JP7115114B2 - X線画像物体認識システム - Google Patents
X線画像物体認識システム Download PDFInfo
- Publication number
- JP7115114B2 JP7115114B2 JP2018141669A JP2018141669A JP7115114B2 JP 7115114 B2 JP7115114 B2 JP 7115114B2 JP 2018141669 A JP2018141669 A JP 2018141669A JP 2018141669 A JP2018141669 A JP 2018141669A JP 7115114 B2 JP7115114 B2 JP 7115114B2
- Authority
- JP
- Japan
- Prior art keywords
- ray image
- learning
- ray
- data
- imaging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003384 imaging method Methods 0.000 claims description 154
- 238000013434 data augmentation Methods 0.000 claims description 86
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 34
- 230000009467 reduction Effects 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 14
- 210000004072 lung Anatomy 0.000 claims description 12
- 210000000988 bone and bone Anatomy 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000000149 penetrating effect Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 24
- 210000002758 humerus Anatomy 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000011976 chest X-ray Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 238000002601 radiography Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 210000004394 hip joint Anatomy 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 206010073306 Exposure to radiation Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000000614 rib Anatomy 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 210000004197 pelvis Anatomy 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 210000000323 shoulder joint Anatomy 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Description
(A)音声認識
人間の声を認識してテキストデータで出力したり、音声の特徴を捉えて、音声を出している人を識別する技術。
(B)自然言語処理
文書要約、機械翻訳など、人間が日常的に使う自然言語(書き言葉・話し言葉)をコンピューターに処理・理解させる技術。
(C)異常検知
工場内の監視(故障や異常動作の検知)などのように、産業機器に取り付けられたセンサの時系列検知データから異常の兆候を感知する技術。
(D)画像認識
顔認証、自動運転、感情分析などの分野で、画像や動画を入力とし、文字、顔、一般物体などの特徴を認識し検出する技術。
Deep Learningによる物体認識が可能なアルゴリズムについては、様々な論文で紹介されており、中でも、R-CNN(Regions with Convolutional Neural Networks)、Fast R-CNN、Faster R-CNN、YOLO(You Only Look Once)などのアルゴリズムが有名である。これらのアルゴリズムは、物体認識の精度を競う国際コンテスト“ImageNet Large Scale Visual Recognition Challenge(ILSVRC)”などで使われる画像を対象に考えられている。例えば、ILSVRC2012のデータセットを用いると、指定された1000のオブジェクトカテゴリーで、ランダムに5万枚のデータを学習させることが可能であり、合計5000万枚の画像データをニューラルネットワークに学習させることができる。このため、上記の各アルゴリズムを採用するニューラルネットワークでは、複雑なデータ拡張処理を必要としない。つまり、元画像に対して単純に移動、回転、拡大・縮小、反転などの処理をランダムで実施することにより、データ拡張を行うことが可能である。
(a)各X線画像の間でデータが不整形である(各X線画像の縦横比率がバラバラである)。
(b)各X線画像において撮影対象物体が映っているアングルが揃っていない(正面撮影、斜位撮影などによる)。
(c)撮影対象物体以外の異物(例えば体内に埋め込まれたペースメーカーやボルト、ネックレスなど)がX線画像に映る。
(d)正解データのあるX線画像の量が複数のクラス間で不均一である(例えば元画像として胸部の正面X線画像は多く集まるが、股関節のX線画像は集まりにくい)。
図9は、本実施形態のX線画像物体認識システム1の概略の構成を示すブロック図である。X線画像物体認識システム1は、記憶部2と、通信部3と、全体制御部4と、学習ネットワーク5と、撮影情報算出部6と、データ拡張パラメータ決定部7と、学習処理部8とを備えている。このうち、学習ネットワーク5、撮影情報算出部6、データ拡張パラメータ決定部7および学習処理部8は、大量のデータの演算処理が可能であるGPUで構成されている。このようなX線画像物体認識システム1は、例えばPC(パーソナルコンピュータ)で構成することができる。なお、図9では、本実施形態で直接関係する構成のみを図示しており、入力部(例えばマウスやキーボード)や表示部(例えば液晶表示装置)などの他の構成についての図示を省略している。
次に、本実施形態のX線画像物体認識システム1の動作について説明する。本実施形態では、入力画像に対する物体認識(推論)の前に、学習用のX線画像と正解ラベルとを含む学習セットを利用して、学習ネットワーク5の学習が行われる。図10は、学習ネットワーク5の学習方法における処理の流れを示すフローチャートである。この学習方法は、学習セット準備工程(S1)と、撮影情報算出工程(S2)と、データ拡張パラメータ決定工程(S3)と、データ拡張工程(S4)と、機械学習工程(S5)とを含む。以下、各工程の詳細について説明する。
S1では、学習用のX線画像と正解ラベルとを含む学習セットを準備する。ここでは、上記学習セットを外部の図示しないPCまたはデータベース(サーバー)にて用意し、上記学習セットのデータを上記PC等からX線画像物体認識システム1に送信することで、上記学習セットを準備する。なお、上記の学習セットは、X線画像物体認識システム1の内部で作成されて準備されてもよい。
撮影情報算出部6は、S1で準備した学習セットに含まれるX線画像と、そのX線画像に含まれる物体の領域と対応する形状の正解ラベルとに基づいて、X線撮影時の撮影条件を導くための撮影情報を算出する。例えば、図11Aで示したX線画像について撮影情報を算出する場合、撮影情報算出部6は、上記X線画像において正解ラベルL1~L3と対応する物体の領域の画素数を算出する。上記画素数は、撮影対象部位およびX線撮影時の撮影方位に固有の値であり、上記画素数に基づいて、例えば「上腕骨および肋骨を正面から撮影した」ことを導くことができる。このため、上記画素数は、X線撮影時の撮影条件を導くための撮影情報を構成する。なお、このときの撮影情報(物体領域の画素数)の算出は、学習用のX線画像と正解ラベルとを含む学習セットのそれぞれについて行われる。
く映り、X線が透過しやすい領域は黒く映る。照射野外は、X線撮影時の被爆を防ぐべく
、X線が透過しないように対象部位以外を遮蔽することによって生じるため、X線画像で
は最も白く映る。したがって、撮影情報算出部6は、図15に示すように、X線画像における画素値と度数との関係を示すヒストグラムを作成し、X線画像全体の画素数に対する、画素値が閾値Th以上である度数の合計の割合を算出することにより、X線画像全体に対する照射野外の領域の割合を照射野外の情報として算出することができる。
データ拡張パラメータ決定部7は、S2で取得された撮影情報と、物体外領域情報(照射野外の情報)と、予め設定された閾値とに基づいて、データ拡張パラメータを決定する。より具体的には以下の通りである。なお、ここでは、例として、X線画像のサイズを480画素×360画素として説明するが、以下で示す閾値は、画像サイズに応じて適宜調整可能である。
学習処理部8は、S3で決定されたデータ拡張パラメータに基づいて、学習セットに含まれるX線画像から新たなX線画像を作成するデータ拡張を行う。データ拡張の種類としては、Horizontal Flip(水平方向の反転)、Vertical Flip(垂直方向の反転)、Crop(1枚の画像からランダムに切り抜く)、Scale(スケールを変化させながらCrop)、Rotation(画像を回転)、Cutout(画像の一部をマスクすることによって、より汎化能力をあげる)、Sift(画像位置を変える)、などがある。ここでは、S3で決定されたデータ拡張パラメータに基づいて、Scale、Rotation、Siftのデータ拡張が行われる。つまり、決定された縮小・拡大率、回転角、シフト量でデータ拡張(Scale、Rotation、Sift)が行われる。Scale、Rotation、Sift以外のデータ拡張は、必要に応じて行われればよい。
学習処理部8は、S4でのデータ拡張によって取得した新たなX線画像と正解ラベルとを用いて学習ネットワーク5を機械学習させる。学習ネットワーク5の学習アルゴリズムとしては、一般的な誤差逆伝播法(バックプロパゲーション)を用いることができる。誤差逆伝播法は、学習ネットワーク5への画像(画素値)の入力に対して学習ネットワーク5の最終層から出力される値(尤度(スコア))と、正解を示す値(尤度(スコア))との2乗誤差が最小となるように、最急降下法を用いて、学習ネットワーク5を構成する各ノード(ユニット)の重み(結合荷重)を最終層側から入力層側に向かって順次変化させていく手法である。このような機械学習により、学習済みの学習ネットワーク5(学習モデル)が得られる。
上述のようにして学習ネットワーク5が機械学習されると、その学習ネットワーク5を用いて、入力画像に含まれる物体の認識(物体の推論、予測)を行うことが可能となる。図17は、X線画像物体認識システム1において、物体認識時の処理の流れを示すフローチャートである。
以上のように、本実施形態のX線画像物体認識システム1によれば、データ拡張パラメータ決定部7は、撮影情報算出部6によって算出された撮影情報に基づいてデータ拡張パラメータを決定する(S2、S3)。物体のX線撮影時の撮影条件を考慮してデータ拡張パラメータが適切に決定されるため、学習処理部8が上記データ拡張パラメータに基づいてデータ拡張を行うことで(S4)、学習用のX線画像(例えば正立状態で撮影された胸部正面のX線画像)に対して、普段のX線撮影ではあり得ない画像(天地が逆転した胸部正面のX線画像)が擬似的に作成されるような、意図しないデータ拡張が行われる事態を回避することができる。したがって、学習処理部8が、適切なデータ拡張によって取得した新たなX線画像と正解ラベルとを用いて学習ネットワーク5を機械学習させることにより(S5)、学習ネットワーク5は、推論時(物体の認識時)に学習データ以外のX線画像が入力された場合でも、入力された上記X線画像から、X線撮影された物体を適切に予測することが可能となり、物体を精度よく認識(推論)することが可能となる(S11~S13)。
5 学習ネットワーク
6 撮影情報算出部
7 データ拡張パラメータ決定部
8 学習処理部
Claims (15)
- 物体のX線画像と、前記物体に対応する正解ラベルとを含む学習セットを用いて機械学習を行う学習ネットワークと、
前記学習セットから、前記物体のX線撮影時の撮影条件を導くための撮影情報を算出する撮影情報算出部と、
前記撮影情報に基づいて、前記X線画像から新たなX線画像を作成するデータ拡張を行う際に用いるデータ拡張パラメータを決定するデータ拡張パラメータ決定部と、
前記データ拡張パラメータに基づいて前記データ拡張を行い、取得した前記新たなX線画像と前記正解ラベルとを用いて前記学習ネットワークを機械学習させる学習処理部とを備え、
前記学習ネットワークは、前記新たなX線画像を用いて機械学習を行った後に入力されるX線画像から、X線撮影された物体を認識してその認識結果を出力し、
前記撮影情報算出部は、前記学習セットに含まれる前記X線画像と、前記X線画像に含まれる前記物体の領域と対応する形状の前記正解ラベルとに基づいて、前記撮影情報を算出し、
前記撮影情報は、前記X線画像において前記正解ラベルと対応する前記物体の領域の画素数であることを特徴とするX線画像物体認識システム。 - 物体のX線画像と、前記物体に対応する正解ラベルとを含む学習セットを用いて機械学習を行う学習ネットワークと、
前記学習セットから、前記物体のX線撮影時の撮影条件を導くための撮影情報を算出する撮影情報算出部と、
前記撮影情報に基づいて、前記X線画像から新たなX線画像を作成するデータ拡張を行う際に用いるデータ拡張パラメータを決定するデータ拡張パラメータ決定部と、
前記データ拡張パラメータに基づいて前記データ拡張を行い、取得した前記新たなX線画像と前記正解ラベルとを用いて前記学習ネットワークを機械学習させる学習処理部とを備え、
前記学習ネットワークは、前記新たなX線画像を用いて機械学習を行った後に入力されるX線画像から、X線撮影された物体を認識してその認識結果を出力し、
前記撮影情報算出部は、前記学習セットに含まれる前記X線画像内で前記物体を囲む矩形領域に基づいて、前記撮影情報を算出し、
前記撮影情報は、前記矩形領域の面積であることを特徴とするX線画像物体認識システム。 - 前記撮影情報算出部は、前記学習セットから、前記学習セットに含まれる前記X線画像内で前記物体以外の領域を示す物体外領域情報をさらに算出することを特徴とする請求項1または2に記載のX線画像物体認識システム。
- 前記物体外領域情報は、X線の照射野外の情報であり、
前記撮影情報算出部は、前記学習セットに含まれる、前記X線の照射野外の領域に対応する形状の正解ラベルに基づいて、前記照射野外の情報を算出することを特徴とする請求項3に記載のX線画像物体認識システム。 - 前記物体外領域情報は、X線の照射野外の情報であり、
前記撮影情報算出部は、前記学習セットに含まれる前記X線画像のヒストグラム情報に基づいて、前記照射野外の情報を算出することを特徴とする請求項3に記載のX線画像物体認識システム。 - 前記物体外領域情報は、X線の照射野外の情報であり、
前記撮影情報算出部は、前記学習セットに含まれる前記X線画像の各画素値を二値化した二値化画像に基づいて、前記照射野外の情報を算出することを特徴とする請求項3に記載のX線画像物体認識システム。 - 前記データ拡張パラメータ決定部は、前記撮影情報と、前記物体外領域情報と、予め設定された閾値とに基づいて、前記データ拡張パラメータを決定することを特徴とする請求項3から6のいずれかに記載のX線画像物体認識システム。
- 前記データ拡張パラメータは、前記X線画像の縮小・拡大率、シフト量、回転角のうちの少なくとも1つであることを特徴とする請求項7に記載のX線画像物体認識システム。
- 前記データ拡張パラメータ決定部は、前記学習セットに含まれる前記X線画像内の前記物体の領域の総画素数が第1の閾値以上である場合に、前記データ拡張パラメータとしての前記縮小・拡大率を、前記X線画像を等倍または縮小する値に設定することを特徴とする請求項8に記載のX線画像物体認識システム。
- 前記データ拡張パラメータ決定部は、前記学習セットに含まれる前記X線画像内の前記物体の領域の総画素数が前記第1の閾値よりも小さい第2の閾値以下である場合に、前記縮小・拡大率を、前記X線画像を等倍または拡大する値に設定することを特徴とする請求項9に記載のX線画像物体認識システム。
- 前記データ拡張パラメータ決定部は、前記縮小・拡大率とともに、前記シフト量および前記回転角の少なくとも一方を決定することを特徴とする請求項9または10に記載のX線画像物体認識システム。
- 前記データ拡張パラメータ決定部は、前記学習セットに含まれる前記X線画像内の前記物体外領域の総画素数が第3の閾値未満である場合に、前記データ拡張パラメータの設定可能範囲を制限することを特徴とする請求項8から11のいずれかに記載のX線画像物体認識システム。
- 前記物体は、人物においてX線の透過量が相対的に少ないX線低透過領域、およびX線の透過量が相対的に多いX線高透過領域の少なくとも一方を含むことを特徴とする請求項1から12のいずれかに記載のX線画像物体認識システム。
- 前記X線低透過領域は、前記人物の骨の領域を含み、前記X線高透過領域は、前記人物の肺野の領域を含むことを特徴とする請求項13に記載のX線画像物体認識システム。
- 前記学習ネットワークは、ニューラルネットワークで構成されていることを特徴とする請求項1から14のいずれかに記載のX線画像物体認識システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018141669A JP7115114B2 (ja) | 2018-07-27 | 2018-07-27 | X線画像物体認識システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018141669A JP7115114B2 (ja) | 2018-07-27 | 2018-07-27 | X線画像物体認識システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020014799A JP2020014799A (ja) | 2020-01-30 |
JP7115114B2 true JP7115114B2 (ja) | 2022-08-09 |
Family
ID=69581710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018141669A Active JP7115114B2 (ja) | 2018-07-27 | 2018-07-27 | X線画像物体認識システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7115114B2 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7497145B2 (ja) * | 2019-08-30 | 2024-06-10 | キヤノン株式会社 | 機械学習装置、機械学習方法及びプログラム、情報処理装置、放射線撮影システム |
JPWO2021182343A1 (ja) * | 2020-03-13 | 2021-09-16 | ||
CN111429410B (zh) * | 2020-03-13 | 2023-09-01 | 杭州电子科技大学 | 一种基于深度学习的物体x射线图像材质判别***及方法 |
WO2023042301A1 (ja) * | 2021-09-15 | 2023-03-23 | 日本電気株式会社 | 情報処理装置、情報処理方法、及び、記録媒体 |
JP2023065028A (ja) * | 2021-10-27 | 2023-05-12 | 堺化学工業株式会社 | 教師データ生成方法、画像解析モデル生成方法、画像解析方法、教師データ生成プログラム、画像解析プログラムおよび教師データ生成装置 |
WO2023152882A1 (ja) * | 2022-02-10 | 2023-08-17 | 日本電気株式会社 | モデル訓練装置、モデル訓練方法、及び非一時的なコンピュータ可読媒体 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004536367A (ja) | 2001-01-23 | 2004-12-02 | バイオウルフ テクノロジーズ エルエルスィー | コンピュータ利用画像分析 |
JP2008011901A (ja) | 2006-07-03 | 2008-01-24 | Fujifilm Corp | 画像種類判別装置および方法並びにプログラム |
WO2011033890A1 (ja) | 2009-09-17 | 2011-03-24 | シャープ株式会社 | 診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置 |
WO2017106645A1 (en) | 2015-12-18 | 2017-06-22 | The Regents Of The University Of California | Interpretation and quantification of emergency features on head computed tomography |
JP2018517209A (ja) | 2015-05-28 | 2018-06-28 | トキタエ エルエルシー | 画像分析システムおよび関連する方法 |
-
2018
- 2018-07-27 JP JP2018141669A patent/JP7115114B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004536367A (ja) | 2001-01-23 | 2004-12-02 | バイオウルフ テクノロジーズ エルエルスィー | コンピュータ利用画像分析 |
JP2008011901A (ja) | 2006-07-03 | 2008-01-24 | Fujifilm Corp | 画像種類判別装置および方法並びにプログラム |
WO2011033890A1 (ja) | 2009-09-17 | 2011-03-24 | シャープ株式会社 | 診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置 |
JP2018517209A (ja) | 2015-05-28 | 2018-06-28 | トキタエ エルエルシー | 画像分析システムおよび関連する方法 |
WO2017106645A1 (en) | 2015-12-18 | 2017-06-22 | The Regents Of The University Of California | Interpretation and quantification of emergency features on head computed tomography |
Also Published As
Publication number | Publication date |
---|---|
JP2020014799A (ja) | 2020-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7115114B2 (ja) | X線画像物体認識システム | |
EP3444776B1 (en) | Topogram prediction from surface data in medical imaging | |
EP3525171B1 (en) | Method and system for 3d reconstruction of x-ray ct volume and segmentation mask from a few x-ray radiographs | |
CN110858391B (zh) | 患者专用的深度学习图像降噪方法和*** | |
US11151721B2 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
CN112489005B (zh) | 骨分割方法及装置、骨折检出方法及装置 | |
CN112215858A (zh) | 用于图像分割和识别的方法和*** | |
CN111881926A (zh) | 图像生成、图像生成模型的训练方法、装置、设备及介质 | |
WO2020070834A1 (ja) | 学習済みモデルの製造方法、輝度調整方法および画像処理装置 | |
CN112634283A (zh) | 使用小样本图像训练的髋关节分割模型建立方法及其应用 | |
CN111524109B (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
EP4307221A1 (en) | Hierarchical segmentation method and apparatus for tissue structure in medical image, device, and medium | |
WO2024001140A1 (zh) | 一种椎体亚区域分割方法、装置及存储介质 | |
JP2022527525A (ja) | 画像データ中の病変部の境界の識別 | |
CN113256672B (zh) | 图像处理方法及装置,模型的训练方法及装置,电子设备 | |
Zhong et al. | Multi-scale attention generative adversarial network for medical image enhancement | |
US11816815B2 (en) | Computer-implemented methods and systems for provision of a correction algorithm for an x-ray image and for correction of an x-ray image, x-ray facility, computer program, and electronically readable data medium | |
Krell et al. | Enhancement and associative restoration of electronic portal images in radiotherapy | |
Porto et al. | Improving interpretability of 2-d ultrasound of the lumbar spine | |
Tizhoosh et al. | Knowledge-based enhancement of megavoltage images in radiation therapy using a hybrid neuro-fuzzy system | |
JP7454456B2 (ja) | 画像処理装置、画像処理方法、及び、プログラム | |
KR102661917B1 (ko) | Mri 이미지를 활용한 ct 유사 이미지의 획득 방법 및 이를 수행하는 컴퓨팅 장치 | |
Pilgram et al. | Proximal femur segmentation in conventional pelvic x ray | |
EP4212090A1 (en) | Providing key elements of the examination region in an x-ray image | |
CN116993787A (zh) | 植入体遮挡下的脊椎医学图像配准方法、装置和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210322 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220208 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220210 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220322 |
|
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: 20220628 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220711 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7115114 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |