-
公开(公告)号：CN117952920A
公开(公告)日：2024-04-30
申请号：CN202410027434.4
申请日：2024-01-08
Applicant: 南方医科大学
IPC: G06T7/00 , G06N3/0464 , G06T5/50 , G06T7/30
Abstract: 本发明公开了一种基于深度学习的增强‑平扫CT图像合成方法和系统，方法包括：获取训练数据；所述训练数据包括具有同一目标对象的预处理后的增强CT图像以及预处理后的平扫CT图像，接着将所述训练数据输入网络模型进行训练，得到图像合成模型；最后将待合成增强CT图像输入图像合成模型，得到目标平扫CT图像。本发明能够解决增强CT应用于放疗计划导致放疗剂量计算误差和增强‑平扫CT数据对空间失配的问题，使得最终得到目标平扫CT图像细节更加丰富和清晰，可广泛应用于图像处理技术领域。
-
Patent Agency Ranking
公开(公告)号：CN114882135A
公开(公告)日：2022-08-09
申请号：CN202210428309.5
申请日：2022-04-22
Applicant: 南方医科大学
IPC: G06T11/00 , G06T7/30 , G06T7/11 , G06V10/42 , G06V10/44 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于MR图像的CT图像合成方法、装置、设备及介质，本发明通过将第一MR图像以及第一CT图像输入网络模型进行训练，得到图像合成模型；全局块嵌入模块用于对第一MR图像进行全局特征提取，使得全局特征提取结果更加具有全局性；编码模块用于对第一MR图像进行局部特征提取，RSC自注意力模组用于根据全局特征提取结果以及局部特征提取结果进行第一特征处理，能够扩大特征的感受野，解码模块用于对第一特征处理结果进行解码处理，生成第二CT图像；鉴别器用于根据第一CT图像和第二CT图像生成鉴别结果以进行训练，最终得到的目标CT图像细节更加丰富和清晰，本发明可广泛应用于图像处理领域。
-
公开(公告)号：CN106373109B
公开(公告)日：2018-10-26
申请号：CN201610797914.4
申请日：2016-08-31
Applicant: 南方医科大学
Abstract: 本发明公开了一种医学图像模态合成的方法，源模态图像空间分辨率归一化处理，使图像的分辨率归一化到同样大小，源模态图像灰度值标准化或者归一化处理，对第一步处理后的源模态图像灰度值归一化到均值为0，标准偏差为1，将处理后的源模态图像为输入，由卷积神经网络进行预测，将卷积神经网络预测输出进行线性变换生成目标模态图像；以此达到进行线性变换的目的，最终生成目标模态图像。通过学习得到的卷积神经网络模型快速有效地实现医学图像的模态合成，通过对卷积神经网络模型的训练自动完成不同尺度、多种层次图像特征的学习和优化，不需要进行耗时的图像配准过程，可快速准确地完成模态合成。
-
公开(公告)号：CN104794739B
公开(公告)日：2018-03-06
申请号：CN201510216586.X
申请日：2015-05-03
Applicant: 南方医科大学
IPC: G06T11/00
Abstract: 一种基于局部稀疏对应点组合的从MR图像预测CT图像的方法，包括（1）测试MR图像进行归一化处理；（2）对测试MR图像的点x，提取以x为中心的图像块，获得测试样本；（3）从MR训练集图像中，提取参照局部搜索窗内每个参照点的特征块构成MR字典；（4）从MR训练集图像中选取与测试样本k个相似的块形成MR字典，获得CT字典；（5）探测CT字典的离群值，得到CT字典)和MR字典（6）求解字典系数；（7）加权合并CT字典)，预测点x的CT值；（8）对MR测试图像中每个点重复步骤（2）‑（7），最后对重叠的图像块加权合并，获得每个点的CT值，得到预测CT图像。本发明能够从多模态MR图像准确预测CT图像。
-
公开(公告)号：CN106373109A
公开(公告)日：2017-02-01
申请号：CN201610797914.4
申请日：2016-08-31
Applicant: 南方医科大学
Abstract: 本发明公开了一种医学图像模态合成的方法，源模态图像空间分辨率归一化处理，使图像的分辨率归一化到同样大小，源模态图像灰度值标准化或者归一化处理，对第一步处理后的源模态图像灰度值归一化到均值为0，标准偏差为1，将处理后的源模态图像为输入，由卷积神经网络进行预测，将卷积神经网络预测输出进行线性变换生成目标模态图像；以此达到进行线性变换的目的，最终生成目标模态图像。通过学习得到的卷积神经网络模型快速有效地实现医学图像的模态合成，通过对卷积神经网络模型的训练自动完成不同尺度、多种层次图像特征的学习和优化，不需要进行耗时的图像配准过程，可快速准确地完成模态合成。
-
公开(公告)号：CN104794739A
公开(公告)日：2015-07-22
申请号：CN201510216586.X
申请日：2015-05-03
Applicant: 南方医科大学
IPC: G06T11/00
Abstract: 一种基于局部稀疏对应点组合的从MR图像预测CT图像的方法，包括（1）测试MR图像进行归一化处理；（2）对测试MR图像的点x，提取以x为中心的图像块，获得测试样本 ；（3）从MR训练集图像中，提取参照局部搜索窗内每个参照点的特征块构成MR字典；（4）从MR训练集图像中选取与测试样本 k个相似的块形成MR字典，获得CT字典；（5）探测CT字典的离群值，得到CT字典)和MR字典（6）求解字典系数；（7）加权合并CT字典)，预测点x的CT值；（8）对MR测试图像中每个点重复步骤（2）-（7），最后对重叠的图像块加权合并，获得每个点的CT值，得到预测CT图像。本发明能够从多模态MR图像准确预测CT图像。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
