CN109589127A - 电子计算机断层扫描前端设备、***、方法及存储介质 - Google Patents
电子计算机断层扫描前端设备、***、方法及存储介质 Download PDFInfo
- Publication number
- CN109589127A CN109589127A CN201811268175.5A CN201811268175A CN109589127A CN 109589127 A CN109589127 A CN 109589127A CN 201811268175 A CN201811268175 A CN 201811268175A CN 109589127 A CN109589127 A CN 109589127A
- Authority
- CN
- China
- Prior art keywords
- transmitting unit
- image
- network
- batch
- lesion
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000002591 computed tomography Methods 0.000 title claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 48
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 25
- 230000003902 lesion Effects 0.000 claims description 24
- 238000013135 deep learning Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 210000005075 mammary gland Anatomy 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 210000000481 breast Anatomy 0.000 claims description 5
- 239000002041 carbon nanotube Substances 0.000 claims description 4
- 229910021393 carbon nanotube Inorganic materials 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 210000004209 hair Anatomy 0.000 claims description 4
- 230000000149 penetrating effect Effects 0.000 claims 1
- 230000001133 acceleration Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 239000011521 glass Substances 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 6
- 238000004846 x-ray emission Methods 0.000 description 6
- 208000004434 Calcinosis Diseases 0.000 description 4
- 230000002308 calcification Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 210000004907 gland Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000013077 target material Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 206010048782 Breast calcifications Diseases 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000006071 cream Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000011094 fiberboard Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000010358 mechanical oscillation Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012536 packaging technology Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
- A61B6/4007—Arrangements for generating radiation specially adapted for radiation diagnosis characterised by using a plurality of source units
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5264—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to motion
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Pulmonology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明适用医疗技术领域,提供了一种电子计算机断层扫描前端设备、***、方法及存储介质,前端设备的发射源包括:若干呈预定排布方式排布且依次受控执行相应扫描动作的发射单元,所述发射单元的出射方向经过扫描中心。这样,所实现的多个发射单元可受控依次快速执行扫描动作,而无需单个发射单元采用步进式移动来采集不同投影角度的投影图像,从而节约了发射单元的移动时间,能在保证重建图像空间分辨率达到要求的同时,也可能快速进行扫描动作,并且避免了因步进式移动中急剧加减速而导致图像运动伪影的问题,进而在快速扫描的同时保障了重建图像质量。
Description
技术领域
本发明属于医疗技术领域,尤其涉及一种电子计算机断层扫描前端设备、***、方法及存储介质。
背景技术
数字乳腺断层成像(Digital Breast Tomosynthesis,DBT)技术是在传统体层摄影的几何原理基础上,结合数字影像处理技术开发的新型体层成像技术,可通过单X射线或γ射线发射源环绕乳腺步进式快速移动,从而从不同角度对乳腺进行快速采集,获取不同投影角度下的小剂量投影数据,可重建出与探测器平面平行的乳腺任意深度层面X线密度影像,具有辐射剂量小,可获得任意层面影像,可进一步处理显示三维信息等特点。
但是,X射线发射源的快速运动将放大有效焦点,导致重建图像的空间分辨率降低。另外,X射线发射源步进式移动,期间的急剧加速和减速将引起一定幅度的机械振动,导致图像运动伪影。这样,重建图像的质量得不到保障,无法提供具有高参考价值的重建图像。
发明内容
本发明的目的在于提供一种电子计算机断层扫描前端设备、***、方法及存储介质,旨在解决现有技术所存在的、采用步进式移动的单发射源所导致的重建图像质量不高的问题。
一方面,本发明提供了一种电子计算机断层扫描CT前端设备,所述设备包括:发射源,
所述发射源包括:若干呈预定排布方式排布且依次受控执行相应扫描动作的发射单元,所述发射单元的出射方向经过扫描中心。
进一步的,所述发射单元呈弧形排布,所述弧形对应的圆心与所述扫描中心相对应。
进一步的,所述弧形对应的半径为10-150厘米,和/或,相邻两个所述发射单元之间弧形段所对应的中心角为5-50度。
进一步的,所述发射源包括15个所述发射单元,所述弧形对应的半径为65厘米,相邻两个所述发射单元之间弧形段所对应的中心角为5度。
进一步的,所述发射单元采用碳纳米管阴极,
所述发射源还包括:
基座;以及,
设置于所述基座上、用于承载所述发射单元并实现所述发射单元电性连通的导电条,所述导电条与所述发射单元之间通过螺杆相装配。
另一方面,本发明提供了一种CT***,所述***包括:如上述的CT前端设备以及工作站,
所述CT前端设备还包括:
探测器,用于当所述发射单元执行扫描动作时,获得相应投影图像,
所述工作站包括:存储器及处理器,所述处理器执行所述存储器中存储的计算机程序时实现如下步骤:
对各所述投影图像进行处理得到重建图像,并利用深度学习方法对所述重建图像中的病灶进行识别。
进一步的,利用深度学习方法对所述重建图像中的病灶进行识别,具体包括下述步骤:
对所述重建图像进行预处理,得到初始图像;
将所述初始图像输入至深度学习神经网络进行所述病灶的识别,得到识别结果,
其中,将所述初始图像输入至深度学习神经网络进行所述病灶的识别,具体包括下述步骤:
对所述初始图像进行特征提取处理,得到卷积特征图像;
对所述卷积特征图像确定候选区域,相应得到全连接特征图;
基于所述全连接特征图进行分类,得到所述识别结果。
进一步的,对所述初始图像进行特征提取处理,得到卷积特征图像,具体为:
采用若干残差卷积神经网络对所述初始图像进行特征提取处理,
其中,所述残差卷积神经网络中包括卷积网络层、激活函数网络层及批量归一化网络层,
采用若干残差卷积神经网络对所述初始图像进行特征提取处理,具体包括下述步骤:
通过所述批量归一化网络层对输入的批量数据求均值;
根据所述均值求所述批量数据的方差;
根据所述均值及所述方差,对所述批量数据进行标准化处理,得到批量标准数据;
采用调整因子对所述批量标准数据进行处理,得到具有与输入的所述批量数据的分布相同或类似的批量调整数据以进行输出。
另一方面,本发明还提供了一种乳腺中病灶的识别方法,所述方法基于如上述的***,所述投影图像为乳腺投影图像,所述识别结果指示乳腺中是否存在病灶,所述方法包括下述步骤:
对各所述投影图像进行处理得到重建图像;
利用深度学习方法对所述重建图像中的病灶进行识别。
另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述方法中的步骤。
本发明中,CT前端设备的发射源包括:若干呈预定排布方式排布且依次受控执行相应扫描动作的发射单元,所述发射单元的出射方向经过扫描中心。这样,所实现的多个发射单元可受控依次快速执行扫描动作,而无需单个发射单元采用步进式移动来采集不同投影角度的投影图像,从而节约了发射单元的移动时间,能在保证重建图像空间分辨率达到要求的同时,也可能快速进行扫描动作,并且避免了因步进式移动中急剧加减速而导致图像运动伪影的问题,进而在快速扫描的同时保障了重建图像质量。
附图说明
图1是本发明实施例一提供的CT前端设备的结构示意图;
图2是本发明实施例一中发射单元的第一种排布示意图;
图3是本发明实施例一中发射单元的第二种排布示意图;
图4是本发明实施例一中发射单元的第三种排布示意图;
图5是本发明实施例三中发射源的结构示意图;
图6是本发明实施例四提供的CT***的结构示意图;
图7是本发明实施例五提供的工作站的处理流程图;
图8是本发明实施例五中深度学习神经网络的架构示意图;
图9是本发明实施例六中残差卷积神经网络的架构示意图;
图10是本发明实施例六中批量归一化网络层的处理流程图;
图11是本发明实施例七的乳腺病灶的识别方法的流程图;
图12是本发明一应用实例的深度学习神经网络的架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1示出了本发明实施例一提供的电子计算机断层扫描(Computed Tomography,CT)前端设备,该CT前端设备主要用于采集人体相应部位的CT投影图像,例如:乳腺投影图像、脑投影图像、肝脏投影图像等,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
该CT前端设备包括:设备基体101,以及位于设备基体101上的发射源102、探测器103、控制电路板、显示器、操作台、网络模块等。其中,设备基体101具体可包括压迫板104;发射源102可以是X射线发射源、γ射线发射源等,发射源102可通过C型臂105进行承载及与其他部件电性连通;探测器103可以是平板探测器,可在发射源102的发射单元执行扫描动作时,获得相应的投影图像,平板探测器通常与承载台搭配设置,承载台上通常会设置起电磁屏蔽作用的碳纤维板;控制电路板起到整个设备的控制作用,控制电路板可采用分布式控制模式或总控模式,可控制其他构件的工作,控制电路板上可设置相应的处理器及存储器等;操作台用于供用户进行扫描、图像采集等操作控制;操作台也可以与显示器相组合形成触控显示屏;网络模块用于设备与工作站、云端等进行交互。发射源与探测器对应设置,当发射源102进行X射线或γ射线发射进行扫描操作(对于射线而言,扫描操作也可以叫做曝光操作)时,探测器103可探测得到对应的投影图像。
如图2所示,发射源102包括:若干呈预定排布方式排布且依次受控执行相应扫描动作的发射单元201,其中发射单元201的出射方向经过扫描中心A。在本实施例中,发射单元201可以是X射线发射单元、γ射线发射单元等。所称的预定排布方式不仅可如图2所示的各发射单元201呈弧形排布方式,还可以通过如图3所示的直线式排布、如图4所示的交错式排布等方式,排布方式只要是能满足快速扫描且探测器103能够获得质量能够得到保障的投影图像的要求均可。
上述CT前端设备的部分工作原理大致如下:
将多个发射单元201按照预定排布方式集成于发射源102一体,形成发射单元阵列。通过依次控制每个发射单元201的阴极电子发射的开关动作,不同位置的发射单元201阴极对应产生不同位置的X射线焦斑,探测器103可获得不同视角的投影图像,进而由各投影图像得到CT重建图像。
实施本实施例,所实现的多个发射单元201可受控依次快速执行扫描动作,而无需单个发射单元采用步进式移动来采集不同投影角度的投影图像,从而节约了发射单元的移动时间,能在保证重建图像空间分辨率达到要求的同时,也可能快速进行扫描动作,并且避免了因步进式移动中急剧加减速而导致图像运动伪影的问题,进而在快速扫描的同时保障了重建图像质量。
实施例二:
本实施例在实施例一基础上进一步提供了如下内容:
在本实施例中,仍如图2所示,发射单元201呈弧形排布,排布所呈弧形对应的圆心与扫描中心A相对应。这样,发射单元201的出射方向经过扫描中心A,且发射单元201排布所呈弧形对应的圆心与扫描中心A相对应,各发射单元201的设置相似且不同角度的成像效果一致。上述弧形对应的半径R可取10-150厘米,和/或,相邻两个发射单元201之间弧形段所对应的中心角Θ可取5-50度。发射单元201可均匀分布在上述弧形所对应的整个弧线上,当然也可以根据需要非均匀分布。在一个应用实例中,发射源102可包括15个发射单元201,弧形对应的半径为65厘米,相邻两个发射单元201之间弧形段所对应的中心角为5度,这些参数取值与所需成像的投影图像数量、投影角度、发射单元201所占空间体积等相关。
实施例三:
本实施例在实施例一或二基础上,进一步提供了如下内容:
如图5所示,发射单元201采用碳纳米管(Carbon Nanotube,CNT)阴极,发射源102还包括:
基座501;以及,
设置于基座501上、用于承载发射单元102并实现发射单元201电性连通的导电条502,导电条502与发射单元201之间通过螺杆相装配。
在本实施例中,CNT具有稳定的化学性质、极大的长径比等特性,是理想的场致发射材料。基于CNT阴极的X射线发射源102可以实现高时间分辨、可编程的X射线发射,具有微型化、低功耗、长寿命和快点火的特点。每个发射单元201为单独封装的玻璃球管,每一个玻璃球管包含:CNT阴极、栅极、聚焦极以及阳极靶材。其中,CNT阴极、栅极和聚焦极可设计成电子发射一体化结构,阳极靶材及导电基地加工在一起,进行玻璃球管封装时,只需要固定靶材和电子发射一体化结构,可以利用现有的热阴极球管封装工艺,有利于提高球管封装效率和成品率。此外为了防止二次电子聚集在玻璃球管上而引起打火,在电子发射一体化结构上,设计一个金属罩来屏蔽二次电子,减小玻璃球管打火概率。为了保证每个玻璃球管的安装固定并保证相互之间的间隔,设计了弧形导电条502预先安装在弧形基座501上,导电条502可采用铜材,在导电条502上每隔一定间隔(与上述图2中的中心角Θ对应)预留一个螺纹安装孔,嵌入加工好的螺杆,然后把玻璃球管安装在螺杆上,同时在弧形导电条502上预留阳极高压连接孔,即导电条502同时可起到导电和支撑固定作用。另外,玻璃球管到基座501的距离为60厘米左右(如上图2中R’所示),加上基座501上起到电磁屏蔽作用的碳纤维板厚度约5厘米,总体上发射单元201到到探测器103的距离设计为大约65厘米,与上述弧形半径R一致,使得弧形阵列上每个发射单元201到探测器103的中心距离一致。
实施例四:
图6示出了本发明实施例四提供的CT***的结构,为了便于说明,仅示出了与本发明实施例相关的部分,其中包括:如上述各实施例所述的CT前端设备601以及工作站602。工作站602与CT前端设备601之间可通过网络连接,或者工作站602与CT前端设备601集成设置于一个物理实体中,工作站602的功能可由相应的软件或硬件来实现。
在本实施例中,工作站602包括:存储器6021及处理器6022,处理器6022执行存储器6021中存储的计算机程序6023时实现如下方法中的步骤:
对各投影图像进行处理得到重建图像,并利用深度学习方法对重建图像中的病灶进行识别。在本实施例中,可采用合适的任何一种深度学习方法,实现对重建图像中病灶的识别,例如:区域卷积神经网络(Regions with Convolutional Neural Network,R-CNN)、快速区域卷积神经网络(Fast R-CNN)、多分类单杆检测器(Single Shot MultiBoxDetector,SSD)等。
实施本实施例,利用医学影像的人工智能(Artificial Intelligence,AI)诊断,能辅助医生提升筛查效率,有效降低漏诊和误诊几率。以乳腺癌诊断为例,当前业内,乳腺癌诊断主要依赖医生进行判读,由于个人经验差异往往导致诊断结论的不一致性,即使对于同一位医生,一定的人为失误率也是无法避免的。不仅如此,对于***相对偏小的情况,腺体组织相对比较集中,也进一步提升了目视解读的难度,采用本实施例技术方案,对于乳腺癌等癌症的早筛早诊,作用更为明显。
实施例五:
本实施例在实施例四基础上,进一步提供了如下内容:
处理器6022执行存储器6021中存储的计算机程序6023时,具体实现如图7所示的方法中的步骤:
在步骤S701中,对各投影图像进行处理得到重建图像。本步骤所涉及的投影重建技术,是利用X射线、超声波等透过被扫描物体(如人体内脏、地下矿体)形成透视投影图,并根据透视投影图计算恢复物体的断层图,得到重建图像,该重建图像可以为若干切片图像。这种重建技术是基于通过X射线、超声波的扫描,由于在穿过被扫描物体的不同结构时的吸收不同,引起在成像面上投射强度的不同,反演求得被扫描物体内部结构分布的图像。
在步骤S702中,对重建图像进行预处理,得到初始图像。在本实施例中,预处理可涉及对图像的裁剪,以减少冗余计算。
在步骤S703中,将初始图像输入至深度学习神经网络进行病灶的识别,得到识别结果。在本实施例中,深度学习神经网络架构可如图8所示,具体包括:卷积子网络801、候选框子网络802及全连接子网络803。其中,每个子网络处理大致如下:
卷积子网络801,可对初始图像进行特征提取处理,得到卷积特征图像。在本实施例中,卷积子网络801可包括多段卷积神经网络,每段卷积神经网络可采用残差卷积神经网络以减缓梯度消失和梯度***等问题,也可以采用非残差卷积神经网络,当然,卷积子网络801也可以采用非残差卷积神经网络与残差卷积神经网络的组合。
候选框子网络802,可对卷积特征图像确定候选区域,相应得到全连接特征图。在本实施例中,候选框子网络802可采用预定尺寸的滑动窗口,基于每一个滑动窗口的中心点,在初始图像上生成预定数量的、具有预定尺寸的候选框,每个候选框中心点与滑动窗口的中心点对应。对应可获得与每一个候选框对应的候选区域。每一个候选区域对应生成一候选区域特征图。候选区域特征图还可以相应进行区域池化处理,得到全连接特征图。
全连接子网络803,可基于全连接特征图进行分类等处理,得到识别结果,识别结果指示是否存在病灶。在本实施例中,可在全连接子网络803的两个分支分别进行相应的分类、回归等处理,相应全连接子网络803可对应包含分类网络层及回归网络层。分类网络层可用于根据全连接特征图判断候选区域是前景还是背景,也即判断候选区域中是否存在病灶,回归网络层可用于修正候选框的坐标,最终确定病灶所在位置。
实施本实施例,采用基于区域的卷积神经网络实现对病灶的识别,可提高识别的准确度,有效降低漏诊和误诊几率,有利于利用医学影像的AI人工智能诊断的应用推广。
实施例六:
本实施例在实施例五基础上,进一步提供了如下内容:
在卷积子网络801中,可采用若干残差卷积神经网络对初始图像进行特征提取处理,而残差卷积神经网络可包括如图9所示的多个网络层:卷积网络层901、激活函数网络层902及批量归一化网络层903。其中,每个网络层处理大致如下:
卷积网络层901可利用预设卷积核实现对输入图像进行卷积处理。
激活函数网络层902可利用S型(Sigmoid)函数、双曲正切(Tahn)函数或整流线性单元(The Rectified Linear Unit,ReLU)函数等进行激活处理。
批量归一化网络层903不仅能实现传统标准化处理,而且能使网络能够加速收敛,进一步减缓梯度消失和梯度***的问题。在本实施例中,批量归一化网络层903的处理具体可包括如图10所示的步骤:
在步骤S1001中,对输入的、经由卷积网络层501处理所得的批量数据求均值。
在步骤S1002中,根据均值求批量数据的方差。
在步骤S1003中,根据均值及方差,对批量数据进行标准化处理,得到批量标准数据。
在步骤S1004中,采用调整因子对批量标准数据进行处理,得到具有与输入的批量数据的分布相同或类似的批量调整数据以进行输出。在本实施例中,调整因子在初始化时具有相应的初始值,然后基于该初始值,调整因子可以在反向传输中,与网络层处理的参数一同进行训练,使得调整因子能学习输入的批量数据的分布,输入的批量数据经过批量归一化处理后,仍保留原来输入的批量数据的分布。
实施例七:
本实施例在上述各实施例***的基础上,进一步提供了一种乳腺病灶的识别方法,具体包括如图11所示的步骤:
在步骤S1101中,对各投影图像进行处理得到重建图像。
在步骤S1102中,利用深度学习方法对重建图像中的病灶进行识别。
其中,各步骤的内容可与上述各实施例中相应位置描述的内容类同,此处不再赘述。
实施例八:
在本发明实施例中,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法实施例中的步骤,例如,图11所示的步骤S1101至S1102。或者,该计算机程序被处理器执行时实现上述各***实施例中所描述的功能,例如:上述深度学习神经网络的功能。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质,例如,ROM/RAM、磁盘、光盘、闪存等存储器。
下面通过一个应用实例,对上述各实施例中所涉及的深度学习神经网络进行具体说明。
该深度学习神经网络可用于对乳腺中病灶(钙化灶)进行识别,具体可包括如图12所示的架构:
整个深度学习神经网络包括:卷积子网络801、候选框子网络802及全连接子网络803。
卷积子网络801包括:第一段卷积神经网络1201、池化层1202、第二段卷积神经网络1203、第三段卷积神经网络1204及第四段卷积神经网络1205。其中,第一段卷积神经网络1201采用非残差卷积神经网络,而第二段卷积神经网络1203、第三段卷积神经网络1204及第四段卷积神经网络1205采用残差卷积神经网络。残差卷积神经网络中包括多个网络层,仍如图9所示:卷积网络层901、激活函数网络层902及批量归一化网络层903。
候选框子网络802包括:区域候选网络(Region Proposal Network,RPN)1206及区域池化网络1207。
全连接子网络803包括:分类网络层1208及回归网络层1209。
在候选框子网络802与全连接子网络803之间还包括第五段卷积神经网络1211。
第五段卷积神经网络1211之后还设定一掩膜网络层1210。
以上深度学习神经网络的处理过程大致如下述:
1、由各投影图像处理所得重建图像进行裁剪等预处理后,得到大小为224×224的初始图像。此处所称重建图像通常为切片图像。
2、初始图像输入到第一段卷积神经网络1201进行卷积计算的初始特征提取,所得到的特征图经池化层1202处理后,再输出至第二段卷积神经网络1203、第三段卷积神经网络1204及第四段卷积神经网络1205进行进一步的特征提取。第一段卷积神经网络1201进行卷积计算所采用的卷积核大小为7×7,步长为2,可使数据尺寸减半,第一段卷积神经网络1201输出的特征图尺寸为112×112。第一段卷积神经网络1201输出的特征图经池化层1202处理后,得到特征图尺寸为56×56。
所采用的残差卷积神经网络中的卷积网络层901可采用如下公式(1)进行计算:
其中,i,j为输入图像的像素坐标位置,I为输入图像数据,K为卷积核,p,n分别为卷积核的宽和高,S(i,j)为输出的卷积数据。
批量归一化网络层903可进行如下计算:
首先,利用如下公式(2)对输入的批量数据求均值μβ。输入的批量数据β=x1...m是卷积网络层901的输出数据。
其中,m为数据总数。
其次,利用如下公式(3),根据均值求批量数据的方差σβ2。
然后,利用如下公式(4),根据均值和方差,对批量数据进行标准化处理,得到批量标准数据
其中,∈为避免除数为零的微小正数。
接着,利用如下公式(5),采用调整因子α、ω对批量标准数据进行处理,得到具有与输入的批量数据的分布相同或类似的批量调整数据以进行输出,输出可作为下一激活函数网络层902的输入。
其中,α为缩放因子,ω为平移因子,调整因子α、ω在初始化时具有相应的初始值,在本应用实例中,α的初始值约等于1、ω的初始值约等于0,然后基于该初始值,调整因子α、ω可以在反向传输中,与网络层处理的参数一同进行训练,从而,α、ω就学习了输入的批量数据的分布,输入的批量数据经过批量归一化处理后,仍保留原来输入的批量数据的分布。
激活函数网络层902可进行如下公式(6)所示的计算:
其中,x为批量归一化网络层903的输出数据,f(x)为激活函数网络层902的输出。
上述的卷积网络层901、激活函数网络层902及批量归一化网络层903的三种操作可组成一个神经网络块。第二段卷积神经网络1203有3个神经网络块,其中,一种神经网络块中所采用的卷积核大小为1×1,卷积核数量为64;另一种神经网络块中所采用的卷积核大小为3×3,卷积核数量为64;还有一种神经网络块中采用的卷积核大小为1×1,卷积核数量为256。第三段卷积神经网络1204有4个神经网络块,其中,一种神经网络块中所采用的卷积核大小为1×1,卷积核数量为128;另一种神经网络块中所采用的卷积核大小为3×3,卷积核数量为128;还有一种神经网络块中采用的卷积核大小为1×1,卷积核数量为512。第四段卷积神经网络1205有23个神经网络块,其中,一种神经网络块中所采用的卷积核大小为1×1,卷积核数量为256;另一种神经网络块中所采用的卷积核大小为3×3,卷积核数量为256;还有一种神经网络块中采用的卷积核大小为1×1,卷积核数量为1024。最终通过第一至第四段卷积神经网络,输出的卷积特征图像为14×14×1024,表示输出卷积特征图像大小为14×14,卷积核数量为1024。
3、经卷积子网络801处理所得的卷积特征图像随后输入至RPN1206、区域池化网络1207中进行相应处理。
RPN1206用于提取候选区域,具体是,采用预定尺寸3×3的滑动窗口,基于每一个滑动窗口的中心点,在初始图像上生成预定数量为9个、具有预定尺寸的候选框,每个候选框中心点与滑动窗口的中心点对应。对应可获得与每一个候选框对应的候选区域。每一个候选区域对应生成一候选区域特征图。由于通过第一至第四段卷积神经网络,输出的卷积特征图像为14×14×1024,滑动窗口预定尺寸为3×3,候选框预定数量为9个,那么,可相应得到256个候选区域,并相应得到256个候选区域特征图,即256维全连接特征。其中部分候选框的面积尺寸相同,该部分候选框的面积尺寸与其他部分候选框的面积尺寸不同,候选框的面积、长宽比可根据设定而得到的。
区域池化网络1207用于根据候选框的位置坐标,将候选区域特征图池化为固定尺寸的池化特征图。区域池化网络1207可选RoiAlign网络。候选框由回归模型得出,一般为浮点数,RoiAlign网络不对浮点数进行量化。对每个候选框,将候选区域特征图分成7×7个单元,在每个单元中固定四个坐标位置,通过双线性内插法计算出四个位置的值,然后进行最大池化操作。对每个候选框,得到7×7×1024的池化特征图,所有池化特征图构成初始的全连接特征图。
4、初始的全连接特征图经过第五段卷积神经网络1211处理后,输出相应最终的7×7×2048的全连接特征图。第五段卷积神经网络1211有3个神经网络块,其中,一种神经网络块中所采用的卷积核大小为1×1,卷积核数量为512;另一种神经网络块中所采用的卷积核大小为3×3,卷积核数量为512;还有一种神经网络块中采用的卷积核大小为1×1,卷积核数量为2048。
第五段卷积神经网络1211处理所得最终的全连接特征图进入全连接子网络803的三个分支:分类网络层1208、回归网络层1209及掩膜网络层1210。其中,分类网络层1208用于输入第五段卷积神经网络1211处理所得最终的全连接特征图,并以此判断候选区域是前景还是背景,输出为14×14×18的数组,其中“18”表示9个候选框会输出前景或背景两种结果。回归网络层1209用于预测候选框中心锚点的坐标、高与宽,修正候选框的坐标,输出为14×14×36,其中“36”表示9个候选框的四个端点值。掩膜网络层1210利用一定尺寸2×2的卷积核对相应确定为钙化灶并经过位置修正的候选区域特征图进行上采样,得到14×14×256的特征图,对该特征图进行后续的卷积处理,得到14×14×2的特征图,继而进行掩膜处理,对前景与背景进行分割。在本应用实例中,类别数量为2,表示有无乳腺钙化灶,另外,还可以进一步得到钙化灶位置。
其中,全连接子网络803中所用到的、用于对分类进行优化的分类网络层损失函数的计算如下公式(7)所示,用于当分类结果为存在钙化灶时、对回归进行优化的回归网络层损失函数的计算如下公式(8)所示。
Lcls=-logq……公式(7)
其中,q为真实分类的概率。
其中,b取值为(ti-ti’),ti为预测坐标,ti’为真实坐标。
而掩膜处理的优化处理可涉及:在分类处理时,经过激活函数Sigmoid处理后进行交叉熵的计算。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电子计算机断层扫描CT前端设备,所述设备包括:发射源,其特征在于,所述发射源包括:若干呈预定排布方式排布且依次受控执行相应扫描动作的发射单元,所述发射单元的出射方向经过扫描中心。
2.如权利要求1所述的设备,其特征在于,所述发射单元呈弧形排布,所述弧形对应的圆心与所述扫描中心相对应。
3.如权利要求2所述的设备,其特征在于,所述弧形对应的半径为10-150厘米,和/或,相邻两个所述发射单元之间弧形段所对应的中心角为5-50度。
4.如权利要求3所述的设备,其特征在于,所述发射源包括15个所述发射单元,所述弧形对应的半径为65厘米,相邻两个所述发射单元之间弧形段所对应的中心角为5度。
5.如权利要求1所述的设备,其特征在于,所述发射单元采用碳纳米管阴极,
所述发射源还包括:
基座;以及,
设置于所述基座上、用于承载所述发射单元并实现所述发射单元电性连通的导电条,所述导电条与所述发射单元之间通过螺杆相装配。
6.一种CT***,其特征在于,所述***包括:如权利要求1至5任一项所述的CT前端设备以及工作站,
所述CT前端设备还包括:
探测器,用于当所述发射单元执行扫描动作时,获得相应投影图像,
所述工作站包括:存储器及处理器,所述处理器执行所述存储器中存储的计算机程序时实现如下步骤:
对各所述投影图像进行处理得到重建图像;
利用深度学习方法对所述重建图像中的病灶进行识别。
7.如权利要求6所述的***,其特征在于,利用深度学习方法对所述重建图像中的病灶进行识别,具体包括下述步骤:
对所述重建图像进行预处理,得到初始图像;
将所述初始图像输入至深度学习神经网络进行所述病灶的识别,得到识别结果,
其中,将所述初始图像输入至深度学习神经网络进行所述病灶的识别,具体包括下述步骤:
对所述初始图像进行特征提取处理,得到卷积特征图像;
对所述卷积特征图像确定候选区域,相应得到全连接特征图;
基于所述全连接特征图进行分类,得到所述识别结果。
8.如权利要求7所述的***,其特征在于,对所述初始图像进行特征提取处理,得到卷积特征图像,具体为:
采用若干残差卷积神经网络对所述初始图像进行特征提取处理,
其中,所述残差卷积神经网络中包括卷积网络层、激活函数网络层及批量归一化网络层,
采用若干残差卷积神经网络对所述初始图像进行特征提取处理,具体包括下述步骤,具体包括下述步骤:
通过所述批量归一化网络层对输入的批量数据求均值;
根据所述均值求所述批量数据的方差;
根据所述均值及所述方差,对所述批量数据进行标准化处理,得到批量标准数据;
采用调整因子对所述批量标准数据进行处理,得到具有与输入的所述批量数据的分布相同或类似的批量调整数据以进行输出。
9.一种乳腺病灶的识别方法,其特征在于,所述方法基于如权利要求6所述的***,所述投影图像为乳腺投影图像,所述识别结果指示乳腺中是否存在病灶,所述方法包括下述步骤:
对各所述投影图像进行处理得到重建图像;
利用深度学习方法对所述重建图像中的病灶进行识别。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求9所述方法中的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811268175.5A CN109589127B (zh) | 2018-10-29 | 2018-10-29 | 电子计算机断层扫描前端设备、***、方法及存储介质 |
PCT/CN2019/071198 WO2020087780A1 (zh) | 2018-10-29 | 2019-01-10 | 电子计算机断层扫描前端设备、***、方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811268175.5A CN109589127B (zh) | 2018-10-29 | 2018-10-29 | 电子计算机断层扫描前端设备、***、方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109589127A true CN109589127A (zh) | 2019-04-09 |
CN109589127B CN109589127B (zh) | 2021-02-26 |
Family
ID=65958590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811268175.5A Active CN109589127B (zh) | 2018-10-29 | 2018-10-29 | 电子计算机断层扫描前端设备、***、方法及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109589127B (zh) |
WO (1) | WO2020087780A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109350097A (zh) * | 2018-12-17 | 2019-02-19 | 深圳先进技术研究院 | X射线源阵列、x射线断层扫描***和方法 |
CN112107324A (zh) * | 2020-09-03 | 2020-12-22 | 上海联影医疗科技股份有限公司 | 数字乳腺断层摄影设备的扫描方法、介质及医疗设备 |
CN113520416A (zh) * | 2020-04-21 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 一种用于生成对象二维图像的方法和*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201551325U (zh) * | 2008-11-26 | 2010-08-18 | 信飞***公司 | 计算x线断层照相***中的压缩并存储投射数据的装置 |
CN101842052A (zh) * | 2007-07-19 | 2010-09-22 | 北卡罗来纳大学查珀尔希尔分校 | 固定x射线数字化***断层合成***和相关方法 |
CN102551783A (zh) * | 2012-02-16 | 2012-07-11 | 邓敏 | 手术用双模态实时成像装置、***及其方法 |
CN103901057A (zh) * | 2012-12-31 | 2014-07-02 | 同方威视技术股份有限公司 | 使用了分布式x射线源的物品检查装置 |
CN104465279A (zh) * | 2013-09-18 | 2015-03-25 | 清华大学 | X射线装置以及具有该x射线装置的ct设备 |
CN105326526A (zh) * | 2014-07-22 | 2016-02-17 | 三星电子株式会社 | 具有固定架和旋转盘的解剖成像*** |
CN105445290A (zh) * | 2014-09-02 | 2016-03-30 | 同方威视技术股份有限公司 | X射线产品质量在线检测装置 |
CN105997127A (zh) * | 2016-06-21 | 2016-10-12 | 深圳先进技术研究院 | 一种静态乳腺双能ct成像***及成像方法 |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
CN107545245A (zh) * | 2017-08-14 | 2018-01-05 | 中国科学院半导体研究所 | 一种年龄估计方法及设备 |
CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102106740B (zh) * | 2011-03-11 | 2013-04-17 | 河海大学 | X射线复式断层扫描成像***及方法 |
CN102697518B (zh) * | 2012-06-25 | 2015-01-07 | 苏州生物医学工程技术研究所 | 静态能量分辨ct扫描仪及其扫描方法 |
CN106388848A (zh) * | 2016-10-18 | 2017-02-15 | 深圳先进技术研究院 | 对ct图像进行预处理的方法、***及静态ct成像装置 |
-
2018
- 2018-10-29 CN CN201811268175.5A patent/CN109589127B/zh active Active
-
2019
- 2019-01-10 WO PCT/CN2019/071198 patent/WO2020087780A1/zh active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101842052A (zh) * | 2007-07-19 | 2010-09-22 | 北卡罗来纳大学查珀尔希尔分校 | 固定x射线数字化***断层合成***和相关方法 |
CN201551325U (zh) * | 2008-11-26 | 2010-08-18 | 信飞***公司 | 计算x线断层照相***中的压缩并存储投射数据的装置 |
CN102551783A (zh) * | 2012-02-16 | 2012-07-11 | 邓敏 | 手术用双模态实时成像装置、***及其方法 |
CN103901057A (zh) * | 2012-12-31 | 2014-07-02 | 同方威视技术股份有限公司 | 使用了分布式x射线源的物品检查装置 |
CN104465279A (zh) * | 2013-09-18 | 2015-03-25 | 清华大学 | X射线装置以及具有该x射线装置的ct设备 |
CN105326526A (zh) * | 2014-07-22 | 2016-02-17 | 三星电子株式会社 | 具有固定架和旋转盘的解剖成像*** |
CN105445290A (zh) * | 2014-09-02 | 2016-03-30 | 同方威视技术股份有限公司 | X射线产品质量在线检测装置 |
CN105997127A (zh) * | 2016-06-21 | 2016-10-12 | 深圳先进技术研究院 | 一种静态乳腺双能ct成像***及成像方法 |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
CN107545245A (zh) * | 2017-08-14 | 2018-01-05 | 中国科学院半导体研究所 | 一种年龄估计方法及设备 |
CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和*** |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109350097A (zh) * | 2018-12-17 | 2019-02-19 | 深圳先进技术研究院 | X射线源阵列、x射线断层扫描***和方法 |
CN109350097B (zh) * | 2018-12-17 | 2021-11-05 | 深圳先进技术研究院 | X射线源阵列、x射线断层扫描***和方法 |
CN113520416A (zh) * | 2020-04-21 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 一种用于生成对象二维图像的方法和*** |
CN112107324A (zh) * | 2020-09-03 | 2020-12-22 | 上海联影医疗科技股份有限公司 | 数字乳腺断层摄影设备的扫描方法、介质及医疗设备 |
CN112107324B (zh) * | 2020-09-03 | 2024-04-26 | 上海联影医疗科技股份有限公司 | 数字乳腺断层摄影设备的扫描方法、介质及医疗设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2020087780A1 (zh) | 2020-05-07 |
CN109589127B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghani et al. | Fast enhanced CT metal artifact reduction using data domain deep learning | |
US10231687B2 (en) | Method and apparatus for enhanced X-ray computing arrays | |
US9949709B2 (en) | Techniques for suppression of motion artifacts in medical imaging | |
CN109589127A (zh) | 电子计算机断层扫描前端设备、***、方法及存储介质 | |
US9084888B2 (en) | Systems and methods for segmentation of radiopaque structures in images | |
US20210142494A1 (en) | Deformable image registration based on an image mask | |
US10475538B2 (en) | System for predicting computed tomography data from surface data | |
CN109671128B (zh) | 图像重建过程中的数据处理、图像重建方法和装置 | |
CN110009709A (zh) | 医学图像成像方法和*** | |
Wu et al. | Spatial-temporal total variation regularization (STTVR) for 4D-CT reconstruction | |
US11557071B2 (en) | Systems and methods for determining at least one artifact calibration coefficient | |
CN109300136A (zh) | 一种基于卷积神经网络的危及器官自动分割方法 | |
US20170215818A1 (en) | High-resolution computed tomography or c-arm imaging | |
CN106846465A (zh) | 一种ct三维重建方法及*** | |
CN112001979B (zh) | 运动伪影处理方法、***、可读存储介质和设备 | |
Jiang et al. | Fast four‐dimensional cone‐beam computed tomography reconstruction using deformable convolutional networks | |
CN109658465B (zh) | 图像重建过程中的数据处理、图像重建方法和装置 | |
WO2021213412A1 (en) | Imaging systems and methods | |
CN111526796B (zh) | 用于图像散射校正的***和方法 | |
CN111956248A (zh) | 一种x射线成像方法、装置、设备及存储介质 | |
Zhou et al. | General simultaneous motion estimation and image reconstruction (G-SMEIR) | |
Gong et al. | Design and Simulation Study of a CNT‐Based Multisource Cubical CT System for Dynamic Objects | |
CN109360252A (zh) | 图像重建方法及电子设备 | |
CN115005847A (zh) | 基于可寻址纳米线冷阴极x射线平面源的静态ct*** | |
US10425629B2 (en) | System for dense registration of two-dimensional depth images |
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 |