TWI771141B - 腦部影像之腦部提取與線圈勻場校正模型的建立方法 - Google Patents
腦部影像之腦部提取與線圈勻場校正模型的建立方法 Download PDFInfo
- Publication number
- TWI771141B TWI771141B TW110129132A TW110129132A TWI771141B TW I771141 B TWI771141 B TW I771141B TW 110129132 A TW110129132 A TW 110129132A TW 110129132 A TW110129132 A TW 110129132A TW I771141 B TWI771141 B TW I771141B
- Authority
- TW
- Taiwan
- Prior art keywords
- brain
- image
- model
- training data
- image processing
- Prior art date
Links
Images
Abstract
一種腦部影像之腦部提取與線圈勻場校正模型的建立方法,一電腦裝置建立一生成器模型及一鑑別器模型,對於每一訓練資料,該鑑別器模型根據該訓練資料的一影像處理前腦部三維影像、一影像處理後腦部三維影像,及該生成模型產生的一第一腦部提取及校正影像產生一第一預測結果、一第二預測結果,並根據該第一預測結果及該第二預測結果調整該鑑別器模型,調整後的該鑑別器模型再根據該影像處理前腦部三維影像及該第一腦部提取及校正影像產生一第三預測結果,最後根據該第三預測結果獲得該調整後生成器模型。
Description
本發明是有關於一種模型的建立方法,特別是指一種腦部影像之腦部提取與線圈勻場校正模型的建立方法。
磁振造影(Magnetic Resonance Imaging)已被廣泛用於獲取大腦的結構和功能信息。通過構建腦圖譜和模板,這些從不同時間且不同受試者獲得的資訊豐富的多模態資料可以影像融合到一個共同的參考空間,用於體素和區域分析,以了解衰老、疾病和治療的影響。為了實現準確的影像融合,影像需要針對頭部運動、幾何失真和線圈B1場非均勻進行校正。由於較差的非均勻校正(inhomogeneity correction)和腦部提取(brain extraction/skull stripping)會導致錯位或有偏差,因此需要相關人員進行手動校正以及手動提取大腦部分。
現有雖已有各種用於線圈非均勻校正的方法,但這些方法還是需要針對不同的影像對比度(例如,自旋回訊(spin-echo)與梯度回訊(gradient-echo))、線圈設計和頭部位置進行手動調整。同樣地,腦部提取亦需要手動編輯以獲得準確的腦部影像的感興趣區域。
然而,若手動調整及編輯仍需耗費大量的時間成本及相關的人力資源。
舉例來說,若整批未處理的資料集擁有400個三維影像(影像尺寸為64×64×64),以選取腦部感興趣區域的任務為例,假設人為選取一個二維切面花費時間約一分鐘,64個切面的影像則須約64分鐘,則處理一個資料集約花費426.67小時。
因此,本發明的目的,即在提供一種能自動提取感興趣區域及進行非均勻校正的腦部影像之腦部提取與線圈勻場校正模型的建立方法。
於是,本發明腦部影像之腦部提取與線圈勻場校正模型的建立方法,由:一電腦裝置執行,該電腦裝置儲存多筆訓練資料,每一筆訓練資料包括一影像處理前腦部三維影像及一經非均勻校正的影像處理後腦部三維影像,該影像處理後腦部三維影像包括一感興趣區域,該方法包含一步驟(A)、一步驟(B)、一步驟(C)、一步驟(D)、一步驟(E)、一步驟(F)、一步驟(G)、一步驟(H),及一步驟(I)。
在該步驟(A)中,該電腦裝置建立一用以產生一腦部提取與線圈勻場校正後的影像的生成器模型,該生成器模型包括一生成輸入端口、至少一生成編碼器、一卷積層、至少一分別對應該至少一編碼器的生成解碼器,及一生成輸出端口。
在該步驟(B)中,該電腦裝置建立一用以預測二輸入影像之真偽的鑑別器模型,該鑑別器模型包括二鑑別輸入端口、至少一鑑別解碼器,及一鑑別輸出端口。
在該步驟(C)中,對於每一訓練資料,該電腦裝置將該訓練資料的該影像處理前腦部三維影像輸入至該生成器模型,以產生一第一腦部提取及校正影像。
在該步驟(D)中,對於每一訓練資料,該電腦裝置將該訓練資料的該影像處理前腦部三維影像及該影像處理後腦部三維影像輸入至該鑑別器模型,以產生一相關於該訓練資料的該影像處理前腦部三維影像及該影像處理後腦部三維影像是否為真的第一預測結果。
在該步驟(E)中,該電腦裝置根據該等訓練資料對應的第一預測結果,調整該鑑別器模型。
在該步驟(F)中,對於每一訓練資料,該電腦裝置將該訓練資料的該影像處理前腦部三維影像及對應該訓練資料的第一腦部提取及校正影像輸入至該鑑別器模型,以產生一相關於該訓練資料的該影像處理前腦部三維影像及對應該訓練資料的第一腦部提取及校正影像是否為真的第二預測結果。
在該步驟(G)中,該電腦裝置根據該等訓練資料對應的第二預測結果,調整該鑑別器模型。
在該步驟(H)中,對於每一訓練資料,該電腦裝置將該訓練資料的該影像處理前腦部三維影像及對應該訓練資料的第一腦部提取及校正影像輸入至調整後的該鑑別器模型,以產生一相關於該訓練資料的該影像處理前腦部三維影像及對應該訓練資料的第一腦部提取及校正影像是否為真的第三預測結果。
在該步驟(I)中,該電腦裝置根據該等訓練資料對應的第三預測結果、該等訓練資料的影像處理後腦部三維影像,及該等訓練資料對應的第一腦部提取及校正影像調整該生成器模型,以獲得一調整後生成器模型。
本發明之功效在於:該調整後生成器模型能根據任意影像處理前腦部三維影像輸出具有腦部感興趣區域且非均勻校正的影像,大幅減少相關專業人員之人力及時間成本且兼具準確度。
在本發明被詳細描述前,應當注意在以下的說明內容中,類似的元件是以相同的編號來表示。
參閱圖1,說明用來實施本發明腦部影像之腦部提取與線圈勻場校正模型的建立方法的一實施例之一電腦裝置1,該電腦系統1包含一儲存單元11及一電連接該儲存單元11的處理單元12。在本實施例中,該電腦系統1之實施態樣例如為一個人電腦、一伺服器或一雲端主機,但不以此為限。
該儲存單元11儲存多筆訓練資料及多筆驗證資料,每一筆訓練資料或驗證資料包括一影像處理前腦部三維影像及一經非均勻校正的影像處理後腦部三維影像,該影像處理後腦部三維影像包括一感興趣區域。
值得注意的是,該等訓練資料或驗證資料的影像處理前腦部三維影像及影像處理後腦部三維影像為(Magnetic Resonance Imaging, MRI),該等訓練資料或驗證資料可皆為大鼠(rat)腦部影像,或是皆為小鼠(mouse)腦部影像,或是混合,但不以此為限。
參閱圖1、2,以下說明本發明腦部影像之腦部提取與線圈勻場校正模型的建立方法的該實施例所包含的步驟。
在步驟201中,該處理單元12建立一用以產生一腦部提取與線圈勻場校正後的影像的生成器模型,該生成器模型包括一生成輸入端口、至少一生成編碼器、一卷積層、至少一分別對應該至少一編碼器的生成解碼器,及一生成輸出端口。
在步驟202中,該處理單元12建立一用以預測二輸入影像之真偽的鑑別器模型,該鑑別器模型包括二鑑別輸入端口、至少一鑑別解碼器。
值得注意的是,在本實施例中是使用Keras建立屬於pix2pix架構之對抗生成網路(generative adversarial network, GAN)的該生成器模型及該鑑別器模型,該生成器模型為u-net結構,包括6個生成編碼器及6個生成解碼器,且卷積核大小(kernel size)為4×4×4的三維大小,該生成輸入端口及該生成輸出端口尺寸為64×64×64;該鑑別器模型是為patchGAN結構,包括6個鑑別解碼器,且卷積核大小為4×4×4的三維大小,該鑑別輸入端口尺寸為64×64×64,該鑑別輸出端口尺寸為1×1×1,但不以此為限。該鑑別器模型的預測結果在零與一之間,表示所輸入的影像皆為’真’的機率。若預測結果為一,表示判定為’真’,亦即所輸入的影像皆來自該等訓練資料或該等驗證資料;反之,若預測結果為零,表示判定為’偽’,亦即所輸入的其中一影像並非來自該等訓練資料或該等驗證資料。
要再特別注意的是,現有的對抗網路是基於2維影像之模型架構,雖可將三維影像拆解為數個二維之影像分別處理,但此舉動代表每一個二維切面皆為獨立之影像,因此原始三維影像中的兩相鄰之二維切面有機會在視覺上不連續;而在本實施例中卷積核大小為三維大小,與將三維影像拆解為數個二維切面不同,因此可改善相鄰兩二維切面之不連續性問題。
在步驟203中,對於每一訓練資料,該處理單元12將該訓練資料的該影像處理前腦部三維影像輸入至該生成器模型,以產生一第一腦部提取及校正影像。
在步驟204中,對於每一訓練資料,該處理單元12將該訓練資料的該影像處理前腦部三維影像及該影像處理後腦部三維影像輸入至該鑑別器模型,以產生一相關於該訓練資料的該影像處理前腦部三維影像及該影像處理後腦部三維影像是否為真的第一預測結果。
在步驟205中,該處理單元12根據該等訓練資料對應的第一預測結果,調整該鑑別器模型。
要特別注意的是,在本實施例中,由於在步驟204中輸入該鑑別器模型的影像皆來自該等訓練資料,而在步驟205中希望能增強該鑑別器模型鑑別’真’的能力,因此期望該等第一預測結果為一,故該處理單元12根據該等第一預測結果,以一第一損失函數計算出該等第一預測結果與「一」之間的差距,以根據其差距進行該鑑別器模型的調整,該第一損失函數例如為二元交叉熵(binary crossentropy),但不以此為限。
在步驟206中,對於每一訓練資料,該處理單元12將該訓練資料的該影像處理前腦部三維影像及對應該訓練資料的第一腦部提取及校正影像輸入至該鑑別器模型,以產生一相關於該訓練資料的該影像處理前腦部三維影像及對應該訓練資料的第一腦部提取及校正影像是否為真的第二預測結果。
在步驟207中,該處理單元12根據該等訓練資料對應的第二預測結果,調整該鑑別器模型。
要特別注意的是,在本實施例中,由於在步驟206中輸入該鑑別器模型的影像並非皆來自該等訓練資料或該等驗證資料,而在步驟207中希望能增強該鑑別器模型鑑別’偽’的能力,因此期望該等第二預測結果為零,故該處理單元12根據該等第二預測結果,以該第一損失函數計算出該等第二預測結果與「零」之間的差距,以根據其差距進行該鑑別器模型的調整。
在步驟208中,對於每一訓練資料,該處理單元12將該訓練資料的該影像處理前腦部三維影像及對應該訓練資料的第一腦部提取及校正影像輸入至調整後的該鑑別器模型,以產生一相關於該訓練資料的該影像處理前腦部三維影像及對應該訓練資料的第一腦部提取及校正影像之差距的第三預測結果。
值得注意的是,在本實施例中,在步驟204、206、208中,該鑑別器模型先將輸入的兩影像合併,再經該至少一鑑別解碼器產生該第一預測結果、該第二預測結果,及該第三預測結果,但不以此為限。
在步驟209中,該處理單元12根據該等訓練資料對應的第三預測結果、該等訓練資料的影像處理後腦部三維影像,及該等訓練資料對應的第一腦部提取及校正影像調整該生成器模型,以獲得一調整後生成器模型。
要特別注意的是,在本實施例中,在步驟209中希望該生成器模型產生的該第一腦部提取及校正影像能接近該等訓練資料的影像,使該鑑別模型預測錯誤,因此期望該等第三預測結果為一,故該處理單元12根據該等第三預測結果,以該第一損失函數計算出該等第三預測結果與「一」之間的差距,並根據該等訓練資料的影像處理後腦部三維影像及對應的第一腦部提取及校正影像,以一第二損失函數計算出影像處理後腦部三維影像與第一腦部提取及校正影像之間的差距,以根據其二差距進行該生成器模型的調整,該第二損失函數例如為平均絕對誤差(mean absolute error, MAE),但不以此為限。
要再注意的是,在調整該生成器模型時,該鑑別器模型的權重將被固定,反之在調整該鑑別器模型時,該生成器模型的權重將被固定。
在步驟210中,該處理單元12判定是否已獲得K+1個調整後生成器模型,K
1。當判定出已獲得K+1個調整後生成器模型時,流程進行步驟211;而當定出未獲得K+1個調整後生成器模型時,流程進行重複步驟203~209。
在步驟211中,對於每一驗證資料及每一調整後生成器模型,該處理單元12將該驗證資料的該影像處理前腦部三維影像輸入至該調整後生成器模型,以產生一第二腦部提取及校正影像。
在步驟212中,對於每一驗證資料及每一調整後生成器模型,該處理單元12根據該驗證資料的影像處理後腦部三維影像及該驗證資料對應的第二腦部提取及校正影像,計算出一相似度指標。
值得注意的是,該相似度指標例如為餘弦角距離(cosine angle distance , CAD)、歐氏距離(Euclidean distance, L2 norm)、均方誤差(mean square error)、峰值訊噪比(peak signal-to-noise ratio)、平均結構相似度(mean structural similarity , MSSIM),其中歐氏距離、均方誤差、峰值訊噪比只是彼此的線性組合,因此以下僅舉例歐氏距離。
若該相似度指標為餘弦角距離,則該相似度指標CAD以下式表示:
,
,
其中,
A為該驗證資料的影像處理後腦部三維影像,
B為該驗證資料對應的第二腦部提取及校正影像,
a 1,
a 2,…,
a
N 為該驗證資料的影像處理後腦部三維影像的N個體素,
b 1,
b 2,…,
b
N 為該驗證資料對應的第二腦部提取及校正影像的N個體素,該相似度指標介於-1至1之間。
若該相似度指標為平均結構相似度,則該相似度指標
MSSIM以下式表示:
,
其中,
為該驗證資料的影像處理後腦部三維影像,
為該驗證資料對應的第二腦部提取及校正影像,
A為
的局部窗口,
B為
的局部窗口,
和
分別位於
和
內,SSIM包括亮度
l、對比度
c和結構
s,
w
i 為圓對稱高斯加權函數,
1,
為可變動權重,
10
-3的純量,
M為影像的窗口總數,該相似度指標介於-1至1之間。
若該相似度指標為歐氏距離,則該相似度指標
L2以下式表示:
,
,
其中,
A為該驗證資料的影像處理後腦部三維影像,
B為該驗證資料對應的第二腦部提取及校正影像,
a 1,
a 2,…,
a
N 為該驗證資料的影像處理後腦部三維影像的N個體素,
b 1,
b 2,…,
b
N 為該驗證資料對應的第二腦部提取及校正影像的N個體素,該相似度指標最小值為0。
在步驟213中,該處理單元12根據該等K+1個調整後生成器模型對應的相似度指標從該等K+1個調整後生成器模型選出一最佳調整後生成器模型。
值得注意的是,若該相似度指標為餘弦角距離或平均結構相似度,則該最佳調整後生成器模型對應的相似度指標之平均為相對最高;若該相似度指標為歐氏距離,則該最佳調整後生成器模型對應的相似度指標之平均為相對最低。
要再注意的是,在其他實施方式中,可僅執行步驟201~步驟209,直接將該調整後生成器模型作為腦部影像之腦部提取與線圈勻場校正模型。
綜上所述,本發明腦部影像之腦部提取與線圈勻場校正模型的建立方法,藉由該處理單元12建立該生成器模型及該鑑別器模型,對於每一訓練資料,該鑑別器模型根據該影像處理前腦部三維影像、該影像處理後腦部三維影像,及該生成模型產生的該第一腦部提取及校正影像產生該第一預測結果、該第二預測結果,並根據該第一預測結果及該第二預測結果調整該鑑別器模型,調整後的該鑑別器模型再根據該影像處理前腦部三維影像及該第一腦部提取及校正影像產生該第三預測結果,最後根據該第三預測結果調整該生成器模型,以獲得該調整後生成器模型,再重複步驟203~209後獲得多個調整後生成器模型,最後根據該等驗證資料對應的相似度指標選出該最佳調整後生成器模型,該最佳調整後生成器模型能根據任意影像處理前腦部三維影像輸出具有腦部感興趣區域且非均勻校正的影像,大幅減少相關專業人員之人力及時間成本且兼具準確度,故確實能達成本發明的目的。
惟以上所述者,僅為本發明的實施例而已,當不能以此限定本發明實施的範圍,凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾,皆仍屬本發明專利涵蓋的範圍內。
1:電腦裝置
11:儲存單元
12:處理單元
201~213:步驟
本發明的其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:
圖1是一方塊圖,說明用來實施本發明腦部影像之腦部提取與線圈勻場校正模型的建立方法的一實施例之一電腦裝置;及
圖2是一流程圖,說明本發明腦部影像之腦部提取與線圈勻場校正模型的建立方法的該實施例。
201~213:步驟
Claims (9)
- 一種腦部影像之腦部提取與線圈勻場校正模型的建立方法,由一電腦裝置執行,該電腦裝置儲存多筆訓練資料,每一筆訓練資料包括一影像處理前腦部三維影像及一經非均勻校正的影像處理後腦部三維影像,該影像處理後腦部三維影像包括一感興趣區域,該方法包含以下步驟: (A)建立一用以產生一腦部提取與線圈勻場校正後的影像的生成器模型,該生成器模型包括一生成輸入端口、至少一生成編碼器、一卷積層、至少一分別對應該至少一編碼器的生成解碼器,及一生成輸出端口; (B)建立一用以預測二輸入影像之真偽的鑑別器模型,該鑑別器模型包括二鑑別輸入端口、至少一鑑別解碼器,及一鑑別輸出端口; (C)對於每一訓練資料,將該訓練資料的該影像處理前腦部三維影像輸入至該生成器模型,以產生一第一腦部提取及校正影像; (D)對於每一訓練資料,將該訓練資料的該影像處理前腦部三維影像及該影像處理後腦部三維影像輸入至該鑑別器模型,以產生一相關於該訓練資料的該影像處理前腦部三維影像及該影像處理後腦部三維影像是否為真的第一預測結果; (E)根據該等訓練資料對應的第一預測結果,調整該鑑別器模型; (F)對於每一訓練資料,將該訓練資料的該影像處理前腦部三維影像及對應該訓練資料的第一腦部提取及校正影像輸入至該鑑別器模型,以產生一相關於該訓練資料的該影像處理前腦部三維影像及對應該訓練資料的第一腦部提取及校正影像是否為真的第二預測結果; (G)根據該等訓練資料對應的第二預測結果,調整該鑑別器模型; (H)對於每一訓練資料,將該訓練資料的該影像處理前腦部三維影像及對應該訓練資料的第一腦部提取及校正影像輸入至調整後的該鑑別器模型,以產生一相關於該訓練資料的該影像處理前腦部三維影像及對應該訓練資料的第一腦部提取及校正影像是否為真的第三預測結果;及 (I)根據該等訓練資料對應的第三預測結果、該等訓練資料的影像處理後腦部三維影像,及該等訓練資料對應的第一腦部提取及校正影像調整該生成器模型,以獲得一調整後生成器模型。
- 如請求項1所述的腦部影像之腦部提取與線圈勻場校正模型的建立方法,其中,在步驟(D)中,對於每一訓練資料,該鑑別器模型經該等鑑別輸入端口將該訓練資料的該影像處理前腦部三維影像與該影像處理後腦部三維影像合併,再經該至少一鑑別解碼器產生該第一預測結果。
- 如請求項1所述的腦部影像之腦部提取與線圈勻場校正模型的建立方法,該電腦裝置還儲存多筆驗證資料,每一筆驗證資料包括一影像處理前腦部三維影像及一經非均勻校正的影像處理後腦部三維影像,該影像處理後腦部三維影像包括一感興趣區域,在步驟(I)後還包含以下步驟: (J)重複步驟(C)~(I)K次,以獲得K+1個調整後生成器模型,K 1; (K) 對於每一驗證資料及每一調整後生成器模型,將該驗證資料的該影像處理前腦部三維影像輸入至該調整後生成器模型,以產生一第二腦部提取及校正影像; (L) 對於每一驗證資料及每一調整後生成器模型,根據該驗證資料的影像處理後腦部三維影像及該驗證資料對應的第二腦部提取及校正影像,計算出一相似度指標; (M)根據該等K+1個調整後生成器模型對應的相似度指標從該等K+1個調整後生成器模型選出一最佳調整後生成器模型。
- 請求項4或5所述的腦部影像之腦部提取與線圈勻場校正模型的建立方法,其中,在步驟(M)中,該最佳調整後生成器模型對應的相似度指標之平均為相對最高。
- 請求項7所述的腦部影像之腦部提取與線圈勻場校正模型的建立方法,其中,在步驟(M)中,該最佳調整後生成器模型對應的相似度指標之平均為相對最低。
- 如請求項1所述的腦部影像之腦部提取與線圈勻場校正模型的建立方法,其中,在步驟(A)中,該生成器模型的卷積核大小為三維,在步驟(B)中,該鑑別器模型的卷積核大小為三維。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110129132A TWI771141B (zh) | 2021-08-06 | 2021-08-06 | 腦部影像之腦部提取與線圈勻場校正模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110129132A TWI771141B (zh) | 2021-08-06 | 2021-08-06 | 腦部影像之腦部提取與線圈勻場校正模型的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI771141B true TWI771141B (zh) | 2022-07-11 |
TW202307863A TW202307863A (zh) | 2023-02-16 |
Family
ID=83439462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110129132A TWI771141B (zh) | 2021-08-06 | 2021-08-06 | 腦部影像之腦部提取與線圈勻場校正模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI771141B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778662A (zh) * | 2011-04-19 | 2012-11-14 | 通用电气公司 | 用于对扩散加权回波平面成像中高阶涡流引起的失真进行预期校正的系统和方法 |
TW202032153A (zh) * | 2018-12-28 | 2020-09-01 | 美商超精細研究股份有限公司 | 磁共振成像中磁滯的校正 |
CN112368715A (zh) * | 2018-05-15 | 2021-02-12 | 蒙纳士大学 | 用于磁共振成像的运动校正的方法和系统 |
US20210156945A1 (en) * | 2019-11-27 | 2021-05-27 | Siemens Healthcare Gmbh | Motion correction and motion reduction during dedicated magnetic resonance imaging |
-
2021
- 2021-08-06 TW TW110129132A patent/TWI771141B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778662A (zh) * | 2011-04-19 | 2012-11-14 | 通用电气公司 | 用于对扩散加权回波平面成像中高阶涡流引起的失真进行预期校正的系统和方法 |
CN112368715A (zh) * | 2018-05-15 | 2021-02-12 | 蒙纳士大学 | 用于磁共振成像的运动校正的方法和系统 |
TW202032153A (zh) * | 2018-12-28 | 2020-09-01 | 美商超精細研究股份有限公司 | 磁共振成像中磁滯的校正 |
US20210156945A1 (en) * | 2019-11-27 | 2021-05-27 | Siemens Healthcare Gmbh | Motion correction and motion reduction during dedicated magnetic resonance imaging |
Also Published As
Publication number | Publication date |
---|---|
TW202307863A (zh) | 2023-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108319932B (zh) | 一种基于生成式对抗网络的多图像人脸对齐的方法及装置 | |
CN111539947B (zh) | 图像检测方法及相关模型的训练方法和相关装置、设备 | |
CN111047629B (zh) | 多模态图像配准的方法、装置、电子设备及存储介质 | |
CN108197618B (zh) | 用于生成人脸检测模型的方法和装置 | |
CN109346159B (zh) | 病例图像分类方法、装置、计算机设备及存储介质 | |
US9466093B2 (en) | Anterior commissure and posterior commissure segmentation system and method | |
US20080192991A1 (en) | Magnetic Resonance Imaging at Several Rf Frequencies | |
JP7449869B2 (ja) | 高度な機械学習手法を用いた記述岩石薄片の画像の自動分析 | |
CN110889852A (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN111784671A (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
CN109949349B (zh) | 一种多模态三维图像的配准及融合显示方法 | |
CN109523506B (zh) | 基于视觉显著图像特征增强的全参考立体图像质量客观评价方法 | |
CN109389555B (zh) | 一种全景图像拼接方法及装置 | |
KR20200032651A (ko) | 3차원 영상 재구성 장치 및 그 방법 | |
CN109978871B (zh) | 融合概率型和确定型纤维束追踪的纤维束筛选方法 | |
US11978146B2 (en) | Apparatus and method for reconstructing three-dimensional image | |
CN107862665B (zh) | Ct图像序列的增强方法及装置 | |
KR20190042429A (ko) | 이미지 처리 방법 | |
CN111797891A (zh) | 基于生成对抗网络的非成对异质人脸图像生成方法、装置 | |
KR20190139781A (ko) | 데이터 획득 시간 최소화를 위한 cnn 기반의 고해상도 영상 생성 장치 및 그 방법 | |
CN108550146A (zh) | 一种基于roi的图像质量评价方法 | |
Martin et al. | Fast and accurate image registration using Tsallis entropy and simultaneous perturbation stochastic approximation | |
CN112785540B (zh) | 一种扩散加权图像的生成系统及方法 | |
TWI771141B (zh) | 腦部影像之腦部提取與線圈勻場校正模型的建立方法 | |
WO2023216720A1 (zh) | 图像重建模型的训练方法、装置、设备、介质及程序产品 |