[go: up one dir, main page]

TWI838785B - 三維醫療影像的建構方法 - Google Patents

三維醫療影像的建構方法 Download PDF

Info

Publication number
TWI838785B
TWI838785B TW111125437A TW111125437A TWI838785B TW I838785 B TWI838785 B TW I838785B TW 111125437 A TW111125437 A TW 111125437A TW 111125437 A TW111125437 A TW 111125437A TW I838785 B TWI838785 B TW I838785B
Authority
TW
Taiwan
Prior art keywords
image
dimensional
scale
important feature
dimensional image
Prior art date
Application number
TW111125437A
Other languages
English (en)
Other versions
TW202403778A (zh
Inventor
陳怡文
施政廷
黃揆洲
方信元
許凱程
Original Assignee
中國醫藥大學
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 中國醫藥大學 filed Critical 中國醫藥大學
Priority to TW111125437A priority Critical patent/TWI838785B/zh
Priority to US18/336,181 priority patent/US20240013473A1/en
Priority to CN202310809976.2A priority patent/CN117391933A/zh
Priority to EP23182955.7A priority patent/EP4303819A1/en
Publication of TW202403778A publication Critical patent/TW202403778A/zh
Application granted granted Critical
Publication of TWI838785B publication Critical patent/TWI838785B/zh

Links

Classifications

    • G06T12/20—
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/436—Limited angle
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/441—AI-based methods, deep learning or artificial neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一種三維醫療影像的建構方法，其步驟包含輸入對應一人體部位之至少一特徵參數之一二維影像以及一三維已知影像，透過一深度學習，建立將該二維影像展開產生一三維重建影像之一神經網路；及輸入任一該二維影像，以該神經網路運算並重建一三維重建影像。

Description

三維醫療影像的建構方法
本發明涉及一種將二維的醫療影像轉換為三維醫療影像的方法。
醫療影像技術以經是現代醫學不可或缺的一部分，其中核磁共振MRI與斷層掃瞄CT是最為常見的三維醫療影像。
三維醫療影像對於醫生細部瞭解人體組織與疾病診斷幾乎已是不可或缺之輔助工具，因其三維影像之特性，對於輔助醫生瞭解病徵部位與詳細病理資訊，有其不可替代之重要性。該三維影像雖有各種好處，唯一最大的問題就在於其拍攝便利性稍嫌不佳，且其費用相較於X光攝影高出不少，此外，常見三維醫療影像中，CT將帶給病患可觀的輻射劑量，而MRI則有成像耗時的問題，是三維立體影像主要需要更加改善與面對的問題。
為了解決現有CT或MRI等三維立體影像拍攝便利性、成本上的技術問題，本發明提出一種將二維影像組織成為三維影像之方法，其步驟包含：輸入對應一人體部位之至少一特徵參數之一二維影像以及一三維已知影像，透過一深度學習，建立將該二維影像展開產生一三維重建影像之一神經網路；及輸入任一該二維影像，以該神經網路運算並重建一三維重建影像。
其中，該特徵參數包含該人體部位對應該二維影像之一拍攝角度、一光源距離、一成像距離或一正反面。
其中，該深度學習係提取該二維影像之資訊，並建立該三維重建影像，其係首先將輸入之該二維影像輸入一卷積層之後經一批次正規化，最後輸入一活化層，藉以初步提取該二維影像之特徵並篩選其間之一重要特徵，之後以一殘差模塊演算進一步提取特徵並將該深度神經網路之前一層之該重要特徵加回，接著以stride為2之該卷積層中，縮小X、Y方向之該重要特徵之尺度，並同時放大Z方向的該重要特徵之尺度，同時增加核心數量以滿足各類型特正提取反應所需，重複此步驟多次至合適尺度大小及核心數量，再以該殘差模塊合成該三維已知影像上的該重要特徵，並以stride為2之一轉置卷積層放大該重要特徵於X、Y方向上的尺度大小以及同時縮小Z方向的尺度，重複此步驟直到該重要特徵大小與該三維已知影像之體積大小一致。
由前述說明可知，本發明達成效果如下：
1.將二維X光影像展開成為三維立體影像的方法，其利用考量二維影像中幾何變形狀況參與深度學習過程，例如利用卷基層提取資訊，並將二維影像厚度逐步變厚，最後成為該三維重建影像。
2.本發明僅使用單一張X光影像下，經本發明提出的深度學習神經網路可有效重建人體組織資訊，由差異影像中未出現明確解剖特徵，平均絕對百分誤差為3.71%，所有驗證案例之平均絕對百分誤差為4.16%，顯示本方法訓練之深度神經網路可準確利用X光拍攝範圍內，重建對應位置之三維人體影像組織圖。
3.本發明解決現有技術如果要重建二維影像必須使用外部定位資訊(例如參考座標)或需要輸入不同拍攝角度之二維影像，才可建立重建三維影像的技術問題，達成單純僅用單張二維影像，即可重建三維影像之不可預期功效。
圖1 為本發明之三維影像的建構系統示意圖
圖2為本發明之二維影像與三維影像比較示意圖。
圖3為本發明影像轉換成果示意圖。
圖4為本發明影像處理流程示意圖。
圖5為本發明實施例之二維攝影成像系統示意圖。
圖6為本發明實施例之二維攝影成像距離比較示意圖。
圖7為本發明實施例之二維攝影正反面比較示意圖。
請配合參考圖1、2、5，本發明三維醫療影像的建構方法較佳實施例之步驟包含：
STEP 1)於學習階段中，輸入特定部位之二維影像：係輸入相同或鄰近部位之複數種特徵參數的二維影像。所謂的該特徵參數包含但不限於一拍攝角度、一光源距離(source-spray distance)、一成像距離(spray-detector distance)或一正反面等。所謂特定部位指人體的特定部位，例如胸腔、腹腔、肢幹等。
請配合參考圖5，基於成像原理，理想的一X光光源(X-ray tube source)可視為無限小之點光源，因此，該X光光源穿透一人體後，於一底面上成像，基於成像原理，不同的該光源距離與該成像距離均會造成不同狀態的一成像結果(幾何形變、放大比例)，本步驟即是取得並輸入大量已知該特徵參數的相同或近似的該拍攝角度、不同之該光源距離、不同之該成像距離、正面或反面之二維影像。
舉例而言，本步驟係取各病患不同該特徵參數下拍攝的成像結果為該二維影像，例如取多個病患的膝關節，以正反面及不同的拍攝角度(正向+/- 5度、反向+/- 5度)、與X光光源之不同該光源距離以及與成像板之該成像距離之成像結果為該二維影像。
選取多種不同已知該特徵參數的該二維影像是因為X光拍攝過程因為人體靠近該X光光源之該光源距離、成像距離不同時，其最終的成像結果(umbra、penumbra)將產生不同的幾何變形，透過大量取用並學習不同的該二維影像，較佳地可以輸入每個該二維影像的該特徵參數，可以更為精確粹取出更為精確的一人體內部構造資訊。較佳地，取用該成像距離更短的該二維影像，可以取得幾何變形比較少的該二維影像。針對正面、反面影像方面，請參考圖7，拍攝人體特定不為的正面與反面，該二維影像所內含的資訊不同，透過學習分析其成像結果(例如不同程度的幾何變形)，得以透過該二維影像學習推測判斷正、反面影像。
STEP 2)決定驗證階段或立體影像生成模式：係接受設定指令，選擇進入一驗證階段或一實用階段，當選定為該驗證階段時，執行步驟STEP 3，當直選定該實用階段時，執行步驟STEP 4。
STEP 3)取對特定部位之三維已知影像與該二維影像，以深度機器學習方式，提取該二維影像之資訊，並建立一三維重建影像：係首先將輸入之該二維影像輸入一卷積層(conv.)之後經一批次正規化(BN)，最後輸入一活化層(ReLU activation)，藉以初步提取該二維影像之特徵並篩選其間之一重要特徵。所謂之批次正規化影像，係依據X光影像拍攝角度將CT影像體積旋轉至同一方向後，從影像體積中擷取出特定範圍大小之影像體積，例如128 * 128 * 128大小，並在X光上擷取相同照射範圍，成為該二維影像。如此，可在學習階段 時，需產生CT、X光影像之成對訓練資料，其中80%案例用於訓練，20%案例用於驗證訓練結果。
該深度機器學習，係執行深度神經網路訓練，在深度神經網路架構建置完成後，使用適應性矩估計(adaptive moment estimation,adam)優化器進行網路中濾波器核心之迭代學習，學習率定為10-5、訓練代數(epochs)為100、批次大小為2。提取完成該重要特徵後，接著以一殘差模塊(Residual block)演算進一步提取特徵並將該深度神經網路之前一層之該重要特徵加回，接著以stride為2之該卷積層中，縮小X、Y方向之該重要特徵之尺度，並同時放大Z方向的該重要特徵之尺度，同時增加核心(kernel)數量以滿足各類型特正提取反應所需，重複此步驟多次至合適尺度大小及核心數量。
之後，再以該殘差模塊合成該三維已知影像上的該重要特徵，並以stride為2之一轉置卷積層(transposed conv.)放大該重要特徵於X、Y方向上的尺度大小以及同時縮小Z方向的尺度，重複此步驟直到該重要特徵大小與該三維已知影像之體積大小一致。前述三維已知影像，較佳地可為一斷層掃描(CT)影像。
由前述說明可知，本步驟之機器學習，係建立未來由二維影像產生重建該三維重建影像之一神經網路，使後續輸入之該二維影像可以透過所建立的神經網路與學習結果，將二維影像轉換為該三維重建影像。
STEP 4)輸入未知之二維影像，提取該二維影像之資訊，並建立該三維重建影像：係首先將輸入之該二維影像輸入該卷積層(conv.)之後經一批次正規化(BN)，最後輸入該活化層(ReLU activation)，藉以初步提取該二維影像之特徵並篩選其間之該重要特徵。提取完成該重要特徵後，接著以該殘差模塊(Residual block)演算進一步提取特徵並將該深度神經網路之前一層之該重要特徵加回，接著以stride為2之該卷積層中，縮小X、Y方向之該重要特徵之尺度， 並同時放大Z方向的該重要特徵之尺度，同時增加核心(kernel)數量以滿足各類型特正提取反應所需，重複此步驟多次至合適尺度大小及核心數量。再以該殘差模塊合成重建該三維重建影像上的該重要特徵。
本實施例中，請配合參考圖3、4，其分別顯示不同人體部位的該二維影像(X-ray)、該三維已知影像(Original CT)、該三維重建影像(CT recon from X-ray)以及該二維已知影像與該三維重建影像之間的一差異影像(Difference images)，由圖3、4之各圖比較與該差異影像之分析可知，本實施例透過前述的機器學習之結果，可以使用學習後的結果自動化地將內部含有深度資訊的該二維影像，展開重建為該三維重建影像。本實施例於訓練過程，特別考量輸入不同拍攝條件下的該二維影像，使其重建後的精準度大幅提昇。
在實際應用方面，在訓練階段分別分析各種部位(胸部、骨盆...)大量不同拍攝角度的該二維影像與該三維已知影像，並參考二維影像拍攝過程之該特徵參數為學習基礎，學習重建一張三維重建影像，在深度學習過程中，其網路之每一層到下一層，可逐層拓展維度，例如2→4→8→16，達成該三維重建影像之建立。
由於X光幾何變形會因為拍攝的該特徵參數不同，產生不同幾何程度之變形。例如，不同角度、正反面，可以引含人體組織在二維影像中實際的係鄰近X光源或遠離X光源，透過訓練階段大量給予三維影像之解答、比較重建三維影像與三維影像之影像差距確認學習結果與精準度。
由前述說明可知，本發明達成效果如下：
1.將二維X光影像展開成為三維立體影像的方法，其利用考量二維影像中幾何變形狀況參與深度學習過程，例如利用卷基層提取資訊，並將二維影像厚度逐步變厚，最後成為該三維重建影像。
2.本發明僅使用單一張X光影像下，經本發明提出的深度學習神經網路可有效重建人體組織資訊，由差異影像中未出現明確解剖特徵，平均絕對百分誤差為3.71%，所有驗證案例之平均絕對百分誤差為4.16%，顯示本方法訓練之深度神經網路可準確利用X光拍攝範圍內，重建對應位置之三維人體影像組織圖。
3.本發明解決現有技術如果要重建二維影像必須使用外部定位資訊(例如參考座標)或需要輸入不同拍攝角度之二維影像，才可建立重建三維影像的技術問題，達成單純僅用單張二維影像，即可重建三維影像之不可預期功效。

Claims (2)

  1. 一種三維醫療影像的建構方法，利用一電腦執行，其步驟包含：輸入對應一人體部位之至少一特徵參數之一二維影像以及一三維已知影像，透過一深度學習，建立將該二維影像展開產生一三維重建影像之一神經網路；及輸入一未知二維影像，以該神經網路運算並重建一三維重建影像；其中，該特徵參數包含該人體部位對應該二維影像之光源距離、一成像距離、一拍攝角度或一正反面，該二維影像為X光影像，該三維已知影像為CT影像。
  2. 如請求項1所述的三維醫療影像的建構方法，其中，該深度學習係提取該二維影像之資訊，並建立該三維重建影像，其係首先將輸入之該二維影像輸入一卷積層之後經一批次正規化，最後輸入一活化層，藉以初步提取該二維影像之特徵並篩選其間之一重要特徵，之後以一殘差模塊演算進一步提取特徵並將該神經網路之前一層之該重要特徵加回，接著以步伐(stride)為2之該卷積層中，縮小X、Y方向之該重要特徵之尺度，並同時放大Z方向的該重要特徵之尺度，同時增加核心數量以滿足各類型特正提取反應所需，重複以步伐(stride)為2之該卷積層中，縮小X、Y方向之該重要特徵之尺度，並同時放大Z方向的該重要特徵之尺度，同時增加核心數量以滿足各類型特徵提取反應所需之步驟至合適尺度大小及核心數量，再以該殘差模塊合成該三維已知影像上的該重要特徵，並以步伐(stride)為2之一轉置卷積層放大該重要特徵於X、Y方向上的尺度大小以及同時縮小Z方向的尺度，重複以步伐(stride)為2之一轉置卷積層放大該重要特徵於X、Y方向上的尺度大小以及同時縮小Z方向的尺度之步驟直到該重要特徵大小與該三維已知影像之體積大小一致。
TW111125437A 2022-07-06 2022-07-06 三維醫療影像的建構方法 TWI838785B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
TW111125437A TWI838785B (zh) 2022-07-06 2022-07-06 三維醫療影像的建構方法
US18/336,181 US20240013473A1 (en) 2022-07-06 2023-06-16 Method for Three Dimensional Medical Image Construction
CN202310809976.2A CN117391933A (zh) 2022-07-06 2023-06-30 三维医疗影像的建构方法
EP23182955.7A EP4303819A1 (en) 2022-07-06 2023-07-03 Method for three dimensional medical image construction

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW111125437A TWI838785B (zh) 2022-07-06 2022-07-06 三維醫療影像的建構方法

Publications (2)

Publication Number Publication Date
TW202403778A TW202403778A (zh) 2024-01-16
TWI838785B true TWI838785B (zh) 2024-04-11

Family

ID=87070956

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111125437A TWI838785B (zh) 2022-07-06 2022-07-06 三維醫療影像的建構方法

Country Status (4)

Country Link
US (1) US20240013473A1 (zh)
EP (1) EP4303819A1 (zh)
CN (1) CN117391933A (zh)
TW (1) TWI838785B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10235606B2 (en) * 2015-07-22 2019-03-19 Siemens Healthcare Gmbh Method and system for convolutional neural network regression based 2D/3D image registration
CN113506334A (zh) * 2021-06-07 2021-10-15 刘星宇 基于深度学习的多模态医学图像融合方法及系统
TW202141517A (zh) * 2020-04-28 2021-11-01 長庚醫療財團法人林口長庚紀念醫院 三維醫學影像的建立方法
CN114240824A (zh) * 2021-10-29 2022-03-25 明峰医疗系统股份有限公司 基于ct定位片生成三维医学图像的系统、方法及医学影像设备
CN114299078A (zh) * 2021-12-03 2022-04-08 天津远景科技服务有限公司 医学影像的预处理方法及其装置、计算机可读存储介质
CN114332378A (zh) * 2021-12-31 2022-04-12 西安交通大学 基于二维医学影像的人体骨骼三维模型获取方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6220310B2 (ja) * 2014-04-24 2017-10-25 株式会社日立製作所 医用画像情報システム、医用画像情報処理方法及びプログラム
US10709394B2 (en) * 2018-01-15 2020-07-14 Siemens Healthcare Gmbh Method and system for 3D reconstruction of X-ray CT volume and segmentation mask from a few X-ray radiographs
US10997466B2 (en) * 2019-06-21 2021-05-04 Straxciro Pty. Ltd. Method and system for image segmentation and identification
CN110458799A (zh) * 2019-06-24 2019-11-15 上海皓桦科技股份有限公司 基于肋骨展开图的肋骨骨折自动检测方法
CN111275130B (zh) * 2020-02-18 2023-09-08 上海交通大学 基于多模态的深度学习预测方法、系统、介质及设备
CN111292230B (zh) * 2020-02-18 2023-04-28 上海交通大学 深度学习中螺旋变换数据扩增方法、系统、介质及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10235606B2 (en) * 2015-07-22 2019-03-19 Siemens Healthcare Gmbh Method and system for convolutional neural network regression based 2D/3D image registration
TW202141517A (zh) * 2020-04-28 2021-11-01 長庚醫療財團法人林口長庚紀念醫院 三維醫學影像的建立方法
CN113506334A (zh) * 2021-06-07 2021-10-15 刘星宇 基于深度学习的多模态医学图像融合方法及系统
CN114240824A (zh) * 2021-10-29 2022-03-25 明峰医疗系统股份有限公司 基于ct定位片生成三维医学图像的系统、方法及医学影像设备
CN114299078A (zh) * 2021-12-03 2022-04-08 天津远景科技服务有限公司 医学影像的预处理方法及其装置、计算机可读存储介质
CN114332378A (zh) * 2021-12-31 2022-04-12 西安交通大学 基于二维医学影像的人体骨骼三维模型获取方法及系统

Also Published As

Publication number Publication date
CN117391933A (zh) 2024-01-12
EP4303819A1 (en) 2024-01-10
US20240013473A1 (en) 2024-01-11
TW202403778A (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
US12023192B2 (en) Single or a few views computed tomography imaging with deep neural network
US20230368438A1 (en) Prior-incorporated deep learning framework for sparse image reconstruction by using geometry and physics priors from imaging system
Tong et al. X-ray2Shape: Reconstruction of 3D liver shape from a single 2D projection image
WO2023142781A1 (zh) 图像三维重建方法、装置、电子设备及存储介质
CN112967379B (zh) 一种基于感知一致生成对抗网络的三维医学图像重建方法
Dai et al. Volumetric tumor tracking from a single cone-beam X-ray projection image enabled by deep learning
CN111179409B (zh) 一种呼吸运动建模方法、装置和系统
CN118710496A (zh) 一种基于深度学习卷积神经网络的oct成像超分辨率重建的方法、系统及计算机存储介质
Oulbacha et al. MRI to C‐arm spine registration through Pseudo‐3D CycleGANs with differentiable histograms
CN117115221A (zh) 一种肺肿瘤位置和形态实时估计方法、系统和存储介质
Sun et al. Pseudo-medical image-guided technology based on'CBCT-only'mode in esophageal cancer radiotherapy
TWI838785B (zh) 三維醫療影像的建構方法
KR20230165022A (ko) 사이클 gan 기반 영상 화질 개선 학습 시스템 및 방법
Xu et al. Super-resolution 3D reconstruction from low-dose biomedical images based on expertized multi-layer refining
Anic et al. Convolutional neural networks for the segmentation of coronary arteries
CN114820730A (zh) 一种基于伪ct的ct与cbct配准方法
CN118396922B (zh) 医学图像生成方法、装置、计算机设备和存储介质
CN113205566A (zh) 基于深度学习的腹部三维医学影像转换生成方法
US12175591B2 (en) Methods for generating three-dimensional image data of human bones
Choudhury et al. Medical Image Synthesis Using Autoencoder with Vision Transformer
US20240087270A1 (en) Method and device for generating a complete 3d representation of an object from a partial signal
Huang et al. 3DSP-GAN: A 3D-to-3D Network for CT Reconstruction from Biplane X-rays
CN119693424B (zh) 一种基于单张x光图像的术前三维ct配准方法
CN120374862B (zh) 基于三维点云的在线自适应放疗分次内解剖结构生成方法及系统
Zhao et al. Construction of Simulated 3D CT from Multiple-View X-ray Images