CN110084868B - 图像校正方法、装置、计算机设备和可读存储介质 - Google Patents
图像校正方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN110084868B CN110084868B CN201910350053.9A CN201910350053A CN110084868B CN 110084868 B CN110084868 B CN 110084868B CN 201910350053 A CN201910350053 A CN 201910350053A CN 110084868 B CN110084868 B CN 110084868B
- Authority
- CN
- China
- Prior art keywords
- image
- gating
- initial
- corrected
- deformation field
- 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
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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种图像校正方法、装置、计算机设备和可读存储介质,该方法包括:获取待校正的门控重建图像和初始门控重建图像;待校正的门控重建图像为根据临床扫描参数获得的图像;初始门控重建图像为无衰减校正低分辨率图像;将初始门控重建图像输入深度学习模型中,获取初始门控重建图像各帧间的变形场;根据各帧间的变形场,对待校正的门控重建图像进行校正处理,获取校正后的重建图像。该方法能够快速获得初始门控重建图像各帧间的变形场,提高了获得初始门控重建图像各帧间的变形场的效率,而校正后的重建图像是根据获得的初始门控重建图像各帧间的变形场,对待校正的门控重建图像进行校正处理得到的进而提高了获取校正后的重建图像的效率。
Description
技术领域
本发明涉及医疗成像技术领域,特别是涉及一种图像校正方法、装置、计算机设备和可读存储介质。
背景技术
正电子发射计算机断层显像(Positron Emission Computed Tomography,PET)成像技术利用被标记的药物作为示踪剂,根据病灶组织细胞的代谢、功能、血流和细胞增殖等,获取受检者的潜在病变特征。但在该过程中,受检者的呼吸运动会降低图像质量,从而影响医生的诊断工作。
现有技术中,通常是将PET数据划分为多个部分,每一部分数据可参与重建获取PET图像,例如,成像系统可根据一个或多个门控将从受检者采集的PET数据分类为多个箱或者帧,基于该多个箱或者多帧内的PET数据可重建PET图像,得到高敏感度的静止图像。
但是,现有技术中在获得高敏感度的静止图像时,每次都需要将PET数据分类为多个箱或者帧,基于该多个箱或者多帧内的PET数据进行图像重建,存在效率较低的问题。
发明内容
基于此,有必要针对现有技术中在获得高敏感度的静止图像时,存在效率较低的问题,提供一种图像校正方法、装置、计算机设备和可读存储介质。
第一方面,本发明实施例提供一种图像校正方法,所述方法包括:
获取待校正的门控重建图像和初始门控重建图像;所述待校正的门控重建图像为根据临床扫描参数获得的图像;所述初始门控重建图像为无衰减校正低分辨率图像;
将所述初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场;
根据所述各帧间的变形场,对所述待校正的门控重建图像进行校正处理,获取校正后的重建图像。
在其中一个实施例中,所述根据所述各帧间的变形场,对所述待校正的门控重建图像进行校正处理,获取校正后的重建图像,包括:
获取所述待校正的门控重建图像的各帧图像;
根据所述各帧间的变形场对相应的各帧图像进行校正,得到校正后的各帧图像;
将所述校正后的各帧图像进行合并,得到所述校正后的重建图像。
在其中一个实施例中,所述将所述初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场之前,所述方法还包括:
对所述初始门控重建图像进行归一化处理,得到归一化处理后的初始门控重建图像;
所述将所述初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场,包括:
将所述归一化处理后的初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场。
在其中一个实施例中,所述方法还包括:
获取多个样本门控重建图像;所述样本门控重建图像为无衰减校正的图像,且所述样本门控重建图像的扫描时长大于预设阈值;
根据所述样本门控重建图像,获取参考帧图像和运动图像;所述参考帧图像为所述样本门控重建图像对应的无运动影响的图像;所述运动图像为所述参考帧图像对应的有运动影响的图像;
将所述参考帧图像和所述运动图像作为输入,将所述运动图像的变形场作为输出,对初始深度学习模型进行训练,得到所述深度学习模型。
在其中一个实施例中,所述根据所述样本门控重建图像,获取参考帧图像和运动图像,包括:
根据所述样本门控重建图像的单帧数据,获取所述参考帧图像;
获取所述样本门控重建图像各帧间的样本变形场;
根据所述样本变形场对所述参考帧图像进行变换处理,得到所述运动图像。
在其中一个实施例中,所述根据所述样本门控重建图像的单帧时长数据,获取所述参考帧图像,包括:
获取所述样本门控重建图像的单帧数据;
对所述单帧数据进行所述预设阈值时长的无衰减重建,得到所述参考帧图像。
在其中一个实施例中,所述将所述参考帧图像和所述运动图像作为输入,将所述运动图像的变形场作为输出,对初始深度学习模型进行训练,得到所述深度学习模型,包括:
将所述样本变形场和所述深度学习模型的输出作为预设损失函数的输入,得到所述损失函数的值;
根据所述损失函数的值,调整所述初始深度学习模型的参数,直至所述损失函数的值达到预设的稳定值,将所述稳定值对应的初始深度学习模型确定为所述深度学习模型。
第二方面,本发明实施例提供一种图像校正装置,所述装置包括:
第一获取模块,用于获取待校正的门控重建图像和初始门控重建图像;所述待校正的门控重建图像为根据临床扫描参数获得的图像;所述初始门控重建图像为无衰减校正低分辨率图像;
第二获取模块,用于将所述初始门控重建图像输入预先训练的深度学习模型中,获取所述初始门控重建图像各帧间的变形场;
校正模块,用于根据所述各帧间的变形场,对所述待校正的门控重建图像进行校正处理,获取校正后的重建图像。
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:
获取待校正的门控重建图像和初始门控重建图像;所述待校正的门控重建图像为根据临床扫描参数获得的图像;所述初始门控重建图像为无衰减校正低分辨率图像;
将所述初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场;
根据所述各帧间的变形场,对所述待校正的门控重建图像进行校正处理,获取校正后的重建图像。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待校正的门控重建图像和初始门控重建图像;所述待校正的门控重建图像为根据临床扫描参数获得的图像;所述初始门控重建图像为无衰减校正低分辨率图像;
将所述初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场;
根据所述各帧间的变形场,对所述待校正的门控重建图像进行校正处理,获取校正后的重建图像。
上述实施例提供的图像校正方法、装置、计算机设备和可读存储介质中,计算机设备获取待校正的门控重建图像和初始门控重建图像,将初始门控重建图像输入深度学习模型中,获取初始门控重建图像各帧间的变形场,根据各帧间的变形场,对待校正的门控重建图像进行校正处理,获取校正后的重建图像。在该方法中,计算机设备将初始门控重建图像输入深度学习模型中,该深度学习模型能够快速获得初始门控重建图像各帧间的变形场,提高了获得初始门控重建图像各帧间的变形场的效率,而校正后的重建图像是根据获得的初始门控重建图像各帧间的变形场,对待校正的门控重建图像进行校正处理得到的,进而提高了获取校正后的重建图像的效率。
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校正方法的流程示意图;
图3为另一个实施例提供的图像校正方法的流程示意图;
图4为另一个实施例提供的图像校正方法的流程示意图;
图5为另一个实施例提供的图像校正方法的流程示意图;
图6为另一个实施例提供的图像校正方法的流程示意图;
图7为一个实施例提供的图像校正装置结构示意图;
图8为一个实施例提供的图像校正装置结构示意图。
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校正方法,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,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、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校正方法,其执行主体可以是图像校正装置,该图像校正装置可以通过软件、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校正方法的流程示意图。本实施例涉及的是计算机设备根据初始门控重建图像对待校正的门控重建图像进行校正处理,获得校正后的重建图像的具体实现过程。如图2所示,该方法可以包括:
S201,获取待校正的门控重建图像和初始门控重建图像;所述待校正的门控重建图像为根据临床扫描参数获得的图像;所述初始门控重建图像为无衰减校正低分辨率图像。
具体的,计算机设备首先获取待校正的门控重建图像和初始门控重建图像,其中,待校正的门控重建图像为根据临床扫描参数获得的的图像,初始门控重建图像为没有经过衰减校正处理的低分辨率图像。可选的,计算机设备可以从临床正电子发射计算机断层显像(Positron Emission Computed Tomography,PET)影像设备中获取临床PET扫描参数,对获取的临床PET扫描参数分别执行衰减校正门控重建和无衰减校正门控重建,获取待校正的门控重建图像和初始门控重建图像,也可以从PACS(Picture Archiving andCommunication Systems,影像归档和通信系统)服务器中获取待校正的门控重建图像和初始门控重建图像。需要说明的是,在利用PET扫描成像时,需要对PET图像进行衰减校正处理,经过衰减校正处理的PET图像能够提供准确的标准摄取值(Standard Uptake Value,SUV),用以辅助疾病的诊断;而无衰减校正处理的PET图像可以避免因衰减校正产生的图像伪影,图像较清晰。
S202,将所述初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场。
具体的,在执行PET扫描时,由于人体呼吸或心跳等运动的影响,使得获得的初始门控重建图像不准确,图像各帧间存在变形场,计算机设备将初始门控重建图像输入深度学习模型中,深度学习模型将输入的初始门控重建图像划分为多个帧,并获取初始门控重建图像各帧间的变形场。其中,深度学习模型为预先训练好的深度学习模型,用于获取初始门控重建图像各帧间的变形场。
S203,根据所述各帧间的变形场,对所述待校正的门控重建图像进行校正处理,获取校正后的重建图像。
具体的,计算机设备得到初始门控重建图像各帧间的变形场后,根据上述各帧间的变形场,对待校正的门控重建图像进行校正处理,获取校正后的重建图像。需要说明的是,校正后的重建图像为经过衰减校正处理且无运动影响的重建图像。可选的,计算机设备可以根据上述各帧的变形场,去除待校正的门控重建图像的变形场,得到校正后的重建图像。
在本实施例中,计算机设备将初始门控重建图像输入深度学习模型中,由于该深度学习模型为预先训练好的深度学习模型,能够快速获得初始门控重建图像各帧间的变形场,提高了获得初始门控重建图像各帧间的变形场的效率,而校正后的重建图像是根据获得的初始门控重建图像各帧间的变形场,对待校正的门控重建图像进行校正处理得到的,进而提高了获取校正后的重建图像的效率。
图3为另一个实施例提供的图像校正方法的流程示意图。本实施例涉及的是对待校正的门控重建图像进行校正处理,获取校正后的重建图像的具体实现过程。如图3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S203,包括:
S301,获取所述待校正的门控重建图像的各帧图像。
具体的,计算机设备将待校正的门控重建图像划分为多个帧,并获取待校正的门控重建图像的各帧图像。可选的,计算机设备可以根据预设的图像分割算法和初始门控重建图像对应的帧数,对待校正的门控重建图像进行分割,获取待校正的门控重建图像的各帧图像。
S302,根据所述各帧间的变形场对相应的各帧图像进行校正,得到校正后的各帧图像。
具体的,计算机设备根据上述各帧间的变形场,对待校正的门控重建图像相应的各帧图像进行校正,得到校正后的各帧图像。可选的,计算机设备可以根据各帧间的变形场,去除待校正的门控重建图像相应的各帧图像的变形场,得到校正后的各帧图像。
S303,将所述校正后的各帧图像进行合并,得到所述校正后的重建图像。
具体的,计算机设备得到校正后的各帧图像后,将校正后的各帧图像进行合并,得到校正后的重建图像。可选的,计算机设备可以将校正后的各帧图像按照预设的顺序进行合并,也可以依次将得到的校正后的各帧图像进行合并,得到校正后的重建图像。
在本实施例中,由于对待校正的门控重建图像的校正处理是根据初始门控重建图像各帧间的变形场对相应的待校正的门控重建图像各帧图像进行的校正,因此提高了对待校正门控重建图像各帧图像校正的准确度,而校正后的重建图像是将校正后的各帧图像进行合并得到的,进而提高了得到的校正后的重建图像的准确度。
在上述实施例的基础上,作为一种可选的实施方式,上述S202之前,所述方法还包括:对所述初始门控重建图像进行归一化处理,得到归一化处理后的初始门控重建图像;S202包括:将所述归一化处理后的初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场。
具体的,计算机设备将上述初始门控重建图像输入深度学习模型之前,对初始门控重建图像进行归一化处理,得到归一化处理后的初始门控重建图像,将归一化处理后的初始门控重建图像输入深度学习模型中,获取初始门控重建图像各帧间的变形场。其中,对初始门控重建图像的归一化处理是指对初始门控重建图像进行一系列标准的处理变换,使初始门控重建图像变换为一固定标准形式。可选的,计算机设备可以根据预设的归一化处理公式对初始门控重建图像进行归一化处理,式中,I为初始门控重建图像,max为初始门控重建图像像素值的最大值,min为初始门控重建图像像素值的最小值,I'为归一化后的初始门控重建图像。
在本实施例中,计算机设备对初始门控重建图像进行归一化处理,能够使初始门控重建图像变换为一固定的标准形式,这样将归一化处理后的初始门控重建图像输入深度学习模型中,能够更准确地获取初始门控重建图像各帧的变形场。
图4为另一个实施例提供的图像校正方法的流程示意图。本实施例涉及的是计算机设备对初始深度学习模型进行训练,得到深度学习模型的具体实现过程。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,所述方法还包括:
S401,获取多个样本门控重建图像;所述样本门控重建图像为无衰减校正的图像,且所述样本门控重建图像的扫描时长大于预设阈值。
具体的,计算机设备获取多个样本门控重建图像,其中样本门控重建图像为无衰减校正的图像,且样本门控重建图像的扫描时长大于预设阈值。可选的,计算机设备可以从执行扫描时间大于预设阈值的PET门控扫描的影像设备中,获取多个样本门控重建图像。可选的,预设阈值可以是临床上执行PET扫描时在满足得到的图像质量较好的情况下最短的扫描时长。可选的,样本门控重建图像的扫描时长可以为预设阈值的一倍或大于预设阈值的一倍。
S402,根据所述样本门控重建图像,获取参考帧图像和运动图像;所述参考帧图像为所述样本门控重建图像对应的无运动影响的图像;所述运动图像为所述参考帧图像对应的有运动影响的图像。
具体的,计算机设备根据样本门控重建图像,获取参考帧图像和运动图像,其中,参考帧图像为样本门控重建图像对应的无运动影响的图像,运动图像为参考帧图像对应的有运动影响的图像。可选的,计算机设备可以根据样本门控重建图像得到参考帧图像,根据样本门控重建图像对参考帧图像进行变换处理,得到运动图像。
S403,将所述参考帧图像和所述运动图像作为输入,将所述运动图像的变形场作为输出,对初始深度学习模型进行训练,得到所述深度学习模型。
具体的,计算机设备将参考帧图像和运动图像输入初始深度学习模型,将运动图像的变形场作为输出,对初始深度学习模型进行训练,得到上述深度学习模型。可选的,计算机设备可以根据运动图像的变形场和预设的损失函数,对初始深度学习模型进行训练,得到深度学习模型。
在本实施例中,由于样本门控重建图像的扫描时长大于预设阈值,因此样本门控重建图像中包含了较多的PET数据,提高了根据样本门控重建图像得到的参考帧图像和运动图像的准确度;由于参考帧图像和运动图像的准确度被提高,而深度学习模型是将参考帧图像和运动图像作为输入对初始深度学习模型进行训练得到的,因此提高了得到的深度学习模型的准确度。
图5为另一个实施例提供的图像校正方法的流程示意图。本实施例涉及的是计算机设备根据样本门控重建图像,获取参考帧图像和运动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,上述S402包括:
S501,根据所述样本门控重建图像的单帧数据,获取所述参考帧图像。
具体的,计算机设备根据样本门控重建图像的单帧数据,获取上述样本门控重建图像对应的无运动影响的参考帧图像。可选的,计算机设备可以获取样本门控重建图像的单帧数据,对得到的单帧数据进行上述预设阈值时长的无衰减重建,得到参考帧图像。
S502,获取所述样本门控重建图像各帧间的样本变形场。
具体的,计算机设备根据样本门控重建图像,利用已有的变形场计算方法来获取样本门控重建图像各帧间的样本变形场。可选的,计算机设备可以先将样本门控重建图像划分为多个帧,利用已有的变形场计算方法,获取样本门控重建图像各帧间的样本变形场。
S503,根据所述样本变形场对所述参考帧图像进行变换处理,得到所述运动图像。
具体的,计算机设备根据得到的样本门控重建图像各帧间的样本变形场,对参考帧图像进行变换处理,得到运动图像。可选的,计算机设备可以将样本门控重建图像各帧间的样本变形场应用到参考帧图像的各帧图像上,然后对经过变换处理的参考帧图像的各帧图像进行合并得到运动图像。
在本实施例中,由于参考帧图像是根据样本门控重建图像的单帧时长数据得到的,样本变形场为样本门控重建图像各帧间的变形场,这样可以根据样本变形场对参考帧图像进行准确地变换处理,提高了得到的运动图像的准确度。
图6为另一个实施例提供的图像校正方法的流程示意图。本实施例涉及的是对初始深度学习模型进行训练,得到深度学习模型的具体实现过程。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,上述S403包括:
S601,将所述样本变形场和所述深度学习模型的输出作为预设损失函数的输入,得到所述损失函数的值。
具体的,计算机设备得到深度学习模型的输出即运动图像的变形场后,将样本变形场和运动图像的变形场输入预设的损失函数中,得到该损失函数的值。其中,预设的损失函数用来估量运动图像的变形场和样本变形场的不一致程度,是一个非负实值函数,该预设的损失函数值越小,表示得到的深度学习模型的鲁棒性越好。
S602,根据所述损失函数的值,调整所述初始深度学习模型的参数,直至所述损失函数的值达到预设的稳定值,将所述稳定值对应的初始深度学习模型确定为所述深度学习模型。
具体的,计算机设备根据损失函数的值,对初始深度学习模型的参数进行调整,直至损失函数的值达到预设的稳定值,将损失函数的值达到稳定值时对应的初始深度学习模型确定为深度学习模型。可选的,预设的稳定值可以是在调整初始深度学习模型过程中得到的损失函数中的最小值。
在本实施例中,计算机设备将样本变形场和运动图像的变形场输入预设的损失函数中,根据预设的损失函数的值,对初始深度学习模型的参数进行调整,将损失函数的值达到稳定值时对应的初始深度学习模型确定为深度学习模型,由于损失函数的值达到稳定值时对应的初始深度学习模型的鲁棒性较好,将损失函数的值达到稳定值时对应的初始深度学习模型确定为深度学习模型,使得确定的深度学习模型的鲁棒性较好。
应该理解的是,虽然图2-6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2-6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7为一个实施例提供的图像校正装置结构示意图。如图7所示,该装置可以包括:第一获取模块10、第二获取模块11和校正模块12。
具体的,第一获取模块10,用于获取待校正的门控重建图像和初始门控重建图像;所述待校正的门控重建图像为根据临床扫描参数获得的图像;所述初始门控重建图像为无衰减校正低分辨率图像;
第二获取模块11,用于将所述初始门控重建图像输入预先训练的深度学习模型中,获取所述初始门控重建图像各帧间的变形场;
校正模块12,用于根据所述各帧间的变形场,对所述待校正的门控重建图像进行校正处理,获取校正后的重建图像。
本实施例提供的图像校正装置,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8为一个实施例提供的图像校正装置结构示意图。在上述实施例的基础上,可选的,如图8所示,上述校正模块12包括:第一获取单元121、校正单元122和合并单元123。
具体的,第一获取单元121,用于获取所述待校正的门控重建图像的各帧图像;
校正单元122,用于根据所述各帧间的变形场对相应的各帧图像进行校正,得到校正后的各帧图像;
合并单元123,用于将所述校正后的各帧图像进行合并,得到所述校正后的重建图像。
本实施例提供的图像校正装置,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。
请继续参见图8,在上述实施例的基础上,可选的,如图8所示,所述装置还包括:处理模块13。
具体的,处理模块13,用于对所述初始门控重建图像进行归一化处理,得到归一化处理后的初始门控重建图像;
上述第二获取模块11,具体用于将所述归一化处理后的初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场。
本实施例提供的图像校正装置,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。
请继续参见图8,在上述实施例的基础上,可选的,如图8所示,所述装置还包括:第三获取模块14、第四获取模块15和训练模块16。
具体的,第三获取模块14,用于获取多个样本门控重建图像;所述样本门控重建图像为无衰减校正的图像,且所述样本门控重建图像的扫描时长大于预设阈值;
第四获取模块15,用于根据所述样本门控重建图像,获取参考帧图像和运动图像;所述参考帧图像为所述样本门控重建图像对应的无运动影响的图像;所述运动图像为所述参考帧图像对应的有运动影响的图像;
训练模块16,用于将所述参考帧图像和所述运动图像作为输入,将所述运动图像的变形场作为输出,对初始深度学习模型进行训练,得到所述深度学习模型。
本实施例提供的图像校正装置,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。
请继续参见图8,在上述实施例的基础上,可选的,如图8所示,上述第四获取模块15包括:第二获取单元151,第三获取单元152和处理单元153。
具体的,第二获取单元151,用于根据所述样本门控重建图像的单帧数据,获取所述参考帧图像;
第三获取单元152,用于获取所述样本门控重建图像各帧间的样本变形场;
处理单元153,用于根据所述样本变形场对所述参考帧图像进行变换处理,得到所述运动图像。
本实施例提供的图像校正装置,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,上述第二获取单元151,具体用于获取所述样本门控重建图像的单帧数据;对所述单帧数据进行无衰减重建,得到所述参考帧图像。
本实施例提供的图像校正装置,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。
请继续参见图8,在上述实施例的基础上,可选的,如图8所示,上述训练模块16包括:第四获取单元161和确定单元162。
具体的,第四获取单元161,用于将所述样本变形场和所述深度学习模型的输出作为预设损失函数的输入,得到所述损失函数的值;
确定单元162,用于根据所述损失函数的值,调整所述初始深度学习模型的参数,直至所述损失函数的值达到预设的稳定值,将所述稳定值对应的初始深度学习模型确定为所述深度学习模型。
本实施例提供的图像校正装置,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。
关于图像校正装置的具体限定可以参见上文中对于图像校正方法的限定,在此不再赘述。上述图像校正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:
获取待校正的门控重建图像和初始门控重建图像;所述待校正的门控重建图像为根据临床扫描参数获得的图像;所述初始门控重建图像为无衰减校正低分辨率图像;
将所述初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场;
根据所述各帧间的变形场,对所述待校正的门控重建图像进行校正处理,获取校正后的重建图像。
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:
获取待校正的门控重建图像和初始门控重建图像;所述待校正的门控重建图像为根据临床扫描参数获得的图像;所述初始门控重建图像为无衰减校正低分辨率图像;
将所述初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场;
根据所述各帧间的变形场,对所述待校正的门控重建图像进行校正处理,获取校正后的重建图像。
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)
1.一种图像校正方法,其特征在于,所述方法包括:
获取待校正的门控重建图像和初始门控重建图像;所述待校正的门控重建图像为根据临床扫描参数获得的衰减校正图像;所述初始门控重建图像为根据所述临床扫描参数获得的无衰减校正低分辨率图像;
将所述初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场;
根据所述各帧间的变形场,对所述待校正的门控重建图像进行校正处理,获取校正后的重建图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述各帧间的变形场,对所述待校正的门控重建图像进行校正处理,获取校正后的重建图像,包括:
获取所述待校正的门控重建图像的各帧图像;
根据所述各帧间的变形场对相应的各帧图像进行校正,得到校正后的各帧图像;
将所述校正后的各帧图像进行合并,得到所述校正后的重建图像。
3.根据权利要求1所述的方法,其特征在于,所述将所述初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场之前,所述方法还包括:
对所述初始门控重建图像进行归一化处理,得到归一化处理后的初始门控重建图像;
所述将所述初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场,包括:
将所述归一化处理后的初始门控重建图像输入深度学习模型中,获取所述初始门控重建图像各帧间的变形场。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
获取多个样本门控重建图像;所述样本门控重建图像为无衰减校正的图像,且所述样本门控重建图像的扫描时长大于预设阈值;
根据所述样本门控重建图像,获取参考帧图像和运动图像;所述参考帧图像为所述样本门控重建图像对应的无运动影响的图像;所述运动图像为所述参考帧图像对应的有运动影响的图像;
将所述参考帧图像和所述运动图像作为输入,将所述运动图像的变形场作为输出,对初始深度学习模型进行训练,得到所述深度学习模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述样本门控重建图像,获取参考帧图像和运动图像,包括:
根据所述样本门控重建图像的单帧数据,获取所述参考帧图像;获取所述样本门控重建图像各帧间的样本变形场;
根据所述样本变形场对所述参考帧图像进行变换处理,得到所述运动图像。
6.根据权利要求5所述的方法,其特征在于,所述根据所述样本门控重建图像的单帧时长数据,获取所述参考帧图像,包括:
获取所述样本门控重建图像的单帧数据;
对所述单帧数据进行所述预设阈值时长的无衰减重建,得到所述参考帧图像。
7.根据权利要求5所述的方法,其特征在于,所述将所述参考帧图像和所述运动图像作为输入,将所述运动图像的变形场作为输出,对初始深度学习模型进行训练,得到所述深度学习模型,包括:
将所述样本变形场和所述深度学习模型的输出作为预设损失函数的输入,得到所述损失函数的值;
根据所述损失函数的值,调整所述初始深度学习模型的参数,直至所述损失函数的值达到预设的稳定值,将所述稳定值对应的初始深度学习模型确定为所述深度学习模型。
8.一种图像校正装置,其特征在于,所述装置包括:
第一获取模块,用于获取待校正的门控重建图像和初始门控重建图像;所述待校正的门控重建图像为根据临床扫描参数获得的衰减校正图像;所述初始门控重建图像为根据所述临床扫描参数获得的无衰减校正低分辨率图像;
第二获取模块,用于将所述初始门控重建图像输入预先训练的深度学习模型中,获取所述初始门控重建图像各帧间的变形场;
校正模块,用于根据所述各帧间的变形场,对所述待校正的门控重建图像进行校正处理,获取校正后的重建图像。
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。
10.一种计算机可读存储介质,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 (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910350053.9A CN110084868B (zh) | 2019-04-28 | 2019-04-28 | 图像校正方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910350053.9A CN110084868B (zh) | 2019-04-28 | 2019-04-28 | 图像校正方法、装置、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084868A CN110084868A (zh) | 2019-08-02 |
CN110084868B true CN110084868B (zh) | 2023-09-12 |
Family
ID=67417370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910350053.9A Active CN110084868B (zh) | 2019-04-28 | 2019-04-28 | 图像校正方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084868B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490948B (zh) * | 2019-08-12 | 2023-05-16 | 东软医疗系统股份有限公司 | 一种pet图像的散射校正方法和装置 |
CN110992280B (zh) * | 2019-11-27 | 2023-10-31 | 上海联影医疗科技股份有限公司 | Pet图像衰减校正方法、装置、计算机设备 |
CN110751720B (zh) * | 2019-12-09 | 2023-06-27 | 深圳牙领科技有限公司 | 托槽模型的处理方法、矫正系统及计算机存储介质 |
WO2023046142A1 (en) * | 2021-09-26 | 2023-03-30 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image processing |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106691487A (zh) * | 2017-01-05 | 2017-05-24 | 沈阳东软医疗系统有限公司 | 成像方法和成像系统 |
CN109035355A (zh) * | 2017-07-10 | 2018-12-18 | 上海联影医疗科技有限公司 | 用于pet图像重建的系统和方法 |
CN109009200A (zh) * | 2017-09-30 | 2018-12-18 | 上海联影医疗科技有限公司 | 用于正电子发射断层成像图像重建的系统和方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9031300B1 (en) * | 2013-10-25 | 2015-05-12 | General Electric Company | System and method reconstructing a nuclear medicine image using deformed attenuation image |
US9990741B2 (en) * | 2015-09-28 | 2018-06-05 | Siemens Medical Solutions Usa, Inc. | Motion correction in a projection domain in time of flight positron emission tomography |
-
2019
- 2019-04-28 CN CN201910350053.9A patent/CN110084868B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106691487A (zh) * | 2017-01-05 | 2017-05-24 | 沈阳东软医疗系统有限公司 | 成像方法和成像系统 |
CN109035355A (zh) * | 2017-07-10 | 2018-12-18 | 上海联影医疗科技有限公司 | 用于pet图像重建的系统和方法 |
CN109009200A (zh) * | 2017-09-30 | 2018-12-18 | 上海联影医疗科技有限公司 | 用于正电子发射断层成像图像重建的系统和方法 |
Non-Patent Citations (1)
Title |
---|
Cross Population Motion Modeling Applied to Attenuation Correction of Respiratory Gated F18-FDG PET;Robert Barnett et al;《IEEE Transactions on Nuclear Science》;20160216;第63卷(第1期);第170-179页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110084868A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084868B (zh) | 图像校正方法、装置、计算机设备和可读存储介质 | |
CN109697740B (zh) | 图像重建方法、装置和计算机设备 | |
CN109754447B (zh) | 图像生成方法、装置、设备和存储介质 | |
CN109697741B (zh) | 一种pet图像重建方法、装置、设备及介质 | |
CN111179372B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
CN111223066B (zh) | 运动伪影校正方法、装置、计算机设备和可读存储介质 | |
CN109598745B (zh) | 图像配准方法、装置和计算机设备 | |
CN111161270A (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
WO2021135773A1 (zh) | 图像重建方法、装置、设备、系统及计算机可读存储介质 | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
CN110738643B (zh) | 脑出血的分析方法、计算机设备和存储介质 | |
CN109965897B (zh) | Pet扫描仪校正方法、装置、计算机设备和可读存储介质 | |
CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
CN111210465B (zh) | 图像配准方法、装置、计算机设备和可读存储介质 | |
CN107862665B (zh) | Ct图像序列的增强方法及装置 | |
CN110063742B (zh) | 散射校正方法、装置、计算机设备和存储介质 | |
CN110473226B (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
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 | |
US20220414832A1 (en) | X-ray imaging restoration using deep learning algorithms | |
CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN108038840A (zh) | 一种图像处理方法、装置、图像处理设备及存储介质 | |
CN110673070B (zh) | 磁共振信号校正网络的训练方法和磁共振信号处理方法 | |
CN113780519A (zh) | 生成对抗网络训练方法、装置、计算机设备和存储介质 | |
CN111161240B (zh) | 血管分类方法、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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |