CN117974650A - 一种全身电子计算机断层扫描创伤检测系统及计算机设备 - Google Patents
一种全身电子计算机断层扫描创伤检测系统及计算机设备 Download PDFInfo
- Publication number
- CN117974650A CN117974650A CN202410370660.2A CN202410370660A CN117974650A CN 117974650 A CN117974650 A CN 117974650A CN 202410370660 A CN202410370660 A CN 202410370660A CN 117974650 A CN117974650 A CN 117974650A
- Authority
- CN
- China
- Prior art keywords
- image
- whole
- noise
- wound
- computerized tomography
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000003325 tomography Methods 0.000 title claims abstract description 40
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 69
- 206010052428 Wound Diseases 0.000 claims abstract description 68
- 238000002591 computed tomography Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000009792 diffusion process Methods 0.000 claims abstract description 25
- 208000014674 injury Diseases 0.000 claims abstract description 24
- 230000008733 trauma Effects 0.000 claims abstract description 23
- 230000036541 health Effects 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 4
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 208000004221 Multiple Trauma Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 229910052697 platinum Inorganic materials 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种全身电子计算机断层扫描创伤检测系统及计算机设备，涉及医学图像处理领域，系统包括：图像获取模块，用于获取全身电子计算机断层扫描图像；图像处理模块，用于采用预先训练好的扩散模型，对所述全身电子计算机断层扫描图像进行加噪及去噪处理，得到模拟健康图像；所述扩散模型基于U‑Net网络构建，且所述扩散模型能够学习健康组织的数据分布；创伤概率确定模块，用于对比所述全身电子计算机断层扫描图像与所述模拟健康图像的像素值，得到创伤概率热图；所述创伤概率热图中像素点的像素值表征对应位置处的创伤概率。本发明仅使用一个扩散模型即可自动完成各类创伤的检测，提高了创伤检测的效率及精度。
Description
技术领域
本发明涉及医学图像处理领域，特别是涉及一种全身电子计算机断层扫描创伤检测系统及计算机设备。
背景技术
“白金十分钟”及“黄金1小时”是创伤救治领域中重要的理念，它提出“快速”判断创伤部位、“缩短”创伤救治开始时间对患者的预后至关重要。车祸伤、高处坠落、重物撞击等所导致的受伤类型、严重程度和涉及的部位随机性很大，患者之间的异质性很高。严重创伤患者的救治往往涉及多学科、多科室的联合诊疗。目前临床工作中对全身增强电子计算机断层扫描（Computed Tomography，CT）的解读，要么依靠专科大夫自行阅片，要么需要等待放射科的阅片报告（大部分医院对于急诊检查的CT不出报告），不仅会造成救治流程中的不必要等待、延时，并且在争分夺秒的抢救过程中容易出现漏判。快速准确判断并分割创伤类型和创伤部位是临床智能辅助决策的基础，能够极大缩短救治开始时间，提高患者的生存率。
当前部分医学图像异常检测算法，虽然能够自动检测图像中的病灶或损伤区域，但需要按照身体解剖部位逐步开发。而且这些异常检测算法通常需要像素级的标签，以监督模型优化，需要大量临床病例的标注，耗力耗时。再者，全身CT所涉及的创伤种类多、部位多、变化大、异质性强，尚没有算法能够一次性解决全身各类创伤的检测需求。因此，开发全身CT的多发伤检测系统是临床急需且具备创新性的工作。
发明内容
本发明的目的是提供一种全身电子计算机断层扫描创伤检测系统及计算机设备，可提高创伤检测的效率及精度。
为实现上述目的，本发明提供了一种全身电子计算机断层扫描创伤检测系统，包括如下模块。
图像获取模块，用于获取全身电子计算机断层扫描图像。
图像处理模块，与所述图像获取模块连接，用于采用预先训练好的扩散模型，对所述全身电子计算机断层扫描图像进行加噪及去噪处理，得到模拟健康图像；所述扩散模型基于U-Net网络构建，且所述扩散模型能够学习健康组织的数据分布。
创伤概率确定模块，分别与所述图像获取模块及所述图像处理模块连接，用于对比所述全身电子计算机断层扫描图像与所述模拟健康图像的像素值，得到创伤概率热图；所述创伤概率热图中像素点的像素值表征对应位置处的创伤概率。
可选地，所述全身电子计算机断层扫描图像的数量为多张；所述图像获取模块还用于从多张全身电子计算机断层扫描图像中选择参照图像，并将其余各张全身电子计算机断层扫描图像与所述参照图像刚性对齐，使所有全身电子计算机断层扫描图像处于同一位姿。
可选地，所述图像获取模块还用于对处于同一位姿的每张全身电子计算机断层扫描图像进行灰度标准化处理。
可选地，所述图像处理模块采用马尔可夫链对所述全身电子计算机断层扫描图像逐步添加随机高斯噪声，以对所述全身电子计算机断层扫描图像进行加噪处理，得到噪声图像序列，并对所述噪声图像序列逐步进行去噪处理，得到模拟健康图像。
可选地，所述噪声图像序列中包括每步的噪声图像。
所述图像处理模块采用马尔可夫链对所述全身电子计算机断层扫描图像逐步添加随机高斯噪声的过程为：。
所述噪声图像序列为：。
其中，t=1,...,T，T为加噪的总步数，为第t步的噪声图像，/>为第t-1步的噪声图像，/>为全身电子计算机断层扫描图像，/>为第t步高斯噪声的方差，I为单位矩阵，表示加噪时的条件概率，/>表示服从的分布。
可选地，所述图像处理模块采用以下公式对所述噪声图像序列逐步进行去噪处理：。
其中，t=1,...,T，T为加噪的总步数，为第t步的去噪图像，/>为第t-1步的去噪图像，/>为模拟健康图像，/>，/>为第T步的噪声图像，/>表示去噪时的条件概率，/>表示服从的分布，/>为第t步的噪声相关数据，/>为去噪时第t步高斯噪声的方差，I为单位矩阵，/>，/>为第t步高斯噪声的第一中间变量，/>为第t-1步高斯噪声的第一中间变量，/>，/>为第s步高斯噪声的第二中间变量，，/>为第s步高斯噪声的方差，/>基于扩散模型学习得到。
可选地，所述创伤概率确定模块采用公式确定创伤概率热图；其中，P为创伤概率热图，/>为全身电子计算机断层扫描图像，/>为模拟健康图像。
可选地，所述全身电子计算机断层扫描创伤检测系统还包括：滤波模块，与所述创伤概率确定模块连接，用于对所述创伤概率热图进行滤波，得到最终的创伤概率热图。
为实现上述目的，本发明还提供了一种计算机设备，包括存储器及处理器，所述存储器中存储有上述的全身电子计算机断层扫描创伤检测系统；所述处理器用于执行所述全身电子计算机断层扫描创伤检测系统中各模块的功能，以进行创伤检测。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明仅使用一个扩散模型即可自动完成各类创伤的检测，无需针对每种创伤设计单独的模型，降低了计算代价，节省了人工阅片的时间，避免人工阅片的疏漏，进而提高了创伤检测的效率及精度。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明提供的全身电子计算机断层扫描创伤检测系统的示意图。
图2为计算机设备的内部结构图。
符号说明：1-图像获取模块，2-图像处理模块，3-创伤概率确定模块，4-滤波模块。
具体实施方式
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，所描述的实施例仅仅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做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。
本发明的目的是提供一种全身电子计算机断层扫描创伤检测系统及计算机设备，针对全身CT的多发伤检测任务，采用基于扩散模型的方法完成创伤过检测，实现多部位、多种类创伤的同步检测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的全身电子计算机断层扫描创伤检测系统包括：图像获取模块1、图像处理模块2及创伤概率确定模块3。
图像获取模块1用于获取全身电子计算机断层扫描图像。
本实施例中，所述全身电子计算机断层扫描图像的数量为多张。所述图像获取模块1还用于从多张全身电子计算机断层扫描图像中选择参照图像，并将其余各张全身电子计算机断层扫描图像与所述参照图像刚性对齐，使所有全身电子计算机断层扫描图像处于同一位姿。
其中，理论上可以用任一张全身电子计算机断层扫描图像作为参照图像，实践中通常选择患者拍摄姿态较端正、位置居中的图像作为参照图像。
进一步地，所述图像获取模块1还用于对处于同一位姿的每张全身电子计算机断层扫描图像进行灰度标准化处理。具体地，将小于0的灰度值设置为0，将大于255的灰度值设置为255，并对整张全身电子计算机断层扫描图像的灰度值除以255。
图像处理模块2与所述图像获取模块1连接，图像处理模块2用于采用预先训练好的扩散模型，对所述全身电子计算机断层扫描图像进行加噪及去噪处理，得到模拟健康图像。所述扩散模型基于U-Net网络构建，且所述扩散模型能够学习健康组织的数据分布。其中，扩散模型的输入为全身CT图像的单层二维图像，能够修复各类、各尺寸的创伤，并尽量保持CT图像的健康组织。
具体地，所述图像处理模块2采用马尔可夫链对所述全身电子计算机断层扫描图像逐步添加随机高斯噪声，每一步逐渐加强噪声强度，以对所述全身电子计算机断层扫描图像进行加噪处理，得到噪声图像序列，并对所述噪声图像序列逐步进行去噪处理，得到模拟健康图像。其中，所述噪声图像序列中包括每步的噪声图像。
本发明基于随机高斯噪声在图像中的扩散过程，建立自动去噪模型，通过给多发伤患者的CT图像加入适当噪声，并使用U-Net网络预测噪声图像中的噪声强度，实现创伤去除，并重建患者的模拟健康图像。
其中，加噪是加入适当强度的随机高斯噪声，在使得图像其他部分变模糊的同时也模糊了病灶，直至病灶看起来消失。去噪的目的是得到没有病灶的清晰图像。去噪时并不知道加噪的参数，只知道是高斯噪声及其方差，所以使用一个神经网络估计图像中的噪声。
本实施例中，所述图像处理模块2采用马尔可夫链对所述全身电子计算机断层扫描图像逐步添加随机高斯噪声的过程为：。
所述噪声图像序列为：。
其中，t=1,...,T，T为加噪的总步数，本实施例中在扩散模型训练时可设置为1000，在应用时可设置为300，为第t步的噪声图像，/>为第t-1步的噪声图像，/>为全身电子计算机断层扫描图像，/>为第t步高斯噪声的方差，本实施例中，/>，逐步增大至/>，I为单位矩阵，/>表示加噪时的条件概率，/>表示服从的分布。/>服从单位正态分布，即/>。
由于随机高斯噪声的叠加性，可得任意步t的噪声图像：
。
其中，为第t步高斯噪声的第一中间变量，/>，/>为第s步高斯噪声的第二中间变量，/>。
所述图像处理模块2采用公式对所述噪声图像序列逐步进行去噪处理。
其中，为第t步的去噪图像，/>为第t-1步的去噪图像，/>为模拟健康图像，，/>为第T步的噪声图像，/>表示去噪时的条件概率，/>表示服从的分布，/>为第t步的噪声相关数据，/>为去噪时第t步高斯噪声的方差，/>，为第t-1步高斯噪声的第一中间变量，I为单位矩阵，/>基于扩散模型学习得到。
U-Net网络能够学习第t步时的噪声，则/>。
扩散模型的训练过程中，采用健康人CT图像数据集训练扩散模型，使得扩散模型学习到健康组织数据分布。在每一轮迭代过程中，随机确定所添加噪声的步数，对输入的CT图像添加对应噪声后输入U-Net网络，输出模拟健康图像。扩散模型的损失函数为给输入图像所加的噪声与U-Net网络预测的噪声的均方损失函数。
扩散模型的损失函数为：，其中，/>为损失函数值，/>为加噪过程中给输入的CT图像加入的随机高斯噪声，/>。
创伤概率确定模块3分别与所述图像获取模块1及所述图像处理模块2连接，创伤概率确定模块3用于对比所述全身电子计算机断层扫描图像与所述模拟健康图像的像素值，得到创伤概率热图；所述创伤概率热图中像素点的像素值表征对应位置处的创伤概率。
具体地，所述创伤概率确定模块3采用公式确定创伤概率热图；其中，P为创伤概率热图，/>为全身电子计算机断层扫描图像，/>为模拟健康图像。
进一步地，所述全身电子计算机断层扫描创伤检测系统还包括滤波模块4。滤波模块4与所述创伤概率确定模块3连接，滤波模块4用于对所述创伤概率热图进行滤波，得到最终的创伤概率热图。具体地，使用中值滤波消除创伤概率热图中除由于细节重建误差造成的创伤检测误差，滤波临域的尺寸为3×3。
本发明仅使用一个扩散模型即可自动完成各类创伤的检测，无需针对每种创伤设计单独的模型，降低了计算代价，缩短了计算时间，减少了计算所需的硬件投入，并且节省了人工阅片时间，避免人工阅片的疏漏，缩短创伤救治流程，提高了创伤救治的效率。
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数据库，其内部结构图可以如图2所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。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和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储待处理事务。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有上述的全身电子计算机断层扫描创伤检测系统；所述处理器用于执行所述全身电子计算机断层扫描创伤检测系统中各模块的功能，以进行创伤检测。
需要说明的是，本申请所涉及的对象信息（包括但不限于对象设备信息、对象个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经对象授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关法律法规和标准。
本领域普通技术人员可以理解实现上述全身电子计算机断层扫描创伤检测系统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，可包括如上述全身电子计算机断层扫描创伤检测系统的模块。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（MagnetoresistiveRandom Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种全身电子计算机断层扫描创伤检测系统，其特征在于，所述全身电子计算机断层扫描创伤检测系统包括：
图像获取模块，用于获取全身电子计算机断层扫描图像；
图像处理模块，与所述图像获取模块连接，用于采用预先训练好的扩散模型，对所述全身电子计算机断层扫描图像进行加噪及去噪处理，得到模拟健康图像；所述扩散模型基于U-Net网络构建，且所述扩散模型能够学习健康组织的数据分布；
创伤概率确定模块，分别与所述图像获取模块及所述图像处理模块连接，用于对比所述全身电子计算机断层扫描图像与所述模拟健康图像的像素值，得到创伤概率热图；所述创伤概率热图中像素点的像素值表征对应位置处的创伤概率。
2.根据权利要求1所述的全身电子计算机断层扫描创伤检测系统，其特征在于，所述全身电子计算机断层扫描图像的数量为多张；
所述图像获取模块还用于从多张全身电子计算机断层扫描图像中选择参照图像，并将其余各张全身电子计算机断层扫描图像与所述参照图像刚性对齐，使所有全身电子计算机断层扫描图像处于同一位姿。
3.根据权利要求2所述的全身电子计算机断层扫描创伤检测系统，其特征在于，所述图像获取模块还用于对处于同一位姿的每张全身电子计算机断层扫描图像进行灰度标准化处理。
4.根据权利要求1所述的全身电子计算机断层扫描创伤检测系统，其特征在于，所述图像处理模块采用马尔可夫链对所述全身电子计算机断层扫描图像逐步添加随机高斯噪声，以对所述全身电子计算机断层扫描图像进行加噪处理，得到噪声图像序列，并对所述噪声图像序列逐步进行去噪处理，得到模拟健康图像。
5.根据权利要求4所述的全身电子计算机断层扫描创伤检测系统，其特征在于，所述噪声图像序列中包括每步的噪声图像；
所述图像处理模块采用马尔可夫链对所述全身电子计算机断层扫描图像逐步添加随机高斯噪声的过程为：
；
所述噪声图像序列为：；
其中，t=1,...,T，T为加噪的总步数，为第t步的噪声图像，/>为第t-1步的噪声图像，/>为全身电子计算机断层扫描图像，/>为第t步高斯噪声的方差，I为单位矩阵，表示加噪时的条件概率，/>表示服从的分布。
6.根据权利要求4所述的全身电子计算机断层扫描创伤检测系统，其特征在于，所述图像处理模块采用以下公式对所述噪声图像序列逐步进行去噪处理：
；
其中，t=1,...,T，T为加噪的总步数，为第t步的去噪图像，/>为第t-1步的去噪图像，/>为模拟健康图像，/>，/>为第T步的噪声图像，/>表示去噪时的条件概率，/>表示服从的分布，/>为第t步的噪声相关数据，/>为去噪时第t步高斯噪声的方差，I为单位矩阵，/>，/>为第t步高斯噪声的第一中间变量，/>为第t-1步高斯噪声的第一中间变量，/>，/>为第s步高斯噪声的第二中间变量，，/>为第s步高斯噪声的方差，/>基于扩散模型学习得到。
7.根据权利要求1所述的全身电子计算机断层扫描创伤检测系统，其特征在于，所述创伤概率确定模块采用公式确定创伤概率热图；其中，P为创伤概率热图，为全身电子计算机断层扫描图像，/>为模拟健康图像。
8.根据权利要求1所述的全身电子计算机断层扫描创伤检测系统，其特征在于，所述全身电子计算机断层扫描创伤检测系统还包括：
滤波模块，与所述创伤概率确定模块连接，用于对所述创伤概率热图进行滤波，得到最终的创伤概率热图。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器中存储有权利要求1-8任一项所述的全身电子计算机断层扫描创伤检测系统；所述处理器用于执行所述全身电子计算机断层扫描创伤检测系统中各模块的功能，以进行创伤检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410370660.2A CN117974650A (zh) | 2024-03-29 | 2024-03-29 | 一种全身电子计算机断层扫描创伤检测系统及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410370660.2A CN117974650A (zh) | 2024-03-29 | 2024-03-29 | 一种全身电子计算机断层扫描创伤检测系统及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117974650A true CN117974650A (zh) | 2024-05-03 |
Family
ID=90858346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410370660.2A Pending CN117974650A (zh) | 2024-03-29 | 2024-03-29 | 一种全身电子计算机断层扫描创伤检测系统及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117974650A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910342A (zh) * | 2018-09-12 | 2020-03-24 | 西门子医疗有限公司 | 通过使用深度学习来分析骨骼创伤 |
| JP2021069699A (ja) * | 2019-10-31 | 2021-05-06 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
| CN117011234A (zh) * | 2023-06-29 | 2023-11-07 | 上海交通大学医学院附属新华医院 | 一种基于去噪扩散概率模型的染色体异常检测系统及方法 |
-
2024
- 2024-03-29 CN CN202410370660.2A patent/CN117974650A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910342A (zh) * | 2018-09-12 | 2020-03-24 | 西门子医疗有限公司 | 通过使用深度学习来分析骨骼创伤 |
| JP2021069699A (ja) * | 2019-10-31 | 2021-05-06 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
| CN117011234A (zh) * | 2023-06-29 | 2023-11-07 | 上海交通大学医学院附属新华医院 | 一种基于去噪扩散概率模型的染色体异常检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109949276B (zh) | 一种于改进SegNet分割网络的淋巴结检测方法 | |
| CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
| CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
| US20210374961A1 (en) | Training a cnn with pseudo ground truth for ct artifact reduction | |
| CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| CN109409503B (zh) | 神经网络的训练方法、图像转换方法、装置、设备及介质 | |
| CN107945870B (zh) | 基于深度神经网络的早产儿视网膜病变检测方法及装置 | |
| CN111598867B (zh) | 用于检测特定面部综合征的方法、装置及计算机可读存储介质 | |
| CN111340083A (zh) | 医学图像的处理方法、装置、设备及存储介质 | |
| CN111667456A (zh) | 一种冠状动脉x光序列造影中血管狭窄检测方法及装置 | |
| CN111008974A (zh) | 多模型融合的股骨颈骨折区域定位和分割方法及系统 | |
| CN113539402A (zh) | 多模态影像自动勾画模型迁移方法 | |
| CN112308853A (zh) | 电子设备、医学图像指标生成方法、装置及存储介质 | |
| CN112150473A (zh) | 基于ct的三维颌骨图像分割建模方法、装置及终端设备 | |
| CN111951219A (zh) | 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备 | |
| CN116563533A (zh) | 基于目标位置先验信息的医学图像分割方法及系统 | |
| Fu et al. | Deep‐Learning‐Based CT Imaging in the Quantitative Evaluation of Chronic Kidney Diseases | |
| CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
| Agarwal et al. | Weakly supervised lesion co-segmentation on ct scans | |
| CN110555846A (zh) | 基于卷积神经网络的全自动骨龄评定方法 | |
| Patel et al. | Evaluating a 3D deep learning pipeline for cerebral vessel and intracranial aneurysm segmentation from computed tomography angiography–digital subtraction angiography image pairs | |
| CN113554640A (zh) | Ai模型的训练方法、使用方法、计算机设备及存储介质 | |
| CN117974650A (zh) | 一种全身电子计算机断层扫描创伤检测系统及计算机设备 | |
| CN117197519A (zh) | 一种基于深度学习的甲状腺结节超声图像良恶性分类方法 | |
| CN110992312A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 |
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 |