JP7053541B2 - 患者固有の深層学習画像ノイズ除去方法およびシステム - Google Patents
患者固有の深層学習画像ノイズ除去方法およびシステム Download PDFInfo
- Publication number
- JP7053541B2 JP7053541B2 JP2019149230A JP2019149230A JP7053541B2 JP 7053541 B2 JP7053541 B2 JP 7053541B2 JP 2019149230 A JP2019149230 A JP 2019149230A JP 2019149230 A JP2019149230 A JP 2019149230A JP 7053541 B2 JP7053541 B2 JP 7053541B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- noise
- patient
- deep learning
- 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
- 238000013135 deep learning Methods 0.000 title claims description 127
- 238000000034 method Methods 0.000 title claims description 110
- 238000012549 training Methods 0.000 claims description 104
- 230000008569 process Effects 0.000 claims description 49
- 238000003860 storage Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 35
- 238000003384 imaging method Methods 0.000 claims description 32
- 230000009467 reduction Effects 0.000 claims description 22
- 230000002829 reductive effect Effects 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 7
- 238000012805 post-processing Methods 0.000 claims description 5
- 230000008719 thickening Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 55
- 238000013527 convolutional neural network Methods 0.000 description 33
- 238000003062 neural network model Methods 0.000 description 26
- 238000010801 machine learning Methods 0.000 description 24
- 238000002591 computed tomography Methods 0.000 description 19
- 230000015654 memory Effects 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000010191 image analysis Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000013526 transfer learning Methods 0.000 description 7
- 238000004195 computer-aided diagnosis Methods 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 4
- 238000013170 computed tomography imaging Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 229920000728 polyester Polymers 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010006322 Breath holding Diseases 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003054 facial bone Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect 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
- G06T5/70—Denoising; Smoothing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- 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
- 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
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
撮像装置(例えば、ガンマカメラ、陽電子放射断層撮影(PET)スキャナ、コンピュータ断層撮影(CT)スキャナ、X線装置、磁気共鳴(MR)撮像装置、超音波スキャナ、など)が、疾患を診断および/または治療するために身体の一部分(例えば、臓器、組織、など)を表す医用画像(例えば、ネイティブな医用デジタル撮像および通信(Digital Imaging and Communications in Medicine)(DICOM)画像)を生成する。医用画像は、医用画像内に取り込まれた身体の一部分に関連するボクセルを含む容積測定データを含むことができる。医用画像視覚化ソフトウェアが、医用画像のさまざまな位置における機能的または解剖学的特徴のセグメント分け、注釈付け、測定、および/または報告を、医師にとって可能にする。いくつかの例において、医師は、医用画像視覚化ソフトウェアを利用して、医用画像で関心領域を識別することができる。
深層学習は、マシンに生データを与え、データ分類に必要な表現を判断させることを可能にする表現学習法を用いる機械学習技術の一種である。深層学習は、深層学習マシンの内部パラメータ(例えば、ノード重み)を変更するために使用される逆伝搬アルゴリズムを使用してデータセット内の構造を確認する。深層学習マシンは、さまざまな多層アーキテクチャおよびアルゴリズムを利用することができる。例えば、機械学習は、ネットワークの訓練に使用されるべき特徴の識別を必要とするが、深層学習は、外部の識別を必要とすることなく、生データを処理して関心の特徴を識別する。
典型的な撮像システム
本明細書に記載される方法、装置、および製品は、さまざまな医療および非医療システムに適用可能である。1つの特定の例において、本明細書に記載される方法、装置、および製品は、コンピュータ断層撮影(CT)撮像システムの構成要素、構成、および動作に適用可能である。図1および図2が、本明細書に開示される方法、装置、および製品を適用することができるCT撮像スキャナの典型的な実施態様を示している。図1および図2は、ガントリ12を含むCT撮像システム10を示している。ガントリ12は、X線源14を有する回転部材13を有し、X線源14は、回転部材13の反対側の検出器アセンブリ18に向けてX線ビーム16を投射する。主ベアリングを利用して、回転部材13をガントリ12の静止構造体へと取り付けることができる。X線源14は、静止ターゲットまたは回転ターゲットのいずれかを含む。検出器アセンブリ18は、複数の検出器20およびデータ取得システム(DAS)22によって形成され、コリメータを含むことができる。複数の検出器20は、被検体24を通過する投影されたX線を感知し、DAS22は、そのデータを、その後の処理のために、デジタル信号に変換する。各々の検出器20は、衝突するX線ビーム、したがって被検体24を通過して減衰したビームについて、その強度を表すアナログまたはデジタル電気信号を生成する。X線投影データを取得するためのスキャン時に、回転部材13および回転部材13に取り付けられた構成要素は、回転中心の周りを回転することができる。
図3が、典型的な学習ニューラルネットワーク300の図を示している。典型的なニューラルネットワーク300は、層320、340、360、および380を含む。層320および340は、ニューラル接続部330と接続されている。層340および360は、ニューラル接続部350と接続されている。層360および380は、ニューラル接続部370と接続されている。データは、入力312、314、316を介して入力層320から出力層380および出力390へと順方向に流れる。
画像ノイズ除去は、得られた画像データを処理し、画像データ内の撮像システムによってキャプチャされた患者および/または他のターゲットの特徴を維持しつつ、画像データ内のノイズを低減する。画像ノイズ除去を、ウェーブレット変換、統計的手法、深層学習、などを使用して促進することができる。例えば、ウェーブレット変換は、しきい値(サブバンド係数しきい値)を使用して、少数の大きな係数に集中した画像データを残しつつ、画像データ係数の全体に均一に広がるノイズを除去する。代案として、ウェーブレット変換は、非線形推定器のベイジアンフレームワークを使用して、画像データ信号およびノイズ成分の正確な統計的記述を採用することにより、ノイズの低減および特徴の維持を提供することができる。画像ノイズ除去のための統計的方法は、画像内のピクセルのグレースケール値が所与の分散にて近傍のピクセルの平均グレースケール値に等しい平均で正規分布するガウス分布などの分布に従って、画像ピクセル値をモデル化する。深層学習を、CNNおよび/または他の学習モデルを介して、ノイズの低減、解像度の向上、などのために画像データを処理するために適用することができる。
[実施態様1]
第1の患者の第1の患者画像を処理し、前記第1の患者画像に第1のノイズを加えてノイズの多い画像入力を形成する入力データプロセッサ(1110)と、
第1の深層学習ネットワークを使用して前記ノイズの多い画像入力を処理して前記第1のノイズを識別する画像データノイズ除去装置(1120)であって、前記ノイズの多い画像入力を使用して前記第1の深層学習ネットワークを訓練し、前記第1の深層学習ネットワークのノイズ出力と予想されるノイズ出力との比較に基づいてネットワーク重みを修正し、前記第1の深層学習ネットワークが前記第1のノイズを識別するように訓練されたときに、前記第1の深層学習ネットワークを、前記第1の患者の第2の患者画像の第2のノイズを識別すべく前記第2の患者画像へと適用される第2の深層学習ネットワークモデルとして展開する画像データノイズ除去装置(1120)と、
前記第2の深層学習ネットワークモデルによって識別された前記第2のノイズを前記第2の患者画像から除去してノイズ除去された患者画像を形成する後処理画像生成装置(1130)と
前記ノイズ除去された患者画像を出力する出力イメージャ(1140)と
を備える画像データ処理システム(1100)。
[実施態様2]
前記入力データプロセッサ(1110)は、前記第1のノイズが前記第1の患者画像へと加えられる前に前記第1の患者画像のノイズを減らすために前記第1の患者画像を薄いスライス画像ボリュームから厚いスライス画像ボリュームへと厚くする、実施態様1に記載のシステム(1100)。
[実施態様3]
前記第1のノイズは、第1のファントムスキャンまたはシミュレーションの少なくとも一方を使用して得られる、実施態様1に記載のシステム(1100)。
[実施態様4]
前記第1のファントムスキャンは、前記第1の患者画像の取得に使用される撮像スキャナにおいて取得される、実施態様1に記載のシステム(1100)。
[実施態様5]
前記入力データプロセッサ(1110)は、フィードバックに基づいて前記第1のノイズをスケーリングする、実施態様1に記載のシステム(1100)。
[実施態様6]
前記識別された第2のノイズは、前記画像データノイズ除去装置(1120)によって前記第2の患者画像から除去される前にチェックおよびリファインされる、実施態様1に記載のシステム(1100)。
[実施態様7]
前記第2の深層学習ネットワークモデルは、前記第1の患者について展開され、前記第1の深層学習ネットワークは、前記第1の患者および前記第2の患者画像を精査して前記第1の患者を診断するユーザについて訓練される、実施態様1に記載のシステム(1100)。
[実施態様8]
命令を含んでいるコンピュータ可読記憶媒体であって、前記命令は、実行されたときに、少なくとも
第1の患者の第1の患者画像を処理し、前記第1の患者画像に第1のノイズを加えてノイズの多い画像入力を形成するステップ、
前記第1のノイズを識別するように前記ノイズの多い画像入力を入力として使用して前記第1の深層学習ネットワークを訓練するステップ、および
前記第1の深層学習ネットワークが前記第1のノイズを識別するように訓練されたときに、前記第1の深層学習ネットワークを、前記第1の患者の第2の患者画像の第2のノイズを識別すべく前記第2の患者画像へと適用される第2の深層学習ネットワークモデルとして展開するステップを少なくとも1つのプロセッサに実行させ、前記第2の深層学習ネットワークモデルによって識別された前記第2のノイズは、出力されるべきノイズ除去された患者画像を形成するために前記第2の患者画像から除去される、コンピュータ可読記憶媒体。
[実施態様9]
前記命令は、実行されたときに、少なくとも前記第1のノイズが前記第1の患者画像へと加えられる前に前記第1の患者画像のノイズを減らすために前記第1の患者画像を薄いスライス画像ボリュームから厚いスライス画像ボリュームへと厚くするステップを前記少なくとも1つのプロセッサに実行させる、実施態様8に記載のコンピュータ可読記憶媒体。
[実施態様10]
前記第1のノイズは、第1のファントムスキャンまたはシミュレーションの少なくとも一方を使用して得られる、実施態様8に記載のコンピュータ可読記憶媒体。
[実施態様11]
前記第1のファントムスキャンは、前記第1の患者画像の取得に使用される撮像スキャナにおいて取得される、実施態様8に記載のコンピュータ可読記憶媒体。
[実施態様12]
前記命令は、実行されたときに、少なくともフィードバックに基づいて前記第1のノイズをスケーリングするステップを前記少なくとも1つのプロセッサに実行させる、実施態様8に記載のコンピュータ可読記憶媒体。
[実施態様13]
前記命令は、実行されたときに、少なくとも前記識別された第2のノイズを、前記第2のノイズを前記第2の患者画像から除去する前にチェックおよびリファインするステップを前記少なくとも1つのプロセッサに実行させる、実施態様8に記載のコンピュータ可読記憶媒体。
[実施態様14]
前記第2の深層学習ネットワークモデルは、前記第1の患者について展開され、前記第1の深層学習ネットワークは、前記第1の患者および前記第2の患者画像を精査して前記第1の患者を診断するユーザについて訓練される、実施態様8に記載のコンピュータ可読記憶媒体。
[実施態様15]
コンピュータによって実行される画像のノイズ除去の方法であって、
少なくとも1つのプロセッサを使用し、第1の患者の第1の患者画像を処理し、前記第1の患者画像に第1のノイズを加えてノイズの多い画像入力を形成するステップと、
前記少なくとも1つのプロセッサを使用し、前記第1のノイズを識別するように前記ノイズの多い画像入力を入力として使用して前記第1の深層学習ネットワークを訓練するステップと、
前記第1の深層学習ネットワークが前記第1のノイズを識別するように訓練されたときに、前記少なくとも1つのプロセッサを使用し、前記第1の深層学習ネットワークを、前記第1の患者の第2の患者画像の第2のノイズを識別すべく前記第2の患者画像へと適用される第2の深層学習ネットワークモデルとして展開するステップとを含み、前記第2の深層学習ネットワークモデルによって識別された前記第2のノイズは、出力されるべきノイズ除去された患者画像を形成するために前記第2の患者画像から除去される、方法(1300、1400)。
[実施態様16]
前記第1のノイズが前記第1の患者画像へと加えられる前に前記第1の患者画像のノイズを減らすために前記第1の患者画像を薄いスライス画像ボリュームから厚いスライス画像ボリュームへと厚くするステップをさらに含む、実施態様15に記載の方法(1300、1400)。
[実施態様17]
前記第1のノイズは、第1のファントムスキャンまたはシミュレーションの少なくとも一方を使用して得られる、実施態様15に記載の方法(1300、1400)。
[実施態様18]
フィードバックに基づいて前記第1のノイズをスケーリングするステップをさらに含む、実施態様15に記載の方法(1300、1400)。
[実施態様19]
前記識別された第2のノイズを、前記第2のノイズを前記第2の患者画像から除去する前にチェックおよびリファインするステップをさらに含む、実施態様15に記載の方法(1300、1400)。
[実施態様20]
前記第2の深層学習ネットワークモデルは、前記第1の患者について展開され、前記第1の深層学習ネットワークは、前記第1の患者および前記第2の患者画像を精査して前記第1の患者を診断するユーザについて訓練される、実施態様15に記載の方法(1300、1400)。
12 ガントリ
13 回転部材
14 X線源
16 X線ビーム
18 検出器アセンブリ
20 検出器
22 データ取得システム(DAS)
24 被検体
26 制御機構
28 X線コントローラ
30 ジェネレータ
32 ガントリモータコントローラ
34 画像再構成器
36 コンピュータ
38 コンピュータ記憶装置
40 オペレータコンソール
42 ディスプレイ
44 テーブルモータコントローラ
46 テーブル
48 開口部
50 座標系
52 Z軸
54 X軸
56 Y軸
300 学習ニューラルネットワーク
310 入力
312 入力
314 入力
316 入力
320 入力層
322 ノード
324 ノード
326 ノード
330 接続部
332 (追加の重みが与えられた)接続部
334 (より軽い重みが与えられた)接続部
340 隠れ層
342 ノード
344 ノード
346 ノード
348 ノード
350 接続部
352 (追加の重みが与えられた)接続部
354 (より軽い重みが与えられた)接続部
360 隠れ層
362 ノード
364 ノード
366 ノード
368 ノード
370 接続部
372 (追加の重みが与えられた)接続部
374 (より軽い重みが与えられた)接続部
380 出力層
382 ノード
390 出力
400 畳み込みニューラルネットワーク
402 ウインドウ
404 畳み込み
406 特徴マップ
410 特徴マップ
412 畳み込み
414 特徴マップ
416 サブサンプリング
418 特徴マップ
420 畳み込み
422 分類層
424 N個の分類の出力層
426 接続部
500 画像解析畳み込みニューラルネットワーク
502 入力画像
504 畳み込み層
510 学習された特徴
512 学習された特徴
514 学習された特徴
516 学習された特徴
518 学習された特徴
520 学習された特徴
522 学習された特徴
530 画像、第2の畳み込み層
532 画像
534 画像
536 画像
538 画像
540 画像
542 画像
544 画像
546 画像
548 画像
550 画像のうちの関心の特徴を含む部分
552 画像のうちの関心の特徴を含む部分
554 画像のうちの関心の特徴を含む部分
600 学習ネットワークを適用するための典型的な構成
610 生データ
620 学習ネットワーク
621 学習ネットワーク
622 学習ネットワーク
623 学習ネットワーク
630 画像
702 入力の組
704 ネットワーク
706 順方向
708 ネットワーク結果「犬」
710 比較
712 既知の結果「人間の顔」
714 エラー
716 後方への経路
720 入力
722 ネットワーク
724 人間の顔
810 生の入力データ
820 前処理
830 パッチを生成
840 訓練されたネットワーク
850 出力を集める
860 表示
900 学習装置
901 訓練装置
903 展開された装置
910 入力
911 訓練用入力
913 入力定義
920 ネットワーク
921 ネットワーク
923 ネットワーク
930 出力
931 出力評価器
933 出力定義
1002 FBP再構成
1004 深層学習ネットワークノイズ除去
1006 ASiR-V再構成
1008 FBP再構成
1010 深層学習ネットワークノイズ除去
1012 ASiR-V再構成
1100 画像プロセッサ装置
1110 入力データプロセッサ
1120 画像ノイズ除去装置
1130 後処理画像生成装置
1140 出力イメージャ
1210 ノイズ入力プロセッサ
1220 訓練用ニューラルネットワークモデル
1230 比較器
1240 ネットワーク重み更新器
1250 展開されたニューラルネットワークモデル
1260 ノイズ識別器
1300 方法
1302 ブロック
1304 ブロック
1306 ノイズの多い画像入力
1308 ブロック
1310 減算
1312 予測されるノイズ
1314 ブロック
1316 患者画像
1318 予測されるノイズ
1320 リファインされたノイズ
1322 ブロック
1324 ブロック
1400 方法
1402 ブロック
1404 ブロック
1406 ブロック
1502 ブロック
1504 ブロック
1506 ブロック
1508 ブロック
1510 ブロック
1512 ブロック
1602 ブロック
1604 ブロック
1606 ブロック
1608 ブロック
1610 ブロック
1700 プロセッサプラットフォーム
1712 プロセッサ
1713 ローカルメモリ
1714 揮発性メモリ
1716 不揮発性メモリ
1718 バス
1720 インターフェース回路
1722 入力装置
1724 出力装置
1726 ネットワーク
1728 大容量記憶装置
1732 符号化された命令
Claims (9)
- 第1の患者の第1の患者画像を処理し、前記第1の患者画像に第1のノイズを加えてノイズの多い画像入力を形成する入力データプロセッサ(1110)と、
第1の深層学習ネットワークを使用して前記ノイズの多い画像入力を処理して前記第1のノイズを識別する画像データノイズ除去装置(1120)であって、前記ノイズの多い画像入力を使用して前記第1の深層学習ネットワークを訓練し、前記第1の深層学習ネットワークのノイズ出力と予想されるノイズ出力との比較に基づいてネットワーク重みを修正し、前記第1の深層学習ネットワークが前記第1のノイズを識別するように訓練されたときに、前記第1の深層学習ネットワークを、前記第1の患者の第2の患者画像の第2のノイズを識別すべく前記第2の患者画像へと適用される第2の深層学習ネットワークモデルとして展開する画像データノイズ除去装置(1120)と、
前記第2の深層学習ネットワークモデルによって識別された前記第2のノイズを前記第2の患者画像から除去してノイズ除去された患者画像を形成する後処理画像生成装置(1130)と
前記ノイズ除去された患者画像を出力する出力イメージャ(1140)と
を備える画像データ処理システム(1100)。 - 前記入力データプロセッサ(1110)は、前記第1のノイズが前記第1の患者画像へと加えられる前に前記第1の患者画像のノイズを減らすために前記第1の患者画像を薄いスライス画像ボリュームから厚いスライス画像ボリュームへと厚くする、請求項1に記載のシステム(1100)。
- 前記第1のノイズは、第1のファントムスキャンまたはシミュレーションの少なくとも一方を使用して得られる、請求項1に記載のシステム(1100)。
- 前記第1のファントムスキャンは、前記第1の患者画像の取得に使用される撮像スキャナにおいて取得される、請求項3に記載のシステム(1100)。
- 前記入力データプロセッサ(1110)は、フィードバックに基づいて前記第1のノイズをスケーリングする、請求項1に記載のシステム(1100)。
- 前記識別された第2のノイズは、前記画像データノイズ除去装置(1120)によって前記第2の患者画像から除去される前にチェックおよびリファインされる、請求項1に記載のシステム(1100)。
- 命令を含んでいるコンピュータ可読記憶媒体であって、前記命令は、実行されたときに、少なくとも
第1の患者の第1の患者画像を処理し、前記第1の患者画像に第1のノイズを加えてノイズの多い画像入力を形成するステップ、
前記第1のノイズを識別するように前記ノイズの多い画像入力を入力として使用して第1の深層学習ネットワークを訓練するステップ、および
前記第1の深層学習ネットワークが前記第1のノイズを識別するように訓練されたときに、前記第1の深層学習ネットワークを、前記第1の患者の第2の患者画像の第2のノイズを識別すべく前記第2の患者画像へと適用される第2の深層学習ネットワークモデルとして展開するステップを少なくとも1つのプロセッサに実行させ、前記第2の深層学習ネットワークモデルによって識別された前記第2のノイズは、出力されるべきノイズ除去された患者画像を形成するために前記第2の患者画像から除去される、コンピュータ可読記憶媒体。 - 前記命令は、実行されたときに、少なくとも前記第1のノイズが前記第1の患者画像へと加えられる前に前記第1の患者画像のノイズを減らすために前記第1の患者画像を薄いスライス画像ボリュームから厚いスライス画像ボリュームへと厚くするステップを前記少なくとも1つのプロセッサに実行させる、請求項7に記載のコンピュータ可読記憶媒体。
- コンピュータによって実行される画像のノイズ除去の方法であって、
少なくとも1つのプロセッサを使用し、第1の患者の第1の患者画像を処理し、前記第1の患者画像に第1のノイズを加えてノイズの多い画像入力を形成するステップと、
前記少なくとも1つのプロセッサを使用し、前記第1のノイズを識別するように前記ノイズの多い画像入力を入力として使用して第1の深層学習ネットワークを訓練するステップと、
前記第1の深層学習ネットワークが前記第1のノイズを識別するように訓練されたときに、前記少なくとも1つのプロセッサを使用し、前記第1の深層学習ネットワークを、前記第1の患者の第2の患者画像の第2のノイズを識別すべく前記第2の患者画像へと適用される第2の深層学習ネットワークモデルとして展開するステップとを含み、前記第2の深層学習ネットワークモデルによって識別された前記第2のノイズは、出力されるべきノイズ除去された患者画像を形成するために前記第2の患者画像から除去される、方法(1300、1400)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/110,764 US10949951B2 (en) | 2018-08-23 | 2018-08-23 | Patient-specific deep learning image denoising methods and systems |
US16/110,764 | 2018-08-23 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020064609A JP2020064609A (ja) | 2020-04-23 |
JP7053541B2 true JP7053541B2 (ja) | 2022-04-12 |
Family
ID=67659603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019149230A Active JP7053541B2 (ja) | 2018-08-23 | 2019-08-16 | 患者固有の深層学習画像ノイズ除去方法およびシステム |
Country Status (5)
Country | Link |
---|---|
US (1) | US10949951B2 (ja) |
EP (1) | EP3633601A1 (ja) |
JP (1) | JP7053541B2 (ja) |
KR (1) | KR102229853B1 (ja) |
CN (1) | CN110858391B (ja) |
Families Citing this family (55)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10713537B2 (en) * | 2017-07-01 | 2020-07-14 | Algolux Inc. | Method and apparatus for joint image processing and perception |
WO2019019199A1 (en) * | 2017-07-28 | 2019-01-31 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE CONVERSION |
US10823685B2 (en) * | 2018-01-16 | 2020-11-03 | Creative Electron, Inc. | Method and system to automatically inspect parts using x-rays |
WO2019178133A1 (en) * | 2018-03-12 | 2019-09-19 | Lvis Corporation | Systems and methods for generating thin image slices from thick image slices |
JP2022501982A (ja) * | 2018-09-13 | 2022-01-06 | スペクトル オプティックス インコーポレイテッド | ニューラルネットワークを使用した写真の露出不足補正 |
RU2709661C1 (ru) * | 2018-09-19 | 2019-12-19 | Общество с ограниченной ответственностью "Аби Продакшн" | Обучение нейронных сетей для обработки изображений с помощью синтетических фотореалистичных содержащих знаки изображений |
KR20200052441A (ko) * | 2018-10-29 | 2020-05-15 | 삼성전자주식회사 | 뉴럴 네트워크를 이용하여 3d 미세구조를 생성하는 방법 및 장치 |
US11132771B2 (en) * | 2018-11-07 | 2021-09-28 | Spectrum Optix Inc. | Bright spot removal using a neural network |
US20220051781A1 (en) * | 2018-12-21 | 2022-02-17 | Varian Medical Systems International Ag | Methods and systems for radiotherapy treatment planning based on deep transfer learning |
US10957442B2 (en) * | 2018-12-31 | 2021-03-23 | GE Precision Healthcare, LLC | Facilitating artificial intelligence integration into systems using a distributed learning platform |
US11315221B2 (en) * | 2019-04-01 | 2022-04-26 | Canon Medical Systems Corporation | Apparatus and method for image reconstruction using feature-aware deep learning |
US11954578B2 (en) * | 2019-04-24 | 2024-04-09 | University Of Virginia Patent Foundation | Denoising magnetic resonance images using unsupervised deep convolutional neural networks |
US11067786B2 (en) * | 2019-06-07 | 2021-07-20 | Leica Microsystems Inc. | Artifact regulation methods in deep model training for image transformation |
KR20200141813A (ko) * | 2019-06-11 | 2020-12-21 | 삼성전자주식회사 | 이미지 신호 프로세서, 및 상기 이미지 신호 프로세서를 포함하는 이미지 센서 |
WO2021041772A1 (en) | 2019-08-30 | 2021-03-04 | The Research Foundation For The State University Of New York | Dilated convolutional neural network system and method for positron emission tomography (pet) image denoising |
US11798159B2 (en) * | 2019-09-20 | 2023-10-24 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for radiology image classification from noisy images |
DE102019215460A1 (de) * | 2019-10-09 | 2021-04-15 | Siemens Healthcare Gmbh | Verfahren und Vorrichtung zur Rauschreduktion von Bildaufnahmen |
US11790492B1 (en) * | 2019-12-18 | 2023-10-17 | Thales Sa | Method of and system for customized image denoising with model interpretations |
FR3105851B1 (fr) * | 2019-12-27 | 2023-01-06 | Bull Sas | Procede et systeme d’agregation de donnees pour une plateforme de gouvernance unifiee d’une pluralite de solutions de calcul intensif |
US20210290191A1 (en) * | 2020-03-18 | 2021-09-23 | The Regents Of The University Of California | Method and system for denoising ct images using a neural network |
JP7469738B2 (ja) * | 2020-03-30 | 2024-04-17 | ブラザー工業株式会社 | 学習済みの機械学習モデル、および、画像生成装置、機械学習モデルのトレーニング方法 |
EP3893198A1 (en) * | 2020-04-08 | 2021-10-13 | Siemens Healthcare GmbH | Method and system for computer aided detection of abnormalities in image data |
CN111476741B (zh) * | 2020-04-28 | 2024-02-02 | 北京金山云网络技术有限公司 | 图像的去噪方法、装置、电子设备和计算机可读介质 |
CN111583142B (zh) * | 2020-04-30 | 2023-11-28 | 深圳市商汤智能传感科技有限公司 | 图像降噪方法及装置、电子设备和存储介质 |
US20210350935A1 (en) * | 2020-05-06 | 2021-11-11 | Quantitative Imaging Solutions, Llc | Therapeutic response prediction based on synthetic tumor models |
US20230177746A1 (en) * | 2020-05-08 | 2023-06-08 | The Johns Hopkins University | Machine learning image reconstruction |
CN111603191B (zh) * | 2020-05-29 | 2023-10-20 | 上海联影医疗科技股份有限公司 | 医学扫描中的语音降噪方法、装置和计算机设备 |
EP3937122A1 (en) * | 2020-07-08 | 2022-01-12 | Koninklijke Philips N.V. | 3d-cnn processing for ct image noise removal |
CN112001856A (zh) * | 2020-07-29 | 2020-11-27 | 东软医疗***股份有限公司 | 去噪模型的训练方法及去除图像噪声方法、相关装置 |
US20230301614A1 (en) * | 2020-07-29 | 2023-09-28 | University Of Florida Research Foundation, Inc. | Systems and methods for image denoising via adversarial learning |
US11672498B2 (en) * | 2020-07-29 | 2023-06-13 | Canon Medical Systems Corporation | Information processing method, medical image diagnostic apparatus, and information processing system |
US12004893B2 (en) * | 2020-07-30 | 2024-06-11 | GE Precision Healthcare LLC | Systems and methods for artifact detection for images |
CN112070660B (zh) * | 2020-09-08 | 2022-08-12 | 哈尔滨工业大学 | 一种基于迁移学习的全切片数字成像自适应自动聚焦方法 |
CN112200720B (zh) * | 2020-09-29 | 2023-08-08 | 中科方寸知微(南京)科技有限公司 | 一种基于滤波器融合的超分辨率图像重建方法及*** |
US20220107378A1 (en) * | 2020-10-07 | 2022-04-07 | Hyperfine, Inc. | Deep learning methods for noise suppression in medical imaging |
NL2026785B1 (en) * | 2020-10-28 | 2022-06-21 | Univ Delft Tech | Method and apparatus for magnetic resonance imaging |
CN112734643A (zh) * | 2021-01-15 | 2021-04-30 | 重庆邮电大学 | 一种基于级联网络的轻量图像超分辨率重建方法 |
KR102481027B1 (ko) * | 2021-01-21 | 2022-12-23 | 연세대학교 산학협력단 | 팬텀을 이용한 의료 영상 보정 방법 및 장치 |
KR102316312B1 (ko) | 2021-02-01 | 2021-10-22 | 주식회사 클라리파이 | 딥러닝 기반의 조영 증강 ct 이미지 대조도 증폭 장치 및 방법 |
EP4066741A4 (en) | 2021-02-01 | 2023-12-20 | Claripi Inc. | DEEP LEARNING-BASED APPARATUS AND METHOD FOR CONTRAST AMPLIFICATION OF CONTRAST-ENHANCED CT IMAGE |
EP4292042A1 (en) * | 2021-02-12 | 2023-12-20 | Mayo Foundation for Medical Education and Research | Generalizable image-based training framework for artificial intelligence-based noise and artifact reduction in medical images |
KR102514709B1 (ko) * | 2021-03-12 | 2023-03-29 | 한국과학기술원 | 두 단계 비지도 학습 기반 뉴럴 네트워크를 이용한 3차원 비행시간 자기공명혈관영상 처리 방법 및 그 장치 |
US20220327665A1 (en) * | 2021-04-08 | 2022-10-13 | Canon Medical Systems Corporation | Neural network for improved performance of medical imaging systems |
US11763429B2 (en) * | 2021-05-19 | 2023-09-19 | GE Precision Healthcare LLC | Deep learning based medical system and method for image acquisition |
US20220414832A1 (en) * | 2021-06-24 | 2022-12-29 | Canon Medical Systems Corporation | X-ray imaging restoration using deep learning algorithms |
EP4124359A1 (en) * | 2021-07-27 | 2023-02-01 | Smart Scientific Solutions B.V. | An apparatus and a computer implemented method for calculating a radiotherapy dose distribution using monte carlo simulations |
US11881041B2 (en) | 2021-09-02 | 2024-01-23 | Bank Of America Corporation | Automated categorization and processing of document images of varying degrees of quality |
US11896408B2 (en) * | 2021-11-12 | 2024-02-13 | Shanghai United Imaging Intelligence Co., Ltd. | Automated patient modeling and positioning |
CN114154569B (zh) * | 2021-11-25 | 2024-02-02 | 上海帜讯信息技术股份有限公司 | 噪音数据识别方法、装置、终端及存储介质 |
US20230177747A1 (en) * | 2021-12-06 | 2023-06-08 | GE Precision Healthcare LLC | Machine learning generation of low-noise and high structural conspicuity images |
CN114219820A (zh) * | 2021-12-08 | 2022-03-22 | 苏州工业园区智在天下科技有限公司 | 神经网络的生成方法、去噪方法及其装置 |
US20230281457A1 (en) | 2022-03-07 | 2023-09-07 | Hyperconnect LLC | Apparatus for Training and Method Thereof |
CN117897733A (zh) * | 2022-05-09 | 2024-04-16 | 上海联影医疗科技股份有限公司 | 医学成像***和方法 |
EP4345736A1 (en) * | 2022-09-29 | 2024-04-03 | Koninklijke Philips N.V. | Evaluation of artifact removal from magnetic resonance images using neural networks |
WO2024111145A1 (ja) * | 2022-11-22 | 2024-05-30 | 浜松ホトニクス株式会社 | ノイズ除去方法、ノイズ除去プログラム、ノイズ除去システム及び学習方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015129987A (ja) | 2014-01-06 | 2015-07-16 | 国立大学法人三重大学 | 医用高解像画像形成システムおよび方法。 |
JP2018089301A (ja) | 2016-12-07 | 2018-06-14 | 学校法人常翔学園 | 生体画像処理装置、出力画像製造方法、学習結果製造方法、及びプログラム |
US10032256B1 (en) | 2016-11-18 | 2018-07-24 | The Florida State University Research Foundation, Inc. | System and method for image processing using automatically estimated tuning parameters |
Family Cites Families (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6148057A (en) * | 1998-11-02 | 2000-11-14 | Analogic Corporation | Apparatus and method for calibrating detectors in a computed tomography scanner |
US6243746B1 (en) * | 1998-12-04 | 2001-06-05 | Sun Microsystems, Inc. | Method and implementation for using computer network topology objects |
US7136538B2 (en) * | 2000-12-21 | 2006-11-14 | Matsushita Electric Industrial Co., Ltd. | Noise reducing apparatus and noise reducing method |
JP2004337391A (ja) * | 2003-05-16 | 2004-12-02 | Hitachi Medical Corp | X線ct装置 |
CA2616871A1 (en) * | 2004-07-30 | 2006-02-02 | Algolith Inc. | Apparatus and method for adaptive 3d noise reduction |
US7623691B2 (en) * | 2004-08-06 | 2009-11-24 | Kabushiki Kaisha Toshiba | Method for helical windmill artifact reduction with noise restoration for helical multislice CT |
CN1877637A (zh) * | 2006-06-20 | 2006-12-13 | 长春工业大学 | 一种基于微机的医学图像模板匹配方法 |
CN100578546C (zh) * | 2007-05-15 | 2010-01-06 | 骆建华 | 基于复二维奇异谱分析的磁共振部分k数据图像重建方法 |
CN101067650A (zh) * | 2007-06-08 | 2007-11-07 | 骆建华 | 基于部分频谱数据信号重构的信号去噪方法 |
JP5315158B2 (ja) * | 2008-09-12 | 2013-10-16 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
US20110142316A1 (en) * | 2009-10-29 | 2011-06-16 | Ge Wang | Tomography-Based and MRI-Based Imaging Systems |
US8824753B2 (en) * | 2011-10-06 | 2014-09-02 | Carestream Health, Inc. | Task oriented noise suppression in medical images |
JP5774447B2 (ja) * | 2011-10-28 | 2015-09-09 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | X線ct装置および被曝線量計算方法並びにプログラム |
CN103955899A (zh) * | 2014-05-02 | 2014-07-30 | 南方医科大学 | 基于组合图像引导的动态pet图像去噪方法 |
US10127659B2 (en) * | 2016-11-23 | 2018-11-13 | General Electric Company | Deep learning medical systems and methods for image acquisition |
KR101827827B1 (ko) * | 2016-12-08 | 2018-02-13 | 한국생산기술연구원 | Oct영상 후처리 방법 |
CN106778668B (zh) * | 2016-12-30 | 2019-08-09 | 明见(厦门)技术有限公司 | 一种联合ransac和cnn的鲁棒的车道线检测方法 |
CN106600568B (zh) * | 2017-01-19 | 2019-10-11 | 东软医疗***股份有限公司 | 一种低剂量ct图像去噪方法及装置 |
US10685429B2 (en) * | 2017-02-22 | 2020-06-16 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach |
CN107145846B (zh) * | 2017-04-26 | 2018-10-19 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN107169974A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学技术大学 | 一种基于多监督全卷积神经网络的图像分割方法 |
JP7169094B2 (ja) * | 2017-06-01 | 2022-11-10 | 株式会社東芝 | 画像処理システム及び医用情報処理システム |
US11475542B2 (en) * | 2017-07-27 | 2022-10-18 | Nvidia Corporation | Neural network system with temporal feedback for adaptive sampling and denoising of rendered sequences |
WO2019019199A1 (en) * | 2017-07-28 | 2019-01-31 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE CONVERSION |
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 |
JP2019061577A (ja) * | 2017-09-27 | 2019-04-18 | パナソニックIpマネジメント株式会社 | 異常判定方法及びプログラム |
CN107993200A (zh) * | 2017-11-02 | 2018-05-04 | 天津大学 | 基于深度学***估计方法 |
CN107767343B (zh) * | 2017-11-09 | 2021-08-31 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
CN107730474B (zh) * | 2017-11-09 | 2022-02-22 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
US11120551B2 (en) * | 2017-11-27 | 2021-09-14 | Rensselaer Polytechnic Institute | Training a CNN with pseudo ground truth for CT artifact reduction |
CN107862695A (zh) * | 2017-12-06 | 2018-03-30 | 电子科技大学 | 一种基于全卷积神经网络的改进型图像分割训练方法 |
CN108416755B (zh) * | 2018-03-20 | 2020-06-30 | 南昌航空大学 | 一种基于深度学习的图像去噪方法及*** |
US11011257B2 (en) * | 2018-11-21 | 2021-05-18 | Enlitic, Inc. | Multi-label heat map display system |
-
2018
- 2018-08-23 US US16/110,764 patent/US10949951B2/en active Active
-
2019
- 2019-08-16 JP JP2019149230A patent/JP7053541B2/ja active Active
- 2019-08-20 EP EP19192724.3A patent/EP3633601A1/en active Pending
- 2019-08-22 KR KR1020190102888A patent/KR102229853B1/ko active IP Right Grant
- 2019-08-22 CN CN201910779576.5A patent/CN110858391B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015129987A (ja) | 2014-01-06 | 2015-07-16 | 国立大学法人三重大学 | 医用高解像画像形成システムおよび方法。 |
US10032256B1 (en) | 2016-11-18 | 2018-07-24 | The Florida State University Research Foundation, Inc. | System and method for image processing using automatically estimated tuning parameters |
JP2018089301A (ja) | 2016-12-07 | 2018-06-14 | 学校法人常翔学園 | 生体画像処理装置、出力画像製造方法、学習結果製造方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
KR20200026071A (ko) | 2020-03-10 |
KR102229853B1 (ko) | 2021-03-22 |
JP2020064609A (ja) | 2020-04-23 |
CN110858391B (zh) | 2023-10-10 |
US10949951B2 (en) | 2021-03-16 |
CN110858391A (zh) | 2020-03-03 |
EP3633601A1 (en) | 2020-04-08 |
US20200065940A1 (en) | 2020-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7053541B2 (ja) | 患者固有の深層学習画像ノイズ除去方法およびシステム | |
US10896352B2 (en) | Deep learning medical systems and methods for image reconstruction and quality evaluation | |
US10438354B2 (en) | Deep learning medical systems and methods for medical procedures | |
US10628943B2 (en) | Deep learning medical systems and methods for image acquisition | |
US11069056B2 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
US11003988B2 (en) | Hardware system design improvement using deep learning algorithms | |
EP3675130A1 (en) | Systems and methods to determine disease progression from artificial intelligence detection output | |
EP3648016A1 (en) | Scalable artificial intelligence model generation systems and methods for healthcare | |
US10984894B2 (en) | Automated image quality control apparatus and methods | |
US11443201B2 (en) | Artificial intelligence-based self-learning in medical imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201222 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20210520 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20210524 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211130 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220224 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220316 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220331 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7053541 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |