CN109697740B - 图像重建方法、装置和计算机设备 - Google Patents
图像重建方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109697740B CN109697740B CN201811602836.3A CN201811602836A CN109697740B CN 109697740 B CN109697740 B CN 109697740B CN 201811602836 A CN201811602836 A CN 201811602836A CN 109697740 B CN109697740 B CN 109697740B
- Authority
- CN
- China
- Prior art keywords
- image
- test sample
- gradient
- view
- sample image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012360 testing method Methods 0.000 claims abstract description 327
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000013135 deep learning Methods 0.000 claims abstract description 62
- 238000010606 normalization Methods 0.000 claims abstract description 56
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 46
- 230000000007 visual effect Effects 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 19
- 238000012952 Resampling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000002595 magnetic resonance imaging Methods 0.000 description 8
- 239000003814 drug Substances 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 3
- 101150064138 MAP1 gene Proteins 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种图像重建方法、装置和计算机设备。该方法可以包括：获取测试样本图像；对所述测试样本图像进行预处理，获取预处理后的测试样本图像；对所述预处理后的测试样本图像进行梯度计算，获取测试样本梯度图像；对所述测试样本梯度图像进行归一化处理，获取归一化后的测试样本梯度图像；将所述预处理后的测试样本图像和所述归一化后的测试样本梯度图像输入预设的深度学习网络模型，获得重建图像。利用该图像重建方法，使重建出的图像更加清晰，提高了得到的重建图像的质量；另外，采用预设的深度学习模型可以直接快速的得到重建图像，减少了获取重建图像的时长。
Description
技术领域
本发明涉及图像领域，特别是涉及一种图像重建方法、装置和计算机设备。
背景技术
正电子发射计算机断层显像-电子计算机断层扫描(Positron EmissionComputed Tomography-Computed Tomography,PET-CT)检查和正电子发射计算机断层显像/核磁共振成像(Positron Emission Computed Tomography/Magnetic ResonanceImaging,PET/MRI)检查是两种常见的医学检查，PET-CT和PET/MRI扫描的辐射剂量有一部分来自PET药物，减少辐射的手段之一就是减少药物的注射剂量，另一方面，影响PET图像质量的一个因素是数据量的多少，采集的数据量足够多，重建出来的PET图像质量才能满足临床的需要，而采集的数据量又依赖事先注入体内的药物剂量以及采集时间，目前的PET数据采集在注射正常的剂量情况下通常需要采集3分钟每床位，如果注入一半剂量的话则至少需要采集6分钟的数据才能重建出满足临床需要的PET图像。因此，在降低PET药物注射剂量的同时，不延长PET-CT或者PET/MRI的扫描时间获得满足临床需要的PET，就需要对低剂量PET图像进行重建，获取标准剂量的PET图像。
传统的基于学习类的低剂量PET图像重建方法，大多是利用传统的机器学习技术，对低剂量PET图像利用CT或者MRI图像的信息，进行标准剂量PET图像的预测，进而得到标准剂量的PET图像。
但是，传统的低剂量PET图像重建方法，存在重建图像的质量低、重建时间长的问题。
发明内容
基于此，有必要针对传统的基于学习类的低剂量PET图像重建方法，存在重建图像质量低、重建时间长的问题，提供一种图像重建方法、装置和计算机设备。
第一方面，本发明实施例提供一种图像重建方法，所述方法包括：
获取测试样本图像；
对所述测试样本图像进行预处理，获取预处理后的测试样本图像；
对所述预处理后的测试样本图像进行梯度计算，获取测试样本梯度图像；
对所述测试样本梯度图像进行归一化处理，获取归一化后的测试样本梯度图像；
将所述预处理后的测试样本图像和所述归一化后的测试样本梯度图像输入预设的深度学习网络模型，获得重建图像。
在其中一个实施例中，所述预处理包括重采样处理和归一化处理。
在其中一个实施例中，所述对测试样本图像进行预处理，获取预处理后的测试样本图像，包括：
判断所述测试样本图像与训练样本图像的分辨率是否相同；
若是，对所述测试样本图像进行归一化处理，得到归一化后的测试样本图像；
若否，则根据所述训练样本图像的分辨率对所述测试样本进行重采样，得到重采样后的测试样本图像，并对所述重采样后的测试样本图像进行归一化处理，得到归一化后的测试样本图像。
在其中一个实施例中，所述将所述预处理后的测试样本图像和所述归一化后的测试样本梯度图像输入预设的深度学习网络模型，获得重建图像之后，所述方法还包括：
获取用于归一化处理的测试样本图像像素值的最大值和最小值；
根据所述重建图像的像素值、所述用于归一化处理的测试样本图像像素值的最大值和最小值，获取目标重建图像。
在其中一个实施例中，所述对所述预处理后的测试样本图像进行梯度计算，获取测试样本梯度图像，包括：
采用预设的图像梯度特征算子对所述测试样本图像进行3D梯度求解，得到所述测试样本梯度图像。
在其中一个实施例中，所述将所述预处理后的测试样本图像和所述归一化后的测试样本梯度图像输入预设的深度学习网络模型，获得重建图像之前，所述方法还包括：
获取所述预处理后的测试样本图像各视角的二维切面图和所述归一化后的测试样本梯度图像各视角的二维切面图；
所述将所述预处理后的测试样本图像和所述归一化后的测试样本梯度图像输入所述深度学习网络模型，获得重建图像，包括：
将所述预处理后的测试样本图像各视角的二维切面图和所述归一化后的测试样本梯度图像各视角的二维切面图输入所述深度学习网络模型，获得所述重建图像。
在其中一个实施例中，所述深度学习网络模型包括：横断位分支模型、矢状位分支模型、冠状位分支模型和整合分支模型。
在其中一个实施例中，所述将所述预处理后的测试样本图像各视角的二维切面图和所述归一化后的测试样本梯度图像各视角的二维切面图输入所述深度学习网络模型，获得所述重建图像，包括：
将所述预处理后的测试样本图像的横断位二维切面图和所述归一化后的测试样本梯度图像的横断位的二维切面图连接，输入所述横断位分支模型，得到第一特征图像；
将所述预处理后的测试样本图像的矢状位二维切面图和所述归一化后的测试样本梯度图像的矢状位的二维切面图连接，输入所述矢状位分支模型，得到第二特征图像；
将所述预处理后的测试样本图像的冠状位二维切面图和所述归一化后的测试样本梯度图像的冠状位的二维切面图连接，输入所述冠状位分支模型，得到第三特征图像；
将所述第一特征图像、所述第二特征图像和所述第三特征图像连接，输入所述整合分支模型，获取所述重建图像。
第二方面，本发明实施例提供一种图像重建装置，所述装置包括：
获取模块，用于获取测试样本图像；
预处理模块，用于对所述测试样本图像进行预处理，获取预处理后的测试样本图像；
梯度计算模块，用于对所述预处理后的测试样本图像进行梯度计算，获取测试样本梯度图像；
归一化处理模块，用于对所述测试样本梯度图像进行归一化处理，获取归一化后的测试样本梯度图像；
图像重建模块，用于将所述预处理后的测试样本图像和所述归一化后的测试样本梯度图像输入预设的深度学习网络模型，获得重建图像。
第三方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取测试样本图像；
对所述测试样本图像进行预处理，获取预处理后的测试样本图像；
对所述预处理后的测试样本图像进行梯度计算，获取测试样本梯度图像；
对所述测试样本梯度图像进行归一化处理，获取归一化后的测试样本梯度图像；
将所述预处理后的测试样本图像和所述归一化后的测试样本梯度图像输入预设的深度学习网络模型，获得重建图像。
上述实施例提供的图像重建方法、装置和计算机设备中，计算机设备可以对获取的测试样本图像进行预处理，得到预处理后的测试样本图像，然后，对预处理后的测试样本图像进行梯度计算，获取测试样本梯度图像，对测试样本梯度图像进行归一化处理，获取归一化后的测试样本梯度图像，之后，将预处理后的测试样本图像和归一化后的测试样本梯度图像输入预设的深度学习网络模型，得到重建图像。该图像重建方法中，重建图像是将预处理后的测试样本图像和归一化后的测试样本梯度图像输入预设的深度学习网络模型得到的，由于将归一化后的测试样本梯度图像作为输入可以更好的恢复图像细节，使重建出的图像更加清晰，提高了得到的重建图像的质量；另外，采用预设的深度学习模型可以直接快速的得到重建图像，减少了获取重建图像的时长。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图；
图2为一个实施例提供的图像重建方法的流程示意图；
图3(a)为一个实施例提供的测试样本图像；
图3(b)为一个实施例提供的测试样本图像的重建图像；
图4为另一个实施例提供的图像重建方法的流程示意图；
图5为另一个实施例提供的图像重建方法的流程示意图；
图6为另一个实施例提供的图像重建方法的流程示意图；
图7为一个实施例提供的获取重建图像的过程示意图；
图8为一个实施例提供的对初始深度学习网络模型进行训练的过程示意图；
图9为一个实施例提供的图像重建装置结构示意图；
图10为一个实施例提供的图像重建装置结构示意图；
图11为一个实施例提供的图像重建装置结构示意图；
图12为一个实施例提供的图像重建装置结构示意图；
图13为一个实施例提供的图像重建装置结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的图像重建方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是PC，还可以是个人数字助理，还可以是其他的终端设备，例如PAD、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
需要说明的是，本申请实施例提供的图像重建方法，其执行主体可以是图像重建装置，该图像重建装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的图像重建方法的流程示意图。图3(a)为一个实施例提供的测试样本图像，图3(b)为一个实施例提供的测试样本图像的重建图像。本实施例涉及的是计算机设备获得重建图像的具体实现过程。如图2所示，该方法可以包括：
S201，获取测试样本图像。
其中，测试样本图像为低剂量的正电子发射计算机断层显像-电子计算机断层扫描(Positron Emission Computed Tomography-Computed Tomography,PET-CT)的PET图像，或者，低剂量的正电子发射计算机断层显像/核磁共振成像(Positron EmissionComputed Tomography/Magnetic Resonance Imaging,PET/MRI)的PET图像。在本实施例中，可选的，计算机设备可以从PACS(Picture Archiving and Communication Systems，影像归档和通信系统)服务器中获取低剂量的PET图像，也可以直接从PET-CT仪或PET/MRI影像设备中获取低剂量的PET图像。
S202，对所述测试样本图像进行预处理，获取预处理后的测试样本图像。
具体的，计算机设备获取到上述测试样本图像后，对上述测试样本图像进行预处理，得到预处理后的测试样本图像。其中，对测试样本图像进行预处理是指，通过已有的算法或公式，将测试样本图像处理为与训练样本图像形式相同的图像，例如，可以将测试样本图像处理为与训练样本图像分辨率相同的图像。
S203，对所述预处理后的测试样本图像进行梯度计算，获取测试样本梯度图像。
具体的，计算机设备得到预处理后的测试样本图像后，对预处理后的测试样本图像进行梯度计算，得到测试样本梯度图像。可选的，计算机设备可以采用预设的图像梯度特征算子对预处理后的测试样本图像进行3D梯度求解，得到测试样本梯度图像，例如，图像梯度特征算子可以为索贝尔算子(Sobel operator)、普利维特算子(Prewit operator)、罗伯茨交叉边缘检测算子(Roberts cross operator)等。
S204，对所述测试样本梯度图像进行归一化处理，获取归一化后的测试样本梯度图像。
具体的，计算机设备对上述获取的测试样本梯度图像，利用归一化处理公式进行归一化处理，获取归一化后的测试样本梯度图像。其中，图像归一化是指对图像进行一系列标准的处理变换，使图像变换为一固定标准形式；可选地，归一化处理可以采用公式
式中I为测试样本梯度图像，max为测试样本梯度图像像素值的最大值，min为测试样本梯度图像像素值的最小值，I'为归一化后的测试样本梯度图像。
S205，将所述预处理后的测试样本图像和所述归一化后的测试样本梯度图像输入预设的深度学习网络模型，获得重建图像。
具体的，计算机设备将上述获取的预处理后的测试样本图像，和归一化后的测试样本梯度图像，输入预设的深度学习网络模型，得到重建图像。其中，重建图像为测试的低剂量样本图像对应的标准剂量的图像，预设的深度学习网络模型为预先训练的深度学习网络，用于将低剂量的PET图像重建为标准剂量的PET图像。例如，测试样本图像为PET-CT设备的低剂量PET图像，则重建图像为该PET-CT设备低剂量PET图像对应的标准剂量PET图像。如图3(a)和图3(b)所示，图3(a)为测试样本图像，图3(b)为测试样本图像的重建图像。
在本实施例中，重建图像是将预处理后的测试样本图像和归一化后的测试样本梯度图像输入预设的深度学习网络模型得到的，由于将归一化后的测试样本梯度图像作为输入可以更好的恢复图像细节，使重建出的图像更加清晰，提高了得到的重建图像的质量；另外，采用预设的深度学习模型可以直接快速的得到重建图像，减少了获取重建图像的时长。
在上述对测试样本图像进行预处理的场景中，作为一种可选的实施方式，所述预处理包括重采样处理和归一化处理。
其中，重采样处理是指将测试样本图像重采样为与训练样本图像的分辨率相同的图像；归一化处理是指指对图像进行一系列标准的处理变换，使图像变换为一固定标准形式。可选的，计算机设备可以采用最近邻内插法对测试样本图像进行重采样，也可以采用双线性内插法或三次卷积法对测试样本图像进行重采样。例如，测试样本图像的分辨率为100PPI，训练样本图像的分辨率为80PPI，则可以对测试样本图像采用双线性内插法，将测试样本图像的分辨率重采样为80PPI。可选的，计算机设备可以根据上述归一化处理公式
对测试样本图像进行归一化处理。
在本实施例中，计算机设备对测试样本图像的预处理包括重采样处理和归一化处理，对测试样本进行的重采样处理，能够使测试样本图像的分辨率与训练样本图像的分辨率相同，提高了得到的重建图像的质量；另外，由于预设的深度学习网络模型是根据归一化处理后的样本图像训练得到，因此，对测试样本图像进行归一化处理，有利于测试样本图像与预设的深度学习网络模型匹配，从而提高得到的重建图像的质量。
图4为另一个实施例提供的图像重建方法的流程示意图。本实施例涉及的是对测试样本图像进行预处理，获取预处理后的测试样本图像的具体实现过程。如图4所示，在上述实施例的基础上，作为一种可选的实施方式，上述S202包括：
S401，判断所述测试样本图像与训练样本图像的分辨率是否相同，若是，则执行S402；若否，则执行S403。
具体的，计算机设备可以将测试样本图像的分辨率与训练样本图像的分辨率进行比对，判断测试样本图像与训练样本图像的分辨率是否相同。若测试样本图像与训练样本图像的分辨率相同，则对测试样本图像进行归一化处理；若测试样本图像与训练样本图像的分辨率不同，则先对测试样本进行重采样，再对重采样后的训练图像进行归一化处理。
S402，对所述测试样本图像进行归一化处理，得到归一化后的测试样本图像。
具体的，计算机设备根据上述归一化处理公式
对测试样本图像进行归一化处理，得到归一化处理后的测试样本图像。
S403，根据所述训练样本图像的分辨率对所述测试样本进行重采样，得到重采样后的测试样本图像，并对所述重采样后的测试样本图像进行归一化处理，得到归一化后的测试样本图像。
具体的，计算机设备利用已有的重采样方法，根据训练样本图像的分辨率，对测试样本图像进行重采样，得到与训练样本图像的分辨率相同的重采样后的测试样本图像，并利用上述归一化处理公式
对重采样后的测试样本图像进行归一化处理，得到归一化后的测试样本图像。可选的，计算机设备可以采用最近邻内插法对测试样本图像进行重采样，也可以采用双线性内插法或三次卷积法对测试样本图像进行重采样。
在本实施例中，计算机设备首先判断测试样本图像的分辨率与训练样本图像的分辨率是否相同，对与训练样本图像的分辨率相同的测试样本图像直接进行归一化处理，对与训练样本图像的分辨率不同的测试样本图像进行重采样，得到重采样后的测试样本图像，并对重采样后的测试样本图像进行归一化处理，得到归一化处理后的测试样本图像，由于计算机设备首先对测试样本图像的分辨率与训练样本图像的分辨率进行了判断，使得测试样本和训练样本的分辨率达到统一，提高了得到归一化处理后的测试样本图像的效率；另外，由于预设的深度学习网络模型是根据归一化处理后的样本图像训练得到，因此，对测试样本图像进行归一化处理，有利于测试样本图像与预设的深度学习网络模型匹配，从而提高得到的重建图像的质量。
在上述将预处理后的测试样本图像和归一化后的测试样本梯度图像输入预设的深度学习网络模型，获得重建图像的场景中，由于获得的重建图像为归一化后的图像，因此，需要对得到的重建图像再进行反归一化处理，得到目标重建图像。图5为另一个实施例提供的图像重建方法的流程示意图。本实施例涉及的是获取目标重建图像的具体实现过程。如图5所示，在上述实施例的基础上，作为一种可选的实施方式，所述方法还包括：
S501，获取用于归一化处理的测试样本图像像素值的最大值和最小值。
具体的，在上述对测试样本图像进行归一化处理时，需要获取测试样本图像像素值的最大值和最小值，在本实施例中，计算机设备首先获取对测试样本图像进行归一化处理时，得到的图像的最大值和最小值。
S502，根据所述重建图像的像素值、所述用于归一化处理的测试样本图像像素值的最大值和最小值，获取目标重建图像。
具体的，计算机设备根据上述得到的重建图像，获取重建图像的像素值，根据重建图像的像素值和上述用于归一化处理的测试样本图像像素值的最大值和最小值，获取目标重建图像。可选的，可以利用公式I＝I'*(max-min)+min，获取目标重建图像，式中，I表示目标重建图像，I'表示重建图像，max为测试样本梯度图像像素值的最大值，min为测试样本梯度图像像素值的最小值。
在本实施例中，由于获得的重建图像为归一化后的图像，计算机设备根据重建图像的像素值、用于归一化处理的测试样本图像像素值的最大值和最小值，对重建图像进行反归一化处理，得到的目标重建图像的形式与归一化处理前的图像形式相同，提高了得到的目标重建图像的准确度；另外，计算机设备根据重建图像的像素值、用于归一化处理的测试样本图像像素值的最大值和最小值，获取目标重建图像的过程十分简单，提高了得到目标重建图像的效率。
在上述实施例的基础上，作为一种可选的实施方式，上述S205之前，所述方法还包括：获取所述预处理后的测试样本图像各视角的二维切面图和所述归一化后的测试样本梯度图像各视角的二维切面图；上述S205，包括：将所述预处理后的测试样本图像各视角的二维切面图和所述归一化后的测试样本梯度图像各视角的二维切面图输入所述深度学习网络模型，获得所述重建图像。
具体的，计算机设备获得上述预处理后的测试样本图像和测试样本梯度图像后，分别取预处理后的测试样本图像各视角的二维切面图(2D slice)和归一化后的测试样本梯度图像各视角的二维切面图(2D slice)；其中，预处理后的测试样本图像各视角的二维切面图(2D slice)包括预处理后的测试样本图像横断位(Axial View)的二维切面图(2Dslice)、矢状位(Sagittal View)的二维切面图(2D slice)和冠状位(Coronal View)的二维切面图(2D slice)，归一化后的测试样本梯度图像包括归一化后的测试样本梯度图像横断位(Axial View)的二维切面图(2D slice)、矢状位(Sagittal View)的二维切面图(2Dslice)和冠状位(Coronal View)的二维切面图(2D slice)。之后，计算机设备将上述获取的预处理后的测试样本图像各视角的二维切面图(2D slice)和归一化后的测试样本梯度图像各视角的二维切面图(2D slice)，输入预设的深度学习网络模型，获得重建图像。
在本实施例中，计算机设备首先获取预处理后的测试样本图像各视角的二维切面图和归一化后的测试样本梯度图像各视角的二维切面图，将预处理后的测试样本图像各视角的二维切面图和归一化后的测试样本梯度图像各视角的二维切面图输入预设的深度学习网络模型，有利于深度学习网络模型充分学习预处理后的测试样本图像和归一化后的测试样本梯度图像各视角的特征，提高了得到的重建图像的质量。
在上述将预处理后的测试样本图像和归一化后的测试样本梯度图像输入预设的深度学习网络模型的场景中，所述深度学习网络模型包括：横断位分支模型、矢状位分支模型、冠状位分支模型和整合分支模型。图6为另一个实施例提供的图像重建方法的流程示意图。图7为一个实施例提供的获取重建图像的过程示意图。本实施例涉及的是将预处理后的测试样本图像各视角的二维切面图和归一化后的测试样本梯度图像各视角的二维切面图输入所述深度学习网络模型，获得重建图像的具体实现过程。如图6所示，在上述实施例的基础上，作为一种可选的实施方式，所述将所述预处理后的测试样本图像各视角的二维切面图和所述归一化后的测试样本梯度图像各视角的二维切面图输入所述深度学习网络模型，获得所述重建图像，包括：
S601，将所述预处理后的测试样本图像的横断位二维切面图和所述归一化后的测试样本梯度图像的横断位的二维切面图连接，输入所述横断位分支模型，得到第一特征图像。
具体的，计算机设备获取到预处理后的测试样本图像的横断位二维切面图(AxialView 2D slice)和归一化后的测试样本梯度图像的横断位二维切面图(Axial View 2Dslice)后，如图7所示，将预处理后的测试样本图像的二维切面图(Axial View 2D slice)与归一化后的测试样本梯度图像的横断位二维切面图(Axial View 2D slice)连接，将连接的横断位二维切面图(Axial View 2D slice)做2.5D处理，并输入横断位分支模型(network-branch-1)，得到第一特征图像(map_1)。示例性的，2.5D处理指的是预处理后的测试样本图像的5张2D slice与归一化后的测试样本梯度图像的5张2D slice，对应标准剂量PET图像的一张2D slice。例如，Axial View 2D slice的大小为64*64，则输入到network-branch-1的Axial View 2D slice的大小为64*64*10。
S602，将所述预处理后的测试样本图像的矢状位二维切面图和所述归一化后的测试样本梯度图像的矢状位的二维切面图连接，输入所述矢状位分支模型，得到第二特征图像。
具体的，计算机设备获取到预处理后的测试样本图像的矢状位二维切面图(Sagittal View 2D slice)和归一化后的测试样本梯度图像的矢状位的二维切面图(Sagittal View 2D slice)后，如图7所示，将预处理后的测试样本图像的矢状位二维切面图(Sagittal View 2D slice)与归一化后的测试样本梯度图像的矢状位的二维切面图(Sagittal View 2D slice)连接，将连接的矢状位二维切面图(Sagittal View 2D slice)做2.5D处理，并输入矢状位分支模型(network-branch-2)，得到第二特征图像(map_2)。例如，Sagittal View 2D slice的大小为64*64，则输入到network-branch-2的SagittalView 2D slice的大小为64*64*10。
S603，将所述预处理后的测试样本图像的冠状位二维切面图和所述归一化后的测试样本梯度图像的冠状位的二维切面图连接，输入所述冠状位分支模型，得到第三特征图像。
具体的，计算机设备获取到预处理后的测试样本图像的冠状位二维切面图(Coronal View 2D slice)和归一化后的测试样本梯度图像的冠状位的二维切面图(Coronal View 2D slice)后，如图7所示，将预处理后的测试样本图像的冠状位二维切面图(Coronal View 2D slice)与归一化后的测试样本梯度图像的冠状位的二维切面图(Coronal View 2D slice)连接，将连接的冠状位二维切面图(Coronal View 2D slice)做2.5D处理，并输入冠状位分支模型(network-branch-2)，得到第三特征图像(map_3)。例如，Coronal View 2D slice的大小为64*64，则输入到network-branch-3的Coronal View 2Dslice的大小为64*64*10。
S604，将所述第一特征图像、所述第二特征图像和所述第三特征图像连接，输入所述整合分支模型，获取所述重建图像。
具体的，计算机设备获取到上述第一特征图像(map_1)、第二特征图像(map_2)和第三特征图像(map_3)后，如图7所示，将第一特征图像(map_1)、第二特征图像(map_2)和第三特征图像(map_3)连接，输入整合分支模型(network-branch-4)，得到重建图像。需要说明的是，得到的重建图像为具有横断位(Axial View)、矢状位(Sagittal View)和冠状位(Coronal View)的三维图像。
在本实施例中，计算机设备分别将预处理后的测试样本图像和归一化后的测试样本梯度图像各视角的二维切面图连接，将各视角的二维连接切面图分别输入对应的分支模型中，有利于各分支模型充分学习各视角的特征，提高了得到的各视角的特征图像的准确度；另外，再将各视角的特征图像进行连接，将连接后的特征图像输入整合分支模型，得到重建图像，由于重建图像是根据各视角的特征图像得到的，因此，进一步的提高了得到的重建图像的准确度，提高了得到的重建图像的质量。
图8为一个实施例提供的对初始深度学习网络模型进行训练的过程示意图。在将预处理后的测试样本图像和归一化后的测试样本梯度图像输入预设的深度学习网络模型的场景中，需要对初始深度学习网络模型进行训练，在上述实施例的基础上，如图8所示，所述方法还包括：根据多幅训练样本图像和对应的多幅标准剂量PET图像，采用预设的auto-context策略，将各训练样本图像各视角的二维切面图以及对应的梯度图各视角的二维切面图连接，分别输入初始深度学习网络模型中，获得重建测试图像；将上一次训练得到的重建测试图像各视角的图像块和训练样本图像各视角的图像块以及对应的梯度图各视角的图像块连接，输入本次训练的深度学习网络模型中；将每一次训练的深度学习网络模型输出的重建测试图像的图像块和所述标准剂量PET图像的图像块输入预设的损失函数(lossfunction)中，直至所述损失函数(loss function)的值达到稳定值为止，将得到的深度学习网络模型确定为预设的深度学习网络模型。
具体的，如图8所示，计算机设备首先获取多幅训练样本图像，以及和多幅训练样本图像对应的多幅标准剂量PET图像；获得各训练样本图像以及对应的梯度图的各视角的二维切面图(2D slice)和各标准剂量PET图像各视角的二维切面图(2D slice)；对获得的各训练样本图像以及对应的梯度图的各视角的二维切面图(2D slice)和各标准剂量PET图像各视角的二维切面图(2D slice)进行块提取，得到各训练样本图像以及对应的梯度图的各视角的图像块和各标准剂量PET图像各视角的图像块，其中，各训练样本图像以及对应的梯度图的各视角的图像块的大小为64*64*10，各标准剂量PET图像各视角的图像块的大小为64*64*1；之后，计算机设备采用预设的auto-context策略，将各训练样本图像各视角的图像块以及对应的梯度图的各视角的图像块连接，输入初始深度学习网络模型中，获得重建测试图像，初始深度学习模型也就是图8中的第一深度学习网络模型；然后，将本次得到的重建测试图像各视角的图像块和训练样本图像各视角的图像块以及对应的梯度图的各视角的图像块连接，输入下次训练的深度学习网络模型中，下次训练的深度学习网络模型也就是图8中的第二深度学习网络模型，同时，将每一次训练的深度学习网络模型输出的重建测试图像的图像块和标准剂量PET图像的图像块输入预设的损失函数(loss function)中，如此迭代训练，直至损失函数(loss function)的值达到稳定值为止，将损失函数的值达到稳定值时，得到的深度学习网络模型，确定为预设的深度学习网络模型。可选的，可以选择L1loss作为本实施例中深度学习网络模型训练的loss function。
在本实施例中，计算机设备采用auto-context策略对初始深度学习网络模型进行迭代训练，充分学习了各训练样本图像的特征，提高了确定的预设的深度学习网络模型的质量，进而提高了根据预设的深度学习网络模型得到的重建图像的质量。
应该理解的是，虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图9为一个实施例提供的图像重建装置结构示意图。如图9所示，该装置可以包括：第一获取模块10、预处理模块11、梯度计算模块12、归一化处理模块13和图像重建模块14。
具体的，第一获取模块10，用于获取测试样本图像；
预处理模块11，用于对所述测试样本图像进行预处理，获取预处理后的测试样本图像；
梯度计算模块12，用于对所述预处理后的测试样本图像进行梯度计算，获取测试样本梯度图像；
归一化处理模块13，用于对所述测试样本梯度图像进行归一化处理，获取归一化后的测试样本梯度图像；
图像重建模块14，用于将所述预处理后的测试样本图像和所述归一化后的测试样本梯度图像输入预设的深度学习网络模型，获得重建图像。
可选的，所述预处理包括重采样处理和归一化处理。
可选的，所述深度学习网络模型包括：横断位分支模型、矢状位分支模型、冠状位分支模型和整合分支模型。
本实施例提供的图像重建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图10为一个实施例提供的图像重建装置结构示意图。在上述实施例的基础上，可选的，如图10所示，预处理模块11包括判断单元111、第一处理单元112和第二处理单元113。
具体的，判断单元111，用于判断所述测试样本图像与训练样本图像的分辨率是否相同；
第一处理单元112，用于对所述测试样本图像进行归一化处理，得到归一化后的测试样本图像；
第二处理单元113，用于根据所述训练样本图像的分辨率对所述测试样本进行重采样，得到重采样后的测试样本图像，并对所述重采样后的测试样本图像进行归一化处理，得到归一化后的测试样本图像。
本实施例提供的图像重建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图11为一个实施例提供的图像重建装置结构示意图。在上述实施例的基础上，可选的，如图11所示，所述装置还包括：第二获取模块15和目标重建图像模块16。
具体的，第二获取模块15，用于获取用于归一化处理的测试样本图像像素值的最大值和最小值；
目标重建图像模块16，用于根据所述重建图像的像素值、所述用于归一化处理的测试样本图像像素值的最大值和最小值，获取目标重建图像。
本实施例提供的图像重建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，梯度计算模块12，具体用于采用预设的图像梯度特征算子对所述测试样本图像进行3D梯度求解，得到所述测试样本梯度图像。
本实施例提供的图像重建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图12为一个实施例提供的图像重建装置结构示意图。在上述实施例的基础上，可选的，如图12所示，所述装置还包括：第三获取模块17。
具体的，第三获取模块17，用于获取所述预处理后的测试样本图像各视角的二维切面图和所述归一化后的测试样本梯度图像各视角的二维切面图；
图像重建模块14，具体用于将所述预处理后的测试样本图像各视角的二维切面图和所述归一化后的测试样本梯度图像各视角的二维切面图输入所述深度学习网络模型，获得所述重建图像。
本实施例提供的图像重建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图13为一个实施例提供的图像重建装置结构示意图。在上述实施例的基础上，可选的，如图13所示，图像重建模块14包括横断位重建单元141、矢状位重建单元142、冠状位重建单元143和整合单元144。
具体的，横断位重建单元141，用于将所述预处理后的测试样本图像的横断位二维切面图和所述归一化后的测试样本梯度图像的横断位的二维切面图连接，输入所述横断位分支模型，得到第一特征图像；
矢状位重建单元142，用于将所述预处理后的测试样本图像的矢状位二维切面图和所述归一化后的测试样本梯度图像的矢状位的二维切面图连接，输入所述矢状位分支模型，得到第二特征图像；
冠状位重建单元143，用于将所述预处理后的测试样本图像的冠状位二维切面图和所述归一化后的测试样本梯度图像的冠状位的二维切面图连接，输入所述冠状位分支模型，得到第三特征图像；
整合单元144，用于将所述第一特征图像、所述第二特征图像和所述第三特征图像连接，输入所述整合分支模型，获取所述重建图像。
本实施例提供的图像重建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于图像重建装置的具体限定可以参见上文中对于图像重建方法的限定，在此不再赘述。上述图像重建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取测试样本图像；
对所述测试样本图像进行预处理，获取预处理后的测试样本图像；
对所述预处理后的测试样本图像进行梯度计算，获取测试样本梯度图像；
对所述测试样本梯度图像进行归一化处理，获取归一化后的测试样本梯度图像；
将所述预处理后的测试样本图像和所述归一化后的测试样本梯度图像输入预设的深度学习网络模型，获得重建图像。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取测试样本图像；
对所述测试样本图像进行预处理，获取预处理后的测试样本图像；
对所述预处理后的测试样本图像进行梯度计算，获取测试样本梯度图像；
对所述测试样本梯度图像进行归一化处理，获取归一化后的测试样本梯度图像；
将所述预处理后的测试样本图像和所述归一化后的测试样本梯度图像输入预设的深度学习网络模型，获得重建图像。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像重建方法，其特征在于，所述方法包括：
获取测试样本图像；
对所述测试样本图像进行预处理，获取预处理后的测试样本图像；
对所述预处理后的测试样本图像进行梯度计算，获取测试样本梯度图像；
对所述测试样本梯度图像进行归一化处理，获取归一化后的测试样本梯度图像；
获取所述预处理后的测试样本图像各视角的二维切面图和所述归一化后的测试样本梯度图像各视角的二维切面图，将所述预处理后的测试样本图像各视角的二维切面图和所述归一化后的测试样本梯度图像各视角的二维切面图输入预设的深度学习网络模型，获得重建图像。
2.根据权利要求1所述的方法，其特征在于，所述预处理包括重采样处理和归一化处理。
3.根据权利要求2所述的方法，其特征在于，所述对所述测试样本图像进行预处理，获取预处理后的测试样本图像，包括：
判断所述测试样本图像与训练样本图像的分辨率是否相同；
若是，对所述测试样本图像进行归一化处理，得到归一化后的测试样本图像；
若否，则根据所述训练样本图像的分辨率对所述测试样本进行重采样，得到重采样后的测试样本图像，并对所述重采样后的测试样本图像进行归一化处理，得到归一化后的测试样本图像。
4.根据权利要求3所述的方法，其特征在于，所述将所述预处理后的测试样本图像和所述归一化后的测试样本梯度图像输入预设的深度学习网络模型，获得重建图像之后，所述方法还包括：
获取用于归一化处理的测试样本图像像素值的最大值和最小值；
根据所述重建图像的像素值、所述用于归一化处理的测试样本图像像素值的最大值和最小值，获取目标重建图像。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述对所述预处理后的测试样本图像进行梯度计算，获取测试样本梯度图像，包括：
采用预设的图像梯度特征算子对所述测试样本图像进行3D梯度求解，得到所述测试样本梯度图像。
6.根据权利要求1所述的方法，其特征在于，所述深度学习网络模型包括：横断位分支模型、矢状位分支模型、冠状位分支模型和整合分支模型。
7.根据权利要求6所述的方法，其特征在于，所述将所述预处理后的测试样本图像各视角的二维切面图和所述归一化后的测试样本梯度图像各视角的二维切面图输入所述深度学习网络模型，获得所述重建图像，包括：
将所述预处理后的测试样本图像的横断位二维切面图和所述归一化后的测试样本梯度图像的横断位的二维切面图连接，输入所述横断位分支模型，得到第一特征图像；
将所述预处理后的测试样本图像的矢状位二维切面图和所述归一化后的测试样本梯度图像的矢状位的二维切面图连接，输入所述矢状位分支模型，得到第二特征图像；
将所述预处理后的测试样本图像的冠状位二维切面图和所述归一化后的测试样本梯度图像的冠状位的二维切面图连接，输入所述冠状位分支模型，得到第三特征图像；
将所述第一特征图像、所述第二特征图像和所述第三特征图像连接，输入所述整合分支模型，获取所述重建图像。
8.一种图像重建装置，其特征在于，所述装置包括：
获取模块，用于获取测试样本图像；
预处理模块，用于对所述测试样本图像进行预处理，获取预处理后的测试样本图像；
梯度计算模块，用于对所述预处理后的测试样本图像进行梯度计算，获取测试样本梯度图像；
归一化处理模块，用于对所述测试样本梯度图像进行归一化处理，获取归一化后的测试样本梯度图像；
图像重建模块，用于获取所述预处理后的测试样本图像各视角的二维切面图和所述归一化后的测试样本梯度图像各视角的二维切面图，将所述预处理后的测试样本图像各视角的二维切面图和所述归一化后的测试样本梯度图像各视角的二维切面图输入预设的深度学习网络模型，获得重建图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811602836.3A CN109697740B (zh) | 2018-12-26 | 2018-12-26 | 图像重建方法、装置和计算机设备 |
| PCT/CN2019/128853 WO2020135630A1 (en) | 2018-12-26 | 2019-12-26 | Systems and methods for image reconstruction |
| US16/726,964 US11494877B2 (en) | 2018-12-26 | 2019-12-26 | Systems and methods for image reconstruction |
| US18/053,348 US20230109899A1 (en) | 2018-12-26 | 2022-11-07 | Systems and methods for image reconstruction |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811602836.3A CN109697740B (zh) | 2018-12-26 | 2018-12-26 | 图像重建方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109697740A CN109697740A (zh) | 2019-04-30 |
| CN109697740B true CN109697740B (zh) | 2020-09-22 |
Family
ID=66232207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811602836.3A Active CN109697740B (zh) | 2018-12-26 | 2018-12-26 | 图像重建方法、装置和计算机设备 |
Country Status (3)
| Country | Link |
|---|---|
| US (2) | US11494877B2 (zh) |
| CN (1) | CN109697740B (zh) |
| WO (1) | WO2020135630A1 (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6658795B2 (ja) * | 2018-05-11 | 2020-03-04 | セイコーエプソン株式会社 | 機械学習装置、撮影時期推定装置、機械学習プログラムおよび写真データの生産方法 |
| CN109697740B (zh) * | 2018-12-26 | 2020-09-22 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置和计算机设备 |
| US11816555B2 (en) * | 2020-02-12 | 2023-11-14 | Palantir Technologies Inc. | System and method for chaining discrete models |
| WO2021253326A1 (zh) * | 2020-06-18 | 2021-12-23 | 深圳先进技术研究院 | 一种基于域变换的正电子发射断层图像的重建方法 |
| CN111815764B (zh) * | 2020-07-21 | 2022-07-05 | 西北工业大学 | 基于自监督3d全卷积神经网络的超声三维重建方法 |
| CN113034642B (zh) * | 2021-03-30 | 2022-05-27 | 推想医疗科技股份有限公司 | 图像重建方法及装置、图像重建模型的训练方法及装置 |
| TWI800814B (zh) * | 2021-04-12 | 2023-05-01 | 宏碁股份有限公司 | 影像拼接方法 |
| CN113066145B (zh) * | 2021-04-29 | 2023-12-26 | 武汉聚垒科技有限公司 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
| WO2023279316A1 (zh) * | 2021-07-08 | 2023-01-12 | 深圳高性能医疗器械国家研究院有限公司 | 一种基于去噪打分匹配网络的pet重建方法 |
| CN115049783B (zh) * | 2022-05-20 | 2024-04-02 | 支付宝(杭州)信息技术有限公司 | 模型的确定方法、场景重建模型、介质、设备及产品 |
| WO2024138719A1 (en) * | 2022-12-30 | 2024-07-04 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image optimization |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700438A (zh) * | 2014-11-21 | 2015-06-10 | 上海联影医疗科技有限公司 | 图像重建方法及装置 |
| CN108710950A (zh) * | 2018-05-11 | 2018-10-26 | 上海市第六人民医院 | 一种图像量化分析方法 |
| CN108898582A (zh) * | 2018-06-11 | 2018-11-27 | 上海联影医疗科技有限公司 | 心脏图像重建方法、装置以及计算机设备 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184559B (zh) * | 2011-05-17 | 2012-07-04 | 刘华锋 | 一种基于粒子滤波的静态pet图像重建方法 |
| CN102831627A (zh) * | 2012-06-27 | 2012-12-19 | 浙江大学 | 一种基于gpu多核并行处理的pet图像重建方法 |
| US9202267B1 (en) * | 2013-03-14 | 2015-12-01 | Marseille Networks, Inc. | System and method to enhance and process a digital image |
| US10610182B2 (en) * | 2014-01-15 | 2020-04-07 | Alara Systems, Inc | Converting low-dose to higher dose 3D tomosynthesis images through machine-learning processes |
| CN105931179B (zh) * | 2016-04-08 | 2018-10-26 | 武汉大学 | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 |
| US10475215B2 (en) * | 2016-09-23 | 2019-11-12 | Carestream Health, Inc. | CBCT image processing method |
| CN106600568B (zh) * | 2017-01-19 | 2019-10-11 | 东软医疗系统股份有限公司 | 一种低剂量ct图像去噪方法及装置 |
| CN107610194B (zh) | 2017-08-14 | 2020-08-04 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
| CN108122265A (zh) * | 2017-11-13 | 2018-06-05 | 深圳先进技术研究院 | 一种ct重建图像优化方法及系统 |
| CN108376386A (zh) * | 2018-03-23 | 2018-08-07 | 深圳天琴医疗科技有限公司 | 一种图像的超分辨率模型的构建方法及装置 |
| CN108564553A (zh) * | 2018-05-07 | 2018-09-21 | 南方医科大学 | 基于卷积神经网络的低剂量ct图像噪声抑制方法 |
| US11756160B2 (en) * | 2018-07-27 | 2023-09-12 | Washington University | ML-based methods for pseudo-CT and HR MR image estimation |
| CN109697740B (zh) * | 2018-12-26 | 2020-09-22 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置和计算机设备 |
-
2018
- 2018-12-26 CN CN201811602836.3A patent/CN109697740B/zh active Active
-
2019
- 2019-12-26 WO PCT/CN2019/128853 patent/WO2020135630A1/en active Application Filing
- 2019-12-26 US US16/726,964 patent/US11494877B2/en active Active
-
2022
- 2022-11-07 US US18/053,348 patent/US20230109899A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700438A (zh) * | 2014-11-21 | 2015-06-10 | 上海联影医疗科技有限公司 | 图像重建方法及装置 |
| CN108710950A (zh) * | 2018-05-11 | 2018-10-26 | 上海市第六人民医院 | 一种图像量化分析方法 |
| CN108898582A (zh) * | 2018-06-11 | 2018-11-27 | 上海联影医疗科技有限公司 | 心脏图像重建方法、装置以及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109697740A (zh) | 2019-04-30 |
| US20230109899A1 (en) | 2023-04-13 |
| US20200211160A1 (en) | 2020-07-02 |
| WO2020135630A1 (en) | 2020-07-02 |
| US11494877B2 (en) | 2022-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109697740B (zh) | 图像重建方法、装置和计算机设备 | |
| CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
| CN109523584B (zh) | 图像处理方法、装置、多模态成像系统、存储介质及设备 | |
| CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
| CN110809782A (zh) | 衰减校正系统和方法 | |
| CN111223163B (zh) | 图像重建方法、装置、设备、系统及计算机可读存储介质 | |
| CN110084868B (zh) | 图像校正方法、装置、计算机设备和可读存储介质 | |
| KR102202398B1 (ko) | 영상처리장치 및 그의 영상처리방법 | |
| CN111402355B (zh) | Pet图像重建方法、装置和计算机设备 | |
| CN111210431B (zh) | 一种血管分割方法、装置、设备及存储介质 | |
| CN112365413A (zh) | 图像处理方法、装置、设备、系统及计算机可读存储介质 | |
| CN110598696A (zh) | 医学图像扫描定位方法、医学图像扫描方法和计算机设备 | |
| CN111210465A (zh) | 图像配准方法、装置、计算机设备和可读存储介质 | |
| CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
| US11455755B2 (en) | Methods and apparatus for neural network based image reconstruction | |
| CN110189386B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN110766661B (zh) | 磁共振成像的水脂分离方法、磁共振成像方法和设备 | |
| CN110473241B (zh) | 图像配准方法、存储介质及计算机设备 | |
| CN111105362B (zh) | 脑图像校正方法、计算机设备和可读存储介质 | |
| CN111091504A (zh) | 图像偏差场矫正方法、计算机设备和存储介质 | |
| CN116630239A (zh) | 影像分析方法、装置和计算机设备 | |
| CN113808130B (zh) | 肿瘤图像智能分类方法、装置、设备和存储介质 | |
| CN113554647B (zh) | 医学图像的配准方法和装置 | |
| CN114782566A (zh) | Ct数据重建方法和装置、电子设备和计算机可读存储介质 | |
| CN113962938A (zh) | 图像分割方法、装置、计算机设备和可读存储介质 |
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 |