CN116740218B - 一种心脏ct成像图像质量优化方法、设备及介质 - Google Patents
一种心脏ct成像图像质量优化方法、设备及介质 Download PDFInfo
- Publication number
- CN116740218B CN116740218B CN202311009207.0A CN202311009207A CN116740218B CN 116740218 B CN116740218 B CN 116740218B CN 202311009207 A CN202311009207 A CN 202311009207A CN 116740218 B CN116740218 B CN 116740218B
- Authority
- CN
- China
- Prior art keywords
- image
- artifact
- network
- training data
- training
- 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 34
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000013170 computed tomography imaging Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 81
- 230000008030 elimination Effects 0.000 claims abstract description 16
- 238000003379 elimination reaction Methods 0.000 claims abstract description 16
- 230000005764 inhibitory process Effects 0.000 claims abstract description 6
- 230000000747 cardiac effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 9
- 210000004351 coronary vessel Anatomy 0.000 description 13
- 238000002591 computed tomography Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000010009 beating Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000003287 optical effect Effects 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
- 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
- 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
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种心脏CT成像图像质量优化方法、设备及介质,方法包括:构建图像伪影消除网络,并创建训练数据集;对图像伪影消除网络进行训练,根据训练数据集以及图像伪影消除网络,针对训练数据集中的每个训练数据对,将存在运动伪影的CT图像作为输入,配准图像作为标签,预测的运动伪影抑制图像作为输出,构建损失函数进行训练,得到训练后的图像伪影消除网络;将所述图像伪影消除网络用于CT图像质量优化。本发明的训练数据对包括存在运动伪影的CT图像、以及无伪影图像与存在运动伪影的CT图像配准处理后的配准图像,用于图像伪影消除网络进行训练,提高了图像伪影消除网络的处理准确度,实现了CT图像的质量优化。
Description
技术领域
本发明涉及医学成像技术领域,尤其涉及一种心脏CT成像图像质量优化方法、设备及介质。
背景技术
基于CT的人体心脏及其冠状动脉的扫描,一直是冠状动脉狭窄、冠脉钙化评分、冠脉畸形变异和心肌缺血等方面的重要检测手段;鉴于心脏快速跳动的特殊性,人体心脏及其冠状动脉的扫描需要较高的成像时间分辨力。实时心电图的应用,一定程度缓解了上述问题,利用心脏跳动周期中舒张期运动相对平缓的特点,采集心脏周期中该时间段的数据源(如图1),获取相对稳定的心脏扫描的三维重建数据,极大的改善了CT扫描心脏时的成像质量。
现有技术中CT冠脉的单心跳成像主要采用SSF、AMC和CMC这三种方式,SSF(SnapShot Freeze)、AMC(Adaptive Motion Correction)和CMC(Coronary Motion Clear)算法思路大体一致,分为两个步骤:运动估计和运动校正。对右冠状动脉、左前降支和左回旋支的运动轨迹分别进行独立跟踪,通过心动周期内相邻相位所获取的信息来决定各个分支的独立运动轨迹和运动速度,将冠状动脉的运动信息和图像信息融合,实现每个分支的独立运动校正。该类方法需要心动周期相邻相位重建图像,需要增加曝光的长度,从而增加病人剂量。而且该类方法对冠状动脉分割精度依赖性强,当运动伪影存在时会影响冠状动脉的分割精度,而且距离冠脉越近,其运动伪影越明显,对图像质量的影响越大。
发明内容
技术目的:针对现有技术中的缺陷,本发明公开了一种心脏CT成像图像质量优化方法、设备及介质,方法中通过对CT图像的训练数据集进行优化,进而实现CT图像的质量优化,通过构建包括若干训练数据对的训练数据集,训练数据对包括存在运动伪影的CT图像以及通过存在运动伪影的CT图像配准处理后的优化CT图像,进而对图像伪影消除网络进行训练,提高图像伪影消除网络的处理准确度。
技术方案:为实现上述技术目的,本发明采用以下技术方案。
一种心脏CT成像图像质量优化方法,其特征在于:包括以下步骤:
步骤S1、构建图像伪影消除网络,并创建训练数据集,所述训练数据集中包括若干个训练数据对,每个训练数据对包括存在运动伪影的CT图像、无伪影图像和存在运动伪影的CT图像经过配准处理后得到的配准图像/>,训练数据集中包括配准过程中无伪影图像中每个像素的移动距离/>;
步骤S2、对图像伪影消除网络进行训练:根据步骤S1中获得的训练数据集以及图像伪影消除网络,针对训练数据集中的每个训练数据对,将存在运动伪影的CT图像作为输入,对应的配准图像作为标签,预测的运动伪影抑制图像作为输出,构建损失函数进行训练,直至训练完成,得到训练后的图像伪影消除网络,所述图像伪影消除网络训练的过程中引入距离权重,所述距离权重根据所述移动距离/>确定;
步骤S3、CT图像质量优化:输入任意相位的CT图像至步骤S2中得到的训练后的图像伪影消除网络进行CT图像质量优化,输出预测的运动伪影抑制图像。
优选地,所述步骤S1中,以如下步骤创建训练数据集:
S1.1、遍历不同相位的图像,确定运动伪影最少的最优相位,根据最优相位/>的投影数据,重建得到视为无伪影图像的最优相位图像/>;
S1.2、获取偏离最优相位的相位/>的投影数据,重建图像得到存在运动伪影的CT图像/>;
S1.3、将存在运动伪影的CT 图像作为参考图像、最优相位CT图像/>作为浮动图像,进行配准,获取配准过程中最优相位CT图像/>中每个像素的移动距离/>,配准后生成配准图像/>。
优选地,根据下式将浮动图像与参考图像进行配准:
,
其中,表示相似性,/>表示用来控制均方差MSE相似性的权重,/>表示距离权重。
优选地,所述步骤S2中,使用所述训练数据集对图像伪影消除网络进行训练时,损失函数的计算公式为:
,
其中,为像素索引,/>为图像像素的总数,/>为图像伪影消除网络输出的预测的运动伪影抑制图像中像素/>的值,/>为图像伪影消除网络标签的无运动伪影的CT图像中像素/>的值,/>为图像伪影消除网络输入的存在运动伪影的CT图像中像素/>的值,/>为像素的权重,其计算公式为:
,
其中,为最小值函数,/>为存在运动伪影的CT 图像/>中像素/>移动的距离。
优选地,所述步骤S1创建训练数据集中,还通过仿射变换和弹性变换对训练数据对进行数据增广,得到扩充后的训练数据集。
优选地,所述步骤S1构建图像伪影消除网络中,图像伪影消除网络采用U-Net神经网络或其他神经网络。
优选地,所述步骤S2对图像伪影消除网络进行训练中,还包括使用Adam优化器、初始学习率为0.001对图像伪影消除网络进行训练,最后得到伪影抑制的网络参数,图像伪影消除网络训练完成。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上任一所述的一种心脏CT成像图像质量优化方法。
一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行以上任一所述的一种心脏CT成像图像质量优化方法。
有益效果:
1、本发明中通过对CT图像的训练数据集进行优化,进而实现CT图像的质量优化,通过构建包括若干训练数据对的训练数据集,训练数据对包括存在运动伪影的CT图像以及通过存在运动伪影的CT图像配准处理后的优化CT图像,进而对图像伪影消除网络进行训练,提高图像伪影消除网络的处理准确度;
2、本发明的图像伪影消除网络进行训练中,还引入距离权重项至损失函数,提高了图像伪影消除网络的处理准确度。
附图说明
图1为心脏跳动周期中舒张期运动的数据示意图;
图2为本发明心脏CT成像图像质量优化的方法流程图;
图3为本发明创新训练数据集的方法流程图;
图4为本发明实施例中基于运动伪影最少的CT图像、存在运动伪影的CT 图像/>和优化CT图像/>的示意图;
图5为本发明实施例中配准前后的图像差别示意图;
图6为一个心脏最优相位图像中每个像素运动的距离的示意图。
实施方式
以下结合附图对本发明的一种心脏CT成像图像质量优化方法、设备及介质做进一步的说明和解释。
如附图2所示,本发明提出一种心脏CT成像图像质量优化方法,包括以下步骤:
步骤S1、构建图像伪影消除网络,并创建训练数据集,所述训练数据集中包括若干个训练数据对,每个训练数据对包括存在运动伪影的CT图像以及通过存在运动伪影的CT图像配准处理后的优化CT图像;其中,图像伪影消除网络可采用U-Net神经网络或其他神经网络。
步骤S2、对图像伪影消除网络进行训练:根据步骤S1中获得的训练数据集以及图像伪影消除网络,针对训练数据集中的每个训练数据对,将存在运动伪影的CT图像作为输入,对应的优化CT图像作为标签,预测的运动伪影抑制图像作为输出,构建损失函数进行训练,直至训练完成,得到训练后的图像伪影消除网络;
步骤S3、CT图像质量优化:输入任意相位的CT图像至步骤S2中得到的训练后的图像伪影消除网络进行CT图像质量优化,输出预测的运动伪影抑制图像。
如图3所示,每个训练数据对获取过程包括以下步骤:
S1.1、采用最优相位识别技术或者传统手动方法,遍历不同相位的图像,确定运动伪影最少的最优相位,并重建得到运动伪影最少的图像/>。
S1.2、获取运动伪影图像,偏离最优相位一定范围的相位/>,其运动伪影较最优相位明显。例如/>,其相位为/>,其重建图像为/>。
本发明的一些实施例中,相位的总范围是0-100%,通常取值为20%,此时的相位对应的CT图像运动伪影较最优相位对应的CT图像运动伪影明显。
S1.3、生成训练数据对,由于和/>由不同的相位时刻重建获得,如果直接作为训练数据对,会由于位置不匹配,增加网络训练难度。因此本发明提出通过图像配准技术来消除这种不匹配问题,生成更加匹配的训练数据对。
根据下式将浮动图像与参考图像进行配准:
,
其中,表示相似性,/>表示用来控制均方差MSE相似性的权重,/>表示距离权重。
为满足相似度要求,和/>配准过程中,/>图像中每个像素需移动一定的距离,相当于将最优相位图像/>,经过配准变换到/>对应的相位上,得到产生伪影相位上的配准图像/>,/>克服了/>存在伪影、模糊的问题。例如以/>为固定/参考图像,/>为浮动图像,其配准图像为/>,如图4所示。图像之间的差距如图5所示,例如phase=60为最优相位,phase=65为运动相位,其图像的差别如图5左列所示,配准之后的差别如图5右列所示。该处用到的配准方法可以是3D配准、2D配准或者基于神经网络的配准等方法。
具体地,步骤1.1和步骤1.2中,在最优相位和其它相位上扫描时,可以不划分血管区域、对整个心脏区域进行CT扫描,也可以分区域对心脏特定部位进行CT扫描。重建图像可以为全局图像,也可以是针对感兴趣区域提取的patch方块,如分割出右冠状动脉、左前降支及左回旋支所在区域。步骤S1创建训练数据集,还通过仿射变换和弹性变换对训练数据对进行数据增广,得到扩充后的训练数据集。
由于冠脉伪影是心脏CT扫描重点关注的位置,而且距离冠脉越近,其运动伪影越明显。所以本发明在网络中引入距离权重,距离冠脉中心位置越近的地方权重越大,如图6所示的冠脉距离权重示意图。步骤S2对图像伪影消除网络进行训练时,引入距离权重至损失函数,损失函数的计算公式为:
,
其中,为像素索引,/>为图像像素的总数,/>为图像伪影消除网络输出的预测的运动伪影抑制图像中像素/>的值,/>为图像伪影消除网络标签的无运动伪影的CT图像中像素/>的值,/>为图像伪影消除网络输入的存在运动伪影的CT图像中像素/>的值,/>为像素的权重,其计算公式为:
,
其中,为最小值函数,/>为像素/>移动的距离,即基于运动伪影最少的CT图像/>和存在运动伪影的CT 图像/>进行配准时,最优相位图像/>中每个像素的移动距离。
所述步骤S2对图像伪影消除网络进行训练中,还包括使用Adam优化器、初始学习率为0.001对图像伪影消除网络进行训练,最后得到伪影抑制的网络参数,图像伪影消除网络训练完成。
本发明还公开了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现以上任一所述的一种心脏CT成像图像质量优化方法。存储器可为各种类型的存储器,可为随机存储器、只读存储器、闪存等。处理器可为各种类型的处理器,例如,中央处理器、微处理器、数字信号处理器或图像处理器等。
此外,本发明还公开了一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于执行以上任一所述的一种心脏CT成像图像质量优化方法。存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种心脏CT成像图像质量优化方法,其特征在于:包括以下步骤:
步骤S1、构建图像伪影消除网络,并创建训练数据集,所述训练数据集中包括若干个训练数据对,每个训练数据对包括存在运动伪影的CT图像、无伪影图像和存在运动伪影的CT图像经过配准处理后得到的配准图像/>,训练数据集中包括配准过程中无伪影图像中每个像素的移动距离/>;
步骤S2、对图像伪影消除网络进行训练:根据步骤S1中获得的训练数据集以及图像伪影消除网络,针对训练数据集中的每个训练数据对,将存在运动伪影的CT图像作为输入,对应的配准图像作为标签,预测的运动伪影抑制图像作为输出,构建损失函数进行训练,直至训练完成,得到训练后的图像伪影消除网络,所述图像伪影消除网络训练的过程中引入距离权重,所述距离权重根据所述移动距离/>确定;
步骤S3、CT图像质量优化:输入任意相位的CT图像至步骤S2中得到的训练后的图像伪影消除网络进行CT图像质量优化,输出预测的运动伪影抑制图像;
所述步骤S1中,以如下步骤创建训练数据集:
S1.1、遍历不同相位的图像,确定运动伪影最少的最优相位,根据最优相位的投影数据,重建得到视为无伪影图像的最优相位图像/>;
S1.2、获取偏离最优相位的相位/>的投影数据,重建图像得到存在运动伪影的CT图像/>;
S1.3、将存在运动伪影的CT 图像作为参考图像、最优相位CT图像/>作为浮动图像,进行配准,获取配准过程中最优相位CT图像/>中每个像素的移动距离/>,配准后生成配准图像/>;
根据下式将浮动图像与参考图像进行配准:
,
其中,表示相似性,/>表示用来控制均方差MSE相似性的权重,/>表示距离权重;
所述步骤S2中,使用所述训练数据集对图像伪影消除网络进行训练时,损失函数的计算公式为:
,
其中,为像素索引,/>为图像像素的总数,/>为图像伪影消除网络输出的预测的运动伪影抑制图像中像素/>的值,/>为图像伪影消除网络标签的无运动伪影的CT图像中像素/>的值,/>为图像伪影消除网络输入的存在运动伪影的CT图像中像素/>的值,/>为像素/>的权重,其计算公式为:
,
其中,为最小值函数,/>为存在运动伪影的CT 图像/>中像素/>移动的距离。
2.根据权利要求1所述的一种心脏CT成像图像质量优化方法,其特征在于:所述步骤S1创建训练数据集中,还通过仿射变换和弹性变换对训练数据对进行数据增广,得到扩充后的训练数据集。
3.根据权利要求1所述的一种心脏CT成像图像质量优化方法,其特征在于:所述步骤S1构建图像伪影消除网络中,图像伪影消除网络采用U-Net神经网络或其他神经网络。
4.根据权利要求1所述的一种心脏CT成像图像质量优化方法,其特征在于:所述步骤S2对图像伪影消除网络进行训练中,还包括使用Adam优化器、初始学习率为0.001对图像伪影消除网络进行训练,最后得到伪影抑制的网络参数,图像伪影消除网络训练完成。
5.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-4任一所述的一种心脏CT成像图像质量优化方法。
6.一种计算机可读存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行如权利要求1-4任一所述的一种心脏CT成像图像质量优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009207.0A CN116740218B (zh) | 2023-08-11 | 2023-08-11 | 一种心脏ct成像图像质量优化方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009207.0A CN116740218B (zh) | 2023-08-11 | 2023-08-11 | 一种心脏ct成像图像质量优化方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116740218A CN116740218A (zh) | 2023-09-12 |
CN116740218B true CN116740218B (zh) | 2023-10-27 |
Family
ID=87917213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311009207.0A Active CN116740218B (zh) | 2023-08-11 | 2023-08-11 | 一种心脏ct成像图像质量优化方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740218B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115577B (zh) * | 2023-10-23 | 2023-12-26 | 南京安科医疗科技有限公司 | 一种心脏ct投影域最优相位识别方法、设备及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019005180A1 (en) * | 2017-06-26 | 2019-01-03 | Elekta, Inc. | METHOD FOR ENHANCING CT QUALITY QUALITY WITH CONIC BEAM THROUGH DEEP CONVOLUTIVE NEURAL NETWORK |
CN109272443A (zh) * | 2018-09-30 | 2019-01-25 | 东北大学 | 一种基于全卷积神经网络的pet与ct图像配准方法 |
CN109389671A (zh) * | 2018-09-25 | 2019-02-26 | 南京大学 | 一种基于多阶段神经网络的单图像三维重建方法 |
CN110363797A (zh) * | 2019-07-15 | 2019-10-22 | 东北大学 | 一种基于过度形变抑制的pet与ct图像配准方法 |
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 |
WO2020134826A1 (zh) * | 2018-12-24 | 2020-07-02 | 深圳先进技术研究院 | 磁共振并行成像方法及相关设备 |
CN112017131A (zh) * | 2020-10-15 | 2020-12-01 | 南京安科医疗科技有限公司 | Ct图像金属伪影去除方法、装置及计算机可读存储介质 |
CN112700390A (zh) * | 2021-01-14 | 2021-04-23 | 汕头大学 | 一种基于机器学习的白内障oct图像修复方法及系统 |
CN113159147A (zh) * | 2021-04-08 | 2021-07-23 | 平安科技(深圳)有限公司 | 基于神经网络的图像识别方法、装置、电子设备 |
CN113192155A (zh) * | 2021-02-04 | 2021-07-30 | 南京安科医疗科技有限公司 | 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 |
WO2022198915A1 (zh) * | 2021-03-26 | 2022-09-29 | 上海商汤智能科技有限公司 | 图像配准方法、装置、电子设备、存储介质及程序 |
US11610154B1 (en) * | 2019-04-25 | 2023-03-21 | Perceive Corporation | Preventing overfitting of hyperparameters during training of network |
CN116309524A (zh) * | 2023-04-07 | 2023-06-23 | 上海交通大学 | 基于深度学习的心脏磁共振电影成像伪影抑制方法和系统 |
CN116503505A (zh) * | 2023-06-20 | 2023-07-28 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种cbct图像的伪影去除方法、装置、设备及介质 |
-
2023
- 2023-08-11 CN CN202311009207.0A patent/CN116740218B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019005180A1 (en) * | 2017-06-26 | 2019-01-03 | Elekta, Inc. | METHOD FOR ENHANCING CT QUALITY QUALITY WITH CONIC BEAM THROUGH DEEP CONVOLUTIVE NEURAL NETWORK |
CN109389671A (zh) * | 2018-09-25 | 2019-02-26 | 南京大学 | 一种基于多阶段神经网络的单图像三维重建方法 |
CN109272443A (zh) * | 2018-09-30 | 2019-01-25 | 东北大学 | 一种基于全卷积神经网络的pet与ct图像配准方法 |
WO2020134826A1 (zh) * | 2018-12-24 | 2020-07-02 | 深圳先进技术研究院 | 磁共振并行成像方法及相关设备 |
US11610154B1 (en) * | 2019-04-25 | 2023-03-21 | Perceive Corporation | Preventing overfitting of hyperparameters during training of network |
CN110363797A (zh) * | 2019-07-15 | 2019-10-22 | 东北大学 | 一种基于过度形变抑制的pet与ct图像配准方法 |
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 |
CN112017131A (zh) * | 2020-10-15 | 2020-12-01 | 南京安科医疗科技有限公司 | Ct图像金属伪影去除方法、装置及计算机可读存储介质 |
CN112700390A (zh) * | 2021-01-14 | 2021-04-23 | 汕头大学 | 一种基于机器学习的白内障oct图像修复方法及系统 |
CN113192155A (zh) * | 2021-02-04 | 2021-07-30 | 南京安科医疗科技有限公司 | 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 |
WO2022198915A1 (zh) * | 2021-03-26 | 2022-09-29 | 上海商汤智能科技有限公司 | 图像配准方法、装置、电子设备、存储介质及程序 |
CN113159147A (zh) * | 2021-04-08 | 2021-07-23 | 平安科技(深圳)有限公司 | 基于神经网络的图像识别方法、装置、电子设备 |
CN116309524A (zh) * | 2023-04-07 | 2023-06-23 | 上海交通大学 | 基于深度学习的心脏磁共振电影成像伪影抑制方法和系统 |
CN116503505A (zh) * | 2023-06-20 | 2023-07-28 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种cbct图像的伪影去除方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
A deep learning semantic template matching framework for remote sensing image registration;Liangzhi Li 等;ISPRS Journal of Photogrammetry and Remote Sensing;第181卷;205-217 * |
Loss function for image restoration with neural networks;Hang Zhao 等;IEEE Transactions on Computational Imaging;第3卷(第1期);47-57 * |
PET/CT胸腹部图像配准算法及系统设计;吴薇薇 等;中国医疗设备;第30卷(第02期);21-24+37 * |
Also Published As
Publication number | Publication date |
---|---|
CN116740218A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu et al. | AdaIN-based tunable CycleGAN for efficient unsupervised low-dose CT denoising | |
JP5612371B2 (ja) | 画像位置合わせ装置および方法並びにプログラム | |
Lingala et al. | Deformation corrected compressed sensing (DC-CS): a novel framework for accelerated dynamic MRI | |
CN116740218B (zh) | 一种心脏ct成像图像质量优化方法、设备及介质 | |
JP6271097B2 (ja) | デジタルサブトラクション血管造影 | |
US20130101187A1 (en) | Coronary artery motion modeling | |
US9613426B2 (en) | Segmentation and matching of structures in medical imaging data | |
US10657621B2 (en) | Moving structure motion compensation in imaging | |
CN111915696B (zh) | 三维图像数据辅助的低剂量扫描数据重建方法及电子介质 | |
CN110969633B (zh) | 一种心脏ct成像自动最优相位识别方法 | |
JP2020062371A (ja) | 医用画像処理装置、方法及びプログラム | |
CN110728730A (zh) | 图像重建方法、装置、ct设备及ct系统 | |
CN116849691B (zh) | 一种心脏ct成像全局最优相位自动识别方法、设备和存储介质 | |
US11308660B2 (en) | Motion compensated cardiac valve reconstruction | |
Heyde et al. | Motion and deformation estimation of cardiac ultrasound sequences using an anatomical B-spline transformation model | |
KR102538329B1 (ko) | 회선 신경망을 이용하여 관상동맥 영상에서의 움직임을 보정하기 위한 방법 | |
CN114359037A (zh) | 一种图像减影方法、系统及存储介质 | |
Habijan et al. | Centerline tracking of the single coronary artery from x-ray angiograms | |
Schirra et al. | Improvement of cardiac CT reconstruction using local motion vector fields | |
Deng et al. | TT U-Net: Temporal Transformer U-Net for Motion Artifact Reduction Using PAD (Pseudo All-Phase Clinical-Dataset) in Cardiac CT | |
Razeto et al. | Accurate registration of coronary arteries for volumetric CT digital subtraction angiography | |
KR102492949B1 (ko) | 의료영상의 처리장치 및 처리방법 | |
Yang et al. | Characterization of 3-D coronary tree motion from MSCT angiography | |
Dinescu et al. | XCAE: Deep Neural Network for X-ray Coronary Angiograms Quality Enhancement | |
Chenbing et al. | Inter/intra-constraints optimization for fast vessel enhancement in x-ray angiographic image sequence |
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 |