-
公开(公告)号：CN104299209A
公开(公告)日：2015-01-21
申请号：CN201410479911.7
申请日：2014-09-18
Applicant: 南方医科大学
Abstract: 本发明公开了基于快速亚像素运动估计的肺4D-CT图像超分辨率重建方法，包括步骤(1)读取初始的肺部4D-CT图像，该肺部4D-CT图像由多个不同相位的肺部3D-CT图像组成，任意选择其中某一相位的肺部3D-CT图像作为待重建肺部3D-CT图像；(2)将肺部4D-CT图像中除去待重建肺部3D-CT图像后的肺部3D-CT图像相对于待重建肺部3D-CT图像进行初始运动估计，得到他们之间的初始运动矢量场；(3)对获得的初始运动矢量场进行精度优化，获得亚像素运动矢量场；(4)以亚像素运动矢量场为基础，对待重建肺部3D-CT图像进行重建，得到与待重建肺部3D-CT图像相对应的相位相同的重建后的高分辨率肺4D-CT图像。该方法能够提高肺4D-CT图像分辨率。
-
公开(公告)号：CN102743185A
公开(公告)日：2012-10-24
申请号：CN201210186975.9
申请日：2012-06-07
Applicant: 南方医科大学
Abstract: 本发明公开了一种肺4D-CT图像数据层间插值方法，包括（1）读取肺部4D-CT图像，该图像由多个相位不同的肺部3D-CT图像组成；（2）通过线性插值计算方法重建出每个3D-CT图像的多个中间层图像；（3）将多个中间层图像中的每一层图像分成多个原始图像块；（4）对于每个3D-CT图像中的每一个原始图像块，在4D-CT图像除去该3D-CT图像中的其它多个3D-CT图像范围内搜索与该原始图像块最相似的若干相似图像块；（5）对搜索到的若干相似图像块进行加权平均计算，得出最终输出图像块；(6)用最终输出图像块替换相应的原始图像块；(7)对所有原始图像块进行操作，最终完成所有3D-CT图像的插值过程。
-
公开(公告)号：CN108596861A
公开(公告)日：2018-09-28
申请号：CN201810455197.6
申请日：2018-05-14
Applicant: 南方医科大学
IPC: G06T5/00
Abstract: 一种基于深度残差学习的CT图像金属伪影去除方法，包括如下步骤：S1、采集目标对象的CT图像；S2、根据数值仿真实验，创建金属伪影的数据集；S3、将步骤S2中获得的数据集分为训练集图像和测试集图像；S4、构建深度残差学习网络；S5、将步骤S3中的训练集图像送至步骤S4构建的深度残差学习网络中训练，直至训练结束，获得已训练好的残差模型；S6、将步骤S3中的测试集图像中的每张图像输入至步骤S5中获得的残差模型中，得到每张图像对应的残差图像；S7、将步骤S3中的测试集图像中的每张图像减去步骤S6得到的残差图像，获得去除金属伪影的结果图像。该方法直接在图像域进行，不需要原始数据就能有效的去除CT图像中的金属伪影且不需要后处理。
-
公开(公告)号：CN103886568B
公开(公告)日：2017-06-06
申请号：CN201410099966.5
申请日：2014-03-18
Applicant: 南方医科大学
Abstract: 一种基于配准的肺4D‑CT图像超分辨率重建方法，依次包括：（1）由肺4D‑CT数据获得不同相位低分辨率图像序列；（2）选定序列中某一相位的图像作为参考图像，对其插值放大，将插值后的结果作为重建结果的初始估计图像；（3）以序列中其他相位的对应低分辨率图像作为浮动图像,对浮动图像插值放大，分别估计浮动图像的插值结果与初始估计图像之间的运动变形场；（4）以步骤（3）得到的运动变形场为基础，重建高分辨率肺4D‑CT图像。本发明获得的肺4D‑CT图像的多平面显示图像清晰，结构明显增强，图像分辨率提高，能够有效提高肺4D‑CT数据多平面显示图像的质量。
-
公开(公告)号：CN106296581A
公开(公告)日：2017-01-04
申请号：CN201610578561.9
申请日：2016-07-21
Applicant: 南方医科大学
CPC classification number: G06T3/4053 , G06T3/4023 , G06T5/002 , G06T2207/10076 , G06T2207/30061
Abstract: 本发明公开了基于图割的肺4D-CT图像超分辨率重建方法，包括(1)读取肺部4D-CT图像，该4D-CT图像由多个不同相位的低分辨率肺部3D-CT图像组成；(2)将多个不同相位的低分辨率的肺部3D-CT图像均进行插值，得到不同相位的肺部3D-CT图像的初始高分辨率图像fk0；(3)选取任意一相位的由步骤(2)得到的初始高分辨率图像fk0的像素值集作为所有像素点匹配的初始标签集；(4)计算各相位的投影重建高分辨率观察图像 构建全局图能量函数式；(5)通过图割方法优化求解构建的全局图能量函数式，得到的最优解即为重建出来的肺4D-CT高分辨率图像。该方法能够提高肺4D-CT图像在Z轴方向上的分辨率。
-
Patent Agency Ranking
公开(公告)号：CN105096331A
公开(公告)日：2015-11-25
申请号：CN201510518535.2
申请日：2015-08-21
Applicant: 南方医科大学
IPC: G06T7/00
CPC classification number: G06T2207/30096
Abstract: 本发明公开了基于图割的肺4D-CT肿瘤自动分割方法，包括(1)读取肺部4D-CT图像，该图像由多幅不同相位的肺部3D-CT图像组成；(2)获取初始相位3D-CT图像上肿瘤的几何中心点；(3)得到初始相位目标块；(4)选取与步骤初始相位目标块最相似的目标块；(5)计算各相邻相位目标块之间的运动位移；(6)将步骤(2)得到的初始相位的目标种子点与步骤(5)得到的运动位移相加，获得其他相位的目标种子点的位置；(7)在步骤(3)和步骤(4)得到的各相位目标块上，利用步骤(2)和步骤(6)得到的各相位的目标种子点，获得肿瘤分割结果。该方法不仅自动化程度高，而且能够确保分割准确。
-
公开(公告)号：CN102743185B
公开(公告)日：2014-07-09
申请号：CN201210186975.9
申请日：2012-06-07
Applicant: 南方医科大学
Abstract: 本发明公开了一种肺4D-CT图像数据层间插值方法，包括（1）读取肺部4D-CT图像，该图像由多个相位不同的肺部3D-CT图像组成；（2）通过线性插值计算方法重建出每个3D-CT图像的多个中间层图像；（3）将多个中间层图像中的每一层图像分成多个原始图像块；（4）对于每个3D-CT图像中的每一个原始图像块，在4D-CT图像除去该3D-CT图像中的其它多个3D-CT图像范围内搜索与该原始图像块最相似的若干相似图像块；（5）对搜索到的若干相似图像块进行加权平均计算，得出最终输出图像块；(6)用最终输出图像块替换相应的原始图像块；(7)对所有原始图像块进行操作，最终完成所有3D-CT图像的插值过程。
-
公开(公告)号：CN101908204B
公开(公告)日：2012-01-04
申请号：CN201010189010.6
申请日：2010-05-25
Applicant: 南方医科大学
IPC: G06T5/00
Abstract: 本发明公开了一种用于消除磁共振图像Gibbs环形伪影的逆扩散方法。该方法首先读入通过磁共振成像获得的MR伪影图像。从该图像数据中计算出每一个像素的梯度，令每一个像素的灰度值沿着梯度的方向进行逆扩散。同时构造灰度值扩散的限制条件以使整个扩散过程能自适应的调整扩散速度，并保证了扩散过程的稳定性。得到扩散方程进行灰度值的方向扩散。最终进行像素灰度值的更新得到校正后MR图像。本方法能够将k空间数据截断而产生的伪影经过数据校正后得到高质量的图像。
-
公开(公告)号：CN113379691A
公开(公告)日：2021-09-10
申请号：CN202110605271.X
申请日：2021-05-31
Applicant: 南方医科大学
Abstract: 一种基于先验引导的乳腺病灶深度学习分割方法，包括以下步骤：S1，读取乳腺超声图像数据；S2，获取病灶区域内的至少三个标记点；S3，使用线性光谱聚类超像素方法和多尺度组合分组方法处理图像；S4，通过加权求和的方式得到包含病灶先验信息的前景图像；S5，将前景先验图像取反，获得背景先验图像；S6，利用前景与背景先验图像进行前景与背景特征提取；S7，融合互补的前景与背景特征，输出病灶分割结果。本发明通过预处理获得包含乳腺肿瘤先验信息的图像后，利用U‑Net网络框架对病灶区域进行特征提取。该方法利用前景与背景先验信息的引导，提升超声乳腺病灶的分割精度。该方法分割得到的病灶图像，纹理细节丰富，边缘清晰，图像丢失少。
-
公开(公告)号：CN106056610A
公开(公告)日：2016-10-26
申请号：CN201610388369.3
申请日：2016-06-02
Applicant: 南方医科大学
IPC: G06T7/00
CPC classification number: G06T2207/20156 , G06T2207/30061
Abstract: 本发明公开了基于图割的肺4D‑CT多相位肿瘤联合分割方法，该分割方法包括步骤：(1)读取肺4D‑CT图像，该图像由多幅不同相位的肺3D‑CT图像组成；(2)标记初始相位3D‑CT图像上目标种子点和背景种子点，初始相位3D‑CT图像是指多幅不同相位的肺3D‑CT图像中第一幅3D‑CT图像；(3)利用步骤(2)得到的目标种子点和背景种子点，获得肿瘤分割结果。该方法不仅分割准确性高，而且自动化程度高。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.027 seconds)
