TWI791979B - 三維醫學影像的建立方法 - Google Patents
三維醫學影像的建立方法 Download PDFInfo
- Publication number
- TWI791979B TWI791979B TW109114132A TW109114132A TWI791979B TW I791979 B TWI791979 B TW I791979B TW 109114132 A TW109114132 A TW 109114132A TW 109114132 A TW109114132 A TW 109114132A TW I791979 B TWI791979 B TW I791979B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- input image
- images
- ray
- ray images
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000003325 tomography Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 32
- 230000003287 optical effect Effects 0.000 claims description 19
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 239000000543 intermediate Substances 0.000 description 22
- 238000002591 computed tomography Methods 0.000 description 9
- 210000004204 blood vessel Anatomy 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/441—AI-based methods, deep learning or artificial neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/444—Low dose acquisition or reduction of radiation dose
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一種三維醫學影像的建立方法包含:藉由一X射線電腦斷層掃描設備對一待測目標以X射線依序在不同角度照射,而分別獲得連續的M張X光影像;藉由一處理單元根據已訓練且用於補幀的一卷積神經網路,獲得所有相鄰的該兩個X光影像之間的K個中間影像;藉由該處理單元將該M張影像及該等中間影像,以一種三維重建技術建立該待測目標的三維醫學影像;藉此相較於習知技術能夠僅需要數量較少的該M張X光影像,即能獲得相同品質的三維醫學影像。
Description
本發明是有關於一種影像模型的建立方法,特別是指一種降低輸入影像數量的三維醫學影像的建立方法。
在放射線醫學影像的技術領域中, X射線電腦斷層掃描(X-Ray Computed Tomography,CT)是一種藉由X射線旋轉照射人體,以在不同角度分別獲得多張X光影像,再藉由三維重建技術建立對應的三維醫學影像。而現有的三維重建技術例如有反投影法(Back-projection)、濾波反投影法(Filtered Back- projection)、FDK 演算法 (Fieldkam-Davis-Kress algorithm)、 代數重建技術(Algebraic Reconstruction Technique)、傅立葉轉換法(Fourier Transformation)以及迭代法(iterative algorithm)等等。然而,習知的這些三維重建技術都需要數量不少的輸入影像,也就是說,受測者必須承受對應照射次數的X光劑量,因此,如何降低輸入影像的數量且能夠達到所建立的三維醫學影像具有相同或近似的品質便成為一個待解決的問題。
因此,本發明的目的,即在提供一種降低輸入影像數量的三維醫學影像的建立方法。
於是,本發明提供一種三維醫學影像的建立方法,適用於一待測目標、一X射線電腦斷層掃描設備、及一處理單元,該三維醫學影像的建立方法包含步驟S1~S3。
於步驟S1,藉由該X射線電腦斷層掃描設備對該待測目標以X射線依序在不同角度照射,而分別獲得連續且對應的M張X光影像,M為大於1的正整數。
於步驟S2,藉由該處理單元將連續的該M張X光影像依序定義為一第1輸入影像、一第2輸入影像、…一第M輸入影像,且將該第i輸入影像及該第i+1輸入影像輸入已訓練(Trained)且用於補幀的一卷積神經網路(CNN),i=1、2、…、M-1,以獲得該第i輸入影像及該第i+1輸入影像之間的K個中間影像,K為正整數。
於步驟S3,藉由該處理單元將第1輸入影像、第2輸入影像、…第M輸入影像、及每一組該第i輸入影像及該第i+1輸入影像之間的該K個中間影像,以一種三維重建技術建立該待測目標的三維醫學影像。
在一些實施態樣中,其中,在步驟(b)中,該卷積神經網路是根據對應該待測目標的N張X光影像作訓練(Training),N為正整數,且N大於M,且N=M+(M-1)*K。
在一些實施態樣中,其中,在步驟(b)中,該N張X光影像是依序且連續的對應該X射線電腦斷層掃描設備在不同的角度照射X射線而獲得,該卷積神經網路多次選擇該N張X光影像之其中連續的P張X光影像,並在每一次中以該P張X光影像的第一張影像及最後一張影像作為訓練時的輸入影像,且以該P張X光影像之其餘者的其中一張影像作為合成目標影像,來計算損失(Loss)進而完成訓練,P=K+2。
在另一些實施態樣中,其中,在步驟(b)中,該卷積神經網路是一光流(Optical flow)的卷積神經網路。
在另一些實施態樣中,其中,在步驟(c)中,該三維重建技術是反投影法(Back-projection)、濾波反投影法(Filtered Back-projection)、FDK 演算法 (Fieldkam-Davis-Kress algorithm)、 代數重建技術(Algebraic Reconstruction Technique)、傅立葉轉換法(Fourier Transformation)以及迭代法(iterative algorithm)之其中一種。
在另一些實施態樣中,其中,在步驟(a),該M張X光影像都符合醫療數位影像傳輸協定(Digital Imaging and Communications in Medicine,DICOM)。
本發明的功效在於:藉由該處理單元利用已訓練的該光流的卷積神經網路,獲得所有相鄰的該兩個X光影像之間的K個中間影像,進而以三維重建技術對該M張X光影像及該等中間影像建立該待測目標的三維醫學影像。相較於習知技術以同樣的三維重建技術時,需藉由該X射線電腦斷層掃描設備取得相當於該M張X光影像及該等中間影像的影像數量的X光影像,故能夠大幅地減少獲得該等X光影像的拍攝次數。
在本發明被詳細描述之前,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,本發明三維醫學影像的建立方法之一實施例,適用於一待測目標9、一X射線電腦斷層掃描設備1、及一處理單元2。在本實施例中,該X射線電腦斷層掃描設備1是一C型臂旋轉造影系統,能夠以不同角度分別對該待測目標9擷取多個影像。該處理單元2例如是一電腦主機、一電腦主機的中央處理器、或其他具備運算能力的電腦設備。該待測目標9是身體(如頭部)的血管組織,但都不以此為限。
參閱圖1與圖2,該三維醫學影像的建立方法的該實施例包含步驟S1~S3。
於步驟S1,藉由該X射線電腦斷層掃描設備1對該待測目標9以的X射線依序在不同角度照射,而分別獲得連續且對應的M張X光影像,M為大於1的正整數。該M張X光影像都符合醫療數位影像傳輸協定(Digital Imaging and Communications in Medicine,DICOM),但不以此為限。
於步驟S2,藉由該處理單元2將連續的該M張X光影像依序定義為一第1輸入影像、一第2輸入影像、…一第M輸入影像,且將該第i輸入影像及該第i+1輸入影像輸入已訓練(Trained)且用於補幀的一卷積神經網路(CNN),i=1、2、…、M-1,以獲得該第i輸入影像及該第i+1輸入影像之間的K個中間影像,K為正整數。
在本實施例中,該卷積神經網路是一光流(Optical flow)的卷積神經網路。該光流的卷積神經網路所採用的技術是來自Huaizu Jiang等作者的「Super SloMo: High Quality Estimation of Multiple Intermediate Frames for Video Interpolation」, CVPR 2018。簡單地說,該光流的卷積神經網路包含一第一卷積編碼-解碼模組及一第二卷積編碼-解碼模組。該第一卷積編碼-解碼模組將所輸入的兩張輸入影像(即圖片)分別計算從該兩張輸入影像到一中間欲補幀合成影像之光流,並以該光流加上原本所輸入的該兩張影像作為第二卷積編碼-解碼模組之輸入並合成輸出該中間欲補幀合成影像。
舉例來說,M=45,K=2,則會由該第1輸入影像及該第2輸入影像產生該2個中間影像(以下稱為第1-1-2影像及第1-2-2影像),由該第2輸入影像及該第3輸入影像產生另外該2個中間影像(以下稱為第2-1-3影像及第2-2-3影像),…,由該第44輸入影像及該第45輸入影像產生另外該2個中間影像(以下稱為第44-1-45影像及第44-2-45影像),即可以表示為由該第i輸入影像及該第i+1輸入影像產生第i-1-i+1影像及第i-2-i+1影像。
此外,該第一卷積編碼-解碼模組是先接收一訓練樣本,並透過一深度學習演算法計算從該訓練樣本到所欲計算一已知合成影像之光流並將由此所產生的至少一光流張量輸出至該第二卷積編碼-解碼模組。該第二卷積編碼-解碼模組接收由該第一卷積編碼-解碼模組所輸出的該至少一光流張量,並根據該至少一光流張量與該訓練樣本合成輸出該中間欲補幀合成影像。藉著將該中間欲補幀合成影像及該已知合成影像之間的損失(Loss)達到最小化,而完成已訓練的該光流的卷積神經網路。
具體地說,該光流的卷積神經網路是根據對應該待測目標9的N張X光影像作訓練(Training),N為正整數,且N大於M,且N=M+(M-1)*K。更詳細地說,該N張X光影像是依序且連續的對應該X射線電腦斷層掃描設備1在不同的角度照射X射線而獲得,該光流的卷積神經網路多次選擇該N張X光影像之其中連續的P張X光影像,並在每一次中以該P張X光影像的第一張影像及最後一張影像作為訓練時的輸入影像,且以該P張X光影像之其餘者的其中一張影像作為合成目標影像(即真值(Ground truth)),來計算損失(Loss)進而完成訓練,P=K+2。
承續前例,N=45+44*2=133,P=2+2=4。該光流的卷積神經網路需要133張X光影像作訓練,定義作為訓練的該133張X光影像分別為一第1訓練影像、一第2訓練影像、…、及一第133訓練影像,則步驟S1的該第1輸入影像、該第2輸入影像、…、及該第45輸入影像所對應的照射角度分別等於該第1訓練影像、該第4訓練影像、…、及該第133訓練影像所對應的照射角度。也就是說,該步驟S1的該第i輸入影像所對應的照射角度等於該第3*i-2訓練影像所對應的照射角度。再者,舉例來說,作為訓練的該133張X光影像之其中連續的4張X光影像例如是該第35訓練影像至該第38訓練影像,則該訓練樣本(即訓練時的輸入影像)是該第35訓練影像及該第38訓練影像,且該合成目標影像(即該已知合成影像)是該第36訓練影像或該第37訓練影像。
另外要特別補充說明的是:該光流的卷積神經網路在訓練的過程中可以是藉由該處理單元2實施,或者,也可以是藉由其他電腦主機或電腦運算裝置來實施。此外,在「Super SloMo」的論文中所採用的window size為9,K為9減去2即等於7,也就是說,前述論文是以多次選擇多張影像之其中連續的9(即window size)張影像的第一張影像及最後一張影像作為訓練時的輸入影像,且以該9張影像之其餘者(即其餘7張)的其中一張影像作為合成目標影像。而在本實施例中,P=3~12(即window size),分別對應K=1~10。
於步驟S3,藉由該處理單元2將第1輸入影像、第2輸入影像、…第M輸入影像、及每一組該第i輸入影像及該第i+1輸入影像之間的該K個影像,以一種三維重建技術建立該待測目標9的三維醫學影像。在本實施例中,該三維重建技術FDK演算法 (Fieldkam-Davis-Kress algorithm),而在其他的實施例中,該三維重建技術也可以是反投影法(Back-projection)、濾波反投影法(Filtered Back-projection)、 代數重建技術(Algebraic Reconstruction Technique)、傅立葉轉換法(Fourier Transformation)以及迭代法(iterative algorithm)之其中一種。
承續前例,該處理單元2是將該第1輸入影像、由該第1輸入影像與該第2輸入影像所獲得的該兩個中間影像、該第2輸入影像、由該第2輸入影像與該第3輸入影像所獲得的該兩個中間影像、該第3輸入影像、…、該第44輸入影像、由該第44輸入影像與該第45輸入影像所獲得的該兩個中間影像、及該第45輸入影像,即共143張影像,以FDK演算法重建出該三維醫學影像。
再參閱圖3,圖3包含(M)~(R)共六張影像,都對應同一個位置的該待測目標9,即血管組織。其中,(M)是合成目標影像,(N)~(R)分別表示K=2、4、6、8、10時的該中間影像。比較箭頭處可知,合成目標影像中的小血管,隨著K越來越大,在該等中間影像中會變得越來越模糊,但即使如此,在K=10時,仍然屬於可見(Visible)。因此,也就能夠說明利用已訓練的該光流的卷積神經網路所產生的該中間影像能夠取代習知技術所拍攝的該合成目標影像。
綜上所述,藉由該處理單元2利用已訓練的該光流的卷積神經網路,獲得所有相鄰的該兩個X光影像之間的該K個中間影像,進而以三維重建技術對該M張X光影像及該等中間影像建立該待測目標9的三維醫學影像。相較於習知技術以同樣的三維重建技術時,需藉由該X射線電腦斷層掃描設備1取得相當於該M張X光影像及該等中間影像的影像數量的X光影像,故能夠大幅地減少獲得該等X光影像的拍攝次數,亦即能夠減少該X射線電腦斷層掃描設備1所需要的時間、能源、及成本,並減少受測者所需要承受的X射線的輻射劑量,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:X射線電腦斷層掃描設備
2:處理單元
9:待測目標
S1~S3: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,說明本發明三維醫學影像的建立方法所適用的一待測目標、一X射線電腦斷層掃描設備、及一處理單元;
圖2是一流程圖,說明本發明三維醫學影像的建立方法的一實施例;及
圖3是多張影像,說明對應K不相同的多個中間影像的比較。
S1~S3:步驟
Claims (5)
- 一種三維醫學影像的建立方法,適用於一待測目標、一X射線電腦斷層掃描設備、及一處理單元,該三維醫學影像的建立方法包含下列步驟:(a)藉由該X射線電腦斷層掃描設備對該待測目標以X射線依序在不同角度照射,而分別獲得連續且對應的M張X光影像,M為大於1的正整數;(b)藉由該處理單元將連續的該M張X光影像依序定義為一第1輸入影像、一第2輸入影像、...一第M輸入影像,且將該第i輸入影像及該第i+1輸入影像輸入已訓練(Trained)且用於補幀的一卷積神經網路(CNN),i=1、2、...、M-1,以獲得該第i輸入影像及該第i+1輸入影像之間的K個中間影像,K為正整數,該卷積神經網路是一光流(Optical flow)的卷積神經網路;及(c)藉由該處理單元將該第1輸入影像、該第2輸入影像、...該第M輸入影像、及每一組該第i輸入影像及該第i+1輸入影像之間的該K個中間影像,以一種三維重建技術建立該待測目標的三維醫學影像。
- 如請求項1所述的三維醫學影像的建立方法,其中,在步驟(b)中,該卷積神經網路是根據對應該待測目標的N張X光影像作訓練(Training),N為正整數,且N大於M,且N=M+(M-l)*K。
- 如請求項2所述的三維醫學影像的建立方法,其中,在步驟(b)中,該N張X光影像是依序且連續的對應該X射線電 腦斷層掃描設備在不同的角度照射X射線而獲得,該卷積神經網路多次選擇該N張X光影像之其中連續的P張X光影像,並在每一次中以該P張X光影像的第一張影像及最後一張影像作為訓練時的輸入影像,且以該P張X光影像之其餘者的其中一張影像作為合成目標影像,來計算損失(Loss)進而完成訓練,P=K+2。
- 如請求項1所述的三維醫學影像的建立方法,其中,在步驟(c)中,該三維重建技術是反投影法(Back-projection)、濾波反投影法(Filtered Back-projection)、FDK演算法(Fieldkam-Davis-Kress algorithm)、代數重建技術(Algebraic Reconstruction Technique)、傅立葉轉換法(Fourier Transformation)以及迭代法(iterative algorithm)之其中一種。
- 如請求項1所述的三維醫學影像的建立方法,其中,在步驟(a),該M張X光影像都符合醫療數位影像傳輸協定(Digital Imaging and Communications in Medicine,DICOM)。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109114132A TWI791979B (zh) | 2020-04-28 | 2020-04-28 | 三維醫學影像的建立方法 |
US17/210,604 US11699231B2 (en) | 2020-04-28 | 2021-03-24 | Method for establishing three-dimensional medical imaging model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109114132A TWI791979B (zh) | 2020-04-28 | 2020-04-28 | 三維醫學影像的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202141517A TW202141517A (zh) | 2021-11-01 |
TWI791979B true TWI791979B (zh) | 2023-02-11 |
Family
ID=78222535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109114132A TWI791979B (zh) | 2020-04-28 | 2020-04-28 | 三維醫學影像的建立方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11699231B2 (zh) |
TW (1) | TWI791979B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2905660T3 (es) | 2017-06-19 | 2022-04-11 | Viz Ai Inc | Procedimiento y sistema para el triaje asistido por ordenador |
EP3991134A4 (en) | 2019-06-27 | 2023-07-05 | Viz.ai, Inc. | METHOD AND SYSTEM FOR COMPUTER-ASSISTED TRIAGE IN STROKE |
EP4185193A1 (en) * | 2020-07-24 | 2023-05-31 | Viz.ai, Inc. | Method and system for computer-aided aneurysm triage |
US11694807B2 (en) | 2021-06-17 | 2023-07-04 | Viz.ai Inc. | Method and system for computer-aided decision guidance |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110052035A1 (en) * | 2009-09-01 | 2011-03-03 | Siemens Corporation | Vessel Extraction Method For Rotational Angiographic X-ray Sequences |
CN103890781A (zh) * | 2011-08-25 | 2014-06-25 | 康奈尔大学 | 用于机器视觉的视网膜编码器 |
CN110047128A (zh) * | 2018-01-15 | 2019-07-23 | 西门子保健有限责任公司 | 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和系统 |
CN110390361A (zh) * | 2019-07-25 | 2019-10-29 | 安徽工程大学 | 一种基于运动补偿学习的4d-cbct成像方法 |
US20190328348A1 (en) * | 2017-01-05 | 2019-10-31 | Bruno Kristiaan Bernard De Man | Deep learning based estimation of data for use in tomographic reconstruction |
TW202011893A (zh) * | 2018-07-30 | 2020-04-01 | 美商超精細研究股份有限公司 | 用於核磁共振影像重建之深度學習技術 |
TWI705414B (zh) * | 2018-05-29 | 2020-09-21 | 長庚醫療財團法人林口長庚紀念醫院 | 自體免疫抗體免疫螢光影像分類系統及其分類方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10491856B2 (en) * | 2018-03-15 | 2019-11-26 | Disney Enterprises, Inc. | Video frame interpolation using a convolutional neural network |
US11557390B2 (en) * | 2018-04-30 | 2023-01-17 | Elekta, Inc. | Radiotherapy treatment plan modeling using generative adversarial networks |
US20200138522A1 (en) * | 2018-11-07 | 2020-05-07 | Zimmer, Inc. | 3d model generation using thermal imaging and x-ray |
US10937206B2 (en) * | 2019-01-18 | 2021-03-02 | Canon Medical Systems Corporation | Deep-learning-based scatter estimation and correction for X-ray projection data and computer tomography (CT) |
CN109905624B (zh) * | 2019-03-01 | 2020-10-16 | 北京大学深圳研究生院 | 一种视频帧插值方法、装置及设备 |
-
2020
- 2020-04-28 TW TW109114132A patent/TWI791979B/zh active
-
2021
- 2021-03-24 US US17/210,604 patent/US11699231B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110052035A1 (en) * | 2009-09-01 | 2011-03-03 | Siemens Corporation | Vessel Extraction Method For Rotational Angiographic X-ray Sequences |
CN103890781A (zh) * | 2011-08-25 | 2014-06-25 | 康奈尔大学 | 用于机器视觉的视网膜编码器 |
US20190328348A1 (en) * | 2017-01-05 | 2019-10-31 | Bruno Kristiaan Bernard De Man | Deep learning based estimation of data for use in tomographic reconstruction |
CN110047128A (zh) * | 2018-01-15 | 2019-07-23 | 西门子保健有限责任公司 | 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和系统 |
TWI705414B (zh) * | 2018-05-29 | 2020-09-21 | 長庚醫療財團法人林口長庚紀念醫院 | 自體免疫抗體免疫螢光影像分類系統及其分類方法 |
TW202011893A (zh) * | 2018-07-30 | 2020-04-01 | 美商超精細研究股份有限公司 | 用於核磁共振影像重建之深度學習技術 |
CN110390361A (zh) * | 2019-07-25 | 2019-10-29 | 安徽工程大学 | 一种基于运动补偿学习的4d-cbct成像方法 |
Also Published As
Publication number | Publication date |
---|---|
US11699231B2 (en) | 2023-07-11 |
TW202141517A (zh) | 2021-11-01 |
US20210334958A1 (en) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI791979B (zh) | 三維醫學影像的建立方法 | |
Maier et al. | Real‐time scatter estimation for medical CT using the deep scatter estimation: method and robustness analysis with respect to different anatomies, dose levels, tube voltages, and data truncation | |
KR102220029B1 (ko) | 뉴럴 네트워크를 이용한 비매칭 저 선량 엑스선 전산단층 촬영 영상 처리 방법 및 그 장치 | |
JP2020168352A (ja) | 医用装置及びプログラム | |
Xie et al. | Scatter artifacts removal using learning-based method for CBCT in IGRT system | |
JP6442243B2 (ja) | コンピュータ断層撮影画像再構成のアーチファクト低減の方法および装置 | |
US11080895B2 (en) | Generating simulated body parts for images | |
US10143433B2 (en) | Computed tomography apparatus and method of reconstructing a computed tomography image by the computed tomography apparatus | |
JP2021013725A (ja) | 医用装置 | |
JP2009189800A (ja) | 画像から関心のある特徴部を抽出するためのシステム及び方法 | |
Huang et al. | Learning a deep CNN denoising approach using anatomical prior information implemented with attention mechanism for low-dose CT imaging on clinical patient data from multiple anatomical sites | |
Zhao et al. | Obtaining dual-energy computed tomography (CT) information from a single-energy CT image for quantitative imaging analysis of living subjects by using deep learning | |
US20180025510A1 (en) | Common-mask guided image reconstruction for enhanced four-dimensional cone-beam computed tomography | |
WO2023142781A1 (zh) | 图像三维重建方法、装置、电子设备及存储介质 | |
Hegazy et al. | Half-scan artifact correction using generative adversarial network for dental CT | |
CN112258438B (zh) | 一种基于非配对数据的ldct图像恢复方法 | |
JP2022155027A (ja) | 画像処理装置、学習装置、放射線画像撮影システム、画像処理方法、学習方法、画像処理プログラム、及び学習プログラム | |
Kim et al. | Enhanced artificial intelligence-based diagnosis using CBCT with internal denoising: clinical validation for discrimination of fungal ball, sinusitis, and normal cases in the maxillary sinus | |
Lyu et al. | Dual-energy CT imaging from single-energy CT data with material decomposition convolutional neural network | |
WO2021122364A1 (en) | Tomographic image processing using artificial intelligence (ai) engines | |
Hyun et al. | Deep learning for dental cone-beam computed tomography | |
Nakao | Medical Image Synthesis and Statistical Reconstruction Methods | |
Manhart et al. | Iterative denoising algorithms for perfusion C-arm CT with a rapid scanning protocol | |
CN110942494B (zh) | 利用三个数据域迭代重建计算机断层扫描图像的系统 | |
Khaleghi et al. | Neural network performance evaluation of simulated and genuine head-and-neck computed tomography images to reduce metal artifacts |