CN109559360B - 一种pet图像重建方法、装置和计算设备 - Google Patents
一种pet图像重建方法、装置和计算设备 Download PDFInfo
- Publication number
- CN109559360B CN109559360B CN201811147464.XA CN201811147464A CN109559360B CN 109559360 B CN109559360 B CN 109559360B CN 201811147464 A CN201811147464 A CN 201811147464A CN 109559360 B CN109559360 B CN 109559360B
- Authority
- CN
- China
- Prior art keywords
- pet image
- image
- expected
- comparison
- mapping network
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/416—Exact reconstruction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明属于图像处理领域,提供了一种PET图像重建方法、装置和计算设备,以提高PET图像的重建速度,减小重建所需时间。所述方法包括:将期望PET图像与标准PET图像比较;若比较达到了比较停止条件,则输出期望PET图像作为目标PET图像;若比较未达到比较停止条件,则由映射网络对期望PET图像处理,得到新的期望PET图像。本发明提供的技术方案中,由于映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络,经这样的映射网络对期望PET图像处理得到新的期望PET图像,其经过次数较少的迭代计算后,与标准PET图像的差别越来越小,能够让算法迅速收敛,从而提高PET图像的重建速度,减小重建所需时间。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种PET图像重建方法、装置和计算设备。
背景技术
正电子发射计算机断层扫描(Positron Emission Tomography,PET)成像或磁共振成像(Magnetic Resonance Imaging,MRI)作为一种新兴和功能最强大的高端多模态医学影像技术,已经在生物医学研究和临床诊断中发挥越来越重要的作用,例如心血管易损斑块检测、急性心梗后炎症反应、心脏功能颅内肿瘤、胶质瘤的分期研究、痴呆的早期研究、轻度认知障碍、退行性改变、脑功能核团研究以及在药物、手术治疗的评估等各个方面。PET/MRI成像的成功应用依赖于得到的PET和MRI图像以及它们的融合图像能够提供足够的解剖、功能和/或代谢信息,因此,研究PET/MRI的成像理论与关键技术具有着重要的科研和应用价值。
对于PET图像的重建,现有的方法是将MRI的结构信息作为先验知识融入PET图像重建算法,从而得到PET图像。
然而,上述将MRI的结构信息作为先验知识融入PET图像重建算法将会导致PET重建算法步骤(主要是迭代次数)和复杂度增加,进而使得PET图像的整个重建过程的速度变慢、重建所需时间变长。
发明内容
本发明的目的在于提供一种PET图像重建方法、装置和计算设备,以提高PET图像的重建速度,减小重建所需时间。
本发明第一方面提供一种PET图像重建方法,所述方法包括:
将期望PET图像与标准PET图像比较;
若所述比较达到了比较停止条件,则输出所述期望PET图像作为目标PET图像;
若所述比较未达到比较停止条件,则由映射网络对所述期望PET图像处理,得到新的期望PET图像,所述映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络;
重复上述操作,直至达到了比较停止条件后输出目标PET图像为止。
本发明第二方面提供一种PET图像重建装置,所述装置包括:
比较模块,用于将期望PET图像与标准PET图像比较;
输出模块,用于若所述比较达到了比较停止条件,则输出所述期望PET图像作为目标PET图像;
卷积神经网络模块,用于若所述比较未达到比较停止条件,则由映射网络对所述期望PET图像处理,得到新的期望PET图像,所述映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络;
所述比较模块、输出模块和卷积神经网络模块重复上述操作,直至达到了比较停止条件后输出目标PET图像为止。
本发明第三方面提供一种计算设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下方法的步骤:
将期望PET图像与标准PET图像比较;
若所述比较达到了比较停止条件,则输出所述期望PET图像作为目标PET图像;
若所述比较未达到比较停止条件,则由映射网络对所述期望PET图像处理,得到新的期望PET图像,所述映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络;
重复上述操作,直至达到了比较停止条件后输出目标PET图像为止。
本发明第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如下方法的步骤:
将期望PET图像与标准PET图像比较;
若所述比较达到了比较停止条件,则输出所述期望PET图像作为目标PET图像;
若所述比较未达到比较停止条件,则由映射网络对所述期望PET图像处理,得到新的期望PET图像,所述映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络;
重复上述操作,直至达到了比较停止条件后输出目标PET图像为止。
从上述本发明技术方案可知,在未达到比较停止条件时,由映射网络对期望PET图像处理得到新的期望PET图像,然后再与标准PET图像比较,开始新的一轮迭代,由于映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络,经这样的映射网络对期望PET图像处理得到新的期望PET图像,其经过次数较少的迭代计算后,与标准PET图像的差别越来越小,能够让算法迅速收敛,从而提高PET图像的重建速度,减小重建所需时间。
附图说明
图1是本发明实施例提供的PET图像重建方法的实现流程示意图;
图2-a是现有的PET图像重建方法流程图;
图2-b本发明实施例提供的PET图像重建方法流程图;
图3-a是本发明另一实施例提供的PET图像重建方法的实现流程示意图;
图3-b是本发明另一实施例提供的PET图像重建方法流程图;
图4-a是本发明另一实施例提供的PET图像重建方法的实现流程示意图;
图4-b是本发明另一实施例提供的PET图像重建方法流程图;
图5-a是本发明另一实施例提供的PET图像重建方法的实现流程示意图;
图5-b是本发明另一实施例提供的PET图像重建方法流程图;
图6是本发明实施例提供的PET图像重建装置的结构示意图;
图7是本发明另一实施例提供的PET图像重建装置的结构示意图;
图8是本发明另一实施例提供的PET图像重建装置的结构示意图;
图9是本发明另一实施例提供的PET图像重建装置的结构示意图;
图10是本发明实施例提供的计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
附图1是本发明实施例提供的PET图像重建方法的实现流程示意图,主要包括以下步骤S101至S103,以下详细说明:
S101,将期望PET图像与标准PET图像比较。
在本发明实施例中,标准PET图像是经过人工(例如,行业专家等)或其他特定方式处理得到的、可用作标准的高质量PET图像,而期望PET图像是经过本发明方法的处理,期望得到的PET图像。步骤S101的比较过程,就是希望得到一个与标准PET图像的绝对差值最小或者在预设范围之内的PET图像。
S102,若比较达到了比较停止条件,则输出期望PET图像作为目标PET图像。
在本发明实施例中,比较停止条件可以是步骤S101中,期望PET图像与标准PET图像比较的结果,其绝对差值最小或者在预设范围之内,也可以是经步骤S101至S103的迭代,其迭代次数达到预设阈值。
S103,若比较未达到比较停止条件,则由映射网络对期望PET图像处理,得到新的期望PET图像,其中,映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络。
在本发明实施例中,映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络,其基本功能在于能够将输入的PET图像经过映射,即,去伪影、增强图像分辨率等处理得到高质量的PET图像,其中,字典学习的根本目的是为了表示磁共振图像(MRI),即用于稀疏表达,进一步地,考虑到图像内部区域之间以及图像之间的内容变换性,字典学习往往由一系列随机选择的信号作为训练样本学习一个字典,然后再用这个字典来表示这些信号。若采用X'表示样本空间,D是字典,Γ为稀疏系数矩阵,则X'由磁共振内提取出的样本块组成,X'=[R1X,R2X,...,RLX]是从磁共振图像里提取出的样本块,其提取过程为:。
1)从纵、横方向以重叠的方式将MRI图像拆分为若干小的图像块,在拆分时,每个小图像块X乘以提取图像块的操作Rl并减去均值后,将得到的值再赋给RlX,列向量化合并得到矩阵X'=[...,xl,xl+1,...],xl=RlX;
2)近似分解X'=DΓ;
附图2-a和附图2-b分别是现有的PET图像重建方法和本发明提及的PET图像重建方法的流程图。从两个附图可以看出,本发明提及的PET重建方法比现有的PET重建方法多了映射网络这一关键模块涉及的操作。现有的PET图像重建方法中,由于没有映射网络这一块,导致在将期望PET图像与标准PET图像比较,不符合比较停止条件时,可能需要反复迭代多次才能达到附图比较停止条件,而附图2-b示例的PET图像重建方法中,若经比较后,还没有达到比较停止条件,则前一次迭代时得到的期望PET图像经映射网络的映射,即通过去伪影、增强图像分辨率等处理,可能就会比较接近于标准PET图像或者符合比较停止条件,这就大大减少了迭代的次数,从而缩短了PET图像重建的时间。
重复上述步骤S101至S103的操作,直至达到了比较停止条件后输出目标PET图像为止。换言之,步骤S103完成后,流转到步骤S101,即,将新的期望PET图像与标准PET图像比较,开始新的一轮迭代,直至达到了比较停止条件后输出目标PET图像为止。
从上述附图1示例的PET图像重建方法可知,在未达到比较停止条件时,由映射网络对期望PET图像处理得到新的期望PET图像,然后再与标准PET图像比较,开始新的一轮迭代,由于映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络,经这样的映射网络对期望PET图像处理得到新的期望PET图像,其经过次数较少的迭代计算后,与标准PET图像的差别越来越小,能够迅速收敛,从而提高PET图像的重建速度,减小重建所需时间。
图3-a本发明另一实施例提供的PET图像重建方法,主要包括步骤S301至S305,说明如下:
S301,将期望PET图像与标准PET图像比较。
步骤S301与前述实施例的步骤S101的处理过程相同,其中涉及的概念、术语可参阅前述实施例的相关说明,此处不做赘述。
S302,若比较达到了比较停止条件,则输出期望PET图像作为目标PET图像。
步骤S302与前述实施例的步骤S102的处理过程相同,其中涉及的概念、术语可参阅前述实施例的相关说明,此处不做赘述。
S303,若比较未达到比较停止条件,则由映射网络对期望PET图像处理。
步骤S303与前述实施例的步骤S103的处理过程相同,其中涉及的概念、术语可参阅前述实施例的相关说明,此处不做赘述。
S304,对映射网络输出的PET图像进行更新,得到估计的PET图像。
所谓对映射网络输出的PET图像进行更新,主要包括对映射网络输出的PET图像再次进行负投影等操作。
S305,将估计的PET图像进行正投影再次得到新的期望PET图像。
再次得到的新的期望PET图像会再次与标准PET图像相比较,开始新的一轮迭代,如附图3-b所示,是附图3-a的另一种流程示意图。
图4-a本发明另一实施例提供的PET图像重建方法,主要包括步骤S401至S405,说明如下:
S401,将期望PET图像与标准PET图像比较。
步骤S401与前述实施例的步骤S101或S301的处理过程相同,其中涉及的概念、术语可参阅前述实施例的相关说明,此处不做赘述。
S402,若比较达到了比较停止条件,则输出期望PET图像作为目标PET图像。
步骤S402与前述实施例的步骤S102或S302的处理过程相同,其中涉及的概念、术语可参阅前述实施例的相关说明,此处不做赘述。
S403,若比较未达到比较停止条件,则对期望PET图像进行更新,得到估计的PET图像输入映射网络。
对经步骤S401比较之后,尚未达到比较停止条件的期望PET图像进行更新,主要包含对该期望PET图像进行负投影等操作。
S404,由映射网络对估计的PET图像处理后输出。
S405,将映射网络输出的PET图像进行正投影再次得到新的期望PET图像。
再次得到的新的期望PET图像会再次与标准PET图像相比较,开始新的一轮迭代,如附图4-b所示,是附图4-a的另一种流程示意图。
图5-a本发明另一实施例提供的PET图像重建方法,主要包括步骤S501至S506,说明如下:
S501,将期望PET图像与标准PET图像比较。
步骤S501与前述实施例的步骤S101、步骤S201、步骤S301或步骤S401的处理过程相同,其中涉及的概念、术语可参阅前述实施例的相关说明,此处不做赘述。
S502,若比较达到了比较停止条件,则输出期望PET图像作为目标PET图像。
步骤S502与前述实施例的步骤S102、步骤S302或步骤S402的处理过程相同,其中涉及的概念、术语可参阅前述实施例的相关说明,此处不做赘述。
S503,若比较未达到比较停止条件,则由映射网络对期望PET图像处理。
步骤S503与前述实施例的步骤S103或步骤S303的处理过程相同,其中涉及的概念、术语可参阅前述实施例的相关说明,此处不做赘述。
S504,对映射网络输出的PET图像进行更新,得到估计的PET图像。
步骤S503与前述实施例的步骤S304或步骤S403的处理过程相同,其中涉及的概念、术语可参阅前述实施例的相关说明,此处不做赘述。
S505,由映射网络对估计的PET图像处理后输出。
需要说明的是,步骤S505所用的映射网络,可以是与步骤S503所用的映射网络是同一映射网络,也可以是不同的映射网络。
S506,将经步骤S505的映射网络输出的PET图像进行正投影再次得到新的期望PET图像。
再次得到的新的期望PET图像会再次与标准PET图像相比较,开始新的一轮迭代,如附图5-b所示,是附图5-a的另一种流程示意图。
附图6是本发明实施例提供的PET图像重建装置的示意图。为了便于说明,仅仅示出了装置的必要部分。图6示例的装置主要包括比较模块601、输出模块602和卷积神经网络模块603,详细说明如下:
比较模块601,用于将期望PET图像与标准PET图像比较;
输出模块602,用于若比较达到了比较停止条件,则输出期望PET图像作为目标PET图像;
卷积神经网络模块603,用于若比较未达到比较停止条件,则由映射网络对所述期望PET图像处理,得到新的期望PET图像,其中,映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络;
比较模块601、输出模块602和卷积神经网络模块603重复上述操作,直至达到了比较停止条件后输出目标PET图像为止。
需要说明的是,本发明实施例提供的装置,由于与本发明方法实施例基于同一构思,其带来的技术效果与本发明方法实施例相同,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
附图6示例的装置还可以包括第一更新模块701和第一正投影模块702,如附图7示例的PET图像重建装置,其中:
第一更新模块701,用于卷积神经网络模块603由映射网络对期望PET图像处理之后,对映射网络输出的PET图像进行更新,得到估计的PET图像;
第一正投影模块702,用于将估计的PET图像进行正投影再次得到新的期望PET图像。
附图6示例的装置还可以包括第二更新模块801和第二正投影模块802,如附图7示例的PET图像重建装置,其中:
第二更新模块801,用于卷积神经网络模块603由映射网络对期望PET图像处理之前,对期望PET图像进行更新,得到估计的PET图像输入映射网络;
第二正投影模块802,用于将映射网络输出的PET图像进行正投影再次得到新的期望PET图。
附图6示例的装置还可以包括第三更新模块901、第二卷积神经网络模块902和第三正投影模块903,如附图9示例的PET图像重建装置,其中:
第三更新模块901,用于卷积神经网络模块由映射网络对所述期望PET图像处理之后,对所述映射网络输出的PET图像进行更新,得到估计的PET图像;
第二卷积神经网络模块902,用于将估计的PET图像输入所述映射网络进行处理后输出;
第三正投影模块903,用于将映射网络输出的PET图像进行正投影再次得到新的期望PET图像。
图10是本发明一实施例提供的计算设备10的结构示意图。如图10所示,该实施例的计算设备10包括:处理器100、存储器101以及存储在存储器101中并可在处理器100上运行的计算机程序102,例如PET图像重建方法的程序。处理器100执行计算机程序102时实现上述PET图像重建方法实施例中的步骤,例如图1至附图5-b所示的步骤,或者,处理器100执行计算机程序102时实现上述各装置实施例中各模块/单元的功能,例如图6至附图9所示模块202的功能。
示例性的,PET图像重建方法的计算机程序102主要包括:将期望PET图像与标准PET图像比较;若比较达到了比较停止条件,则输出期望PET图像作为目标PET图像;若比较未达到比较停止条件,则由映射网络对期望PET图像处理,得到新的期望PET图像,其中,映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络。计算机程序102可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器101中,并由处理器100执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序102在计算设备10中的执行过程。例如,计算机程序102可以被分割成比较模块601、输出模块602和卷积神经网络模块603(虚拟装置中的模块)的功能,各模块具体功能如下:比较模块601,用于将期望PET图像与标准PET图像比较;输出模块602,用于若比较达到了比较停止条件,则输出期望PET图像作为目标PET图像;卷积神经网络模块603,用于若比较未达到比较停止条件,则由映射网络对所述期望PET图像处理,得到新的期望PET图像,其中,映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络;比较模块601、输出模块602和卷积神经网络模块603重复上述操作,直至达到了比较停止条件后输出目标PET图像为止。
计算设备10可包括但不仅限于处理器100、存储器101。本领域技术人员可以理解,图10仅仅是计算设备10的示例,并不构成对计算设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器100可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器101可以是计算设备10的内部存储单元,例如计算设备10的硬盘或内存。存储器101也可以是计算设备10的外部存储设备,例如计算设备10上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器101还可以既包括计算设备10的内部存储单元也包括外部存储设备。存储器101用于存储计算机程序以及计算设备所需的其他程序和数据。存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/计算设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,PET图像重建方法的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤,即,将期望PET图像与标准PET图像比较;若比较达到了比较停止条件,则输出期望PET图像作为目标PET图像;若比较未达到比较停止条件,则由映射网络对期望PET图像处理,得到新的期望PET图像,其中,映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种PET图像重建方法,其特征在于,所述方法包括:
将期望PET图像与标准PET图像比较;
若所述比较达到了比较停止条件,则输出所述期望PET图像作为目标PET图像;
若所述比较未达到比较停止条件,则由映射网络对所述期望PET图像处理,得到新的期望PET图像,所述映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络,其中,字典学习过程如下:若采用X'表示样本空间,D是字典,Γ为稀疏系数矩阵,则X'由磁共振内提取出的样本块组成,X'=[R1X,R2X,...,RLX]是从磁共振图像里提取出的样本块,其提取过程为:
1)从纵、横方向以重叠的方式将磁共振图像拆分为若干小的图像块,在拆分时,每个小图像块X乘以提取图像块的操作Rl并减去均值后,将得到的值再赋给RlX,列向量化合并得到矩阵X'=[...,xl,xl+1,...],xl=RlX;
2)近似分解X'=DΓ;
重复上述操作,直至达到了比较停止条件后输出目标PET图像为止。
2.如权利要求1所述的PET图像重建方法,其特征在于,所述由映射网络对所述期望PET图像处理之后,所述方法还包括:
对所述映射网络输出的PET图像进行更新,得到估计的PET图像;
将所述估计的PET图像进行正投影再次得到新的期望PET图像。
3.如权利要求1所述的PET图像重建方法,其特征在于,所述由映射网络对所述期望PET图像处理之前,所述方法还包括:
对所述期望PET图像进行更新,得到估计的PET图像输入所述映射网络;
将所述映射网络输出的PET图像进行正投影再次得到新的期望PET图像。
4.如权利要求1所述的PET图像重建方法,其特征在于,所述由映射网络对所述期望PET图像处理之后,所述方法包括:
对所述映射网络输出的PET图像进行更新,得到估计的PET图像;
由所述映射网络对所述估计的PET图像处理后输出;
将所述映射网络输出的PET图像进行正投影再次得到新的期望PET图像。
5.一种PET图像重建装置,其特征在于,所述装置包括:
比较模块,用于将期望PET图像与标准PET图像比较;
输出模块,用于若所述比较达到了比较停止条件,则输出所述期望PET图像作为目标PET图像;
卷积神经网络模块,用于若所述比较未达到比较停止条件,则由映射网络对所述期望PET图像处理,得到新的期望PET图像,所述映射网络为基于字典学习并以磁共振图像和PET图像作为训练样本训练后得到的深度卷积神经网络,其中,字典学习过程如下:若采用X'表示样本空间,D是字典,Γ为稀疏系数矩阵,则X'由磁共振内提取出的样本块组成,X'=[R1X,R2X,...,RLX]是从磁共振图像里提取出的样本块,其提取过程为:
1)从纵、横方向以重叠的方式将磁共振图像拆分为若干小的图像块,在拆分时,每个小图像块X乘以提取图像块的操作Rl并减去均值后,将得到的值再赋给RlX,列向量化合并得到矩阵X'=[...,xl,xl+1,...],xl=RlX;
2)近似分解X'=DΓ;
所述比较模块、输出模块和卷积神经网络模块重复上述操作,直至达到了比较停止条件后输出目标PET图像为止。
6.如权利要求5所述的PET图像重建装置,其特征在于,所述装置还包括:
第一更新模块,用于所述卷积神经网络模块由映射网络对所述期望PET图像处理之后,对所述映射网络输出的PET图像进行更新,得到估计的PET图像;
第一正投影模块,用于将所述估计的PET图像进行正投影再次得到新的期望PET图像。
7.如权利要求5所述的PET图像重建装置,其特征在于,所述装置还包括:
第二更新模块,用于所述卷积神经网络模块由映射网络对所述期望PET图像处理之前,对所述期望PET图像进行更新,得到估计的PET图像输入所述映射网络;
第二正投影模块,用于将所述映射网络输出的PET图像进行正投影再次得到新的期望PET图。
8.如权利要求5所述的PET图像重建装置,其特征在于,所述装置还包括:
第三更新模块,用于所述卷积神经网络模块由映射网络对所述期望PET图像处理之后,对所述映射网络输出的PET图像进行更新,得到估计的PET图像;
第二卷积神经网络模块,用于将所述估计的PET图像输入所述映射网络进行处理后输出;
第三正投影模块,用于将所述映射网络输出的PET图像进行正投影再次得到新的期望PET图像。
9.一种计算设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任意一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任意一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811147464.XA CN109559360B (zh) | 2018-09-29 | 2018-09-29 | 一种pet图像重建方法、装置和计算设备 |
PCT/CN2019/072400 WO2020062732A1 (zh) | 2018-09-29 | 2019-01-18 | 一种pet图像重建方法、装置和计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811147464.XA CN109559360B (zh) | 2018-09-29 | 2018-09-29 | 一种pet图像重建方法、装置和计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109559360A CN109559360A (zh) | 2019-04-02 |
CN109559360B true CN109559360B (zh) | 2020-08-28 |
Family
ID=65864787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811147464.XA Active CN109559360B (zh) | 2018-09-29 | 2018-09-29 | 一种pet图像重建方法、装置和计算设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109559360B (zh) |
WO (1) | WO2020062732A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874855B (zh) * | 2019-10-29 | 2022-08-19 | 中国科学院深圳先进技术研究院 | 一种协同成像方法、装置、存储介质和协同成像设备 |
CN111325686B (zh) * | 2020-02-11 | 2021-03-30 | 之江实验室 | 一种基于深度学习的低剂量pet三维重建方法 |
CN114596236A (zh) * | 2020-12-04 | 2022-06-07 | 国网智能科技股份有限公司 | 一种密闭腔体低照度图像增强方法及系统 |
CN113393427B (zh) * | 2021-05-28 | 2023-04-25 | 上海联影医疗科技股份有限公司 | 斑块分析方法、装置、计算机设备和存储介质 |
CN113256753B (zh) * | 2021-06-30 | 2021-10-29 | 之江实验室 | 基于多任务学习约束的pet图像感兴趣区域增强重建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559728A (zh) * | 2013-10-31 | 2014-02-05 | 南方医科大学 | 基于解剖功能联合先验模型的pet图像最大后验重建方法 |
CN106846430A (zh) * | 2014-11-21 | 2017-06-13 | 上海联影医疗科技有限公司 | 一种图像重建方法 |
CN107346556A (zh) * | 2017-07-06 | 2017-11-14 | 浙江大学 | 一种基于块字典学习和稀疏表达的pet图像重建方法 |
CN108053456A (zh) * | 2017-11-13 | 2018-05-18 | 深圳先进技术研究院 | 一种pet重建图像优化方法及系统 |
CN108596833A (zh) * | 2018-04-26 | 2018-09-28 | 广东工业大学 | 超分辨率图像重构方法、装置、设备及可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110121081A (ko) * | 2010-04-30 | 2011-11-07 | 서강대학교산학협력단 | 필터링을 이용한 pet―mri 융합장치에서의 pet 신호의 잡음제거방법 및 이를 이용한 pet―mri 융합장치에서의 pet 시스템 |
US10002444B2 (en) * | 2014-04-25 | 2018-06-19 | New York University | System, method and computer-accessible medium for joint magnetic resonance-positron emission tomography reconstruction using multi-sensor compressed sensing |
CN105488824B (zh) * | 2015-11-23 | 2018-09-18 | 沈阳东软医疗系统有限公司 | 一种重建pet图像的方法和装置 |
CN106683146B (zh) * | 2017-01-11 | 2021-01-15 | 上海联影医疗科技股份有限公司 | 一种图像重建方法和图像重建算法的参数确定方法 |
CN107463989B (zh) * | 2017-07-25 | 2019-09-27 | 福建帝视信息科技有限公司 | 一种基于深度学习的图像去压缩伪影方法 |
CN108090871B (zh) * | 2017-12-15 | 2020-05-08 | 厦门大学 | 一种基于卷积神经网络的多对比度磁共振图像重建方法 |
-
2018
- 2018-09-29 CN CN201811147464.XA patent/CN109559360B/zh active Active
-
2019
- 2019-01-18 WO PCT/CN2019/072400 patent/WO2020062732A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559728A (zh) * | 2013-10-31 | 2014-02-05 | 南方医科大学 | 基于解剖功能联合先验模型的pet图像最大后验重建方法 |
CN106846430A (zh) * | 2014-11-21 | 2017-06-13 | 上海联影医疗科技有限公司 | 一种图像重建方法 |
CN107346556A (zh) * | 2017-07-06 | 2017-11-14 | 浙江大学 | 一种基于块字典学习和稀疏表达的pet图像重建方法 |
CN108053456A (zh) * | 2017-11-13 | 2018-05-18 | 深圳先进技术研究院 | 一种pet重建图像优化方法及系统 |
CN108596833A (zh) * | 2018-04-26 | 2018-09-28 | 广东工业大学 | 超分辨率图像重构方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
High resolution PET image reconstruction for the Siemens MR/PET-hybrid BrainPET scanner in LOR space;J. J. Scheins, et al;《2009 IEEE Nuclear Science Symposium Conference Record (NSS/MIC)》;20100129;全文 * |
稀疏约束的PET图像重建算法研究;陈舒杭;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20170315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020062732A1 (zh) | 2020-04-02 |
CN109559360A (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559360B (zh) | 一种pet图像重建方法、装置和计算设备 | |
Li et al. | Deep learning segmentation of optical microscopy images improves 3-D neuron reconstruction | |
CN111047629B (zh) | 多模态图像配准的方法、装置、电子设备及存储介质 | |
CN107194912B (zh) | 基于稀疏表示的改进耦合字典学习的脑部ct/mr图像融合方法 | |
CN111862251B (zh) | 医学图像重建技术的方法、装置、存储介质和电子设备 | |
Remedios et al. | Distributed deep learning across multisite datasets for generalized CT hemorrhage segmentation | |
CN110197183B (zh) | 一种图像盲去噪的方法、装置、计算机设备和存储介质 | |
Dinh | Medical image fusion based on enhanced three-layer image decomposition and chameleon swarm algorithm | |
US11360180B2 (en) | Methods, systems, and computer readable media for using a trained adversarial network for performing retrospective magnetic resonance imaging (MRI) artifact correction | |
EP3555850A1 (en) | System and method for image segmentation using a joint deep learning model | |
CN108765447B (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
CN110859642B (zh) | 一种基于AlexNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质 | |
CN111340903A (zh) | 基于非衰减校正pet图像生成合成pet-ct图像的方法和系统 | |
CN110838085B (zh) | 一种图像的超分辨率重建方法、装置及电子设备 | |
Dinh | Combining spectral total variation with dynamic threshold neural P systems for medical image fusion | |
CN110874855B (zh) | 一种协同成像方法、装置、存储介质和协同成像设备 | |
CN110246200B (zh) | 磁共振心脏电影成像方法、装置及磁共振扫描仪 | |
CN109961435B (zh) | 脑图像获取方法、装置、设备及存储介质 | |
Guo et al. | Deep learning kidney segmentation with very limited training data using a cascaded convolution neural network | |
CN111275783B (zh) | 磁共振图像的相位解缠方法、装置及磁共振成像系统 | |
CN113077418A (zh) | 基于卷积神经网络的ct影像骨骼分割方法及装置 | |
CN114463459B (zh) | 一种pet图像的部分容积校正方法、装置、设备及介质 | |
Zhang et al. | Multi-scale network with the deeper and wider residual block for MRI motion artifact correction | |
CN110349664B (zh) | 基于循环神经网络的肿瘤预测装置、终端设备及存储介质 | |
de Oliveira et al. | Quantification of brain lesions in multiple sclerosis patients using segmentation by convolutional neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |