CN114022377A - 一种基于卷积神经网络的低剂量x射线乳腺成像方法 - Google Patents
一种基于卷积神经网络的低剂量x射线乳腺成像方法 Download PDFInfo
- Publication number
- CN114022377A CN114022377A CN202111295954.6A CN202111295954A CN114022377A CN 114022377 A CN114022377 A CN 114022377A CN 202111295954 A CN202111295954 A CN 202111295954A CN 114022377 A CN114022377 A CN 114022377A
- Authority
- CN
- China
- Prior art keywords
- dose
- image
- low
- ray
- mammary gland
- 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
- 210000005075 mammary gland Anatomy 0.000 title claims abstract description 83
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 62
- 238000003384 imaging method Methods 0.000 title claims abstract description 46
- 210000000481 breast Anatomy 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 22
- 230000005855 radiation Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000004907 flux Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 208000030270 breast disease Diseases 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 231100000405 induce cancer Toxicity 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于卷积神经网络的低剂量X射线乳腺成像方法，包括：获取低剂量X射线乳腺图像；建立卷积神经网络；训练卷积神经网络；使用已训练网络对低剂量X射线乳腺图像进行降噪。本发明有效抑制低剂量X射线乳腺图像的量子噪声，提高低剂量X射线乳腺图像的图像质量，大大降低了临床X射线乳腺检测的辐射剂量；低剂量X射线乳腺图像的量子噪声近似服从泊松分布并依赖于像素值，使用传统降噪算法难以对其进行有效去除，本发明基于卷积神经网络并采用监督学习算法，学习低剂量X射线乳腺图像到标准剂量X射线乳腺图像的映射，能够有效抑制低剂量X射线乳腺图像噪声，提高图像质量，降低X射线乳腺检测的辐射剂量。
Description
技术领域
本发明实施例涉及X射线乳腺成像及深度学习领域，尤其涉及一种基于卷积神经网络的低剂量X射线乳腺成像方法。
背景技术
乳腺癌作为女性发病率和致死率最高的癌症之一，已经引起了全球的医务工作者、科学研究人员的日益重视。影像学检查是乳腺疾病诊断和筛查最为重要的手段之一，常见的乳腺疾病影像学技术主要包括：超声乳腺成像、核磁共振乳腺成像、X射线乳腺成像。其中，X射线乳腺成像是目前诊断乳腺疾病最有效、最可靠的方法。
X射线作为一种高能射线，会对人体产生辐射，这种辐射能够穿透细胞，破坏DNA，甚至会诱发癌症。降低管电流是一种降低X射线辐射剂量的有效方法，但是会在探测器采集到的图像上引入量子噪声，这种噪声服从泊松分布，且依赖于图像的像素值。这种量子噪声与常见的高斯噪声不同，难以使用传统降噪方法进行去除。
深度学习技术在图像处理领域取得了众多应用成果。其中，卷积神经网络具有稀疏连接、局部连接以及参数共享的特点，尤其适合处理图像数据，已经被广泛地应用于图像降噪等各种图像处理算法当中。
发明内容
本发明技术解决问题：克服现有技术的不足，提供一种基于卷积神经网络的低剂量X射线乳腺成像方法，以减少X射线乳腺成像的辐射剂量，提高低剂量X射线乳腺成像的图像质量。
第一方面，本发明实施例提供了一种基于卷积神经网络的低剂量X射线乳腺成像方法，包括：
步骤一：通过降低管电流来降低X射线乳腺成像的辐射剂量，获取低剂量X射线乳腺图像，该过程在图像中引入量子噪声，得到引入量子噪声的低剂量X射线乳腺图像量子噪声，该量子噪声服从泊松分布并且依赖于低剂量X射线乳腺图像的像素值；
步骤二：建立卷积神经网络对所述引入量子噪声的低剂量X射线乳腺图像进行处理，对进行降噪，获得不含量子噪声的高质量乳腺图像；所述卷积神经网络基于U-Net与Densenet，以卷积层及激活函数为基本单元构建卷积神经网络；在网络中具有下采样和上采样操作，图像输出尺寸与输入尺寸相同，建立卷积神经网络；
步骤三：训练所述降噪卷积神经网络，使网络模型能实现预期目标；训练过程是将步骤一中的低剂量X射线乳腺图像作为网络输入，标准射线辐射剂量下的X射线乳腺图像作为网络标签，训练过程会使网络不断通过降低损失函数来达到参数优化，得到训练的卷积神经网络；
步骤四：将获取低剂量X射线乳腺图像输入至已训练完成的卷积神经网络进行降噪，获取低噪声的X射线乳腺图像。
所述低剂量X射线乳腺成像是通过降低管电流来实现降低单位时间内的光子通量，达到射线剂量的有效降低。
所述步骤二中，量子噪声服从泊松分布，且低剂量X射线乳腺图像的像素值，所述像素值如公式(1)所示：
其中，Ild(x,y)为低剂量X射线乳腺图像在点(x,y)处的像素值，Ind(x,y)为标准X射线乳腺图像在点(x,y)处的像素值，λ为控制量子噪声程度的常数，Possion()为泊松序列发生器。
所述步骤三中，使用公式(2)-(5)所示的基于卷积神经网络的降噪技术对所述引入量子噪声的低剂量X射线乳腺图像进行处理，获得不含量子噪声的高质量乳腺图像；
f(P(ω))＝WT·P(ω)+Bias (3)
其中，P(ω)为低剂量X射线乳腺图像，
为标准剂量X射线乳腺图像，ω为探测器探元位置；f和F表示基于深度学习技术的编码网络和解码网络，分别用于从P(ω)中提取特征和从特征中解析出量子噪声的分布情况；Λ表示非线性映射函数；Error表示所示降噪卷积神经网络的学习目标，用于衡量网络输出与标签之间的差异；W和Bias表示卷积神经网络中的学习参数即权重和偏置，参数更新通过利用梯度下降算法求解学习目标对参数的偏导数实现；η和
分别表示学习率和学习的固有网络参数。
所述编码网络f中，首先通过两层卷积层来提取初级特征，初级特征被传入下采样模块和密集连接块来提取中间特征，之后这些中间特征使用转置卷积来恢复特征的空间分辨率，最后通过卷积成来进行通道压缩并保持输出图像的尺寸与输入图像的尺寸保持一致。
所述步骤三中，对低剂量X射线乳腺图像和相应的标准计量X射线乳腺图像进行归一化处理，并将灰度值拉伸至0-255；将降质的低剂量X射线乳腺图像输入卷积神经网络获得输出图像，计算输出图像和标准计量X射线乳腺图像的多尺度特征相似度，并以此构造损失函数，采用反向传播算法对卷积神经网络参数进行优化，从而训练卷积神经网络。
第二方面，本发明实施例提供了一种基于卷积神经网络的低剂量X射线乳腺成像装置，包括：
图像采集模块，使用探测器获取低剂量X射线乳腺图像；
图像降噪模块，包括：将获取的低剂量X射线乳腺图像输入至已训练完成的卷积神经网络进行降噪，获取低噪声的X射线乳腺图像。
第三方面，本发明实施例提供了一种基于卷积神经网络的低剂量X射线乳腺成像设备，包括：
储存器，用于存储计算机程序；
中央处理单元，用于执行所述计算机程序，用以实现前述公开的基于卷积神经网络的低剂量X射线乳腺成像方法；
图形处理单元，用于加速所述计算机程序，用以对前述公开的基于卷积神经网络的低剂量X射线乳腺成像方法进行加速。
第四方面，本发明实施例提供了一种可读存储介质，用以保存计算机程序，其中所述计算机程序在中央处理单元及图形处理单元执行时实现前述公开的基于卷积神经网络的低剂量X射线乳腺成像方法。
本发明与现有技术相比的优点在于：本发明的基于卷积神经网络的低剂量X射线乳腺成像方法，相比于传统图像降噪算法，能够有效抑制低剂量X射线乳腺成像所引入的量子噪声，降低X射线乳腺检查的辐射剂量，提高低剂量X射线乳腺成像的图像质量。
附图说明
图1为本发明的基于卷积神经网络的低剂量X射线乳腺成像方法流程图；
图2为本发明的卷积神经网络结构图；
图3为本发明的密集连接块结构图；
图4为泊松噪声参数λ为0.001时的低剂量X射线乳腺图像降噪结果；
图5为泊松噪声参数λ为0.005时的低剂量X射线乳腺图像降噪结果；
图6为泊松噪声参数λ为0.01时的低剂量X射线乳腺图像降噪结果；
图7为本发明基于卷积神经网络的低剂量X射线乳腺成像装置的结构图；
图8为本发明的基于卷积神经网络的低剂量X射线乳腺成像设备的结构图。
具体实施方式
本发明实施例针对低剂量X射线乳腺成像的量子噪声难以使用传统降噪算法进行抑制的问题，提供了基于卷积神经网络的低剂量X射线乳腺成像方法，该方法具体步骤如图1所示：
步骤S101、获取低剂量X射线乳腺图像。
使用探测器对X射线光子信号进行采集，通过降低管电流的方式来降低X射线乳腺成像的辐射剂量，该过程会在图像中引入量子噪声，噪声服从泊松分布并且依赖于图像像素值。
步骤S102、建立卷积神经网络。
卷积神经网络的结构如图2所示，首先使用2层3×3的卷积层从输入图像提取初级特征，然后将这些特征传递给下采样模块，用于缩小特征层的空间分辨率，减少计算量同时提升网络的感受野。下采样之后的特征输入到密集连接块，之后再经过下采样模块、密集连接块得到图像的中间特征。再将中间特征通过反卷积，来恢复器空间分辨率，并重构图像中的特征。最终使用3×3的卷积来实现通道压缩，使得输出图像的尺寸和输入图像的尺寸保持一致。
如图3所示，密集连接块的结构共有4层卷积层，每层卷积层只使用少量的卷积核；同时每一层的输入与该层的输出进行拼接，作为下一层的输入。这种密集连接方式能够使每一层的卷积都能够获得之前提取出来的有效信息，以获得更好的表达能力。采用密集连接的方式，能够使用更少的网络参数来达到更好的性能，提高了计算效率，同时还具有正则化的效果，避免过拟合。
同时，卷积神经网络将经过下采样之后的不同尺度的特征进行拼接，使深层卷积能够同时利用低层级特征的位置信息以及高层及特征的语义信息，增强网络的表达能力。同时这种拼接还能够便于梯度传播至靠近输入端的参数，避免了梯度消失的问题。
步骤S103、训练卷积神经网络。
以一系列的低剂量X射线乳腺图像和相应的标准剂量X射线乳腺图像来进行训练，其中低剂量图像与标准剂量图像均进行归一化，并将灰度值拉伸至0-255。将低剂量X射线乳腺图像输入卷积神经网络获得输出图像；计算输出图像和标准计量X射线乳腺图像的多尺度特征相似度，并以此构造损失函数，如公式(1)所示，其中MS_SSIM为计算多尺度结构相似度的函数，Ind为标准剂量X射线乳腺图像，Iout为卷积神经网络输出图像。对计算得到的损失函数采用反向传播算法对卷积神经网络参数进行优化。
loss＝1-MS_SSIM(Ind,Iout) (1)
步骤S104、使用已训练网络对低剂量X射线乳腺图像进行降噪。
将低剂量X射线乳腺图像输入至已训练的卷积神经网络进行降噪，获取低噪声的X射线乳腺图像。
本发明实施例相比于传统图像降噪算法，能够有效抑制低剂量X射线乳腺成像所引入的量子噪声，降低X射线乳腺检查的辐射剂量，提高低剂量X射线乳腺成像的图像质量。
为了证明上述实施例的效果，本发明实施例进行了如下实验，实验步骤如下：
(1)从CBIS-DDSM数据库随机选取500张标准剂量的X射线乳腺图像，并根据公式(2)所示的噪声模型对标准剂量的X射线乳腺图像添加量子噪声，模拟低剂量X射线乳腺图像，其中Ild(x,y)为低剂量X射线乳腺图像在点(x,y)处的像素值，Ind(x,y)为标准X射线乳腺图像在点(x,y)处的像素值，λ为控制量子噪声程度的常数，Possion()为泊松序列发生器。
本实验中λ分别取为0.001，0.005与0.01。将所述加噪图像与标准剂量图像构成训练数据集。
(2)对所述卷积神经网络进行训练，批量大小设置为4，初始学习率设置为0.01，训练总轮数设置为100。
(3)另外选取50张X射线乳腺图像输入已训练的卷积神经网络，得到降噪图像。
图4为泊松噪声参数λ为0.001时的低剂量X射线乳腺图像降噪结果；图5为泊松噪声参数λ为0.005时的低剂量X射线乳腺图像降噪结果；图6为泊松噪声参数λ为0.01时的低剂量X射线乳腺图像降噪结果。由图4、5和7可知，本发明能够有效去除低剂量X射线乳腺的量子噪声，提高低剂量X射线乳腺图像的质量，降低X射线乳腺检查的辐射剂量。
图7为本发明实施例提供的基于卷积神经网络的低剂量X射线乳腺成像装置的结构图。如图7所示，针对基于卷积神经网络的低剂量X射线乳腺成像装置包括图像采集模块701和图像降噪模块702。其中，图像采集模块使用探测器获取低剂量X射线乳腺图像；图像降噪模块将获取的低剂量X射线乳腺图像输入至已训练完成的卷积神经网络进行降噪，用以获取低噪声的X射线乳腺图像。
本发明实施例相比于传统图像降噪技术，能够有效抑制低剂量X射线乳腺图像的量子噪声，改善低剂量X射线乳腺图像的图像质量，降低X射线乳腺检测的辐射剂量。
图8为本发明实施例提供的基于卷积神经网络的低剂量X射线乳腺成像设备。如图8所示，针对基于基于卷积神经网络的低剂量X射线乳腺成像设备包括801存储器，802中央处理单元，803图形处理单元。其中，存储器，用于保存计算机程序；中央处理单元，用于执行所述计算机程序，以实现上述图1所提供的方法实施例；图像处理单元，用以对上述图1所提供的方法实施例进行加速。
下面对本发明实施例提供的一种可读存储介质进行介绍，所述可读存储介质用于保存计算机程序，其中，所述计算机程序在被中央处理单元及图形处理单元执行时实现前述实施例公开的基于卷积神经网络的低剂量X射线乳腺成像方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容在此不做赘述。
综上所述，本发明实施例相比于传统图像降噪技术，能够有效抑制低剂量X射线乳腺图像的量子噪声，改善低剂量X射线乳腺图像的图像质量，降低X射线乳腺检测的辐射剂量。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种基于卷积神经网络的低剂量X射线乳腺成像方法，其特征在于，包括：
步骤一：通过降低管电流来降低X射线乳腺成像的辐射剂量，获取低剂量X射线乳腺图像，该过程在图像中引入量子噪声，得到引入量子噪声的低剂量X射线乳腺图像量子噪声，该量子噪声服从泊松分布并且依赖于低剂量X射线乳腺图像的像素值；
步骤二：建立卷积神经网络对所述引入量子噪声的低剂量X射线乳腺图像进行处理，对进行降噪，获得不含量子噪声的高质量乳腺图像；所述卷积神经网络基于U-Net与Densenet，以卷积层及激活函数为基本单元构建卷积神经网络；在网络中具有下采样和上采样操作，图像输出尺寸与输入尺寸相同，建立卷积神经网络；
步骤三：训练所述降噪卷积神经网络，使网络模型能实现预期目标；训练过程是将步骤一中的低剂量X射线乳腺图像作为网络输入，标准射线辐射剂量下的X射线乳腺图像作为网络标签，训练过程会使网络不断通过降低损失函数来达到参数优化，得到训练的卷积神经网络；
步骤四：将获取低剂量X射线乳腺图像输入至已训练完成的卷积神经网络进行降噪，获取低噪声的X射线乳腺图像。
2.根据权利要求1所述的一种基于卷积神经网络的低剂量X射线乳腺成像方法，其特征在于：所述低剂量X射线乳腺成像是通过降低管电流实现降低单位时间内的光子通量，达到射线剂量的有效降低。
3.根据权利要求1所述的一种基于卷积神经网络的低剂量X射线乳腺成像方法，其特征在于：所述步骤二中，量子噪声服从泊松分布，且低剂量X射线乳腺图像的像素值，所述像素值如公式(1)所示：
其中，Ild(x,y)为低剂量X射线乳腺图像在点(x,y)处的像素值，Ind(x,y)为标准X射线乳腺图像在点(x,y)处的像素值，λ为控制量子噪声程度的常数，Possion()为泊松序列发生器。
4.根据权利要求1所述的一种基于卷积神经网络的低剂量X射线乳腺成像方法，其特征在于：所述步骤三中，使用公式(2)-(5)所示的基于卷积神经网络的降噪技术对所述引入量子噪声的低剂量X射线乳腺图像进行处理，获得不含量子噪声的高质量乳腺图像；
f(P(ω))＝WT·P(ω)+Bias (3)
其中，P(ω)为低剂量X射线乳腺图像，
为标准剂量X射线乳腺图像，ω为探测器探元位置；f和F表示基于深度学习技术的编码网络和解码网络，分别用于从P(ω)中提取特征和从特征中解析出量子噪声的分布情况；Λ表示非线性映射函数；Error表示所示降噪卷积神经网络的学习目标，用于衡量网络输出与标签之间的差异；W和Bias表示卷积神经网络中的学习参数即权重和偏置，参数更新通过利用梯度下降算法求解学习目标对参数的偏导数实现；η和
分别表示学习率和学习的固有网络参数。
5.根据权利要求4所述的一种基于卷积神经网络的低剂量X射线乳腺成像方法，其特征在于：所述编码网络f中，首先通过两层卷积层来提取初级特征，初级特征被传入下采样模块和密集连接块来提取中间特征，之后这些中间特征使用转置卷积来恢复特征的空间分辨率，最后通过卷积成来进行通道压缩并保持输出图像的尺寸与输入图像的尺寸保持一致。
6.根据权利要求1所述的一种基于卷积神经网络的低剂量X射线乳腺成像方法，其特征在于：所述步骤三中，对低剂量X射线乳腺图像和相应的标准计量X射线乳腺图像进行归一化处理，并将灰度值拉伸至0-255；将降质的低剂量X射线乳腺图像输入卷积神经网络获得输出图像，计算输出图像和标准计量X射线乳腺图像的多尺度特征相似度，并以此构造损失函数，采用反向传播算法对卷积神经网络参数进行优化，从而训练卷积神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111295954.6A CN114022377A (zh) | 2021-11-03 | 2021-11-03 | 一种基于卷积神经网络的低剂量x射线乳腺成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111295954.6A CN114022377A (zh) | 2021-11-03 | 2021-11-03 | 一种基于卷积神经网络的低剂量x射线乳腺成像方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114022377A true CN114022377A (zh) | 2022-02-08 |
Family
ID=80060720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111295954.6A Pending CN114022377A (zh) | 2021-11-03 | 2021-11-03 | 一种基于卷积神经网络的低剂量x射线乳腺成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022377A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150196265A1 (en) * | 2014-01-15 | 2015-07-16 | Alara Systems, Inc | Converting low-dose to higher dose mammographic images through machine-learning processes |
| CN108492269A (zh) * | 2018-03-23 | 2018-09-04 | 西安电子科技大学 | 基于梯度正则卷积神经网络的低剂量ct图像去噪方法 |
| US20200118306A1 (en) * | 2018-10-12 | 2020-04-16 | Korea Advanced Institute Of Science And Technology | Method for processing unmatched low-dose x-ray computed tomography image using neural network and apparatus therefor |
| CN111047524A (zh) * | 2019-11-13 | 2020-04-21 | 浙江工业大学 | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 |
| CN112348936A (zh) * | 2020-11-30 | 2021-02-09 | 华中科技大学 | 一种基于深度学习的低剂量锥束ct图像重建方法 |
-
2021
- 2021-11-03 CN CN202111295954.6A patent/CN114022377A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150196265A1 (en) * | 2014-01-15 | 2015-07-16 | Alara Systems, Inc | Converting low-dose to higher dose mammographic images through machine-learning processes |
| CN108492269A (zh) * | 2018-03-23 | 2018-09-04 | 西安电子科技大学 | 基于梯度正则卷积神经网络的低剂量ct图像去噪方法 |
| US20200118306A1 (en) * | 2018-10-12 | 2020-04-16 | Korea Advanced Institute Of Science And Technology | Method for processing unmatched low-dose x-ray computed tomography image using neural network and apparatus therefor |
| CN111047524A (zh) * | 2019-11-13 | 2020-04-21 | 浙江工业大学 | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 |
| CN112348936A (zh) * | 2020-11-30 | 2021-02-09 | 华中科技大学 | 一种基于深度学习的低剂量锥束ct图像重建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghodrati et al. | MR image reconstruction using deep learning: evaluation of network structure and loss functions | |
| Kuanar et al. | Low dose abdominal CT image reconstruction: an unsupervised learning based approach | |
| CN111325686B (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
| CN110443867B (zh) | 基于生成对抗网络的ct图像超分辨率重构方法 | |
| WO2022041521A1 (zh) | 基于教师-学生生成器的低剂量Sinogram去噪与PET图像重建方法 | |
| WO2020135630A1 (en) | Systems and methods for image reconstruction | |
| CN113298710B (zh) | 基于外部注意力机制的光学相干层析超分辨率成像方法 | |
| CN110728729A (zh) | 一种基于注意机制的无监督ct投影域数据恢复方法 | |
| WO2022246677A1 (zh) | 一种增强ct图像的重建方法 | |
| CN112070752B (zh) | 一种医学图像的心耳分割方法、装置及存储介质 | |
| CN117036162B (zh) | 轻量级胸部ct图像超分辨率的残差特征注意力融合方法 | |
| US12125198B2 (en) | Image correction using an invertable network | |
| CN113744275A (zh) | 一种基于特征变换的三维cbct牙齿图像的分割方法 | |
| CN112734871A (zh) | 基于admm和深度学习的低剂量pet图像重建算法 | |
| CN113516586A (zh) | 一种低剂量ct图像超分辨率去噪方法和装置 | |
| US20240041412A1 (en) | Few-view ct image reconstruction system | |
| Wu et al. | End-to-end abnormality detection in medical imaging | |
| CN111325695A (zh) | 基于多剂量等级的低剂量图像增强方法、系统及存储介质 | |
| WO2020113148A1 (en) | Single or a few views computed tomography imaging with deep neural network | |
| JP2024507767A (ja) | コントラスト補正機械学習システムのための訓練データ合成器 | |
| CN114049334A (zh) | 一种以ct图像为输入的超分辨率mr成像方法 | |
| CN117953208A (zh) | 一种基于图的边缘注意力门医学影像分割方法及装置 | |
| CN117541471A (zh) | 基于sph启发的pg-spect图像超分辨重建方法 | |
| Chen et al. | A Total-Body Ultra-Low Dose PET Reconstruction Method via Image Space Shuffle U-Net and Body Sampling | |
| CN114022377A (zh) | 一种基于卷积神经网络的低剂量x射线乳腺成像方法 |
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 |