CN111311531A - 图像增强方法、装置、控制台设备及医学成像*** - Google Patents
图像增强方法、装置、控制台设备及医学成像*** Download PDFInfo
- Publication number
- CN111311531A CN111311531A CN202010075254.5A CN202010075254A CN111311531A CN 111311531 A CN111311531 A CN 111311531A CN 202010075254 A CN202010075254 A CN 202010075254A CN 111311531 A CN111311531 A CN 111311531A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- target
- back projection
- sample
- 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 68
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 12
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 43
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 34
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims description 93
- 238000002591 computed tomography Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 32
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000008520 organization Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 36
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000002600 positron emission tomography Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供一种图像增强方法、装置、控制台设备及医学成像***。本发明实施例通过对待处理的目标生数据进行滤波反投影,得到n个二维反投影图像,对n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,目标三维图像包含目标生数据的全部信息,对目标三维图像进行归一化处理,得到目标归一化图像,将目标归一化图像输入已训练完毕的图像增强模型,获得图像增强模型输出的增强图像,使用包含全部弦图域数据信息的图像域数据,作为图像增强模型的输入,避免丢失组织结构细节,并且能够充分发挥神经网络处理图像域数据的优势,利用数据驱动,获得更真实、信噪比更高的增强图像,提高了增强图像的图像质量。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种图像增强方法、装置、控制台设备及医学成像***。
背景技术
图像增强(Image Enhancement)在医学图像处理领域应用广泛。通过对医学图像进行增强处理,能够获得高质量高清晰度的医学图像,有利于医生进行更精准的诊断。
相关技术中,使用滤波核对待增强图像进行滤波处理,以实现增强图像的效果。具体操作是:用一个模板(即滤波核)扫描待增强图像中的每一个像素,用模板确定的邻域内像素的加权灰度值取代中心像素点的值。这种图像增强方式中,滤波核是人工设定的,获得的增强图像的质量较差。
发明内容
为克服相关技术中存在的问题,本发明提供了一种图像增强方法、装置、控制台设备及医学成像***,提高增强图像的质量。
根据本发明实施例的第一方面,提供一种图像增强方法,包括:
对待处理的目标生数据进行滤波反投影,得到n个二维反投影图像,所述n个二维反投影图像对应的扫描角度各不相同;n为自然数,且n大于或等于2;
对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,所述目标三维图像包含所述目标生数据的全部信息;
对所述目标三维图像进行归一化处理,得到目标归一化图像;
将所述目标归一化图像输入已训练完毕的图像增强模型,获得所述图像增强模型输出的增强图像。
根据本发明实施例的第二方面,提供一种图像增强装置,包括:
反投影模块,用于对待处理的目标生数据进行滤波反投影,得到n个二维反投影图像,所述n个二维反投影图像对应的扫描角度各不相同;n为自然数,且n大于或等于2;
合成模块,用于对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,所述目标三维图像包含所述目标生数据的全部信息;
归一化模块,用于对所述目标三维图像进行归一化处理,得到目标归一化图像;
增强模块,用于将所述目标归一化图像输入已训练完毕的图像增强模型,获得所述图像增强模型输出的增强图像。
根据本发明实施例的第三方面,提供一种控制台设备,包括:内部总线,以及通过内部总线连接的存储器、处理器和外部接口;其中,所述外部接口,用于连接医学成像***的探测器,所述探测器包括多个探测器室及相应的处理电路;
所述存储器,用于存储图像增强逻辑对应的机器可读指令;
所述处理器,用于读取所述存储器上的所述机器可读指令,并执行如下操作:
对待处理的目标生数据进行滤波反投影,得到n个二维反投影图像,所述n个二维反投影图像对应的扫描角度各不相同;n为自然数,且n大于或等于2;
对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,所述目标三维图像包含所述目标生数据的全部信息;
对所述目标三维图像进行归一化处理,得到目标归一化图像;
将所述目标归一化图像输入已训练完毕的图像增强模型,获得所述图像增强模型输出的增强图像。
根据本发明实施例的第四方面,提供一种医学成像***,包括控制台设备,所述控制台设备,用于执行第一方面任一项所述的图像增强方法。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明实施例,通过对待处理的目标生数据进行滤波反投影,得到n个二维反投影图像,对n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,目标三维图像包含目标生数据的全部信息,对目标三维图像进行归一化处理,得到目标归一化图像,将目标归一化图像输入已训练完毕的图像增强模型,获得图像增强模型输出的增强图像,使用包含全部弦图域数据信息的图像域数据,作为图像增强模型的输入,避免丢失组织结构细节,并且能够充分发挥神经网络处理图像域数据的优势,利用数据驱动,获得更真实、信噪比更高的增强图像,提高了增强图像的图像质量。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本说明书的实施例,并与说明书一起用于解释本说明书的原理。
图1是本发明实施例提供的图像增强方法的流程示例图。
图2是本发明实施例提供的图像增强模型的训练过程示例图。
图3是本发明实施例提供的图像增强装置的功能方块图。
图4是本发明实施例提供的控制台设备的一个硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。
在本发明实施例使用的术语是仅仅出于描述特定本发明实施例的目的,而非旨在限制本发明实施例。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图像增强是一类逆问题,包括图像去噪(Denoising)、伪影去除(ArtifactReduction)、去模糊(De-blur)、图像复原(Recovery)等范畴,属于由果求因的过程。图像增强的目标是寻找到一组最优参数,来表征人们所直接观察到的***,在很多的科学领域和工程领域都有所涉及。图像增强的问题可以用如下的公式(1)表示。
g=T(ftrue)+δg (1)
公式(1)的含义是:从数据g∈Y中重构出信号ftrue∈X,其中,X、Y表示向量空间。存在映射关系T∶X→Y,能够对于一个加入了噪声扰动的给定信号建模,实现空间的转换。
在图像增强方面,一种相关技术是采用人为设计的滤波核对待增强图像进行滤波处理,例如中值滤波,均值滤波,高斯滤波等。
这种技术中,滤波操作适用的环境不同,例如,高斯滤波适合处理均值为零的高斯噪声,但处理离散的点噪声时,会损失大量细节信息。中值滤波恰恰相反,处理离散点噪声时效果明显,但是不适合处理高斯噪声,而且此方法忽略了像素点间的相关性,当目标图像细节纹理复杂时,中值滤波的结果会破坏其部分纹理。因此这种技术需要根据不同的环境人为设置不同的滤波核。
另一种相关技术是以全变分理论为基础,并结合梯度下降法建立各向异性扩散的全变分模型(TV),该方法在去除高斯噪声和孤立点噪声时均有明显的效果,但会带来图像过平滑问题。
本发明实施例基于深度学习(Deep Learning)对待增强图像进行增强处理,能够获得较高质量的增强图像。
本发明实施例可以应用于任何基于多角度成像过程的图像增强场景,例如CT(Computed Tomography,计算机断层扫描)图像的增强、PET(Positron EmissionTomography,正电子发射计算机断层显像)图像的增强等。
下面通过实施例对图像增强方法进行详细说明。
图1是本发明实施例提供的图像增强方法的流程示例图。如图1所示,本实施例中,图像增强方法可以包括:
S101,对待处理的目标生数据进行滤波反投影,得到n个二维反投影图像,所述n个二维反投影图像对应的扫描角度各不相同;n为自然数,且n大于或等于2。
S102,对n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,目标三维图像包含目标生数据的全部信息。
S103,对目标三维图像进行归一化处理,得到目标归一化图像。
S104,将目标归一化图像输入已训练完毕的图像增强模型,获得图像增强模型输出的增强图像。
本实施例中,目标生数据为弦图域数据,目标生数据包含了全局信息。
在一个示例中,目标生数据可以是对受检对象进行n个扫描角度的CT扫描采集的生数据。
在另一个示例中,目标生数据还可以是对受检对象进行n个扫描角度的PET扫描采集的生数据。
本实施例中,合成是指利用n个二维反投影图像组合成三维图像。该三维图像中两个维度的维度值分别与二维反投影图像的两个维度的维度值相等,三维图像中第三个维度的维度值可以等于n,也可以小于n。
例如,假设二维反投影图像为512×512的图像,则合成的三维图像可以是512×512×n的图像。
本实施例中,预设合成方式可以根据应用场景和需求来设置。
在一个示例性的实现过程中,步骤S102可以包括:
将所述n个二维反投影图像直接进行合成,得到所述目标三维图像。
例如,将n个512×512的二维反投影图像合成为512×512×n的三维图像。
本实施例中,通过直接合成的方式获得目标三维图像,过程简单,计算量少,处理速度较快。
在一个示例性的实现过程中,步骤S102可以包括:
将所述n个二维反投影图像按照预设间隔划分为不连续、等间隔的m组;
分别对每组中的全部图像进行求和,得到m个第一重建图像;
将所述m个第一重建图像进行合成,得到所述目标三维图像。
本实施例提供了一种无重叠的不完全合并反投影图像的方式,既能够保留弦图域数据的全部信息,使得图像增强效果更好,而且稳定性更高,又可以减少网络模型的输入图像的数据量,提高运行速度。
本实施例中,m<=n。m的值越小,表示组内反投影图像之间的间隔角度越小,反之,m的值越大,表示组内反投影图像之间的间隔角度越大。
举例说明。假设n=12,二维反投影图像的编号分别为1~12,预设间隔为3,则将编号为1、4、7、10的二维反投影图像划分为第1组,将编号为2、5、8、11的二维反投影图像划分为第2组,将编号为3、6、9、12的二维反投影图像划分为第3组。然后将第1组中的全部图像进行求和,得到重建图像A1;将第2组中的全部图像进行求和,得到重建图像A2;将第3组中的全部图像进行求和,得到重建图像A3。最后将重建图像A1、重建图像A2、重建图像A3合成为三维图像。假设二维反投影图像为512×512的图像,则合成的三维图像为512×512×3的图像。
在一个示例性的实现过程中,步骤S102可以包括:
将所述n个二维反投影图像按照预设间隔划分为不连续、等间隔的m组;
对于所述m组中的每一组,将除该组外的其他m-1组中的所有二维反投影图像进行求和,得到该组对应的第二重建图像;
将所述m组对应的m个第二重建图像进行合成,得到所述目标三维图像。
本实施例提供了一种有重叠的不完全合并反投影图像的方式,能够保留弦图域数据的全部信息,使得图像增强效果更好,而且稳定性更高,
举例说明。仍然假设n=12,二维反投影图像的编号分别为1~12,预设间隔为3,则将编号为1、4、7、10的二维反投影图像划分为第1组,将编号为2、5、8、11的二维反投影图像划分为第2组,将编号为3、6、9、12的二维反投影图像划分为第3组。然后将第2组和第3组中的全部图像进行求和,得到重建图像B1;将第1组和第3组中的全部图像进行求和,得到重建图像B2;将第1组和第2组中的全部图像进行求和,得到重建图像B3。最后将重建图像B1、重建图像B2、重建图像B3合成为三维图像。假设二维反投影图像为512×512的图像,则合成的三维图像为512×512×3的图像。
本实施例中,归一化处理的方式可以是:找出三维图像中的最大像素值和最小像素值,求出最大像素值与最小像素值的差值C1,每个像素点的归一化后的像素值等于该像素点的像素值与最小像素值的差值C2与差值C1的比值。
通过归一化处理,将所有像素点的像素值都变为区间[0,1]内的值,可以使得所有三维图像都能够作为输入图像增强模型的待处理图像,从而得到增强图像。
在模型的训练过程中,归一化处理能够使得模型尽快收敛,缩短训练时间。
本实施例中,图像增强模型为已训练好的模型。
在一个示例性的实现过程中,图像增强模型可以通过如下方式获得:
设置深度学习网络模型,以及设置所述深度学习网络模型的初始参数值;
获取若干组样本数据,每组所述样本数据包括归一化样本图像和归一化标签图像;
利用所述样本数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,作为图像增强模型。
其中,深度学习网络模型可以采用CNN(Convolutional Neural Networks,卷积神经网络)。需要说明的是,深度学习网络模型也可以采用其他的神经网络模型,例如循环神经网络本实施例对于深度学习网络模型的具体结构不作限制。
其中,归一化样本图像为三维图像,归一化标签图像为二维图像。
在一个示例性的实现过程中,利用所述样本数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,可以包括:
第1组样本数据对应的深度学习网络模型为所述初始参数值对应的深度学习网络模型;第j组样本数据对应的深度学习网络模型为经过第j-1组样本数据训练后得到的深度学习网络模型;对于每组样本数据,执行如下操作:
将该组样本数据中的归一化样本图像输入该组样本数据对应的深度学习网络模型,获得深度学习网络模型输出的预测图像;
根据预设的损失函数,确定所述预测图像与该组样本数据中的归一化标签图像的误差值;
若所述误差值大于预设阈值,根据所述误差值调整深度学习网络模型的参数值,得到该组样本数据训练后的深度学习网络模型;若所述误差值小于或等于所述预设阈值,停止训练,将该组样本数据对应的深度学习网络模型作为训练完毕的深度学习网络模型。
在一个示例性的实现过程中,每组所述样本数据的获取方式包括:
获取对受检对象进行n个扫描角度的医学影像扫描采集的生数据,作为样本生数据;以及获取所述样本生数据对应的金标准图像;
对样本生数据进行滤波反投影,得到n个二维样本反投影图像,所述n个二维样本反投影图像对应的扫描角度各不相同;
对所述n个二维样本反投影图像按照预设合成方式进行合成,获得三维样本图像,所述三维样本图像包含所述目样本标生数据的全部信息;
对所述三维样本图像进行归一化处理,得到归一化样本图像,对所述金标准图像进行归一化处理,得到归一化标签图像。
需要说明的是,样本生数据和前述的待处理的目标生数据需要是同一种类的医学影像扫描采集的生数据。例如,如果样本生数据为CT扫描生数据,则训练好的模型在应用时其输入图像所对应的目标生数据也是CT扫描生数据。如果样本生数据为PET扫描生数据,训练好的模型在应用时其输入图像所对应的目标生数据也是PET扫描生数据。
假设利用样本生数据直接重建得到的图像为原始重建图像,则金标准图像可以是对原始重建图像按照已有图像增强方式增强后的图像,也可以是通过加大扫描剂量等方式获得的比原始重建图像质量高的图像。
在一个示例中,样本生数据为对受检对象进行第一剂量多角度CT扫描采集的第一生数据,所述金标准图像为根据对同一受检对象进行第二剂量多角度CT扫描采集的第二生数据重建得到的CT图像,所述第二剂量高于所述第一剂量。
本实施例中,样本生数据是低剂量CT扫描采集的生数据,金标准图像可以是正常剂量CT扫描采集的生数据对应的重建图像。
由上述图像增强模型的获取方式可知,本发明并不直接处理弦图域数据,而是先对弦图域数据进行处理,获得一个包含全部弦图域数据信息的三维图像,以该三维图像作为网络模型的输入。同时,由于深度学习算法,特别是CNN最擅长处理的是具有局部(local)信息特征的图像域数据,本发明实施例中的网络模型最终是作用在图像域数据上的,因此能够发挥出网络模型最大的优势,取得更好的图像增强效果,提高增强图像的质量。
经过对弦图域数据的处理,网络模型的输入包含了更全面的信息输入,这样,可以利用深度学***滑的增强图像。
下面通过示例对图像增强模型的训练过程和应用过程进行说明。
图2是本发明实施例提供的图像增强模型的训练过程示例图。本示例中,模型的输入图像利用低剂量CT扫描采集的第一生数据得到,金标准图像采用与低剂量CT扫描对应的正常剂量CT扫描采集的第二生数据重建得到的CT图像。每一对低剂量CT扫描采集的第一生数据和对应的金标准图像对应训练过程中的一次训练。
请参见图2,图像增强模型的训练过程如下:
(1)对低剂量CT扫描采集的第一生数据进行滤波反投影,得到n个角度的反投影图像,即图2中的角度1反投影图像、角度2反投影图像……角度n反投影图像,这些反投影图像为二维图像;
(2)将n个反投影图像不连续、等间隔地划分为m组,然后分别将每组内的全部反投影图像求和,获得m个二维的重建图像;
(3)将m个重建图像合并成三维图像I;
(4)对三维图像I进行归一化处理,得到卷积神经网络模型的输入图像,该输入图像为待增强的三维图像;
(5)将输入图像输入卷积神经网络模型,卷积神经网络模型输出预测图像;如果本次训练是整个训练过程中的第一次训练过程,则卷积神经网络模型的参数值为预设的初始参数值;如果本次训练不是整个训练过程中的第一次训练过程,则卷积神经网络模型的参数值为上一次训练后更新的参数值;
(6)对第一生数据对应的金标准图像进行归一化处理,得到归一化标签图像;
(7)通过损失函数,计算出预测图像与归一化标签图像之间的误差(Error)值,并将此误差值进行反向传播,更新卷积神经网络模型中每层神经网络的参数值,以达到最小化误差值的目的。
其中,损失函数可以用如下的公式(2)表示:
其中,x为待增强图像,A(x)为网络输出的预测图像,y为归一化标签图像。
如果误差值大于预设阈值,取下一组低剂量CT扫描采集的第一生数据及其对应的金标准图像,执行上述过程(1)~(7);若所述误差值小于或等于所述预设阈值,停止训练,将该组样本数据对应的卷积神经网络模型作为训练完毕的卷积神经网络模型。
图像增强模型的应用过程如下:
获取待处理的低剂量CT扫描生数据;
对待处理的低剂量CT扫描生数据执行与训练过程中的(1)~(4)相同的操作,获得待处理的三维图像;
将待处理的三维图像输入已训练好的图像增强模型,由图像增强模型输出增强图像。
本发明实施例提供的图像增强方法具有如下有益效果:
首先,相比于相关技术中基于滤波的图像增强方式,本发明实施例不需要人为设定滤波核,减少了人为干预,同时避免了增强图像的过平滑问题。
其次,本发明实施例中的深度学习网络模型既不是完全基于弦图域数据的也不是完全基于图像域数据的。本发明实施例中,深度学习网络模型是作用于图像域数据的,但是作为深度学习网络模型的输入的图像域数据保留了弦图域数据的全部信息,因此本发明实施例能更充分的发挥出深度学习网络特别是卷积神经网络处理具有局部(local)特性的图像域数据的优势,使得图像增强效果更好,而且稳定性更高,并且避免了增强图像中组织结构细节的丢失。
再次,本发明实施例能够更充分的利用深度学习网络的学习能力和拟合能力,使其能够寻找到利于当前任务的最优的输入信息组合方式,避免了同等对待每个扫描角度的反投影数据,从而更合理的利用输入信息,获得更真实,信噪比更高的增强后图像。
综上,本发明实施例提供的图像增强方法,通过对待处理的目标生数据进行滤波反投影,得到n个二维反投影图像,对n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,目标三维图像包含目标生数据的全部信息,对目标三维图像进行归一化处理,得到目标归一化图像,将目标归一化图像输入已训练完毕的图像增强模型,获得图像增强模型输出的增强图像,使用包含全部弦图域数据信息的图像域数据,作为图像增强模型的输入,避免丢失组织结构细节,并且能够充分发挥神经网络处理图像域数据的优势,利用数据驱动,获得更真实、信噪比更高的增强图像,提高了增强图像的图像质量。
基于上述的方法实施例,本发明实施例还提供了相应的装置、设备及存储介质实施例。
图3是本发明实施例提供的图像增强装置的功能方块图。如图3所示,本实施例中,图像增强装置可以包括:
反投影模块310,用于对待处理的目标生数据进行滤波反投影,得到n个二维反投影图像,所述n个二维反投影图像对应的扫描角度各不相同;n为自然数,且n大于或等于2;
合成模块320,用于对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,所述目标三维图像包含所述目标生数据的全部信息;
归一化模块330,用于对所述目标三维图像进行归一化处理,得到目标归一化图像;
增强模块340,用于将所述目标归一化图像输入已训练完毕的图像增强模型,获得所述图像增强模型输出的增强图像。
在一个示例性的实现过程中,合成模块320可以具体用于:
将所述n个二维反投影图像直接进行合成,得到所述目标三维图像。
在一个示例性的实现过程中,合成模块320可以具体用于:
将所述n个二维反投影图像按照预设间隔划分为不连续、等间隔的m组;
分别对每组中的全部图像进行求和,得到m个第一重建图像;
将所述m个第一重建图像进行合成,得到所述目标三维图像。
在一个示例性的实现过程中,合成模块320可以具体用于:
将所述n个二维反投影图像按照预设间隔划分为不连续、等间隔的m组;
对于所述m组中的每一组,将除该组外的其他m-1组中的所有二维反投影图像进行求和,得到该组对应的第二重建图像;
将所述m组对应的m个第二重建图像进行合成,得到所述目标三维图像。
在一个示例性的实现过程中,所述图像增强模型通过如下方式获得:
设置深度学习网络模型,以及设置所述深度学习网络模型的初始参数值;
获取若干组样本数据,每组所述样本数据包括归一化样本图像和归一化标签图像;
利用所述样本数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,作为图像增强模型。
在一个示例性的实现过程中,每组所述样本数据的获取方式包括:
获取对受检对象进行n个扫描角度的医学影像扫描采集的生数据,作为样本生数据;以及获取所述样本生数据对应的金标准图像;
对样本生数据进行滤波反投影,得到n个二维样本反投影图像,所述n个二维样本反投影图像对应的扫描角度各不相同;
对所述n个二维样本反投影图像按照预设合成方式进行合成,获得三维样本图像,所述三维样本图像包含所述目样本标生数据的全部信息;
对所述三维样本图像进行归一化处理,得到归一化样本图像,对所述金标准图像进行归一化处理,得到归一化标签图像。
在一个示例性的实现过程中,所述样本生数据为对受检对象进行第一剂量多角度CT扫描采集的第一生数据,所述金标准图像为根据对同一受检对象进行第二剂量多角度CT扫描采集的第二生数据重建得到的CT图像,所述第二剂量高于所述第一剂量。
在一个示例性的实现过程中,利用所述样本数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,包括:
第1组样本数据对应的深度学习网络模型为所述初始参数值对应的深度学习网络模型;第j组样本数据对应的深度学习网络模型为经过第j-1组样本数据训练后得到的深度学习网络模型;对于每组样本数据,执行如下操作:
将该组样本数据中的归一化样本图像输入该组样本数据对应的深度学习网络模型,获得深度学习网络模型输出的预测图像;
根据预设的损失函数,确定所述预测图像与该组样本数据中的归一化标签图像的误差值;
若所述误差值大于预设阈值,根据所述误差值调整深度学习网络模型的参数值,得到该组样本数据训练后的深度学习网络模型;若所述误差值小于或等于所述预设阈值,停止训练,将该组样本数据对应的深度学习网络模型作为训练完毕的深度学习网络模型。
在一个示例性的实现过程中,所述目标生数据为对受检对象进行n个扫描角度的CT扫描采集的生数据;或者,所述目标生数据为对受检对象进行n个扫描角度的PET扫描采集的生数据。
本发明实施例还提供了一种控制台设备。图4是本发明实施例提供的控制台设备的一个硬件结构图。如图4所示,控制台设备包括:内部总线401,以及通过内部总线连接的存储器402,处理器403和外部接口404,其中,所述外部接口,用于连接医学成像***的探测器,所述探测器包括多个探测器室及相应的处理电路;
所述存储器402,用于存储图像增强逻辑对应的机器可读指令;
所述处理器403,用于读取存储器402上的机器可读指令,并执行所述指令以实现如下操作:
对待处理的目标生数据进行滤波反投影,得到n个二维反投影图像,所述n个二维反投影图像对应的扫描角度各不相同;n为自然数,且n大于或等于2;
对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,所述目标三维图像包含所述目标生数据的全部信息;
对所述目标三维图像进行归一化处理,得到目标归一化图像;
将所述目标归一化图像输入已训练完毕的图像增强模型,获得所述图像增强模型输出的增强图像。
在一个示例性的实现过程中,对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,包括:
将所述n个二维反投影图像直接进行合成,得到所述目标三维图像。
在一个示例性的实现过程中,对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,包括:
将所述n个二维反投影图像按照预设间隔划分为不连续、等间隔的m组;
分别对每组中的全部图像进行求和,得到m个第一重建图像;
将所述m个第一重建图像进行合成,得到所述目标三维图像。
在一个示例性的实现过程中,对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,包括:
将所述n个二维反投影图像按照预设间隔划分为不连续、等间隔的m组;
对于所述m组中的每一组,将除该组外的其他m-1组中的所有二维反投影图像进行求和,得到该组对应的第二重建图像;
将所述m组对应的m个第二重建图像进行合成,得到所述目标三维图像。
在一个示例性的实现过程中,所述图像增强模型通过如下方式获得:
设置深度学习网络模型,以及设置所述深度学习网络模型的初始参数值;
获取若干组样本数据,每组所述样本数据包括归一化样本图像和归一化标签图像;
利用所述样本数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,作为图像增强模型。
在一个示例性的实现过程中,每组所述样本数据的获取方式包括:
获取对受检对象进行n个扫描角度的医学影像扫描采集的生数据,作为样本生数据;以及获取所述样本生数据对应的金标准图像;
对样本生数据进行滤波反投影,得到n个二维样本反投影图像,所述n个二维样本反投影图像对应的扫描角度各不相同;
对所述n个二维样本反投影图像按照预设合成方式进行合成,获得三维样本图像,所述三维样本图像包含所述目样本标生数据的全部信息;
对所述三维样本图像进行归一化处理,得到归一化样本图像,对所述金标准图像进行归一化处理,得到归一化标签图像。
在一个示例性的实现过程中,所述样本生数据为对受检对象进行第一剂量多角度CT扫描采集的第一生数据,所述金标准图像为根据对同一受检对象进行第二剂量多角度CT扫描采集的第二生数据重建得到的CT图像,所述第二剂量高于所述第一剂量。
在一个示例性的实现过程中,利用所述样本数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,包括:
第1组样本数据对应的深度学习网络模型为所述初始参数值对应的深度学习网络模型;第j组样本数据对应的深度学习网络模型为经过第j-1组样本数据训练后得到的深度学习网络模型;对于每组样本数据,执行如下操作:
将该组样本数据中的归一化样本图像输入该组样本数据对应的深度学习网络模型,获得深度学习网络模型输出的预测图像;
根据预设的损失函数,确定所述预测图像与该组样本数据中的归一化标签图像的误差值;
若所述误差值大于预设阈值,根据所述误差值调整深度学习网络模型的参数值,得到该组样本数据训练后的深度学习网络模型;若所述误差值小于或等于所述预设阈值,停止训练,将该组样本数据对应的深度学习网络模型作为训练完毕的深度学习网络模型。
在一个示例性的实现过程中,所述目标生数据为对受检对象进行n个扫描角度的CT扫描采集的生数据;或者,所述目标生数据为对受检对象进行n个扫描角度的PET扫描采集的生数据。
本发明实施例还提供一种医学成像***,包括控制台设备,所述控制台设备用于执行前述的任一种图像增强方法。该医学成像***可以是CT***、PET***等。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如下操作:
对待处理的目标生数据进行滤波反投影,得到n个二维反投影图像,所述n个二维反投影图像对应的扫描角度各不相同;n为自然数,且n大于或等于2;
对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,所述目标三维图像包含所述目标生数据的全部信息;
对所述目标三维图像进行归一化处理,得到目标归一化图像;
将所述目标归一化图像输入已训练完毕的图像增强模型,获得所述图像增强模型输出的增强图像。
在一个示例性的实现过程中,对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,包括:
将所述n个二维反投影图像直接进行合成,得到所述目标三维图像。
在一个示例性的实现过程中,对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,包括:
将所述n个二维反投影图像按照预设间隔划分为不连续、等间隔的m组;
分别对每组中的全部图像进行求和,得到m个第一重建图像;
将所述m个第一重建图像进行合成,得到所述目标三维图像。
在一个示例性的实现过程中,对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,包括:
将所述n个二维反投影图像按照预设间隔划分为不连续、等间隔的m组;
对于所述m组中的每一组,将除该组外的其他m-1组中的所有二维反投影图像进行求和,得到该组对应的第二重建图像;
将所述m组对应的m个第二重建图像进行合成,得到所述目标三维图像。
在一个示例性的实现过程中,所述图像增强模型通过如下方式获得:
设置深度学习网络模型,以及设置所述深度学习网络模型的初始参数值;
获取若干组样本数据,每组所述样本数据包括归一化样本图像和归一化标签图像;
利用所述样本数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,作为图像增强模型。
在一个示例性的实现过程中,每组所述样本数据的获取方式包括:
获取对受检对象进行n个扫描角度的医学影像扫描采集的生数据,作为样本生数据;以及获取所述样本生数据对应的金标准图像;
对样本生数据进行滤波反投影,得到n个二维样本反投影图像,所述n个二维样本反投影图像对应的扫描角度各不相同;
对所述n个二维样本反投影图像按照预设合成方式进行合成,获得三维样本图像,所述三维样本图像包含所述目样本标生数据的全部信息;
对所述三维样本图像进行归一化处理,得到归一化样本图像,对所述金标准图像进行归一化处理,得到归一化标签图像。
在一个示例性的实现过程中,所述样本生数据为对受检对象进行第一剂量多角度CT扫描采集的第一生数据,所述金标准图像为根据对同一受检对象进行第二剂量多角度CT扫描采集的第二生数据重建得到的CT图像,所述第二剂量高于所述第一剂量。
在一个示例性的实现过程中,利用所述样本数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,包括:
第1组样本数据对应的深度学习网络模型为所述初始参数值对应的深度学习网络模型;第j组样本数据对应的深度学习网络模型为经过第j-1组样本数据训练后得到的深度学习网络模型;对于每组样本数据,执行如下操作:
将该组样本数据中的归一化样本图像输入该组样本数据对应的深度学习网络模型,获得深度学习网络模型输出的预测图像;
根据预设的损失函数,确定所述预测图像与该组样本数据中的归一化标签图像的误差值;
若所述误差值大于预设阈值,根据所述误差值调整深度学习网络模型的参数值,得到该组样本数据训练后的深度学习网络模型;若所述误差值小于或等于所述预设阈值,停止训练,将该组样本数据对应的深度学习网络模型作为训练完毕的深度学习网络模型。
在一个示例性的实现过程中,所述目标生数据为对受检对象进行n个扫描角度的CT扫描采集的生数据;或者,所述目标生数据为对受检对象进行n个扫描角度的PET扫描采集的生数据。
对于装置和设备实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (12)
1.一种图像增强方法,其特征在于,包括:
对待处理的目标生数据进行滤波反投影,得到n个二维反投影图像,所述n个二维反投影图像对应的扫描角度各不相同;n为自然数,且n大于或等于2;
对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,所述目标三维图像包含所述目标生数据的全部信息;
对所述目标三维图像进行归一化处理,得到目标归一化图像;
将所述目标归一化图像输入已训练完毕的图像增强模型,获得所述图像增强模型输出的增强图像。
2.根据权利要求1所述的方法,其特征在于,对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,包括:
将所述n个二维反投影图像直接进行合成,得到所述目标三维图像。
3.根据权利要求1所述的方法,其特征在于,对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,包括:
将所述n个二维反投影图像按照预设间隔划分为不连续、等间隔的m组;
分别对每组中的全部图像进行求和,得到m个第一重建图像;
将所述m个第一重建图像进行合成,得到所述目标三维图像。
4.根据权利要求1所述的方法,其特征在于,对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,包括:
将所述n个二维反投影图像按照预设间隔划分为不连续、等间隔的m组;
对于所述m组中的每一组,将除该组外的其他m-1组中的所有二维反投影图像进行求和,得到该组对应的第二重建图像;
将所述m组对应的m个第二重建图像进行合成,得到所述目标三维图像。
5.根据权利要求1所述的方法,其特征在于,所述图像增强模型通过如下方式获得:
设置深度学习网络模型,以及设置所述深度学习网络模型的初始参数值;
获取若干组样本数据,每组所述样本数据包括归一化样本图像和归一化标签图像;
利用所述样本数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,作为图像增强模型。
6.根据权利要求5所述的方法,其特征在于,每组所述样本数据的获取方式包括:
获取对受检对象进行n个扫描角度的医学影像扫描采集的生数据,作为样本生数据;以及获取所述样本生数据对应的金标准图像;
对样本生数据进行滤波反投影,得到n个二维样本反投影图像,所述n个二维样本反投影图像对应的扫描角度各不相同;
对所述n个二维样本反投影图像按照预设合成方式进行合成,获得三维样本图像,所述三维样本图像包含所述目样本标生数据的全部信息;
对所述三维样本图像进行归一化处理,得到归一化样本图像,对所述金标准图像进行归一化处理,得到归一化标签图像。
7.根据权利要求6所述的方法,其特征在于,所述样本生数据为对受检对象进行第一剂量多角度CT扫描采集的第一生数据,所述金标准图像为根据对同一受检对象进行第二剂量多角度CT扫描采集的第二生数据重建得到的CT图像,所述第二剂量高于所述第一剂量。
8.根据权利要求5所述的方法,其特征在于,利用所述样本数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,包括:
第1组样本数据对应的深度学习网络模型为所述初始参数值对应的深度学习网络模型;第j组样本数据对应的深度学习网络模型为经过第j-1组样本数据训练后得到的深度学习网络模型;对于每组样本数据,执行如下操作:
将该组样本数据中的归一化样本图像输入该组样本数据对应的深度学习网络模型,获得深度学习网络模型输出的预测图像;
根据预设的损失函数,确定所述预测图像与该组样本数据中的归一化标签图像的误差值;
若所述误差值大于预设阈值,根据所述误差值调整深度学习网络模型的参数值,得到该组样本数据训练后的深度学习网络模型;若所述误差值小于或等于所述预设阈值,停止训练,将该组样本数据对应的深度学习网络模型作为训练完毕的深度学习网络模型。
9.根据权利要求1所述的方法,其特征在于,所述目标生数据为对受检对象进行n个扫描角度的CT扫描采集的生数据;或者,所述目标生数据为对受检对象进行n个扫描角度的PET扫描采集的生数据。
10.一种图像增强装置,其特征在于,包括:
反投影模块,用于对待处理的目标生数据进行滤波反投影,得到n个二维反投影图像,所述n个二维反投影图像对应的扫描角度各不相同;n为自然数,且n大于或等于2;
合成模块,用于对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,所述目标三维图像包含所述目标生数据的全部信息;
归一化模块,用于对所述目标三维图像进行归一化处理,得到目标归一化图像;
增强模块,用于将所述目标归一化图像输入已训练完毕的图像增强模型,获得所述图像增强模型输出的增强图像。
11.一种控制台设备,其特征在于,包括:内部总线,以及通过内部总线连接的存储器、处理器和外部接口;其中,所述外部接口,用于连接医学成像***的探测器,所述探测器包括多个探测器室及相应的处理电路;
所述存储器,用于存储图像增强逻辑对应的机器可读指令;
所述处理器,用于读取所述存储器上的所述机器可读指令,并执行如下操作:
对待处理的目标生数据进行滤波反投影,得到n个二维反投影图像,所述n个二维反投影图像对应的扫描角度各不相同;n为自然数,且n大于或等于2;
对所述n个二维反投影图像按照预设合成方式进行合成,获得目标三维图像,所述目标三维图像包含所述目标生数据的全部信息;
对所述目标三维图像进行归一化处理,得到目标归一化图像;
将所述目标归一化图像输入已训练完毕的图像增强模型,获得所述图像增强模型输出的增强图像。
12.一种医学成像***,其特征在于,包括控制台设备,所述控制台设备,用于执行权利要求1~10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010075254.5A CN111311531B (zh) | 2020-01-22 | 2020-01-22 | 图像增强方法、装置、控制台设备及医学成像*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010075254.5A CN111311531B (zh) | 2020-01-22 | 2020-01-22 | 图像增强方法、装置、控制台设备及医学成像*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311531A true CN111311531A (zh) | 2020-06-19 |
CN111311531B CN111311531B (zh) | 2024-03-08 |
Family
ID=71158180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010075254.5A Active CN111311531B (zh) | 2020-01-22 | 2020-01-22 | 图像增强方法、装置、控制台设备及医学成像*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311531B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819912A (zh) * | 2021-01-26 | 2021-05-18 | 深圳安科高技术股份有限公司 | 基于偏置探测器的ct图像重建方法、装置、设备及存储介质 |
CN115100308A (zh) * | 2022-06-17 | 2022-09-23 | 明峰医疗***股份有限公司 | 用于去除ct伪影的神经网络训练方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481297A (zh) * | 2017-08-31 | 2017-12-15 | 南方医科大学 | 一种基于卷积神经网络的ct图像重建方法 |
EP3506209A1 (en) * | 2017-12-29 | 2019-07-03 | Tsinghua University | Image processing method, image processing device and storage medium |
CN110151210A (zh) * | 2019-05-21 | 2019-08-23 | 上海联影医疗科技有限公司 | 一种医学图像处理方法、***、装置和计算机可读介质 |
CN110533610A (zh) * | 2019-08-20 | 2019-12-03 | 东软医疗***股份有限公司 | 图像增强模型的生成方法及装置、应用方法及装置 |
-
2020
- 2020-01-22 CN CN202010075254.5A patent/CN111311531B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481297A (zh) * | 2017-08-31 | 2017-12-15 | 南方医科大学 | 一种基于卷积神经网络的ct图像重建方法 |
EP3506209A1 (en) * | 2017-12-29 | 2019-07-03 | Tsinghua University | Image processing method, image processing device and storage medium |
CN110151210A (zh) * | 2019-05-21 | 2019-08-23 | 上海联影医疗科技有限公司 | 一种医学图像处理方法、***、装置和计算机可读介质 |
CN110533610A (zh) * | 2019-08-20 | 2019-12-03 | 东软医疗***股份有限公司 | 图像增强模型的生成方法及装置、应用方法及装置 |
Non-Patent Citations (1)
Title |
---|
王志伟;于强;舒春梅;谭润初;贺奇才;: "计算机模拟CT滤波反投影重建的方法" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819912A (zh) * | 2021-01-26 | 2021-05-18 | 深圳安科高技术股份有限公司 | 基于偏置探测器的ct图像重建方法、装置、设备及存储介质 |
CN115100308A (zh) * | 2022-06-17 | 2022-09-23 | 明峰医疗***股份有限公司 | 用于去除ct伪影的神经网络训练方法及*** |
CN115100308B (zh) * | 2022-06-17 | 2024-05-28 | 明峰医疗***股份有限公司 | 用于去除ct伪影的神经网络训练方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111311531B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110461228B (zh) | 使用多对比度和深度学习改进医学图像的质量 | |
Armanious et al. | Unsupervised medical image translation using cycle-MedGAN | |
Kudo et al. | Virtual thin slice: 3D conditional GAN-based super-resolution for CT slice interval | |
Bao et al. | Undersampled MR image reconstruction using an enhanced recursive residual network | |
CN111462020A (zh) | 心脏图像的运动伪影校正方法、***、存储介质和设备 | |
CN111369465B (zh) | Ct动态图像增强方法及装置 | |
CN111311531B (zh) | 图像增强方法、装置、控制台设备及医学成像*** | |
CN116612174A (zh) | 软组织的三维重建方法、***及计算机存储介质 | |
Xu et al. | STRESS: Super-resolution for dynamic fetal MRI using self-supervised learning | |
CN114565711A (zh) | 基于深度学习的心脏图像重建方法及*** | |
Sander et al. | Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI | |
Ma et al. | Edge-guided cnn for denoising images from portable ultrasound devices | |
CN117078780A (zh) | 基于深度学习的微体化石ct图像预处理方法及装置 | |
EP3658031B1 (en) | Motion compensated cardiac valve reconstruction | |
CN116778016A (zh) | 一种mri图像重建方法、***及介质 | |
CN111161330A (zh) | 非刚性图像配准方法、装置、***、电子设备、存储介质 | |
CN113327221B (zh) | 融合roi区域的图像合成方法、装置、电子设备及介质 | |
CN112184850B (zh) | 图像处理方法、装置、控制台设备及ct*** | |
CN111489409A (zh) | Ct图像处理方法、装置、ct设备及ct*** | |
Kaur et al. | MR-SRNET: Transformation of low field MR images to high field MR images | |
Zhao et al. | Medical image super-resolution with deep networks | |
Gautam et al. | Implementation of NLM and PNLM for de-noising of MRI images | |
Xu | A Robust and Efficient Framework for Slice-to-Volume Reconstruction: Application to Fetal MRI | |
CN117745916B (zh) | 多张多类型模糊图像的三维渲染方法和*** | |
CN110706338B (zh) | 图像重建方法、装置、ct设备及ct*** |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240204 Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd. Country or region after: China Address before: Room 336, 177-1, Chuangxin Road, Hunnan New District, Shenyang City, Liaoning Province Applicant before: Shenyang advanced medical equipment Technology Incubation Center Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |