CN109961491B - 多模态图像截断补偿方法、装置、计算机设备和介质 - Google Patents
多模态图像截断补偿方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN109961491B CN109961491B CN201910294023.0A CN201910294023A CN109961491B CN 109961491 B CN109961491 B CN 109961491B CN 201910294023 A CN201910294023 A CN 201910294023A CN 109961491 B CN109961491 B CN 109961491B
- Authority
- CN
- China
- Prior art keywords
- image
- truncation
- imaging mode
- mode image
- imaging
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003384 imaging method Methods 0.000 claims abstract description 193
- 238000012549 training Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 17
- 238000002600 positron emission tomography Methods 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000013170 computed tomography imaging Methods 0.000 claims description 5
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
-
- 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]
- A61B6/037—Emission tomography
-
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/10076—4D tomography; Time-sequential 3D 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种多模态图像截断补偿方法、装置、计算机设备和介质。其中,方法包括:获取第一成像模态图像和存在截断伪影的第二成像模态图像;将所述第一成像模态图像和所述第二成像模态图像输入至所述图像截断补偿模型对所述第二成像模态图像进行截断补偿。本发明实施例通过将获取到的多个模态的医学图像同时输入至预先经过训练的图像截断补偿模型,从而得到存在截断伪影的图像经过补偿后的结果图像,解决了现有技术不能快速且准确的补偿存在截断伪影的图像的问题;可以实现根据多模态图像之间结构相似性,快速且准确的补偿存在截断伪影的图像,提高图像补偿的效率。
Description
技术领域
本发明实施例涉及图像处理技术,尤其涉及一种多模态图像截断补偿方法、装置、计算机设备和介质。
背景技术
在多种成像设备组合的医疗设备中,在一次成像扫描后可同时获得到多模态医学图像,例如,PET-MR,为正电子发射计算机断层显像仪PET和核磁共振设备MR相结合组合成的大型功能代谢与分子影像诊断设备,同时具有PET和MR的检查功能。在PET-MR的一次检查中,可以得到PET图像和MR图像,其中,PET图像的衰减校正信息是通过MRI的图像获得。但是,由于磁场均匀性的影响,MRI的径向视野比PET较小,常常出现MRI径向视野无法完全覆盖被扫描人体的全部,导致部分人体(如较胖的患者的身体),尤其是手臂部分,出现截断的效应(如图1所示),导致检查结果中的小病灶丢失或定量错误。
在现有技术中,通常采用如下几种方式来补偿被截断的身体部分:第一,使用未经过衰减校正的PET图像,经过轮廓分割,得出被截断部位轮廓,然后用单一的衰减值(多为水的衰减值)填充基于MR图像中被截断的区域;第二,使用同步发射衰减重建的方法(MLAA);第三,通过调整磁共振图像中的成像序列来得到更大的成像视野。
但是,第一种方法用单一的衰减值进行图像填充,不能完整表示出被截断身体部分的组织信息;第二种方法依赖于ToF信息,但同时也存在校正图与代谢图间相互干扰、收敛慢及校正图噪声大等一系列问题;第三种方法,虽然能增大MR图像的径向视野,但是仍然比PET的成像视野小。因此,上述三种方法均不能快速且准确的补偿存在截断伪影的图像。
发明内容
本发明实施例提供一种多模态图像截断补偿方法、装置、计算机设备和介质,以实现更加准确的补偿存在截断伪影的图像,提高截断图像补偿的效率。
第一方面,本发明实施例提供了一种多模态图像截断补偿方法,该方法包括:
获取第一成像模态图像和存在截断伪影的第二成像模态图像;
将所述第一成像模态图像和所述第二成像模态图像输入至所述图像截断补偿模型对所述第二成像模态图像进行截断补偿。
可选的,多模态图像截断补偿方法还包括:
对第一成像模态图像和第二成像模态图像分别进行径向截断处理,以形成训练样本集;
将所述训练本集中的样本输入至图像截断补偿模型进行模型训练。
可选的,所述对第一成像模态图像和第二成像模态图像分别进行径向截断处理,以形成训练样本集,包括:
对第一成像模态图像进行第一尺寸径向截断和对第二成像模态图像进行第二尺寸径向截断,以使经第一尺寸截断后的第一成像模态图像和经第二尺寸截断后的第二成像模态图像径向视野相同;
对经第二尺寸截断后的第二成像模态图像进行第三尺寸径向截断;
将经过第一尺寸截断的第一成像模态图像和经过第三尺寸截断后的第二成像模态图像作为输入图像,并将第二尺寸截断后的第二成像模态图像作为标准图像;
将所述输入图像和所述标准图像作为样本对,选择至少一个所述样本对作为训练样本集。
可选的,所述径向为所述第一成像模态图像和所述第二成像模态图像的左右两侧方向。
可选的,所述第一成像模态包括正电子发射断层扫描成像、单光子发射计算机断层扫描成像和磁共振扫描成像,所述第二成像模态包括磁共振扫描成像和计算机断层扫描成像。
第二方面,本发明实施例还提供了一种多模态图像截断补偿装置,该装置包括:
图像获取模块,用于获取第一成像模态图像和存在截断伪影的第二成像模态图像;
图像补偿模块,用于将所述第一成像模态图像和所述第二成像模态图像输入至所述图像截断补偿模型对所述第二成像模态图像进行截断补偿。
可选的,所述装置还包括:
样本集生成模块,用于对第一成像模态图像和第二成像模态图像分别进行径向截断处理,以形成训练样本集;
模型训练模块,用于将所述训练本集中的样本输入至图像截断补偿模型进行模型训练。
可选的,所述样本集生成模块具体包括:
第一图像截断单元,用于对第一成像模态图像进行第一尺寸径向截断和对第二成像模态图像进行第二尺寸径向截断,以使经第一尺寸截断后的第一成像模态图像和经第二尺寸截断后的第二成像模态图像径向视野相同;
第二图像截断单元,用于对经第二尺寸截断后的第二成像模态图像进行第三尺寸径向截断;
样本确定单元,用于将经过第一尺寸截断的第一成像模态图像和经过第三尺寸截断后的第二成像模态图像作为输入图像,并将第二尺寸截断后的第二成像模态图像作为标准图像;
训练样本集生成单元,用于将所述输入图像和所述标准图像作为样本对,选择至少一个所述样本对作为训练样本集。
可选的,所述第一成像模态包括正电子发射断层扫描成像、单光子发射计算机断层扫描成像和磁共振扫描成像,所述第二成像模态包括磁共振扫描成像和计算机断层扫描成像。
第三方面,本发明实施例还提供了一种计算机设备,该计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例中任一所述的多模态图像截断补偿方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如发明实施例中任一所述的多模态图像截断补偿方法。
本发明实施例通过将获取到的多个模态的医学图像同时输入至预先经过训练的图像截断补偿模型,从而得到存在截断伪影的图像经过补偿后的结果图像,解决了现有技术不能快速且准确的补偿存在截断伪影的图像的问题;可以实现根据多模态图像之间结构相似性,快速且准确的补偿存在截断伪影的图像,提高图像补偿的效率。
附图说明
图1是多模态成像中存在截断伪影图像的示意图;
图2a是本发明实施例一中的多模态图像截断补偿方法的流程图;
图2b是本发明实施例一中的多模态图像截断补偿示意图;
图3a是本发明实施例二中的多模态图像截断补偿方法的流程图;
图3b是本发明实施例二中的图像截断补偿模型训练的示意图;
图4是本发明实施例三中的图像截断补偿的结构示意图;
图5是本发明实施例四中的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图2a为本发明实施例一提供的多模态图像截断补偿方法的流程图,本实施例可适用于对存在截断伪影的医学图像进行被截断部位补偿的情况,该方法可以由多模态图像截断补偿装置实现,具体可通过医学成像设备中的软件和/或硬件来实施,其中,医学成像设备包括PET-MR等多模态成像设备。
如图2a所示,多模态图像截断补偿方法具体包括:
S110、获取第一成像模态图像和存在截断伪影的第二成像模态图像。
其中,第一成像模态与第二成像模态是指不同的成像方式,或是同一种成像方式中不同成像参数,因此,通过第一成像模态与第二成像模态分别得到的第一成像模态图像和第二成像模态图像即为不同类型的图像。通常,第一成像模态包括正电子发射断层扫描成像、单光子发射计算机断层扫描成像和磁共振扫描成像,第二成像模态包括磁共振扫描成像和计算机断层扫描成像。
示例性的,将计算断层扫描(CT)设备或磁共振(MR)扫描设备与正电子发射断层(PET)扫描设备组合,得到一种多模态成像***,那么便可以通过该成像***中,在同一个检查对象的一次检查中,获得两种模态的医学图像。然而,该多模态成像***会出现一种成像模态的图像存在截断伪影的问题。例如,MR和CT图像仅在有限的横向视野中具有良好的图像质量。在扫描大于CT或MR的横向视野的感兴趣体积时,CT或MR图像会出现径向截断,如图1所示的多模态成像中存在截断伪影图像的示意图。图1中左侧图像为通过正电子发射断层(PET)扫描设备获取到的图像,右侧为由磁共振(MR)扫描设备获取到的图像。由于MRI成像的径向视野受磁场均匀性限制,相比PET成像的径向视野较小,常常出现MRI图像径向视野无法完全覆盖被扫描人体的全部,导致部分人体,尤其是手臂部分,出现截断的效应。若被扫描对象身体的体积较大,那么截断伪影的情况会较为严重。
由于第一成像模态图像和第二成像模态图像是同一扫描对象的图像,两者之间在结构上具有一定的相似性,利用该相似性可以对存在截断伪影的图像进行截断补偿,即通过没有截断伪影的图像来补偿存在截断伪影的图像。
S120、将所述第一成像模态图像和所述第二成像模态图像输入至所述图像截断补偿模型对所述第二成像模态图像进行截断补偿。
其中,图像截断补偿模型是通过机器学习算法预先训练得到的模型,用于在多模态成像中,对存在截断伪影的图像进行补偿。具体的,图像截断补偿模型训练的样本包括两种成像模态下的图像作为模型输入图像,其中一种成像模态图像存在截断伪影;此外,训练样本还包括存在截断伪影的图像被补偿后的标准图像。进而可通过生成对抗网络、自编码器或神经网络等机器学习算法实现模型的训练。
在第一成像模态图像和第二成像模态图像输入至图像截断补偿模型之后,便可以得到第二成像模态图像被补偿之后的图像,可参考图2b所示的内容。进而可将被补偿后的图像用于后续的图像处理过程中,例如,当第一成像模态为正电子发射断层扫描成像时,可基于被补偿后的第二成像模态图像计算未经过衰减校正的第一成像模态图像的衰减校正图。
本实施例的技术方案,通过将获取到的多个模态的医学图像同时输入至预先经过训练的图像截断补偿模型,从而得到存在截断伪影的图像经过补偿后的结果图像,解决了现有技术不能快速且准确的补偿存在截断伪影的图像的问题;可以实现根据多模态图像之间结构相似性,快速且准确的补偿存在截断伪影的图像,提高图像补偿的效率。
实施例二
图3a为发明实施例二提供的一种多模态图像截断补偿方法的流程图。本实施例以上述实施例中各个可选方案为基础,提供了图像截断补偿模型的训练过程。如图3a所示,本发明实施例中提供的多模态图像截断补偿方法包括如下步骤:
S210、对第一成像模态图像和第二成像模态图像分别进行径向截断处理,以形成训练样本集。
其中,第一成像模态图像和第二成像模态图像为同一扫描对象的一组图像,在采集训练样本的过程中,可以采集一个扫描对象的至少一组图像,还可以分别采集多个扫描对象的至少一组图像。径向为所述第一成像模态图像和所述第二成像模态图像的左右两侧方向。
具体的,针对于一组图像进行径向截断处理具体包括:
首先,对第一成像模态图像进行第一尺寸径向截断和对第二成像模态图像进行第二尺寸径向截断,以使经第一尺寸截断后的第一成像模态图像和经第二尺寸截断后的第二成像模态图像径向视野相同。通过此步骤,可以使经过第一尺寸截断的第一成像模态图像和经第二尺寸截断的第二成像模态图像在径向视野中尺寸相同,即在此种情况下,二者相对没有被截断。
然后,对经第二尺寸截断后的第二成像模态图像进行第三尺寸径向截断。那么,再次被截断的第二成像模态图像在径向视野中的尺寸比经过第一尺寸截断后的第一成像模态图像尺寸要小,那么经过第三尺寸截断的第二成像模态图像相对于经过第一尺寸截断后的第一成像模态图像在径向存在截断伪影。
进而,将经过第一尺寸截断的第一成像模态图像和经过第三尺寸截断后的第二成像模态图像作为输入图像,并将第二尺寸截断后的第二成像模态图像作为标准图像;将所述输入图像和所述标准图像作为一个样本对,选择至少一个所述样本对作为训练样本集。
这里需要说明的是,在本实施例中,第一尺寸、第二尺寸及第三尺寸的具体数值并不做限定,在符合人体生理结构的数值范围内取值即可。在训练样本的采集过程中,每调整第一尺寸、第二尺寸及第三尺寸中一个尺寸的数值,即可获取一个新的训练样本。
S220、将所述训练本集中的样本输入至图像截断补偿模型进行模型训练。
具体的,训练图像截断补偿模型的方法,可以是机器学习方法至少一种,如支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法、K-均值聚类方法和随机森林方法中的一种。
示例性的,可以采用循环生成对抗网络(CycleGAN),在该网络中有生成器G(generator)和鉴别器(Discriminator)。生成器基于第一尺寸截断的第一成像模态图像和经过第三尺寸截断后的第二成像模态图像生成第二成像模态图像被补偿的补偿图像,鉴别器便鉴别补偿图像与标准图像(即第二尺寸截断后的第二成像模态图像)间的差别,当两者之间存在较大差异之后,生成器会继续生成更加逼真的补偿图像,进行鉴别器重复鉴别过程,直到这二者间的差别无法被区分时完成训练过程,具体的模型训练过程可参考图3b所示的内容。
S230、获取第一成像模态图像和存在截断伪影的第二成像模态图像。
此步骤中的第一成像模态图像和第二成像模态图像即为需要进行截断补偿的一组图像。
S240、将所述第一成像模态图像和所述第二成像模态图像输入至所述图像截断补偿模型对所述第二成像模态图像进行截断补偿。
其中,图像截断补偿模型即是经过S210和S220得到的图像截断补偿模型,是通过采集后的样本集进行训练而得。
本实施例的技术方案,通过对第一成像模态图像和第二成像模态图像分别进行径向截断处理,以形成训练样本集,进而训练图像截断补偿模型,将获取到的多个模态的医学图像同时输入至预先经过训练的图像截断补偿模型,从而得到存在截断伪影的图像经过补偿后的结果图像,解决了现有技术不能快速且准确的补偿存在截断伪影的图像的问题;可以实现根据多模态图像之间结构相似性,快速且准确的补偿存在截断伪影的图像,提高图像补偿的效率。
实施例三
图4示出了本发明实施例三提供的一种多模态图像截断补偿装置的结构示意图,本发明实施例可适用于对存在截断伪影的医学图像进行被截断部位补偿的情况,该装置可配置于医学成像设备中,如PET-MR等多模态成像设备。
如图4所示,本发明实施例中多模态图像截断补偿装置,包括:图像获取模块310和图像补偿模块320。
其中,图像获取模块310,用于获取第一成像模态图像和存在截断伪影的第二成像模态图像;图像补偿模块320,用于将所述第一成像模态图像和所述第二成像模态图像输入至所述图像截断补偿模型对所述第二成像模态图像进行截断补偿。
本实施例的技术方案,通过将获取到的多个模态的医学图像同时输入至预先经过训练的图像截断补偿模型,从而得到存在截断伪影的图像经过补偿后的结果图像,解决了现有技术不能快速且准确的补偿存在截断伪影的图像的问题;可以实现根据多模态图像之间结构相似性,快速且准确的补偿存在截断伪影的图像,提高图像补偿的效率。
可选的,多模态图像截断补偿装置还包括:
样本集生成模块,用于对第一成像模态图像和第二成像模态图像分别进行径向截断处理,以形成训练样本集;
模型训练模块,用于将所述训练本集中的样本输入至图像截断补偿模型进行模型训练。
可选的,样本集生成模块具体包括:
第一图像截断单元,用于对第一成像模态图像进行第一尺寸径向截断和对第二成像模态图像进行第二尺寸径向截断,以使经第一尺寸截断后的第一成像模态图像和经第二尺寸截断后的第二成像模态图像径向视野相同;
第二图像截断单元,用于对经第二尺寸截断后的第二成像模态图像进行第三尺寸径向截断;
样本确定单元,用于将经过第一尺寸截断的第一成像模态图像和经过第三尺寸截断后的第二成像模态图像作为输入图像,并将第二尺寸截断后的第二成像模态图像作为标准图像;
训练样本集生成单元,用于将所述输入图像和所述标准图像作为样本对,选择至少一个所述样本对作为训练样本集。
可选的,所述第一成像模态包括正电子发射断层扫描成像、单光子发射计算机断层扫描成像和磁共振扫描成像,所述第二成像模态包括磁共振扫描成像和计算机断层扫描成像。
本发明实施例所提供的多模态图像截断补偿装置可执行本发明任意实施例所提供的多模态图像截断补偿方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5是本发明实施例四中的计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备412的框图。图5显示的计算机设备412仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备412以通用计算设备的形式表现。计算机设备412的组件可以包括但不限于:一个或者多个处理器或者处理单元416,***存储器428,连接不同***组件(包括***存储器428和处理单元416)的总线418。
总线418表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机设备412典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备412访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器428可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)430和/或高速缓存存储器432。计算机设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***434可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440,可以存储在例如存储器428中,这样的程序模块442包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信,还可与一个或者多个使得用户能与该计算机设备412交互的设备通信,和/或与使得该计算机设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且,计算机设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白,尽管图5中未示出,可以结合计算机设备412使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元416通过运行存储在***存储器428中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的多模态图像截断补偿方法,该方法主要包括:
获取第一成像模态图像和存在截断伪影的第二成像模态图像;
将所述第一成像模态图像和所述第二成像模态图像输入至所述图像截断补偿模型对所述第二成像模态图像进行截断补偿。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的多模态图像截断补偿方法,该方法主要包括:
获取第一成像模态图像和存在截断伪影的第二成像模态图像;
将所述第一成像模态图像和所述第二成像模态图像输入至所述图像截断补偿模型对所述第二成像模态图像进行截断补偿。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种多模态图像截断补偿方法,其特征在于,包括:
获取第一成像模态图像和存在截断伪影的第二成像模态图像;
将所述第一成像模态图像和所述第二成像模态图像输入至所述图像截断补偿模型对所述第二成像模态图像进行截断补偿;
所述方法还包括:
对第一成像模态图像和第二成像模态图像分别进行径向截断处理,以形成训练样本集;
将所述训练样本集中的样本输入至图像截断补偿模型进行模型训练;
所述对第一成像模态图像和第二成像模态图像分别进行径向截断处理,以形成训练样本集,包括:
对第一成像模态图像进行第一尺寸径向截断和对第二成像模态图像进行第二尺寸径向截断,以使经第一尺寸截断后的第一成像模态图像和经第二尺寸截断后的第二成像模态图像径向视野相同;
对经第二尺寸截断后的第二成像模态图像进行第三尺寸径向截断;
将经过第一尺寸截断的第一成像模态图像和经过第三尺寸截断后的第二成像模态图像作为输入图像,并将第二尺寸截断后的第二成像模态图像作为标准图像;
将所述输入图像和所述标准图像作为样本对,选择至少一个所述样本对作为训练样本集。
2.根据权利要求1所述的方法,其特征在于,所述径向为所述第一成像模态图像和所述第二成像模态图像的左右两侧方向。
3.根据权利要求1所述的方法,其特征在于,所述第一成像模态包括正电子发射断层扫描成像、单光子发射计算机断层扫描成像和磁共振扫描成像,所述第二成像模态包括磁共振扫描成像和计算机断层扫描成像。
4.一种多模态图像截断补偿装置,其特征在于,包括:
图像获取模块,用于获取第一成像模态图像和存在截断伪影的第二成像模态图像;
图像补偿模块,用于将所述第一成像模态图像和所述第二成像模态图像输入至所述图像截断补偿模型对所述第二成像模态图像进行截断补偿;
所述装置还包括:
样本集生成模块,用于对第一成像模态图像和第二成像模态图像分别进行径向截断处理,以形成训练样本集;
模型训练模块,用于将所述训练样本集中的样本输入至图像截断补偿模型进行模型训练;
所述样本集生成模块具体包括:
第一图像截断单元,用于对第一成像模态图像进行第一尺寸径向截断和对第二成像模态图像进行第二尺寸径向截断,以使经第一尺寸截断后的第一成像模态图像和经第二尺寸截断后的第二成像模态图像径向视野相同;
第二图像截断单元,用于对经第二尺寸截断后的第二成像模态图像进行第三尺寸径向截断;
样本确定单元,用于将经过第一尺寸截断的第一成像模态图像和经过第三尺寸截断后的第二成像模态图像作为输入图像,并将第二尺寸截断后的第二成像模态图像作为标准图像;
训练样本集生成单元,用于将所述输入图像和所述标准图像作为样本对,选择至少一个所述样本对作为训练样本集。
5.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-3中任一所述的多模态图像截断补偿方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3中任一所述的多模态图像截断补偿方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910294023.0A CN109961491B (zh) | 2019-04-12 | 2019-04-12 | 多模态图像截断补偿方法、装置、计算机设备和介质 |
US16/568,513 US11232558B2 (en) | 2019-04-12 | 2019-09-12 | Systems and methods for image generation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910294023.0A CN109961491B (zh) | 2019-04-12 | 2019-04-12 | 多模态图像截断补偿方法、装置、计算机设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109961491A CN109961491A (zh) | 2019-07-02 |
CN109961491B true CN109961491B (zh) | 2023-05-26 |
Family
ID=67026070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910294023.0A Active CN109961491B (zh) | 2019-04-12 | 2019-04-12 | 多模态图像截断补偿方法、装置、计算机设备和介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11232558B2 (zh) |
CN (1) | CN109961491B (zh) |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10678244B2 (en) | 2017-03-23 | 2020-06-09 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US10671349B2 (en) | 2017-07-24 | 2020-06-02 | Tesla, Inc. | Accelerated mathematical engine |
US11157441B2 (en) | 2017-07-24 | 2021-10-26 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11215999B2 (en) | 2018-06-20 | 2022-01-04 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
SG11202103493QA (en) | 2018-10-11 | 2021-05-28 | Tesla Inc | Systems and methods for training machine models with augmented data |
US11196678B2 (en) | 2018-10-25 | 2021-12-07 | Tesla, Inc. | QOS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11150664B2 (en) | 2019-02-01 | 2021-10-19 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US10997461B2 (en) | 2019-02-01 | 2021-05-04 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
US11709495B2 (en) * | 2019-03-29 | 2023-07-25 | SafeAI, Inc. | Systems and methods for transfer of material using autonomous machines with reinforcement learning and visual servo control |
CN110031786B (zh) * | 2019-05-14 | 2022-01-11 | 上海联影医疗科技股份有限公司 | 磁共振图像重建方法、磁共振成像方法、设备及介质 |
KR102652117B1 (ko) * | 2019-07-10 | 2024-03-27 | 삼성전자주식회사 | 이미지 보정 방법 및 이미지 보정 시스템 |
US11531080B2 (en) * | 2019-07-24 | 2022-12-20 | Cypress Semiconductor Corporation | Leveraging spectral diversity for machine learning-based estimation of radio frequency signal parameters |
CN110580695B (zh) * | 2019-08-07 | 2022-06-21 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、***及电子设备 |
US11348243B2 (en) * | 2020-01-24 | 2022-05-31 | GE Precision Healthcare LLC | Systems and methods for medical image style transfer using deep neural networks |
WO2021159236A1 (zh) * | 2020-02-10 | 2021-08-19 | 深圳先进技术研究院 | 基于非衰减校正pet图像生成合成pet-ct图像的方法和*** |
US11580678B2 (en) * | 2020-03-02 | 2023-02-14 | GE Precision Healthcare LLC | Systems and methods for interpolation with resolution preservation |
US11531837B2 (en) * | 2020-07-17 | 2022-12-20 | Sap Se | Query image synthesis for image retrieval systems based on data augmentation techniques |
CN112685565B (zh) * | 2020-12-29 | 2023-07-21 | 平安科技(深圳)有限公司 | 基于多模态信息融合的文本分类方法、及其相关设备 |
CN112884758B (zh) * | 2021-03-12 | 2023-01-10 | 国网四川省电力公司电力科学研究院 | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及*** |
CN113256497B (zh) * | 2021-06-21 | 2021-09-24 | 中南大学 | 图像重建方法及*** |
CN113627421A (zh) * | 2021-06-30 | 2021-11-09 | 华为技术有限公司 | 一种图像处理方法、模型的训练方法以及相关设备 |
WO2024015322A1 (en) * | 2022-07-12 | 2024-01-18 | Loop Now Technologies, Inc. | Search using generative model synthesized images |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1537514A (zh) * | 2002-10-04 | 2004-10-20 | Ge医药***环球科技公司 | 多模态成像方法和装置 |
CN105989620A (zh) * | 2015-03-16 | 2016-10-05 | 西门子公司 | 补偿在医学成像中的图像伪影 |
CN107077724A (zh) * | 2014-10-20 | 2017-08-18 | 皇家飞利浦有限公司 | 分类的截断补偿 |
CN108460813A (zh) * | 2018-01-02 | 2018-08-28 | 沈阳东软医疗***有限公司 | 一种靶区勾画方法和装置 |
CN109285200A (zh) * | 2018-08-23 | 2019-01-29 | 上海连叶智能科技有限公司 | 一种基于人工智能的多模态医学影像的转换方法 |
CN109523584A (zh) * | 2018-10-26 | 2019-03-26 | 上海联影医疗科技有限公司 | 图像处理方法、装置、多模态成像***、存储介质及设备 |
CN109598745A (zh) * | 2018-12-25 | 2019-04-09 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置和计算机设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE602005020844D1 (de) | 2004-12-17 | 2010-06-02 | Koninkl Philips Electronics Nv | Kompensationsalgorithmus bei abschneidung für iterative rekonstruktion |
US8611628B2 (en) * | 2008-05-15 | 2013-12-17 | Koninklijke Philips N.V. | Using non-attenuation corrected PET emission images to compensate for incomplete anatomic images |
WO2012101548A2 (en) * | 2011-01-27 | 2012-08-02 | Koninklijke Philips Electronics N.V. | Truncation compensation for iterative cone-beam ct reconstruction for spect/ct systems |
US10078889B2 (en) * | 2015-08-25 | 2018-09-18 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image calibration |
US9971958B2 (en) * | 2016-06-01 | 2018-05-15 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for generating multimodal digital images |
CN107137107B (zh) * | 2017-05-09 | 2020-02-21 | 上海联影医疗科技有限公司 | 多模态医学图像获取方法及多模态医学图像成像*** |
US10719961B2 (en) * | 2018-05-04 | 2020-07-21 | General Electric Company | Systems and methods for improved PET imaging |
US11398026B2 (en) * | 2019-03-28 | 2022-07-26 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for synthetic medical image generation |
-
2019
- 2019-04-12 CN CN201910294023.0A patent/CN109961491B/zh active Active
- 2019-09-12 US US16/568,513 patent/US11232558B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1537514A (zh) * | 2002-10-04 | 2004-10-20 | Ge医药***环球科技公司 | 多模态成像方法和装置 |
CN107077724A (zh) * | 2014-10-20 | 2017-08-18 | 皇家飞利浦有限公司 | 分类的截断补偿 |
CN105989620A (zh) * | 2015-03-16 | 2016-10-05 | 西门子公司 | 补偿在医学成像中的图像伪影 |
CN108460813A (zh) * | 2018-01-02 | 2018-08-28 | 沈阳东软医疗***有限公司 | 一种靶区勾画方法和装置 |
CN109285200A (zh) * | 2018-08-23 | 2019-01-29 | 上海连叶智能科技有限公司 | 一种基于人工智能的多模态医学影像的转换方法 |
CN109523584A (zh) * | 2018-10-26 | 2019-03-26 | 上海联影医疗科技有限公司 | 图像处理方法、装置、多模态成像***、存储介质及设备 |
CN109598745A (zh) * | 2018-12-25 | 2019-04-09 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109961491A (zh) | 2019-07-02 |
US20200327662A1 (en) | 2020-10-15 |
US11232558B2 (en) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961491B (zh) | 多模态图像截断补偿方法、装置、计算机设备和介质 | |
CN109697741B (zh) | 一种pet图像重建方法、装置、设备及介质 | |
US10902588B2 (en) | Anatomical segmentation identifying modes and viewpoints with deep learning across modalities | |
CN107133996B (zh) | 产生用于pet数据重建的衰减图的方法及pet/ct*** | |
CN109567843B (zh) | 一种成像扫描自动定位方法、装置、设备及介质 | |
US10453182B2 (en) | Medical imaging reconstruction optimized for recipient | |
EP3338636B1 (en) | An apparatus and associated method for imaging | |
US11900594B2 (en) | Methods and systems for displaying a region of interest of a medical image | |
US11151703B2 (en) | Artifact removal in medical imaging | |
US10867375B2 (en) | Forecasting images for image processing | |
CN110458837B (zh) | 一种图像后处理方法、装置、电子设备及存储介质 | |
US9142030B2 (en) | Systems, methods and computer readable storage media storing instructions for automatically segmenting images of a region of interest | |
CN111709897B (zh) | 一种基于域变换的正电子发射断层图像的重建方法 | |
CN110728673A (zh) | 一种目标部位分析方法、装置、计算机设备及存储介质 | |
CN112435341A (zh) | 三维重建网络的训练方法及装置、三维重建方法及装置 | |
CN108742679B (zh) | 结节检测装置和方法 | |
CN110555897B (zh) | 一种图像生成的方法、装置、设备及存储介质 | |
CN111260636B (zh) | 模型训练方法及设备、图像处理方法及设备以及介质 | |
US11164309B2 (en) | Image analysis and annotation | |
CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
Gheorghiță et al. | Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data | |
CN113888566A (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
CN107358038B (zh) | 一种通过配置文件整合应用的方法和装置 | |
US8831301B2 (en) | Identifying image abnormalities using an appearance model | |
CN111863206A (zh) | 一种图像预处理方法、装置、设备及存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |