像进行包括开运算、提取最大连通域操作，得到不包含颅骨的脑组织区域二值图；
将所述脑组织区域二值图与对应的配准图像进行相乘处理，得到不包含颅骨区域的脑组织区域图像；
对所述不包含颅骨的脑组织区域图像进行高斯滤波得到脑组织区域滤波后图像；
将所述去除头枕装置的颅脑区域图像与所述脑组织区域滤波后图像结合，得到所述处理后配准图像。
5.根据权利要求4所述的去伪影方法，其特征在于，所述计算任意两个成像时刻对应的处理后配准图像之间的相似度采用以下公式：
，
其中，，
，
在上式中，表示两个处理后配准图像其中一图像A的第k个Hu不变矩，/>表示两个处理后配准图像其中一图像B的第k个Hu不变矩，k = 1～7，代表7个Hu不变矩的标号。
6.根据权利要求5所述的去伪影方法，其特征在于，所述根据各所述图像数据集的相似度矩阵进行计算得到平均相似度矩阵，采用以下公式：
，
在上式中，n代表第n个空间层面，，其中，/>，/>代表第/>，/>个时刻，/>，/>=1～T，/>，/>为第/>，/>个时刻对应的图像。
7.根据权利要求6所述的去伪影方法，其特征在于，所述并根据平均相似度矩阵的平均值和标准差判断是否满足预设条件，若满足预设条件则判断对应的成像时刻得到的脑部图像存在伪影包括：
计算所述平均相似度矩阵的平均值和标准差，若所述平均值和标准差同时满足以下公式，则判断结果为存在伪影，否则判断结果为不存在伪影：
，
，
在上式中，，/>为预设值，/>为平均值，/>为标准差。
8.CT灌注影像的去伪影装置，其特征在于，所述装置包括：
影像序列获取模块，用于获取与脑部相关的CT灌注影像序列；
序列分层处理模块，用于根据影像空间层面信息对所述CT灌注影像序列进行分层处理，得到对应不同空间层面的多个图像数据集，各所述图像数据集中包括多张由不同成像时刻得到的脑部图像；
图像配准模块，用于分别在各所述图像数据集中选取影剂浓度最大的成像时刻对应的脑部图像作为固定图像，根据该图像对其他脑部图像进行配准得到配准图像，再对各所述配准图像进行头枕装置去除处理以及血管内造影剂影响减小处理得到处理后配准图像；
相似度矩阵计算模块，用于在每一个图像数据集中，计算任意两个成像时刻对应的处理后配准图像之间的相似度，相应得到各所述图像数据集的相似度矩阵；
伪影判断模块，用于根据各所述图像数据集的相似度矩阵进行计算得到平均相似度矩阵，并根据平均相似度矩阵的平均值和标准差判断是否满足预设条件，若满足预设条件则判断对应的成像时刻得到的脑部图像存在伪影；
伪影时刻获取模块，用于若判断结果为存在伪影，则根据所述平均相似度矩阵计算每一成像时刻与其他成像时刻图像相似度的平均值，若某一成像时刻与其他成像时刻图像相似度的平均值满足预设条件，则该成像时刻为伪影时刻；
伪影去除模块，用于将所述伪影时刻对应的所有空间层面的脑部图像从所述CT灌注影像序列中删除，并对其中剩余的脑部图像进行处理得到去除伪影后的CT灌注影像序列。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310577352.2A CN116309922B (zh) | 2023-05-22 | 2023-05-22 | Ct灌注影像的去伪影方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310577352.2A CN116309922B (zh) | 2023-05-22 | 2023-05-22 | Ct灌注影像的去伪影方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116309922A CN116309922A (zh) | 2023-06-23 |
| CN116309922B true CN116309922B (zh) | 2023-08-11 |
Family
ID=86836310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310577352.2A Active CN116309922B (zh) | 2023-05-22 | 2023-05-22 | Ct灌注影像的去伪影方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116309922B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258423A (zh) * | 2020-11-16 | 2021-01-22 | 腾讯科技（深圳）有限公司 | 基于深度学习的去伪影方法、装置、设备和存储介质 |
| CN112509085A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 脑血管图像流空伪影消除方法和系统 |
| CN113870117A (zh) * | 2021-08-20 | 2021-12-31 | 杭州脉流科技有限公司 | 获取脑ct灌注参数图的方法、装置、系统和计算机存储介质 |
| CN114359262A (zh) * | 2022-02-28 | 2022-04-15 | 华中科技大学同济医学院附属协和医院 | 一种基于灌注图像获得流出效应参数的装置和方法 |
| CN114533096A (zh) * | 2022-02-21 | 2022-05-27 | 郑州市中心医院 | 一种脑血管造影中伪影去除方法及系统 |
| WO2022105647A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种颅内血管造影增强三维模型的建立方法 |
| CN115880261A (zh) * | 2022-12-16 | 2023-03-31 | 杭州脉流科技有限公司 | 脑ct灌注影像的全自动后处理方法 |
| CN115984130A (zh) * | 2022-12-16 | 2023-04-18 | 杭州脉流科技有限公司 | 获取灌注参数图及病变区域的方法和可读存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102884550B (zh) * | 2010-05-06 | 2016-03-16 | 皇家飞利浦电子股份有限公司 | 用于动态灌注ct的图像数据配准 |
| US20130322718A1 (en) * | 2012-06-01 | 2013-12-05 | Yi-Hsuan Kao | Method and apparatus for measurements of the brain perfusion in dynamic contrast-enhanced computed tomography images |
| US20170109903A1 (en) * | 2015-10-20 | 2017-04-20 | Michal Kulon | Method for Reduction of Artifacts and Preservation of Soft Tissue Contrast and Conspicuity of Iodinated Materials on Computed Tomography Images by means of Adaptive Fusion of Input Images Obtained from Dual-Energy CT Scans, and Use of differences in Voxel intensities between high and low-energy images in estimation of artifact magnitude |
| US10628963B2 (en) * | 2016-02-29 | 2020-04-21 | Brainlab Ag | Automatic detection of an artifact in patient image |
| US10213178B2 (en) * | 2016-09-22 | 2019-02-26 | Algotec Systems Ltd. | Calculation of perfusion parameters in medical imaging |
| CN113850755A (zh) * | 2021-08-20 | 2021-12-28 | 杭州脉流科技有限公司 | 获取脑部ct灌注成像参数图的方法、装置、系统和计算机存储介质 |
-
2023
- 2023-05-22 CN CN202310577352.2A patent/CN116309922B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258423A (zh) * | 2020-11-16 | 2021-01-22 | 腾讯科技（深圳）有限公司 | 基于深度学习的去伪影方法、装置、设备和存储介质 |
| CN112509085A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 脑血管图像流空伪影消除方法和系统 |
| WO2022105647A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种颅内血管造影增强三维模型的建立方法 |
| CN113870117A (zh) * | 2021-08-20 | 2021-12-31 | 杭州脉流科技有限公司 | 获取脑ct灌注参数图的方法、装置、系统和计算机存储介质 |
| CN114533096A (zh) * | 2022-02-21 | 2022-05-27 | 郑州市中心医院 | 一种脑血管造影中伪影去除方法及系统 |
| CN114359262A (zh) * | 2022-02-28 | 2022-04-15 | 华中科技大学同济医学院附属协和医院 | 一种基于灌注图像获得流出效应参数的装置和方法 |
| CN115880261A (zh) * | 2022-12-16 | 2023-03-31 | 杭州脉流科技有限公司 | 脑ct灌注影像的全自动后处理方法 |
| CN115984130A (zh) * | 2022-12-16 | 2023-04-18 | 杭州脉流科技有限公司 | 获取灌注参数图及病变区域的方法和可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于标准剂量CT图像非局部权值先验的低剂量图像恢复;毕一鸣;马建华;路利军;刘楠;黄静;陈武凡;;电子学报(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116309922A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Structure-adaptive fuzzy estimation for random-valued impulse noise suppression | |
| CN111311704B (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
| CN111179372B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
| CN109919915B (zh) | 基于深度学习的视网膜眼底图像异常区域检测方法及设备 | |
| CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
| CN110610498A (zh) | 乳腺钼靶图像处理方法、系统、存储介质及设备 | |
| CN110400626B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| KR102178803B1 (ko) | 흉부 의료 영상 판독 지원 시스템 및 방법 | |
| CN114240797B (zh) | 一种oct图像去噪方法、装置、设备及介质 | |
| CN114511670B (zh) | 基于动态灌注影像的血管重建方法、装置、设备和介质 | |
| CN112734669B (zh) | 一种基于改进降噪自编码器的异常检测模型的训练方法 | |
| CN115359257B (zh) | 基于深度学习的脊椎图像分割方法及手术导航定位系统 | |
| CN115136192A (zh) | 对模型的输入实例的分布外检测 | |
| CN112330565A (zh) | 基于改善的U-net的低剂量CT投影域中图像去噪方法 | |
| CN113034508B (zh) | 超声图像病灶的分割方法、装置和计算机设备 | |
| CN114708240A (zh) | 基于平扫ct的自动化aspects评分方法、计算机设备、可读存储介质和程序产品 | |
| CN114549594A (zh) | 图像配准方法、装置和电子设备 | |
| CN110766661B (zh) | 磁共振成像的水脂分离方法、磁共振成像方法和设备 | |
| CN116309922B (zh) | Ct灌注影像的去伪影方法、装置、设备和存储介质 | |
| CN115661152B (zh) | 基于模型预测的目标发展情况分析方法 | |
| CN109118555B (zh) | 计算机断层成像的金属伪影校正方法和系统 | |
| CN111091504A (zh) | 图像偏差场矫正方法、计算机设备和存储介质 | |
| CN111462059B (zh) | 胎儿超声图像智能目标检测的并行处理方法和装置 | |
| CN113962938A (zh) | 图像分割方法、装置、计算机设备和可读存储介质 | |
| CN116342734B (zh) | 基于ct灌注影像的运动校正和伪影筛选方法及计算机设备 |
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 |