公开（公告）号：CN110337673A

技术分支：影像处理技术领域，重建技术方向

技术问题：由于各种原因，用于给定检查的投影数据的一部分可能损坏或丢失（相对于理想的或数学上完整的投影数据集），这从而可导致图像伪影。传统的内插技术、外插技术或迭代估计技术并不总是能够充分地解决数据缺失或不完整的此类实例，并且在一些情况下，计算速度可能较慢。

技术方案：一种在断层摄影重建中使用的估计缺失数据的方法，所述方法包括：采集或访问一组扫描数据，其中所述一组扫描数据具有一个或多个不完整或不合适的数据的区域；使用一个或多个受过训练的神经网络来处理所述一组扫描数据；使用所述一个或多个受过训练的神经网络针对不完整或不合适的数据的每个区域生成估计的数据集，其中所述一组扫描数据与所述估计数据集一起对应于校正的一组扫描数据；执行所述校正的一组扫描数据的断层摄影重建以生成一个或多个重建图像。

技术效果：所述方法涉及使用可使用受过训练的神经网络（50）来实现的深度学习技术，以估计各种类型的缺失的投影数据或其他未重建的数据。类似地，与估计缺失的投影数据相反，所述方法也可用于替换或校正损坏或错误的投影数据。

简要分析：该件专利处于审中状态，技术稳定性好；该专利有30项权利要求，有6件 inpadoc同族，在欧专局、日本、韩国、美国、世界知识产权组织等进行申请专利，专利保护范围好，反映了该公司对该专利的重视程度。

公开（公告）号：CN110807737A

技术分支：影像处理技术领域，重建技术方向

技术问题：计算机断层摄影（CT）图像可能因X射线的量子特性和检测器读出噪声而受到图像噪声的影响。此类图像在空间分辨率方面受到几个因素的限制，这些因素包括有限焦点尺寸、检测器单元尺寸和重建过程。当辐射剂量增大时或者当空间分辨率增大时，图像噪声增大。因此，期望针对给定辐射剂量使图像噪声最小化并使空间分辨率最大化。同样重要的是，重建过程保留低对比度细节，并且重建过程在计算上有效。

技术方案：一种用于重建图像的方法，包括：接收正弦图输入；根据所述正弦图输入或者根据由所述正弦图输入生成的一个或多个中间图像生成一个或多个中间正弦图；迭代地处理所述中间正弦图，其中所述迭代处理包括至少执行迭代数据拟合操作，以将迭代循环的输出与对所述迭代循环的输入进行比较；除了所述数据拟合操作之外，还执行去噪操作，其中使用经训练的人工神经网络来执行所述去噪操作；以及在完成所述迭代处理之后，重建最终图像并输出所述最终图像以供查看、存储或进一步处理。

技术效果：根据该方法，可以实现直接重建方法的简单性以及深度学习的降噪能力，其中还存在数据拟合项的统计益处。另外，在各种具体实施中，本公开可以容易地例如通过结合第一遍重建步骤来植入到不同的CT平台。

简要分析：该件专利处于审中状态，技术稳定性良好；该专利有10项权利要求，在美国、中国、欧专局、日本等4个国家和地区进行申请专利，专利保护范围好，反映了该公司对该专利的重视程度。

公开（公告）号：US20130060121A1

技术分支：影像处理技术领域，识别技术方向

技术问题：目前，诸如计算机断层摄影（CT），磁共振（MR）成像，X射线等成像技术被用于关节炎的诊断。然而，像X射线这样的形态需要使用解剖结构的2D投影，并且不能绘制解剖结构的下面的3D结构的精确图像。而且，其它成像方法如CT和MR是相对昂贵的，并且对于某些患者组是禁用的。因此，希望设计和开发提供更快和更准确的病理诊断和评估对诸如肌肉骨骼病理的治疗反应的专用方法和系统。特别地，希望开发允许更容易使用，更短的学习周期，更快的检查时间和减少操作者依赖性的病理的检测，量化和／或跟踪的系统和方法。

技术方案：一种用于检测疾病状态的自动化方法，所述方法包括：识别一个或多个图像数据集中的骨表面，其中所述一个或多个数据集对应于感兴趣对象中的感兴趣区域；基于对应的所识别的骨表面分割对应于所述一个或多个图像数据集的关节囊区域；以及分析分割的关节囊区域以识别疾病状态。

技术效果：所述的方法和系统有助于早期诊断，量化（评分），并增强了病理的纵向跟踪，同时降低了评估病理时操作者的依赖性。此外，提出了一种客观评估病理的方法，从而提高了病理诊断的效率。

简要分析：该件专利处于有效状态，技术稳定性好；该专利及其同族专利在全球被引用18次，专利先进性较好；该专利有21项权利要求，在美国、中国、日本、德国4个国家和地区进行申请专利，专利保护范围好，反映了该公司对该专利的重视程度。

公开（公告）号：WO03069553A2

技术分支：影像处理技术领域，识别技术方向

技术问题：MR成像设备用于产生已知肿瘤的“训练集”图像。同样的设备也用于提供身体的被扫描区域的一组测试样品以检测继发性肿瘤。然后提供相似性数据，以通过优选地确定训练集和测试集的每个成员之间的欧几里得距离来指示测试样本和训练样本之间的相似性程度。该方法的缺点是基于从图像中的已知肿瘤定义训练集，在大多数情况下，该训练集本质上是非均匀的，使得肿瘤图像中的相邻像素实际上可以表现出非常不同的行为。另一个缺点是对所构造的类缺乏适当的验证，并且在所处理的数据集中缺乏生理信息。

技术方案：分析图像数据的方法，包括a）通过在人或非人动物体的MR断层造影中采集多通道数据来产生图像空间中的数据，其中通道的至少一个子集描述先前已经过的MR造影剂的动态行为给予所述身体，b）在图像空间（ROI）中定义至少一个感兴趣区域，c）通过使用多元图像分析将a）中生成的图像数据或与（ROI）对应的数据转换为分数图数据，在分数图空间中生成数据，d）确定与（ROI）l对应的得分绘图空间（ROI）中的感兴趣区域，e）选择与（ROI）相关的相关数据点，以及f）将e）中选择的数据点映射到图像空间中，从而识别具有与（ROI）相似属性的图像数据。

技术效果：本发明涉及分析在磁共振断层摄影术中获得的图像数据的方法，以及所述方法在病理组织，优选肿瘤组织的识别中的用途。

简要分析：该专利及其同族专利在全球被引用27次，专利先进性好；该专利有12项权利要求，在美国、澳大利亚、欧专局、世界知识产权组织、挪威等5个国家和地区进行申请专利，专利保护范围好，反映了该公司对该专利的重视程度。

公开（公告）号：US20200012884A1

技术分支：智能决策技术领域，疾病预测技术方向

技术问题：人工智能（AI）可用于数字图像的分类和／或分析。例如，可以将AI用于图像识别。在某些技术应用中，可以使用AI来增强成像分析。在一个例子中，可以使用基于感兴趣区域的深度神经网络来定位数字图像中的特征。然而，通常难以实现使用常规人工技术对数字图像进行分类和／或分析的准确性和／或效率。此外，用于数字图像的分类和／或分析的传统人工技术通常需要诸如像素注释，体素级注释等劳动强度大的处理，因此，可以改进用于数字图像的分类和／或分析的传统人工技术。

技术方案：一种机器学习系统，包括：存储计算机可执行部件的存储器；一种执行存储在存储器中的计算机可执行组件的处理器，其中计算机可执行组件包括：训练部件，其基于训练数据和多个图像训练卷积神经网络；其中所述训练数据与来自至少一个成像设备的多个患者相关联，并且其中所述多个图像与来自多个对象的多个掩模相关联；基于所述多个掩模产生第一损耗函数的第一损耗函数组件；第二损失函数组件，其基于与所述多个图像相关联的多个图像级标签来生成第二损失函数；第三损耗函数部件，其基于第一损耗函数和第二损耗函数产生第三损耗函数，其中第三损耗函数被迭代反向传播以调谐卷积神经网络的参数；以及基于卷积神经网络预测输入图像的分类标签的分类组件。

技术效果：通过提供更丰富的注释信息（例如掩码），可以提高分类精度，并且卷积神经网络还可以输出改进的定位图。这可以通过用于两个任务的相同基础预测模型来实现。此外，该系统可以将分类和／或定位应用于医学成像数据（例如X射线图像）和／或其它数字图像中的疾病检测（例如医学状况检测等）。

简要分析：该专利有20项权利要求，在美国、世界知识产权组织2个国家和地区进行申请专利，专利保护范围好。