CN111950714B - 一种基于3d全卷积神经网络的能谱ct图像域材料识别方法 - Google Patents
一种基于3d全卷积神经网络的能谱ct图像域材料识别方法 Download PDFInfo
- Publication number
- CN111950714B CN111950714B CN202010859020.XA CN202010859020A CN111950714B CN 111950714 B CN111950714 B CN 111950714B CN 202010859020 A CN202010859020 A CN 202010859020A CN 111950714 B CN111950714 B CN 111950714B
- Authority
- CN
- China
- Prior art keywords
- image
- energy
- material identification
- energy spectrum
- neural network
- 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
- 239000000463 material Substances 0.000 title claims abstract description 90
- 238000001228 spectrum Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 21
- 230000006870 function Effects 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012633 nuclear imaging Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于3D全卷积神经网络的能谱CT图像域材料识别方法,包括:S1、获取不同能量段的包括待识别材料的能谱CT图像;S2、将所述不同能量段的包括待识别材料的能谱CT图像转化为三维图像数据;S3、将所述三维图像数据输入3D全卷积神经网络材料识别模型,得到各能量段的能谱CT图像的材料识别结果;S4、将各能量段的能谱CT图像的材料识别结果进行图像融合得到综合材料识别图像。本发明使用3D全卷积神经网络,学习不同能量段之间CT图像信息以及卷积过程中不同层之间的特征。输出的图像经过特征融合的方法得到综合各能段清晰特征的能谱CT图像,进而可以获得准确而且客观的材料识别结果。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种基于3D全卷积神经网络的能谱CT图像域材料识别方法。
背景技术
X-CT(X-ray Computed Tomography),即X射线计算机层析或断层扫描成像技术,它是一种核成像技术,利用X射线物理特性能够无损检测出被测物体内部的结构状况及材料组成,已在很多领域得到了广泛的应用。而X射线能谱CT,即是借助于X射线能量分辨光子计数探测器,利用不同能量的入射X射线与被检测物体作用后的透射X射线所携带的信息而进行计算机断层扫描成像的一种技术。
能谱CT使用光子计数探测器,在一次扫描中可以收集多个能量段的能谱信息,在低剂量CT成像、造影剂成像、K-edge成像以及材料识别等方面中具有潜在用途。然而,光子计数探测器在探测X射线光子时,受康普顿散射、电荷共享、脉冲堆积效应以及光子噪声等影响,导致CT重建图像的信噪比和材料分解的精度降低。无论在投影域还是在图像域都很难区分密度相近的材料特性,进而无法实现多种软组织材料的精确识别。
目前分析CT图像主要是通过医生人为去分析大量采集得到的CT图像,众所周知,分析大量CT图像是一项繁重的工作,且存在一定的主观性,容易造成误诊。
因此,如何在不同重建图像质量中获得准确而且客观的材料识别结果,成为了本领域技术人员急需解决的问题。
发明内容
针对现有技术存在的上述不足,本发明实际需要解决的问题是:如何在不同重建图像质量中获得准确而且客观的材料识别结果。
本发明采用了如下的技术方案:
一种基于3D全卷积神经网络的能谱CT图像域材料识别方法,包括:
S1、获取不同能量段的包括待识别材料的能谱CT图像;
S2、将所述不同能量段的包括待识别材料的能谱CT图像转化为三维图像数据;
S3、将所述三维图像数据输入3D全卷积神经网络材料识别模型,得到各能量段的能谱CT图像的材料识别结果;
S4、将各能量段的能谱CT图像的材料识别结果进行图像融合得到综合材料识别图像。
优选地,步骤S3中,3D全卷积神经网络材料识别模型的构建及训练方法包括:
S301、获取包括不同能量段的能谱CT图像的训练集及其对应的标签;
S302、基于识别材料的不同将训练集转化为三维图像数据训练集;
S303、构建待训练的3D全卷积神经网络材料识别模型;
S304、利用三维图像数据训练集对待训练的3D全卷积神经网络材料识别模型进行训练,并通过损失函数反向更新卷积参数,完成训练,损失函数表达式如下:
式中,LossCE()表示交叉熵损失函数,GD()表示梯度密度函数,gi表示第i种材料的梯度模长,N表示待识别材料种类,pi表示预测为第i种材料的概率,pi*表示第i种材料的标签,取值为0或1。
优选地,步骤S302中,所述待训练的3D全卷积神经网络材料识别模型由三维稠密模块组成,还包括下采样路径与上采样路径中的两个过渡层,所述稠密模块包含3层,每层通过稠密连接,第l层的数学表达式为xl=Hl([x0,x1,x2…xl-1]),[x0,x1,x2…xl-1]表示将0到l-1层的输出特征图做通道的合并,Hl()表示非线性变换;三维卷积公式如下:
式中,表示第i层第k个尺寸为l1×l2×l3的卷积核,/>表示/>对应的三维映射,x,y,z分别表示待卷积三维数据的层数、行数、列数,i,j分别表示三维数据集的层数和对应序数,K,k分别表示卷积的通道数和第k个通道,l1,l2,l3分别表示卷积核的长、宽、高尺寸,L1,L2,L3分别表示待卷积核的层、行、列,bi,j表示偏置。
优选地,步骤S4包括:
S401、分别对各能量段的能谱CT图像的材料识别结果进行小波变换,得到各能量段的能谱CT图像的材料识别结果的低频和高频图像;
S402、基于局部方差准则分别融合高频图像和低频图像;
S403、对融合后的图像进行小波逆变换得到综合材料识别图像。
优选地,步骤S4中,小波变换公式如下:
式中,Al-1(i,j),分别表示低频近似图像、水平高频图像、垂直高频图像、对角高频图像,/>分别表示正交镜像滤波器对,Z表示整数集,(i,j)表示图像像素坐标;
融合高频图像和低频图像的过程中,当时,/>当/>时,/>
为局部区域的方差,确定融合系数后通过小波逆变换得到综合材料识别图像,M,N分别表示像素中心范围尺寸,xi,j表示像素点值,/>表示局部区域像素的平均值,/>表示图像A在分解尺度j上方向上的局部区域方差,/>表示融合图像F的融合系数,A表示图像A,B表示图像B,F表示融合图像F,取1,2,3分别代表水平,垂直,对角三个方向,(x,y)表示图像像素坐标。
与现有技术相比,本发明具有以下技术效果:
(1)使用3D全卷积神经网络,学习不同能量段之间CT图像信息以及卷积过程中不同层之间的特征。输出的图像经过特征融合的方法得到综合各能段清晰特征的能谱CT图像,进而可以获得准确而且客观的材料识别结果。
(2)神经模型训练过程中,3D网络能够提取相同部位不同能谱段图片特征,计算误差值后,更新网络参数。实现综合不同成像质量图片的材料识别。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步的详细描述,其中:
图1为本发明公开的一种基于3D全卷积神经网络的能谱CT图像域材料识别方法的流程图;
图2为本发明中3D全卷积神经网络材料识别模型的结构示意图;
图3为本发明中小波变换融合各能段识别信息的流程图。
具体实施方式
下面结合附图对本申请作进一步的详细说明。
如图1所示,本发明公开了一种基于3D全卷积神经网络的能谱CT图像域材料识别方法,包括:
S1、获取不同能量段的包括待识别材料的能谱CT图像;
S2、将所述不同能量段的包括待识别材料的能谱CT图像转化为三维图像数据;
S3、将所述三维图像数据输入3D全卷积神经网络材料识别模型(如图2所示),得到各能量段的能谱CT图像的材料识别结果;
S4、将各能量段的能谱CT图像的材料识别结果进行图像融合得到综合材料识别图像。
与现有技术相比,本发明使用3D全卷积神经网络,学习不同能量段之间CT图像信息以及卷积过程中不同层之间的特征。输出的图像经过特征融合的方法得到综合各能段清晰特征的能谱CT图像,进而可以获得准确而且客观的材料识别结果。
具体实施时,步骤S3中,3D全卷积神经网络材料识别模型的构建及训练方法包括:
S301、获取包括不同能量段的能谱CT图像的训练集及其对应的标签;
以小鼠能谱CT图像为例,可将CT图像中骨骼、肺、软组织作为需要识别的材料。在获取训练集的过程中,可采集总共包含2450张图像的训练集。其中,包括25~90、30~90、35~90、40~90、45~90、50~90、55~90、60~90、65~90、70~90keV十种不同能量图像。使用Labelme,Photoshop等软件,对数据集进行不同材料的标注,得到对应的标签。
S302、基于识别材料的不同将训练集转化为三维图像数据训练集;
仍以小鼠能谱CT图像为例,可将小鼠同一部位的不同能段能谱CT图像尺寸变换为64*64*10的三维数据结构。
S303、构建待训练的3D全卷积神经网络材料识别模型;
S304、利用三维图像数据训练集对待训练的3D全卷积神经网络材料识别模型进行训练,并通过损失函数反向更新卷积参数,完成训练,损失函数表达式如下:
式中,LossCE()表示交叉熵损失函数,GD()表示梯度密度函数,gi表示第i种材料的梯度模长,N表示待识别材料种类,pi表示预测为第i种材料的概率,pi*表示第i种材料的标签,取值为0或1。
基于上述损失函数,本发明的训练过程中,采用度协调机制度抑制易分类样本和难分类样本的损失值,使训练高效,具有鲁棒性。
具体实施时,步骤S302中,所述待训练的3D全卷积神经网络材料识别模型由三维稠密模块组成,还包括下采样路径与上采样路径中的两个过渡层,所述稠密模块包含3层,每层通过稠密连接,第l层的数学表达式为xl=Hl([x0,x1,x2…xl-1]),[x0,x1,x2…xl-1]表示将0到l-1层的输出特征图做通道的合并,Hl()表示非线性变换;三维卷积公式如下:
式中,表示第i层第k个尺寸为l1×l2×l3的卷积核,/>表示/>对应的三维映射,x,y,z分别表示待卷积三维数据的层数、行数、列数,i,j分别表示三维数据集的层数和对应序数,K,k分别表示卷积的通道数和第k个通道,l1,l2,l3分别表示卷积核的长、宽、高尺寸,L1,L2,L3分别表示待卷积核的层、行、列,bi,j表示偏置。
在本发明中,3D全卷积神经网络材料识别模型使用3D-Densenet,其包括三维稠密模块与Transitions Down和Transitions Up构成的上下采样结构与跳跃连接结构组成。其中稠密模块的layer由BN,Relu,3x3x3的Convolution,dropout操作组成;本发明中通过稠密模块增加层间特征的重复利用,减少了网络冗余参数。
其中,Transitions Down由BN,ReLu,1x1x1的Convolution,2x2x2的Maxpooling操作组成,减少了特征图的空间维度。上采样路径中通过Transitions Up中的transposedconvolution和跳跃连接来恢复特征图的分辨率。
如图3所示,具体实施时,步骤S4包括:
S401、分别对各能量段的能谱CT图像的材料识别结果进行小波变换,得到各能量段的能谱CT图像的材料识别结果的低频和高频图像;
S402、基于局部方差准则分别融合高频图像和低频图像;
S403、对融合后的图像进行小波逆变换得到综合材料识别图像。
具体实施时,步骤S4中,小波变换公式如下:
式中,Al-1(i,j),分别表示低频近似图像、水平高频图像、垂直高频图像、对角高频图像,/>分别表示正交镜像滤波器对,Z表示整数集,(i,j)表示图像像素坐标;
融合高频图像和低频图像的过程中,当时,/>当/>时,/>
为局部区域的方差,确定融合系数后通过小波逆变换得到综合材料识别图像,M,N分别表示像素中心范围尺寸,xi,j表示像素点值,/>表示局部区域像素的平均值,/>表示图像A在分解尺度j上方向上的局部区域方差,/>表示融合图像F的融合系数,A表示图像A,B表示图像B,F表示融合图像F,取1,2,3分别代表水平,垂直,对角三个方向,(x,y)表示图像像素坐标。
最后说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管通过参照本申请的优选实施例已经对本申请进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本申请的精神和范围。
Claims (3)
1.一种基于3D全卷积神经网络的能谱CT图像域材料识别方法,其特征在于,包括:
S1、获取不同能量段的包括待识别材料的能谱CT图像;
S2、将所述不同能量段的包括待识别材料的能谱CT图像转化为三维图像数据;
S3、将所述三维图像数据输入3D全卷积神经网络材料识别模型,得到各能量段的能谱CT图像的材料识别结果;所述材料识别结果包括能量段1图像、能量段2图像、……、能量段n图像的,n为待识别材料的能谱CT图像包含的能量段数量;
S4、将各能量段的能谱CT图像的材料识别结果进行图像融合得到综合材料识别图像;步骤S4包括:
S401、分别对各能量段的能谱CT图像的材料识别结果进行小波变换,得到各能量段的能谱CT图像的材料识别结果的低频和高频图像;
S402、基于局部方差准则分别融合高频图像和低频图像;
S403、对融合后的图像进行小波逆变换得到综合材料识别图像;
步骤S4中,小波变换公式如下:
式中,Al-1(i,j),分别表示低频近似图像、水平高频图像、垂直高频图像、对角高频图像,/>分别表示正交镜像滤波器对,Z表示整数集,(i,j)表示图像像素坐标;
融合高频图像和低频图像的过程中,当时,/>当时,/>
为局部区域的方差,确定融合系数后通过小波逆变换得到综合材料识别图像,M,N分别表示像素中心范围尺寸,xi,j表示像素点值,/>表示局部区域像素的平均值,/>表示图像A在分解尺度j上方向上的局部区域方差,/>表示融合图像F的融合系数,A表示图像A,B表示图像B,F表示融合图像F,(x,y)表示图像像素坐标。
2.如权利要求1所述的基于3D全卷积神经网络的能谱CT图像域材料识别方法,其特征在于,步骤S3中,3D全卷积神经网络材料识别模型的构建及训练方法包括:
S301、获取包括不同能量段的能谱CT图像的训练集及其对应的标签;
S302、基于识别材料的不同将训练集转化为三维图像数据训练集;
S303、构建待训练的3D全卷积神经网络材料识别模型;
S304、利用三维图像数据训练集对待训练的3D全卷积神经网络材料识别模型进行训练,并通过损失函数反向更新卷积参数,完成训练,损失函数表达式如下:
式中,LossCE()表示交叉熵损失函数,GD()表示梯度密度函数,gi表示第i种材料的梯度模长,N表示待识别材料种类,pi表示预测为第i种材料的概率,pi*表示第i种材料的标签,取值为0或1。
3.如权利要求2所述的基于3D全卷积神经网络的能谱CT图像域材料识别方法,其特征在于,步骤S302中,所述待训练的3D全卷积神经网络材料识别模型由三维稠密模块组成,还包括下采样路径与上采样路径中的两个过渡层,所述稠密模块包含3层,每层通过稠密连接,第l层的数学表达式为xl=Hl([x0,x1,x2…xl-1]),[x0,x1,x2…xl-1]表示将0到l-1层的输出特征图做通道的合并,Hl()表示非线性变换;三维卷积公式如下:
式中,表示第i层第k个尺寸为l1×l2×l3的卷积核,/>表示/>对应的三维映射,x,y,z分别表示待卷积三维数据的层数、行数、列数,i,j分别表示三维数据集的层数和对应序数,K,k分别表示卷积的通道数和第k个通道,l1,l2,l3分别表示卷积核的长、宽、高尺寸,L1,L2,L3分别表示待卷积核的层、行、列,bi,j表示偏置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010859020.XA CN111950714B (zh) | 2020-08-24 | 2020-08-24 | 一种基于3d全卷积神经网络的能谱ct图像域材料识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010859020.XA CN111950714B (zh) | 2020-08-24 | 2020-08-24 | 一种基于3d全卷积神经网络的能谱ct图像域材料识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950714A CN111950714A (zh) | 2020-11-17 |
CN111950714B true CN111950714B (zh) | 2024-06-18 |
Family
ID=73359742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010859020.XA Active CN111950714B (zh) | 2020-08-24 | 2020-08-24 | 一种基于3d全卷积神经网络的能谱ct图像域材料识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950714B (zh) |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1581230A (zh) * | 2004-05-20 | 2005-02-16 | 上海交通大学 | 基于影像局部光谱特性的遥感影像融合方法 |
CN101540047A (zh) * | 2009-04-30 | 2009-09-23 | 西安电子科技大学 | 基于独立高斯混合模型的纹理图像分割方法 |
US8805043B1 (en) * | 2010-04-02 | 2014-08-12 | Jasjit S. Suri | System and method for creating and using intelligent databases for assisting in intima-media thickness (IMT) |
CN102646272A (zh) * | 2012-02-23 | 2012-08-22 | 南京信息工程大学 | 基于局部方差和加权相结合的小波气象卫星云图融合方法 |
CN104156917A (zh) * | 2014-07-30 | 2014-11-19 | 天津大学 | 基于双能谱的x射线ct图像增强方法 |
CN107633486B (zh) * | 2017-08-14 | 2021-04-02 | 成都大学 | 基于三维全卷积神经网络的结构磁共振图像去噪方法 |
CN108491849B (zh) * | 2018-03-23 | 2021-09-28 | 上海理工大学 | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 |
CN108921133A (zh) * | 2018-07-27 | 2018-11-30 | 福州大学 | 基于特征融合的多模块无监督学习视网膜血管分割*** |
CN109389587B (zh) * | 2018-09-26 | 2021-07-16 | 上海联影智能医疗科技有限公司 | 一种医学图像分析***、装置及存储介质 |
CN109544510B (zh) * | 2018-10-24 | 2021-10-26 | 广州大学 | 一种基于卷积神经网络的三维肺结节识别方法 |
CN109598727B (zh) * | 2018-11-28 | 2021-09-14 | 北京工业大学 | 一种基于深度神经网络的ct图像肺实质三维语义分割方法 |
CN109725796A (zh) * | 2018-12-28 | 2019-05-07 | 上海联影医疗科技有限公司 | 一种医学图像显示方法及其装置 |
CN109916933B (zh) * | 2019-01-04 | 2021-10-01 | 中国人民解放军战略支援部队信息工程大学 | 基于卷积神经网络的x射线计算机断层成像能谱估计方法 |
CN109685752A (zh) * | 2019-01-09 | 2019-04-26 | 中国科学院长春光学精密机械与物理研究所 | 一种基于块分解的多尺度Shearlet域图像融合处理方法 |
CN109961446B (zh) * | 2019-03-27 | 2021-06-01 | 深圳视见医疗科技有限公司 | Ct/mr三维图像分割处理方法、装置、设备及介质 |
CN110689547B (zh) * | 2019-09-25 | 2022-03-11 | 重庆大学 | 一种基于三维ct影像的肺结节分割方法 |
CN111179269B (zh) * | 2019-11-11 | 2023-07-11 | 浙江工业大学 | 一种基于多视图和三维卷积融合策略的pet图像分割方法 |
CN111091589B (zh) * | 2019-11-25 | 2023-11-17 | 北京理工大学 | 基于多尺度监督学习的超声和核磁图像配准方法及装置 |
CN110992338B (zh) * | 2019-11-28 | 2022-04-01 | 华中科技大学 | 一种原发灶转移辅助诊断*** |
CN111145181B (zh) * | 2019-12-25 | 2023-04-07 | 华侨大学 | 基于多视角分离卷积神经网络的骨骼ct图像三维分割方法 |
CN111192245B (zh) * | 2019-12-26 | 2023-04-07 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
-
2020
- 2020-08-24 CN CN202010859020.XA patent/CN111950714B/zh active Active
Non-Patent Citations (2)
Title |
---|
multi-energy CT decomposition using convolutional neural networks;C.T. Badea等;《Medical Imaging 2018》;20180309;第10573卷;1-9 * |
基于小波变换和Zernike不变矩的CT/MRI医学图像处理技术;李晶晶等;《现代电子技术》;20191101;第42卷(第21期);68-72 * |
Also Published As
Publication number | Publication date |
---|---|
CN111950714A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105559813B (zh) | 医用图像诊断装置以及医用图像处理装置 | |
Wang et al. | Comparison of image segmentation methods in simulated 2D and 3D microtomographic images of soil aggregates | |
US7031506B2 (en) | Image processing apparatus and method | |
RU2469298C2 (ru) | Способ восстановления изображения с использованием объемной рентгеновской фотосъемки | |
US9659390B2 (en) | Tomosynthesis reconstruction with rib suppression | |
Bateman et al. | MARS-MD: rejection based image domain material decomposition | |
CN101201937A (zh) | 基于小波重构与分解的数字图像增强方法及其装置 | |
CN109886944B (zh) | 一种基于多图谱的脑白质高信号检测和定位方法 | |
CN109242920B (zh) | 物质分解方法、装置和*** | |
CN114241077B (zh) | 一种ct图像分辨率优化方法及装置 | |
US6356652B1 (en) | Visualization of diagnostically irrelevant zones in a radiographic image | |
CN116416428A (zh) | 基于三维卷积神经网络和ct图像的骨量识别方法及*** | |
Alsamadony et al. | Deep learning driven noise reduction for reduced flux computed tomography | |
Fleßner et al. | Evaluating and visualizing the quality of surface points determined from computed tomography volume data | |
US7072498B1 (en) | Method and apparatus for expanding the use of existing computer-aided detection code | |
CN111950714B (zh) | 一种基于3d全卷积神经网络的能谱ct图像域材料识别方法 | |
Wang et al. | One half-scan dual-energy CT imaging using the Dual-domain Dual-way Estimated Network (DoDa-Net) model | |
CN1614400A (zh) | 位置分辨地确定检查对象内元素浓度的方法和装置 | |
CN112927215A (zh) | 一种消化道活检病理切片自动分析方法 | |
CN113129275A (zh) | 一种基于岩土体材料数字图像三维结构表征方法 | |
CN111340127B (zh) | 基于材料聚类的能谱ct迭代材料分解方法和装置 | |
CN113729747B (zh) | 一种球形金属标记的锥束ct金属伪影去除***及去除方法 | |
CN112884853B (zh) | 一种基于相位ct的材料分解与识别方法 | |
US20090052631A1 (en) | System and Method for Information Embedding and Extraction in Phantom Targets for Digital Radiography Systems | |
Faure et al. | A convolutional neural network for dental panoramic radiograph classification |
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 |