CN117788622A - 一种图像重建方法和装置 - Google Patents
一种图像重建方法和装置 Download PDFInfo
- Publication number
- CN117788622A CN117788622A CN202311816581.1A CN202311816581A CN117788622A CN 117788622 A CN117788622 A CN 117788622A CN 202311816581 A CN202311816581 A CN 202311816581A CN 117788622 A CN117788622 A CN 117788622A
- Authority
- CN
- China
- Prior art keywords
- vessel
- probability map
- probability
- image
- blood vessel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000005764 inhibitory process Effects 0.000 claims abstract description 22
- 230000001629 suppression Effects 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 210000004204 blood vessel Anatomy 0.000 claims description 165
- 238000013179 statistical model Methods 0.000 claims description 66
- 238000002583 angiography Methods 0.000 claims description 20
- 230000002792 vascular Effects 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 38
- 210000001519 tissue Anatomy 0.000 description 30
- 238000009826 distribution Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 101150064138 MAP1 gene Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000002615 epidermis Anatomy 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 101150077939 mapA gene Proteins 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 210000004003 subcutaneous fat Anatomy 0.000 description 2
- 210000005166 vasculature Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 201000011066 hemangioma Diseases 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种图像重建方法和装置,其中,该图像重建方法包括:获取目标组织的血管造影图像;根据血管造影图像,生成目标血管概率图;根据目标血管概率图和抑制因子的映射关系,调整目标血管概率图中至少部分体素的抑制因子;根据目标血管概率图和调整后的抑制因子,重建目标组织的最大密度投影图像。通过本申请,解决了现有技术中存在最大密度投影重建图像出现阶跃裁剪效应的问题,有效提升了生成最大密度投影图像的效率。
Description
技术领域
本申请涉及磁共振成像技术领域,特别是涉及一种图像重建方法和装置。
背景技术
磁共振血管造影使用磁共振成像固有的运动敏感性来产生血管结构的图像。磁共振血管造影片是通过激励所选择的感兴趣的体积中的核并且检测该体积内的移动核与静止核之间的信号对比度来采集的。时间飞跃法是在头颈部脉管系统成像中最广泛使用的磁共振血管造影,它依靠流入补充以在流动血液和静止组织之间产生对比度。可以使用二维或三维采集来执行时间飞跃法。在二维时间飞跃法中,在垂直于被成像血管走向的平面中,相继获得作为堆叠的多个薄切片。在三维时间飞跃法中,将射频激励施加于相对厚的块,并且从受激材料的整个体积中采集信号。磁共振血管造影的结果通常是由顺序的二维部分或真实的三维数据组成的三维数据集。通过借助于最大强度投影将信号映射到期望的视平面上来产生投影图像。最大强度投影图像可以在任何期望的视平面中生成,并且提供脉管系统几何结构的概观。
一般来讲,磁共振血管造影旨在创建具有最大血管与背景对比度的图像,这可以通过抑制来自静态组织的背景信号而实现。由于人体皮下脂肪在TOF图像中的信号值与部分小血管接近,在MIP(Maximum/Minimum Intensity Projec tion,最大密度投影重建)图中易影响小血管的显示,因此放射科医生在出报告或打印胶片前常常需要在三维体绘制软件中对人体皮下脂肪和其他远离血管的组织进行裁剪,以得到显示效果更好的MIP图像,这一裁剪过程耗费人力和时间。
现有技术中通常采用对差分图像进行阈值处理和二值化,得到目标物体的二值图像,进而实现目标检测和背景抑制,但是会导致最大密度投影重建图像出现阶跃裁剪效应。
针对现有技术中存在最大密度投影重建图像出现阶跃裁剪效应的问题,目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种图像重建方法和装置,以解决相关技术中存在最大密度投影重建图像出现阶跃裁剪效应的问题。
第一个方面,在本实施例中提供了一种图像重建方法,所述图像重建方法包括:获取目标组织的血管造影图像;根据所述磁共振血管造影图像,生成目标血管概率图;根据所述目标血管概率图和抑制因子的映射关系,调整所述目标血管概率图中至少部分体素的抑制因子;根据所述目标血管概率图和调整后的所述抑制因子,重建所述目标组织的最大密度投影图像。
在其中的一些实施例中,所述根据所述磁共振血管造影图像,生成目标血管概率图包括:根据所述磁共振血管造影图像,分别生成第一血管概率图和第二血管概率图;根据所述第一血管概率图和所述第二血管概率图,生成所述目标血管概率图;所述第一血管概率图和所述第二血管概率图,用于表示所述磁共振血管造影图像中的体素属于血管的概率。
在其中的一些实施例中,所述根据所述磁共振血管造影图像,分别生成第一血管概率图和第二血管概率图包括:通过已训练的第一神经网络模型,提取所述磁共振血管造影图像中感兴趣区域;对所述感兴趣区域进行滤波,获取所述第一血管概率图;对所述感兴趣区域进行血管标记,获取所述第二血管概率图;根据所述第一血管概率图和所述第二血管概率图,生成所述目标血管概率图。
在其中的一些实施例中,所述对所述感兴趣区域进行滤波,获取第一血管概率图包括:对所述感兴趣区域进行血管增强滤波,得到滤波图像数据;根据所述滤波图像数据,分别建立第一特征统计模型和第一空间能量模型;根据所述第一特征统计模型和所述第一空间能量模型,获取所述第一血管概率图;其中,所述滤波图像数据包括增强后的第一血管图像数据以及对应的方向向量场。
在其中的一些实施例中,所述对所述感兴趣区域进行血管标记,获取第二血管概率图包括:对所述感兴趣区域进行血管标记,得到标记图像数据;根据所述标记图像数据,建立第二特征统计模型;根据所述滤波图像数据和所述标记图像数据,建立第二空间能量模型;根据所述第二特征统计模型和所述第二空间能量模型,获取所述第二血管概率图;其中,所述标记图像数据包括标记主干血管和分支血管的第二血管图像数据。
在其中的一些实施例中,所述增强后的第一血管图像数据包括第一体素灰度和血管度,所述根据所述第一特征统计模型和所述第一空间能量模型,获取所述第一血管概率图包括:根据所述第一体素灰度和所述血管度建立第一特征统计模型;估计所述第一特征统计模型的相关参数,得到第一类条件概率;根据所述第一血管图像数据,建立所述第一空间能量模型;根据所述第一空间能量模型,得到第一类先验概率;根据所述第一类条件概率和所述第一类先验概率,确定血管类别的第一后验概率和非血管类别的第一后验概率,并基于所述血管类别的第一后验概率和所述非血管类别的第一后验概率,确定所述第一血管概率图。
在其中的一些实施例中,所述第二血管图像数据包括第二体素灰度和梯度,所述根据所述第二特征统计模型和所述第二空间能量模型,获取所述第二血管概率图包括:根据所述第二体素灰度和所述梯度建立第二特征统计模型;估计所述第二特征统计模型的相关参数,得到第二类条件概率;根据所述第一血管图像数据和第二血管图像数据,建立所述第二空间能量模型;根据所述第二空间能量模型,得到第二类先验概率;根据所述第二类条件概率和所述第二类先验概率,确定血管类别的第二后验概率和非血管类别的第二后验概率,并基于所述血管类别的第二后验概率和所述非血管类别的第二后验概率,确定所述第二血管概率图。
在其中的一些实施例中,所述根据所述第一血管概率图和所述第二血管概率图,生成所述目标血管概率图包括:对所述第一血管概率图和所述第二血管概率图进行加权平均运算,生成所述血管造影图。
在其中的一些实施例中,所述根据所述血管造影图与所述抑制因子,重建最大密度投影图像包括:获取所述血管造影图的原始灰度直方图;根据调整后的抑制因子,对所述原始灰度直方图进行组映射,得到所述最大密度投影图像。
第二个方面,在本实施例中提供了一种图像重建装置,所述图像重建装置包括:获取模块,用于获取目标组织的血管造影图像;生成模块,用于根据所述磁共振血管造影图像,生成目标血管概率图;调整模块,用于根据所述目标血管概率图和抑制因子的映射关系,调整所述目标血管概率图中至少部分体素的抑制因子;重建模块,用于根据所述目标血管概率图和调整后的所述抑制因子,重建所述目标组织的最大密度投影图像。
与相关技术相比,在本实施例中提供的一种图像重建方法和装置,通过获取目标组织的血管造影图像;根据磁共振血管造影图像,生成目标血管概率图;根据目标血管概率图和抑制因子的映射关系,调整目标血管概率图中至少部分体素的抑制因子;根据目标血管概率图和调整后的抑制因子,重建目标组织的最大密度投影图像,解决了现有技术中存在最大密度投影重建图像出现阶跃裁剪效应的问题,有效提升了生成最大密度投影图像的效率。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是执行本实施例的一种图像重建方法的终端的硬件结构框图;
图2是本实施例的一种图像重建方法的流程图;
图3是本优选实施例的一种血管造影图像处理方法的流程图;
图3a是本优选实施例的一种生成第一血管概率图的流程图;
图3b是本优选实施例的一种生成第二血管概率图的流程图;
图4是本优选实施例的一种生成目标血管概率图的方法的流程图;
图5是本实施例的一种图像重建装置的结构框图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。
除另作定义外,本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制,它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体,其目的是涵盖不排他的包含;例如,包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元),而可包括未列出的步骤或模块(单元),或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接,而可以包括电气连接,无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。通常情况下,字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等,只是对相似对象进行区分,并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行,图1是执行本实施例的一种图像重建方法的终端的硬件结构框图。如图1所示,终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104,其中,处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述终端的结构造成限制。例如,终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如在本实施例中的一种图像重建方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(NetworkInterface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种图像重建方法,图2是本实施例的一种图像重建方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,获取目标组织的血管造影图像。
具体的,在本申请的实施例中,目标组织可以为受检者的颅脑、劲动脉和冠状动脉等。血管造影图像可以通过时间飞越技术和相位对比技术获得的磁共振血管造影图像。优选的,通过时间飞越技术采集得到血管造影图像。
步骤S204,根据血管造影图像,生成目标血管概率图。
具体的,可以基于统计模型的血管分割算法对目标组织的分布进行建模,并对组织的灰度值分布进行拟合,进而根据像素的概率密度区分血管和其他组织来实现血管分割,生成目标血管概率图。
步骤S206,根据目标血管概率图和抑制因子的映射关系,调整目标血管概率图中至少部分体素的抑制因子。
具体的,构造血管概率与抑制因子的映射函数,通过人机交互的方式调整目标血管概率图中至少部分体素的抑制因子。
进一步的,映射函数可以是sigmoid函数,抑制因子可以表示为fi,可以用公式(1)表示。
其中,b控制灰度抑制的陡峭度,△控制灰度抑制的程度,p代表血管概率图中体素对应的类别的概率。
步骤S208,根据目标血管概率图和调整后的抑制因子,重建目标组织的最大密度投影图像。
具体的,在本申请的实施例中,在获取目标血管概率图之后,将图像像素乘以该像素灰度对应的抑制因子,就达到抑制非血管区域的目的,得到目标组织的最大密度投影图像。
通过上述步骤S202~步骤S208,经过最大密度投影后形成三维可视化图像,在交互界面中提供和的参数调整空间,通过调整这两个参数实时调整最大密度投影的血管显示效果,可很大程度方便用户快速调节到期望的三维可视化效果。
在其中的一些实施例中,根据血管造影图像,生成目标血管概率图包括:根据血管造影图像,分别生成第一血管概率图和第二血管概率图;根据第一血管概率图和第二血管概率图,生成目标血管概率图;第一血管概率图和第二血管概率图,用于表示血管造影图像中的体素属于血管的概率。
在其中的一些实施例中,根据血管造影图像,分别生成第一血管概率图和第二血管概率图包括:通过已训练的第一神经网络模型,提取磁共振血管造影图像中感兴趣区域;对感兴趣区域进行滤波,获取第一血管概率图;对感兴趣区域进行血管标记,获取第二血管概率图;根据第一血管概率图和第二血管概率图,生成血管造影图。
具体的,构建三维卷积神经网络模型,获取待训练的三维时间飞跃磁共振血管图像;以待训练的三维时间飞跃磁共振血管图像为输入,以待训练的三维时间飞跃磁共振血管图像中的动脉图像为输出,采用反向传播算法和梯度下降算法对三维卷积神经网络模型进行训练得到第一神经网络模型,通过第一神经网络模型提取磁共振血管造影图像中感兴趣区域。
在其中的一些实施例中,对感兴趣区域进行滤波,获取第一血管概率图包括:对感兴趣区域进行血管增强滤波,得到滤波图像数据;根据滤波图像数据,分别建立第一特征统计模型和第一空间能量模型;根据第一特征统计模型和第一空间能量模型,获取第一血管概率图;其中,滤波图像数据包括增强后的第一血管图像数据以及对应的方向向量场。
具体的,获取第一血管概率图中的第一体素灰度和血管度,根据第一体素灰度和血管度建立第一特征统计模型;估计第一特征统计模型的相关参数,得到第一类条件概率;计算增强后的血管图像数据的初始标记场,并将初始标记场与对应的方向向量场结合建立第一三维马尔可夫随机场,并根据第一三维马尔可夫随机场对增强后的血管图像数据建立第一空间能量模型;根据第一空间能量模型,得到第一类先验概率;将第一类条件概率和第一类先验概率输入至第一最大后验概率估计模型,在迭代条件模式下,确定血管类别的第一后验概率和非血管类别的第一后验概率,并基于血管类别的第一后验概率和非血管类别的第一后验概率,确定第一血管概率图。
在本申请实施例中,通过时间飞跃法采集得到的磁共振血管成像图像中不同组织的灰度值分布范围不同,并根据统计学理论,相同组织具有相同的分布特征。因此,基于统计模型的血管分割算法通过有限混合模型对目标组织的分布进行建模,并对组织的灰度值分布进行拟合,进而根据像素的概率密度区分血管和其他组织来实现血管分割。有限混合模型对血管组织采用单高斯分布进行建模,对非血管组织采用其他有限混合模型进行建模,并在整体灰度值范围内对磁共振血管成像图像的灰度值分布进行拟合,得到第一血管概率图。
在其中的一些实施例中,对感兴趣区域进行血管标记,获取第二血管概率图包括:对感兴趣区域进行血管标记,得到标记图像数据;根据标记图像数据,建立第二特征统计模型;根据滤波图像数据和标记图像数据,建立第二空间能量模型;根据第二特征统计模型和第二空间能量模型,获取第二血管概率图;其中,标记图像数据包括标记主干血管和分支血管的第二血管图像数据。
具体的,获取第二血管图像数据的第二体素灰度和梯度;第二特征统计模型为对第二体素灰度和梯度的联合分布建立的第二有限混合模型,估计第二特征统计模型的相关参数,得到第二类条件概率;根据第一血管图像数据和第二血管图像数据,结合建立第二三维马尔可夫随机场,并根据第二三维马尔可夫随机场建立第二空间能量模型;根据第二空间能量模型,得到第二类先验概率;将第二类条件概率和第二类先验概率输入至第二最大后验概率估计模型,在迭代条件模式下,确定血管类别的第二后验概率和非血管类别的第二后验概率,并基于血管类别的第二后验概率和非血管类别的第二后验概率,确定第二血管概率图。
在其中的一些实施例中,增强后的第一血管图像数据包括第一体素灰度和血管度,根据第一特征统计模型和第一空间能量模型,获取第一血管概率图包括:根据第一体素灰度和血管度建立第一特征统计模型;估计第一特征统计模型的相关参数,得到第一类条件概率;根据第一血管图像数据,建立第一空间能量模型;根据第一空间能量模型,得到第一类先验概率;根据第一类条件概率和第一类先验概率,确定血管类别的第一后验概率和非血管类别的第一后验概率,并基于血管类别的第一后验概率和非血管类别的第一后验概率,确定第一血管概率图。
在其中的一些实施例中,第二血管图像数据包括第二体素灰度和梯度,根据第二特征统计模型和第二空间能量模型,获取第二血管概率图包括:根据第二体素灰度和梯度建立第二特征统计模型;估计第二特征统计模型的相关参数,得到第二类条件概率;根据第一血管图像数据和第二血管图像数据,建立第二空间能量模型;根据第二空间能量模型,得到第二类先验概率;根据第二类条件概率和第二类先验概率,确定血管类别的第二后验概率和非血管类别的第二后验概率,并基于血管类别的第二后验概率和非血管类别的第二后验概率,确定第二血管概率图。
在其中的一些实施例中,根据第一血管概率图和第二血管概率图,生成血管造影图包括:对第一血管概率图和第二血管概率图进行加权平均运算,生成血管造影图。
下面通过优选实施例对本实施例进行描述和说明。
图3是本优选实施例的一种血管造影图像处理方法的流程图,如图3所示,该血管造影图像处理方法包括如下步骤:
步骤S302,通过深度学习提取感兴趣区域。
具体的,将三维TOF(Time of flight,时间飞跃)图像下采样,所得到的图像在X,Y,Z方向的体素间距为预设值;通过U-Net神经网络推理计算得到感兴趣区域概率图(像素值范围0-1),该感兴趣区域为包含血管的区域,排除了远离血管的表皮、眼睛、脂肪等较亮组织;将感兴趣区域概率图上采样,所得到的图像与原图具有相同的像素间距;设置一个阈值将该概率图进行二值化生成感兴趣区域掩膜。通过训练好的深度学习模型提取感兴趣区域,排除远离血管的区域或体外区域,缩小后续分析的计算范围。由于动脉的位置仅存在目标组织内的一部分区域,除该位置以外的无关信息并不在研究的范围之类所以对所述前景掩膜图像进行处理得到感兴趣区域,可以降低计算量,节省计算资源。
步骤S304,对感兴趣区域进行增强滤波处理,得到第一图像处理数据。
具体的,在提取的感兴趣区域内对体素进行血管增强滤波得到血管度响应图和血管方向矢量图。
步骤S306,对感兴趣区域进行标记,得到第二图像处理数据。
具体的,使用第二深度神经网络进行分割并进行适当后处理排除干扰区域,得到第二图像处理数据,第二图像处理数据包括标记后的血管主干和部分主要分支。
步骤S308,根据第一图像处理数据,生成第一血管概率图。
具体的,根据第一图像处理数据,分别建立第一特征统计模型和第一空间能量模型;根据第一特征统计模型和第一空间能量模型,获取第一血管概率图;其中,第一图像处理数据包括增强后的第一血管图像数据以及对应的方向向量场。
步骤S310,根据第一图像处理数据和第二图像处理数据,生成第二血管概率图。
具体的,根据第二图像处理数据,建立第二特征统计模型;根据第一图像处理数据和第二图像处理数据,建立第二空间能量模型;根据第二特征统计模型和第二空间能量模型,获取第二血管概率图;其中,第二图像处理数据包括标记主干血管和分支血管的图像数据。
步骤S312,根据第一血管概率图和第二血管概率图,生成目标血管概率图。
具体的,合并第一血管概率图和第二血管概率图,生成目标血管概率图。
步骤S314,对目标血管概率图进行体素灰度变换,生成最大密度投影图像。
具体的,获取血管概率图的原始灰度直方图;根据调整后的抑制因子,对原始灰度直方图进行组映射,得到最大密度投影图像。
通过步骤S302~步骤S314,通过深度学习提取感兴趣区域,根据感兴趣区域进行增强滤波,建立第一特征统计模型和第一空间能量模型;根据第一特征统计模型和第一空间能量模型,获取第一血管概率图;根据感兴趣区域进行标记,得到第二图像处理数据,根据第二图像处理数据,建立第二特征统计模型;根据第一图像处理数据和第二图像处理数据,建立第二空间能量模型;根据第二特征统计模型和第二空间能量模型,获取第二血管概率图,合并第一血管概率图和第二血管概率图可提升第一血管概率图中概率偏低的大血管分叉、血管大拐弯、血管瘤等非管状局部结构的血管概率,且可排除第一血管概率图中可能存在的概率误高区域和远端非连通血管区域。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。例如,步骤S304与步骤S306可以互换,步骤S308与步骤S310可以互换。
图3a为步骤S308的具体实施方式,图3a是本优选实施例的一种生成第一血管概率图的流程图,如图3a所示,该生成第一血管概率图包括如下步骤:
步骤S320,设置血管分类图,以当前血管分类图为初始值。
具体的,在第一图像处理数据后,根据第一图像处理数据中的体素灰度和血管度的联合分布建立有限混合模型,用期望-最大化算法估计混合模型的参数;计算完成后,对每个体素赋予初始类别包括血管类和非血管类,形成血管分类图,以当前血管分类图为初始值,t为自然数。
步骤S322,根据第一特征统计模型对每个体素计算类条件概率。
具体的,根据第一特征统计模型对每个体素计算类条件概率P(Y┃X=i),类条件概率P(Y┃X=i),表示在体素所属类别X为i类型前提下,Y事件发生的概率。第一特征统计模型为有限混合模型,优选的,第一特征统计模型为二维混合模型。在本申请的实施例中,对体素灰度和血管度的联合分布建立二维混合模型,用期望-最大化算法估计混合模型的参数;通过二维混合模型得到血管类的概率和非血管类的概率。
步骤S324,基于当前血管分类图,根据第一空间能量模型对每个体素计算类概率。
具体的,第一空间能量模型为用三维马尔可夫随机场对图像空间信息进行建立第一空间能量模型,定义每个体素的能量函数由两个分量的加权组合,两个分量分别是邻域内的各项同性多水平罗吉斯蒂克模型和特定邻近区域内像素的血管方向矢量一致性。基于当前血管分类图计算对每个体素计算类概率P(X=i),类概率P(X=i)表示体素所属类别X为i类型的概率,其中,i∈{V,B},V为血管,B为非血管。
步骤S326,计算每个体素最大后验概率所对应类别并更新至下一血管分类图。
具体的,用迭代条件模式算法(Iterated Conditional Mode,ICM)迭代计算随机场中每个体素所属类别的后验概率。在每次迭代中,对每个体素计算其属于血管/非血管类别的后验概率P(X=i|Y),i∈{V,B},V为血管,B为非血管;由于该后验概率无法直接求取,用贝叶斯定理建模得到公式(2):
P(X|Y)∝P(Y|X)P(X), (2)
对数化得到公式(3):
log(P(X|Y))∝log(P(Y|X))+log(P(X)), (3)
其中X为体素所属类别,Y为像素在图像中的观测状态(即亮度、纹理等特征),P(Y|X)为独立条件概率,P(X)为体素属于该类别的先验概率。P(Y|X)和P(X)的计算过程如下:
参考公式(4),取最大后验概率所对应的类别更新到血管分类图中,即:
其中,s为体素位置,argmax(log(P(Ys│Xs=i)))是使得log(P(Ys|Xs=i))取得最大值所对应的变量点i,P(Ys|Xs=i)表示s位置的体素所属类别Xs为i类型时s位置的体素状态为Ys时的概率,P(Xs=i)表示s位置的体素所属类别Xs为i类型的概率,其中,i∈{V,B},V为血管,B为非血管。
迭代结束后,得到血管概率图Vp:
其中,Vp(s)为s位置的体素的血管概率图,P(Xs=V)表示s位置的体素所属类别Xs为血管类型的概率,P(Xs=B)表示s位置的体素所属类别Xs为非血管类型的概率,P(Ys|Xs=V)表示s位置的体素所属类别Xs为血管类型时s位置的体素状态为Ys时的概率,P(Ys|Xs=V)表示s位置的体素所属类别Xs为非血管类型时s位置的体素状态为Ys时的概率。
步骤S328,判断血管分类图是否收敛,若是,执行步骤S330,若否,执行步骤S320。
具体的,将该血管类条件概率、该非血管类条件概率和该先验概率输入至最大后验概率估计模型,得到血管类的后验概率和非血管类的后验概率,以该当前血管分类图为初值,根据条件迭代模型,最大化分类的后验概率,根据血管分类图中的分类结果判断其是否收敛,收敛即分类结果不再改变或者达到最大迭代次数,若是,则执行步骤S330,得到的最终的血管概率图,若否,执行步骤S320,令t=t+1,获取下一血管分类图,作为当前血管分类图。
步骤S330,计算得到第一血管概率图。
具体的,迭代结束后,根据公式(5)计算得到第一血管概率图Vp。
通过步骤S320~步骤S330,通过建立第一特征统计模型和第一空间能量模型,可以对管状结构的提取,对远端小血管和非血管高亮区域的分布估计更准确,减少误分类的概率。
图3b为步骤S310的具体实施方式,图3b是本优选实施例的一种生成第二血管概率图的流程图,如图3b所示,生成第二血管概率图包括如下步骤:
步骤S340,设置血管分类图,以当前血管分类图为初始值。
具体的,在第二图像处理数据后,根据第一图像处理数据中的体素灰度和血管度的联合分布建立有限混合模型,用期望-最大化算法估计混合模型的参数;计算完成后,对每个体素赋予初始类别包括血管类和非血管类,形成血管分类图,以当前血管分类图为初始值,t为自然数。
步骤S342,根据第二特征统计模型对每个体素计算类条件概率。
具体的,根据第二特征统计模型对每个体素计算类条件概率P(Y┃X=i),第二特征统计模型为有限混合模型,优选的,第二特征统计模型为二维混合模型。在本申请的实施例中,对体素灰度和血管度的联合分布建立二维混合模型,用期望-最大化算法估计混合模型的参数;通过二维混合模型得到血管类的概率和非血管类的概率。
步骤S344,基于当前血管分类图,根据第二空间能量模型对每个体素计算类概率。
具体的,第二空间能量模型为用三维马尔可夫随机场对图像空间信息进行建立第二空间能量模型,定义每个体素的能量函数由两个分量的加权组合,两个分量分别是邻域内的各项同性多水平罗吉斯蒂克模型和特定邻近区域内像素的血管方向矢量一致性。基于当前血管分类图计算对每个体素计算类概率P(X=i)。
步骤S346,计算每个体素最大后验概率所对应类别并更新至下一血管分类图。
具体的,用迭代条件模式算法(Iterated Conditional Mode,ICM)迭代计算随机场中每个体素所属类别的后验概率。在每次迭代中,对每个体素计算其属于血管/非血管类别的后验概率P(X=i|Y),i∈{V,B},V为血管,B为非血管;由于该后验概率无法直接求取,用贝叶斯定理建模可得,具体计算过程参考上述实施例,在此不进行赘述。
取最大后验概率所对应的类别更新到血管分类图中,即如上述公式(4)所示。
其中,s为体素位置,argmax(log(P(Ys|Xs=i)))是使得log(P(Ys|Xs=i))取得最大值所对应的变量点i;
迭代结束后,得到血管概率图Vp,如上述公式(5)所示:
步骤S348,判断血管分类图是否收敛,若是,执行步骤S350,若否,执行步骤S340。
具体的,将该血管类条件概率、该非血管类条件概率和该先验概率输入至最大后验概率估计模型,得到血管类的后验概率和非血管类的后验概率,以该当前血管分类图为初值,根据条件迭代模型,最大化分类的后验概率,根据血管分类图中的分类结果判断其是否收敛,收敛即分类结果不再改变或者达到最大迭代次数,若是,则执行步骤S330,得到的最终的血管概率图,若否,执行步骤S320,令t=t+1,获取下一血管分类图,作为当前血管分类图。
步骤S350,计算得到第二血管概率图。
具体的,迭代结束后,根据公式(5)计算得到第一血管概率图Vp。
通过步骤S340~步骤S350,通过建立第二特征统计模型和第二空间能量模型,对血管连续区域的提取,通过深度神经网络标记血管主要分支,并将已标记血管支用于后续建模中,提升后续血管分析的准确性,并为血管连续性分析提供基准。
图4是本优选实施例的一种生成目标血管概率图的方法的流程图,如图4所示,该生成目标血管概率图的方法包括如下步骤:
步骤S402,提取感兴趣区域。
具体的,通过第一深度神经网络计算包含血管的感兴趣区域,将三维TOF图像下采样,所得到的图像在X,Y,Z方向的体素间距为预设值;通过U-Net神经网络推理计算得到感兴趣区域概率图,该感兴趣区域概率图的像素值范围0-1。该感兴趣区域为包含血管的区域,排除了远离血管的表皮、眼睛、脂肪等较亮组织;将感兴趣区域概率图上采样,所得到的图像与原图具有相同的像素间距;设置一个阈值将该概率图进行二值化生成感兴趣区域掩膜。通过深度神经网络提取感兴趣区域,减少后续步骤的运算量。
步骤S404,对感兴趣区域进行血管增强滤波,获得第一图像处理数据。
具体的,对感兴趣区域内对体素进行血管增强滤波得到第一图像处理数据,在本申请实施例中,第一图像处理数据包括血管度响应图和血管方向矢量图。
步骤S406,对感兴趣区域进行血管标记,获得第二图像处理数据。
具体的,对感兴趣区域进行血管标记,使用第二深度神经网络分割并进行适当后处理排除干扰区域,得到第二图像处理数据,其中,得到第二图像处理数据包括血管主干和部分主要分支。
步骤S408,根据第一图像处理数据,建立第一特征统计模型。
具体的,获取第一图像处理数据中的第一体素灰度和血管度,根据第一体素灰度和血管度建立第一特征统计模型。
步骤S410,根据第一图像处理数据,建立第一空间能量模型。
具体的,估计第一特征统计模型的相关参数,得到第一类条件概率;计算第一图像处理数据的初始标记场,并将初始标记场与对应的方向向量场结合建立第一三维马尔可夫随机场,并根据第一三维马尔可夫随机场对增强后的血管图像数据建立第一空间能量模型。通过深度神经网络标记血管主要分支,并将已标记血管支用于后续建模中,提升后续血管分析的准确性,并为血管连续性分析提供基准。
步骤S412,根据第一特征统计模型和第一空间能量模型,获取第一血管概率图。
具体的,根据第一空间能量模型,得到第一类先验概率;将第一类条件概率和第一类先验概率输入至第一最大后验概率估计模型,在迭代条件模式下,确定血管类别的第一后验概率和非血管类别的第一后验概率,并基于血管类别的第一后验概率和非血管类别的第一后验概率,确定第一血管概率图。
进一步的,第一特征统计模型和第一空间能量模型侧重于对管状结构的提取,对远端小血管和非血管高亮区域的分布估计更准确,减少误分类的概率。
步骤S414,根据第二图像处理数据,建立第二特征统计模型。
具体的,获取第二血管图像数据的第二体素灰度和梯度;根据第二体素灰度和梯度的联合分布,建立第二特征统计模型。
步骤S416,根据第一图像处理数据和第二图像处理数据,建立第二空间能量模型。
具体的,估计第二特征统计模型的相关参数,得到第二类条件概率;根据第一血管图像数据和第二血管图像数据,结合建立第二三维马尔可夫随机场,并根据第二三维马尔可夫随机场建立第二空间能量模型。
步骤S418,根据第二特征统计模型和第二空间能量模型,获取第二血管概率图。
具体的,根据第二空间能量模型,得到第二类先验概率;将第二类条件概率和第二类先验概率输入至第二最大后验概率估计模型,在迭代条件模式下,确定血管类别的第二后验概率和非血管类别的第二后验概率,并基于血管类别的第二后验概率和非血管类别的第二后验概率,确定第二血管概率图。
进一步的,第二特征统计模型和第二空间能量模型侧重于对血管连续区域的提取,根据第二特征统计模型和第二空间能量模型,生成第二血管概率图,可以得到特征连续性分析结果。
步骤S420,根据第一血管概率图和第二血管概率图,生成目标血管概率图。
具体的,合并第一血管概率图和第二血管概率图进行加权平均运算,生成目标血管概率图。
通过上述步骤S402~步骤S420,通过根据第一特征统计模型和第一空间能量模型,获取第一血管概率图,得到血管结构分析的结果,以及通过根据第二特征统计模型和第二空间能量模型,获取第二血管概率图得到特征连续性分析结果,结合两类特征的优势,提升血管概率值,并更好的降低非血管像素概率值。
需要说明的是,在上述实施例中,虽然仅描述了血管类和非血管类,可以想到的是上述实施例中血管/非血管二分类可以改为多分类,例如区分不同血管系统或感兴趣的血管支,相应的特征统计模型和空间能量模型的类别数随之调整。通过血管分类,可以获得期望的血管显示和背景抑制效果。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中还提供了一种图像重建装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是本实施例的一种图像重建装置的结构框图,如图5所示,该图像重建装置包括:
获取模块10,用于获取目标组织的血管造影图像;
生成模块20,用于根据血管造影图像,生成目标血管概率图;
调整模块30,用于根据目标血管概率图和抑制因子的映射关系,调整目标血管概率图中至少部分体素的抑制因子;
重建模块40,用于根据目标血管概率图和调整后的抑制因子,重建目标组织的最大密度投影图像。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标组织的血管造影图像。
S2,根据血管造影图像,生成目标血管概率图。
S3,根据目标血管概率图和抑制因子的映射关系,调整目标血管概率图中至少部分体素的抑制因子。
S4,根据目标血管概率图和调整后的抑制因子,重建目标组织的最大密度投影图像。
需要说明的是,在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,在本实施例中不再赘述。
此外,结合上述实施例中提供的一种图像重建方法,在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种图像重建方法。
应该明白的是,这里描述的具体实施例只是用来解释这个应用,而不是用来对它进行限定。根据本申请提供的实施例,本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例,均属本申请保护范围。
显然,附图只是本申请的一些例子或实施例,对本领域的普通技术人员来说,也可以根据这些附图将本申请适用于其他类似情况,但无需付出创造性劳动。另外,可以理解的是,尽管在此开发过程中所做的工作可能是复杂和漫长的,但是,对于本领域的普通技术人员来说,根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段,不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例,也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是,本申请中描述的实施例在没有冲突的情况下,可以与其它实施例结合。
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专利保护范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像重建方法,其特征在于,所述图像重建方法包括:
获取目标组织的血管造影图像;
根据所述血管造影图像,生成目标血管概率图;
根据所述目标血管概率图和抑制因子的映射关系,调整所述目标血管概率图中至少部分体素的抑制因子;
根据所述目标血管概率图和调整后的所述抑制因子,重建所述目标组织的最大密度投影图像。
2.根据权利要求1所述的图像重建方法,其特征在于,所述根据所述血管造影图像,生成目标血管概率图包括:
根据所述血管造影图像,分别生成第一血管概率图和第二血管概率图;
根据所述第一血管概率图和所述第二血管概率图,生成所述目标血管概率图;所述第一血管概率图和所述第二血管概率图,用于表示所述血管造影图像中的体素属于血管的概率。
3.根据权利要求2所述的图像重建方法,其特征在于,所述根据所述血管造影图像,分别生成第一血管概率图和第二血管概率图包括:
通过已训练的第一神经网络模型,提取所述血管造影图像中感兴趣区域;
对所述感兴趣区域进行滤波,获取所述第一血管概率图;
对所述感兴趣区域进行血管标记,获取所述第二血管概率图;
根据所述第一血管概率图和所述第二血管概率图,生成所述目标血管概率图。
4.根据权利要求3所述的图像重建方法,其特征在于,所述对所述感兴趣区域进行滤波,获取第一血管概率图包括:
对所述感兴趣区域进行血管增强滤波,得到滤波图像数据;
根据所述滤波图像数据,分别建立第一特征统计模型和第一空间能量模型;
根据所述第一特征统计模型和所述第一空间能量模型,获取所述第一血管概率图。
5.根据权利要求3所述的图像重建方法,其特征在于,所述对所述感兴趣区域进行血管标记,获取第二血管概率图包括:
对所述感兴趣区域进行血管标记,得到标记图像数据;
根据所述标记图像数据,建立第二特征统计模型;
根据所述滤波图像数据和所述标记图像数据,建立第二空间能量模型;
根据所述第二特征统计模型和所述第二空间能量模型,获取所述第二血管概率图。
6.根据权利要求4所述的图像重建方法,其特征在于,所述增强后的第一血管图像数据包括第一体素灰度和血管度,所述根据所述第一特征统计模型和所述第一空间能量模型,获取所述第一血管概率图包括:
根据所述第一体素灰度和所述血管度建立第一特征统计模型;
估计所述第一特征统计模型的相关参数,得到第一类条件概率;
根据所述第一血管图像数据,建立所述第一空间能量模型;
根据所述第一空间能量模型,得到第一类先验概率;
根据所述第一类条件概率和所述第一类先验概率,确定血管类别的第一后验概率和非血管类别的第一后验概率,并基于所述血管类别的第一后验概率和所述非血管类别的第一后验概率,确定所述第一血管概率图。
7.根据权利要求5所述的图像重建方法,其特征在于,所述第二血管图像数据包括第二体素灰度和梯度,所述根据所述第二特征统计模型和所述第二空间能量模型,获取所述第二血管概率图包括:
根据所述第二体素灰度和所述梯度建立第二特征统计模型;
估计所述第二特征统计模型的相关参数,得到第二类条件概率;
根据所述第一血管图像数据和第二血管图像数据,建立所述第二空间能量模型;
根据所述第二空间能量模型,得到第二类先验概率;
根据所述第二类条件概率和所述第二类先验概率,确定血管类别的第二后验概率和非血管类别的第二后验概率,并基于所述血管类别的第二后验概率和所述非血管类别的第二后验概率,确定所述第二血管概率图。
8.根据权利要求4所述的图像重建方法,其特征在于,所述根据所述第一血管概率图和所述第二血管概率图,生成所述目标血管概率图包括:
对所述第一血管概率图和所述第二血管概率图进行加权平均运算,生成所述血管造影图。
9.根据权利要求1所述的图像重建方法,其特征在于,所述根据所述血管造影图与所述抑制因子,重建最大密度投影图像包括:
获取所述血管造影图的原始灰度直方图;
根据调整后的抑制因子,对所述原始灰度直方图进行组映射,得到所述最大密度投影图像。
10.一种图像重建装置,其特征在于,所述图像重建装置包括:
获取模块,用于获取目标组织的血管造影图像;
生成模块,用于根据所述血管造影图像,生成目标血管概率图;
调整模块,用于根据所述目标血管概率图和抑制因子的映射关系,调整所述目标血管概率图中至少部分体素的抑制因子;
重建模块,用于根据所述目标血管概率图和调整后的所述抑制因子,重建所述目标组织的最大密度投影图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311816581.1A CN117788622A (zh) | 2023-12-26 | 2023-12-26 | 一种图像重建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311816581.1A CN117788622A (zh) | 2023-12-26 | 2023-12-26 | 一种图像重建方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117788622A true CN117788622A (zh) | 2024-03-29 |
Family
ID=90388656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311816581.1A Pending CN117788622A (zh) | 2023-12-26 | 2023-12-26 | 一种图像重建方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788622A (zh) |
-
2023
- 2023-12-26 CN CN202311816581.1A patent/CN117788622A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Local statistics and non-local mean filter for speckle noise reduction in medical ultrasound image | |
US9715754B2 (en) | In-plane and interactive surface mesh adaptation | |
CN111902825A (zh) | 多边形对象标注系统和方法以及训练对象标注系统的方法 | |
US20070223815A1 (en) | Feature Weighted Medical Object Contouring Using Distance Coordinates | |
Dehkordi et al. | A review of coronary vessel segmentation algorithms | |
CN111105424A (zh) | 淋巴结自动勾画方法及装置 | |
CN107545579B (zh) | 一种心脏分割方法、设备和存储介质 | |
CN109102511A (zh) | 一种脑血管分割方法、系统及电子设备 | |
Schall et al. | Adaptive feature-preserving non-local denoising of static and time-varying range data | |
Anand et al. | An edge vector and edge map based boundary detection in medical images | |
Lee et al. | Speckle reduction via deep content-aware image prior for precise breast tumor segmentation in an ultrasound image | |
CN113313728B (zh) | 一种颅内动脉分割方法及系统 | |
Ananth et al. | CLG for Automatic Image Segmentation | |
Almansour et al. | High-resolution mri brain inpainting | |
CN115439423B (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 | |
CN117788622A (zh) | 一种图像重建方法和装置 | |
Narasimha et al. | An effective tumor detection approach using denoised MRI based on fuzzy bayesian segmentation approach | |
Tasdizen et al. | Anisotropic diffusion of surface normals for feature preserving surface reconstruction | |
US20220277457A1 (en) | Segmentating a tubular feature | |
Kim et al. | A majorize-minimize approach for high-quality depth upsampling | |
Falcão et al. | Multiscale 2D medial axes and 3D surface skeletons by the image foresting transform | |
Lee et al. | Double reverse diffusion for realistic garment reconstruction from images | |
Romdhane et al. | 3D medical images denoising | |
EP4343680A1 (en) | De-noising data | |
Lee et al. | Medical image segmentation using a geometric active contour model based on level set method |
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 |