项目名称: 医学图像范例先验构造与虚拟多模态成像方法研究

项目编号: No.61471187

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 无线电电子学、电信技术

项目作者: 阳维

作者单位: 南方医科大学

项目金额: 85万元

中文摘要: 虚拟多模态成像(Virtual multi-Modality Imaging, VMI)是指模拟医学成像设备功能,由源模态图像数据合成特定模态图像的技术,实现医学图像中潜在重要影像信息的提取。高质量的VMI模态合成需获取有效的先验知识,而现有图像先验模型尚不能实现这一目的。鉴于此,本项目提出基于范例图像的医学图像先验(范例先验)模型构造方法,以大规模医学影像数据库为基础建立针对不同模态、不同部位医学图像的非参数先验模型,研究重点包括:(1)设计范例图像搜索和优选策略,实现图像近邻的有效采样;(2)设计层次匹配方法高效求解图像对应场,实现图像块近邻的高效采样;(3)构建结合范例先验的VMI模态合成模型,以期实现优质虚拟CT-MRI成像和虚拟双能减影,用于解决PET/MRI系统中PET图像衰减校正和X线胸片中重叠解剖结构影像分离的问题。

中文关键词: 医学影像虚拟重建;医学影像处理;多模影像特征分析;图像先验模型

英文摘要: Virtual multi-Modality Imaging (VMI) can synthesize the images of a target modality only using the image data of a source modality by simulating the real imaging devices, and can provide the potential and important visual information of the target modality. However, the existing image prior models can not be effectively applied to solve the highly ill-posed modality synthesis problems of VMI due to the difficulties in learning their model parameters or their limited constraint ability. To obtain sufficient prior knowledge for developing the high-quality VMI technology, this project aims to establish the methods for building the exemplars-based prior models of medical images. Specifically, the non-parametric exemplars-based image prior models for the specific modalities and anatomic sites are built by utilizing image retrieval and image patch matching techniques on the basis of large-scale medical image database. The research priorities of this project include: 1. design of the search and selection strategies of the exemplar images, realizing effective sampling of the image neighbors; 2. design of the hierarchical matching algorithms to obtain the correspondence fields between the medical images, realizing efficient sampling of the image patch neighbors; 3. the modality synthesis models with the exemplars-based priors for virtual CT imaging from MRI image data (vCT-MRI) and virtual Dual Energy Subtraction (vDES). It is to be hoped that the high-quality vCT-MRI and vDES can be achieved through the proposed methods, and can be applied to PET attenuation correction in PET/MRI system and separation of the overlapping anatomical structures in X-ray chest radiographs, respectively.

英文关键词: virtual reconstruction of medical images;medical image processing;multi-modal image feature analysis;image prior models

成为VIP会员查看完整内容
2

相关内容

基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
【北理&哈佛】图多模态学习的疾病关系提取
专知会员服务
32+阅读 · 2022年4月15日
医学图像关键点检测深度学习方法研究与挑战
专知会员服务
50+阅读 · 2022年4月10日
【CVPR2022】基于序列对比学习的长视频帧方向动作表示
专知会员服务
9+阅读 · 2022年3月29日
《深度学习HDR成像》综述论文
专知会员服务
27+阅读 · 2021年12月14日
专知会员服务
15+阅读 · 2021年6月6日
最新《医学图像深度语义分割》综述论文
专知会员服务
94+阅读 · 2020年6月7日
【CVPR2021】神经结构搜索的相对论性评价
专知
3+阅读 · 2021年3月25日
基于深度学习的医学图像半监督分割
CVer
14+阅读 · 2020年9月24日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
CVPR2019 | 医学影像:MIT 利用学习图像变换进行数据增强
计算机视觉life
26+阅读 · 2019年3月27日
深度图像先验:无需学习即可生成新图像
论智
45+阅读 · 2017年12月4日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
5+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
5+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月20日
Salient Objects in Clutter
Arxiv
0+阅读 · 2022年4月18日
小贴士
相关VIP内容
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
【北理&哈佛】图多模态学习的疾病关系提取
专知会员服务
32+阅读 · 2022年4月15日
医学图像关键点检测深度学习方法研究与挑战
专知会员服务
50+阅读 · 2022年4月10日
【CVPR2022】基于序列对比学习的长视频帧方向动作表示
专知会员服务
9+阅读 · 2022年3月29日
《深度学习HDR成像》综述论文
专知会员服务
27+阅读 · 2021年12月14日
专知会员服务
15+阅读 · 2021年6月6日
最新《医学图像深度语义分割》综述论文
专知会员服务
94+阅读 · 2020年6月7日
相关资讯
【CVPR2021】神经结构搜索的相对论性评价
专知
3+阅读 · 2021年3月25日
基于深度学习的医学图像半监督分割
CVer
14+阅读 · 2020年9月24日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
CVPR2019 | 医学影像:MIT 利用学习图像变换进行数据增强
计算机视觉life
26+阅读 · 2019年3月27日
深度图像先验:无需学习即可生成新图像
论智
45+阅读 · 2017年12月4日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
5+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
5+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员