CN114494482A - 一种基于平扫ct生成ct血管成像的方法 - Google Patents
一种基于平扫ct生成ct血管成像的方法 Download PDFInfo
- Publication number
- CN114494482A CN114494482A CN202111597005.3A CN202111597005A CN114494482A CN 114494482 A CN114494482 A CN 114494482A CN 202111597005 A CN202111597005 A CN 202111597005A CN 114494482 A CN114494482 A CN 114494482A
- Authority
- CN
- China
- Prior art keywords
- image
- flat
- cta
- scan
- deep learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 20
- 238000003384 imaging method Methods 0.000 title claims abstract description 18
- 238000013136 deep learning model Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 13
- 238000011176 pooling Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 5
- 230000002792 vascular Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 239000002872 contrast media Substances 0.000 abstract description 15
- 238000002347 injection Methods 0.000 abstract description 6
- 239000007924 injection Substances 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 231100000417 nephrotoxicity Toxicity 0.000 abstract description 3
- 206010002198 Anaphylactic reaction Diseases 0.000 abstract description 2
- 208000003455 anaphylaxis Diseases 0.000 abstract description 2
- 238000010968 computed tomography angiography Methods 0.000 description 40
- 238000002583 angiography Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010062237 Renal impairment Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229940039231 contrast media Drugs 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 231100000857 poor renal function Toxicity 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000003462 vein Anatomy 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于平扫CT生成CT血管成像的方法,获取平扫CT图像和层面对应的CTA图像;构建用于从平扫CT图像生成CTA图像的深度学习模型;定义深度学习模型的损失函数,采用反向传播和梯度下降算法,寻找使损失函数最小的模型参数,获得训练好的深度学习模型。本发明方法不仅能够克服目前CTA注射造影剂的缺陷,规避了由于注射造影剂而可能引起的过敏反应或者肾毒性,极大地减少了CTA的成本和难度,适用多种医疗场景,具有很高的临床应用价值。
Description
技术领域
本发明属于医学图像处理技术领域,具体涉及一种基于平扫CT生成CT血管成像的方法。
背景技术
目前临床上主要用于血管成像的方法有数字剪影血管造影(Digitalsubtraction angiography,DSA),计算机体层摄影血管成像(Computed topographyangiography,CTA),磁共振血管成像(Magnetic resonance angiography,MRA),以及超声血管成像等。其中,DSA由于空间分辨率高且能够实时观察,被认为是血管成像的金标准,但是,这种方法有创伤,往往不作为首选的检查方法。CTA和MRA可对全身各部位血管进行成像,且创伤很小,常常作为首选的检查方法。超声血管成像由于只能对特定部位成像,且成像效果容易受到患者本身情况以及操作者水平影响。DSA、CTA需要注射造影剂(也称为:对比剂)才能达到成像的目的,MRA除在特定几个部位(例如:头血管)无需造影剂外,其他部位的血管成像均需要注射造影剂。
注射造影剂前称为平扫CT,血管结构在平扫CT显示为低密度,无法区分管腔和管壁。注射造影剂之后称为增强CT,CTA是增强CT的一种特例。在CT血管成像时,血管的管腔结构显示为高密度,管壁则无变化,两者可显著地区分,从而获得管腔的形态变化。目前临床中通常使用CTA方法,但是,由于需要注射造影剂,存在造影剂过敏或相关不良事件等发生的可能性,同时由于造影剂具有肾毒性,对于肾脏功能受损的患者无法进行该项检查,另外,目前的CTA技术只利用到了注射造影剂之后血管密度增加这一个特征,而人体血管本身具有特定的位置和形态特征,如胸腹主动脉走行于脊柱前方,其有固定分支及走行方向,这些特征在目前的CTA技术均未使用。
针对上述问题,本发明提出基于平扫CT生成CTA的方法,其无需注射造影剂,通过深度学***扫CT上管腔中血液低密度特征,将平扫CT获得的血管结构进行提取,不仅能够克服目前CTA注射造影剂的缺陷,而且能够极大地减低检查费用,适用多种医疗场景,具有很高的临床应用价值。
发明内容
本发明的目的在于针对现有CTA中存在的上述技术问题,提出了一种基于平扫CT生成CT血管成像的方法。
本发明的上述目的通过以下技术方案实现:
一种基于平扫CT生成CT血管成像的方法,包括以下步骤:
步骤2、构建用于从平扫CT图像生成CTA图像的深度学习模型,深度学习模型依次包括输入层、第一个SA模块、收缩路径、扩张路径、第二个SA模块和输出层;
步骤3、定义深度学习模型Gθ(·)的损失函数L(θ),
如上所述步骤1包括以下步骤:
步骤1.1、使用CT机采集N名志愿者的平扫CT图像和层面对应的CTA图像;
步骤1.2、对平扫CT图像、CTA图像进行配准,使得两者的血管分布逐像素对应;
步骤1.3、将步骤1.2获得的配准后的第i个志愿者的平扫CT图像和层面对应的CTA图像分别表示为xi和yi,并将xi和yi组成训练样本对,所有志愿者的平扫CT图像和层面对应的CTA图像组成训练集N为志愿者的总数。
如上所述步骤2中的两个SA模块的输入特征定义为F,SA模块首先使用最大池化操作和平均池化操作将输入特征F的通道信息聚合为两个二维特征图,进而获得输入特征F在通道方向上最大池化特征Fmax和平均池化特征Favg,将最大池化特征Fmax和平均池化特征Favg级联,并将级联后的最大池化特征Fmax和平均池化特征Favg进行卷积,将卷积后的特征表示为Fc,随后,使用sigmoid激活函数对特征Fc进行激活处理,得到空间注意力图Ms,最后,将空间注意力图Ms和输入特征F逐通道相乘,得到空间注意力特征Fs,空间注意力特征Fs作为SA模块的输出特征。
一种基于平扫CT生成CT血管成像的方法,还包括步骤5、利用训练好的深度学***扫CT图像,经过深度学习模型正向传播生成CTA图像。
本发明相对于现有技术,具有以下有益效果:
现有的CT成像必须依靠注射造影剂才能实现血管成像,本发明方法利用平扫CT图像和CTA图像采集、配准、训练集及构建的U-Net网络结构深度学习模型Gθ(·),解决了现有技术中的不足,无需注射造影剂即可实现CTA,因此可减低CTA的成本和难度,规避了由于注射造影剂可能引起的过敏反应或者肾毒性。
附图说明
图1是本发明基于平扫CT图像生成CTA图像法的示意图。输入平扫CT图像,通过深度学习模型Gθ(·)的U-Net网络结构,即可生成CTA图像。
图2是U-Net的网络结构示意图。U-Net包含一个收缩路径和一个扩张路径,具有多层次分解、多通道滤波和多尺度跳跃连接等优点。Conv,卷积;BN,批归一化;ReLU,线性整流函数;Up-conv,上卷积层;Max pooling,最大池化层。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合实施示例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
一种基于平扫CT生成CT血管成像的方法,包括以下步骤:
步骤1,获取平扫CT图像和层面对应的CTA图像。
平扫CT图像和层面对应的CTA图像的可通过以下方式获得:
步骤1.1,使用CT机(如GE Revolution)采集N名志愿者的平扫CT图像和层面对应的CTA图像,平扫CT图像和CTA图像是配对的,层面一一对应,结构一致。本实施例以腹部动脉血管为例,但本方法不局限于腹部动脉血管,可以包括全身各个部位的动脉或者静脉血管。
步骤1.2,对于采集过程中有运动的情况,对平扫CT图像、CTA图像进行配准,保证两者的血管分布逐像素对应。
步骤1.3,将步骤1.2获得的配准后的第i个志愿者的平扫CT图像和层面对应的CTA图像分别表示为xi和yi,并将xi和yi组成训练样本对。所有志愿者的平扫CT图像和层面对应的CTA图像组成训练集N为志愿者的总数。
另一种实施方式,平扫CT图像和层面对应的CTA图像的也可以从已经采集的平扫CT图像和层面对应的CTA图像的图像库中获得。
本实施例中,深度学习模型Gθ(·)采用结合空间注意力模块的U-Net网络结构。深度学习模型依次包括输入层、第一个SA模块、收缩路径、扩张路径、第二个SA模块和输出层。
对于上述两个SA模块,定义输入特征为F∈RC×H×W,C、H、W分别表示F的通道数、高和宽,R表示实数域,∈表示属于。首先使用最大池化操作和平均池化操作将输入特征F的通道信息聚合为两个二维特征图:Fmax∈R1×H×W和Favg∈R1×H×W。Fmax和Favg分别表示输入特征F在通道方向上最大池化特征和平均池化特征。然后,将最大池化特征Fmax和平均池化特征Favg级联,并将级联后的最大池化特征Fmax和平均池化特征Favg进行卷积,将卷积后的特征表示为Fc。随后,使用sigmoid激活函数对Fc进行激活处理,得到空间注意力图Ms。最后,将空间注意力图Ms和输入特征F逐通道相乘,得到空间注意力特征Fs。空间注意力特征Fs作为SA模块的输出特征。
步骤3,定义深度学习模型Gθ(·)的损失函数L(θ)。
本实施例中,采用Adam算法进行模型训练,一阶动量设置为0.9,二阶动量设置为0.999。在训练完成以后,深度学***扫CT图像生成CTA图像。
需要指出的是,本发明中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。
Claims (3)
3.根据权利要求1所述的一种基于平扫CT生成CT血管成像的方法,其特征在于,所述的步骤2中的两个SA模块的输入特征定义为F,SA模块首先使用最大池化操作和平均池化操作将输入特征F的通道信息聚合为两个二维特征图,进而获得输入特征F在通道方向上最大池化特征Fmax和平均池化特征Favg,将最大池化特征Fmax和平均池化特征Favg级联,并将级联后的最大池化特征Fmax和平均池化特征Favg进行卷积,将卷积后的特征表示为Fc,随后,使用sigmoid激活函数对特征Fc进行激活处理,得到空间注意力图Ms,最后,将空间注意力图Ms和输入特征F逐通道相乘,得到空间注意力特征Fs,空间注意力特征Fs作为SA模块的输出特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111597005.3A CN114494482A (zh) | 2021-12-24 | 2021-12-24 | 一种基于平扫ct生成ct血管成像的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111597005.3A CN114494482A (zh) | 2021-12-24 | 2021-12-24 | 一种基于平扫ct生成ct血管成像的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494482A true CN114494482A (zh) | 2022-05-13 |
Family
ID=81495536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111597005.3A Pending CN114494482A (zh) | 2021-12-24 | 2021-12-24 | 一种基于平扫ct生成ct血管成像的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494482A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024066711A1 (zh) * | 2022-09-26 | 2024-04-04 | 中国人民解放军总医院第一医学中心 | 一种基于聚焦学习的ct血管造影智能成像方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190371018A1 (en) * | 2018-05-29 | 2019-12-05 | Korea Advanced Institute Of Science And Technology | Method for processing sparse-view computed tomography image using neural network and apparatus therefor |
CN111986181A (zh) * | 2020-08-24 | 2020-11-24 | 中国科学院自动化研究所 | 基于双注意力机制的血管内支架图像分割方法和*** |
CN112085677A (zh) * | 2020-09-01 | 2020-12-15 | 深圳先进技术研究院 | 一种图像处理方法、***和计算机存储介质 |
CN112101523A (zh) * | 2020-08-24 | 2020-12-18 | 复旦大学附属华山医院 | 基于深度学习的cbct图像跨模态预测cta图像的卒中风险筛查方法和*** |
CN112258514A (zh) * | 2020-11-20 | 2021-01-22 | 福州大学 | 一种ct影像肺血管的分割方法 |
CN112785581A (zh) * | 2021-01-29 | 2021-05-11 | 复旦大学附属中山医院 | 基于深度学习的提取训练大血管cta成像的培训方法和装置 |
CN112927240A (zh) * | 2021-03-08 | 2021-06-08 | 重庆邮电大学 | 一种基于改进的AU-Net网络的CT图像分割方法 |
CN113222852A (zh) * | 2021-05-26 | 2021-08-06 | 深圳高性能医疗器械国家研究院有限公司 | 一种增强ct图像的重建方法 |
CN113436127A (zh) * | 2021-03-25 | 2021-09-24 | 上海志御软件信息有限公司 | 基于深度学习的自动化肝脏分段模型的构建方法、装置、计算机设备和存储介质 |
CN113674279A (zh) * | 2021-10-25 | 2021-11-19 | 青岛美迪康数字工程有限公司 | 基于深度学习的冠脉cta影像的处理方法及装置 |
CN113706544A (zh) * | 2021-08-19 | 2021-11-26 | 天津师范大学 | 一种基于完备注意力卷积神经网络的医学图像分割方法 |
-
2021
- 2021-12-24 CN CN202111597005.3A patent/CN114494482A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190371018A1 (en) * | 2018-05-29 | 2019-12-05 | Korea Advanced Institute Of Science And Technology | Method for processing sparse-view computed tomography image using neural network and apparatus therefor |
CN111986181A (zh) * | 2020-08-24 | 2020-11-24 | 中国科学院自动化研究所 | 基于双注意力机制的血管内支架图像分割方法和*** |
CN112101523A (zh) * | 2020-08-24 | 2020-12-18 | 复旦大学附属华山医院 | 基于深度学习的cbct图像跨模态预测cta图像的卒中风险筛查方法和*** |
CN112085677A (zh) * | 2020-09-01 | 2020-12-15 | 深圳先进技术研究院 | 一种图像处理方法、***和计算机存储介质 |
CN112258514A (zh) * | 2020-11-20 | 2021-01-22 | 福州大学 | 一种ct影像肺血管的分割方法 |
CN112785581A (zh) * | 2021-01-29 | 2021-05-11 | 复旦大学附属中山医院 | 基于深度学习的提取训练大血管cta成像的培训方法和装置 |
CN112927240A (zh) * | 2021-03-08 | 2021-06-08 | 重庆邮电大学 | 一种基于改进的AU-Net网络的CT图像分割方法 |
CN113436127A (zh) * | 2021-03-25 | 2021-09-24 | 上海志御软件信息有限公司 | 基于深度学习的自动化肝脏分段模型的构建方法、装置、计算机设备和存储介质 |
CN113222852A (zh) * | 2021-05-26 | 2021-08-06 | 深圳高性能医疗器械国家研究院有限公司 | 一种增强ct图像的重建方法 |
CN113706544A (zh) * | 2021-08-19 | 2021-11-26 | 天津师范大学 | 一种基于完备注意力卷积神经网络的医学图像分割方法 |
CN113674279A (zh) * | 2021-10-25 | 2021-11-19 | 青岛美迪康数字工程有限公司 | 基于深度学习的冠脉cta影像的处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
李伟: "基于深度学习的主动脉CT增强扫描图像合成研究", no. 12, pages 062 - 47 * |
杨博雄 等: "深度学习之人脸图像处理 核心算法与案例实战", 武汉大学出版社, pages: 109 - 113 * |
郝晓宇;熊俊峰;薛旭东;石军;文可;韩文廷;李骁扬;赵俊;傅小龙;: "融合双注意力机制3D U-Net的肺肿瘤分割", no. 10 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024066711A1 (zh) * | 2022-09-26 | 2024-04-04 | 中国人民解放军总医院第一医学中心 | 一种基于聚焦学习的ct血管造影智能成像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11398029B2 (en) | Systems and methods for medical acquisition processing and machine learning for anatomical assessment | |
Frakes et al. | Application of an adaptive control grid interpolation technique to morphological vascular reconstruction | |
CN113808106B (zh) | 一种基于深度学习的超低剂量pet图像重建***及方法 | |
US11826201B2 (en) | Ultrasound lesion assessment and associated devices, systems, and methods | |
CN108985366A (zh) | 基于卷积深度网络的b超图像识别算法及*** | |
CN113052936A (zh) | 集成fdk和深度学习的单视角ct重建方法 | |
WO2023039353A2 (en) | Real-time super-resolution ultrasound microvessel imaging and velocimetry | |
CN114494482A (zh) | 一种基于平扫ct生成ct血管成像的方法 | |
CN110101401B (zh) | 一种肝脏对比剂数字减影造影方法 | |
KR102084138B1 (ko) | 영상 처리 장치 및 방법 | |
CN116434918A (zh) | 医学图像处理方法及计算机可读存储介质 | |
CN117523204A (zh) | 面向医疗场景的肝脏肿瘤图像分割方法、装置和可读存储介质 | |
CN115861132B (zh) | 一种血管图像校正方法、装置、介质及设备 | |
CN111626964A (zh) | 扫描图像的优化方法、优化装置和医学扫描*** | |
CN116269496A (zh) | 基于隐式神经表示的心脏三维超声成像及心功能评估*** | |
WO2022163402A1 (ja) | 学習済みモデルの生成方法、機械学習システム、プログラムおよび医療画像処理装置 | |
CN114049334B (zh) | 一种以ct图像为输入的超分辨率mr成像方法 | |
WO2022163513A1 (ja) | 学習済みモデルの生成方法、機械学習システム、プログラムおよび医療画像処理装置 | |
Xia et al. | AwCPM-Net: a collaborative constraint GAN for 3D coronary artery reconstruction in intravascular ultrasound sequences | |
Li et al. | Hrinet: Alternative supervision network for high-resolution ct image interpolation | |
Geng et al. | Exploring Structural Information for Semantic Segmentation of Ultrasound Images | |
Yin et al. | Analysis of coronary angiography video interpolation methods to reduce x-ray exposure frequency based on deep learning | |
Raza et al. | CycleGAN with mutual information loss constraint generates structurally aligned CT images from functional EIT images | |
Obelleiro Liz | Super-resolution of magnetic resonance fetal images using sequential generative adversarial networks | |
Qayyum et al. | Transforming Heart Chamber Imaging: Self-Supervised Learning for Whole Heart Reconstruction and Segmentation |
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 |