CN110176045A - 一种由单能ct图像生成双能ct图像的方法 - Google Patents
一种由单能ct图像生成双能ct图像的方法 Download PDFInfo
- Publication number
- CN110176045A CN110176045A CN201910368259.4A CN201910368259A CN110176045A CN 110176045 A CN110176045 A CN 110176045A CN 201910368259 A CN201910368259 A CN 201910368259A CN 110176045 A CN110176045 A CN 110176045A
- Authority
- CN
- China
- Prior art keywords
- image
- energy
- denoising
- dual
- low
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 230000004075 alteration Effects 0.000 claims 1
- 238000003759 clinical diagnosis Methods 0.000 abstract description 4
- 239000000126 substance Substances 0.000 description 13
- 230000009977 dual effect Effects 0.000 description 10
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 6
- 229910052740 iodine Inorganic materials 0.000 description 6
- 239000011630 iodine Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Classifications
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种由单能CT图像生成双能CT图像的方法。首先需要获取一定数量的双能CT图像；之后利用去噪卷积神经网络对双能CT图像进行去噪，得到去噪后的低能图像和高能图像；训练二维卷积神经网络，网络的输入为去噪后的低能图像，输出为去噪后高能图像和低能图像的差；利用去噪卷积神经网络对获得的CT图像进行去噪得到去噪后的单能CT图像；将去噪后的单能CT图像输入之前训练好的二维卷积神经网络得到估计的高低能图像差异，该差异与最初低能级下单能CT图像的和为估计的高能级CT图像；将最初低能级下单能CT图像和估计的高能级CT图像组合得到估计的双能CT图像。本发明可以有效的由单能CT图像估计双能CT图像，从而为临床诊断提供更多信息。
Description
所属领域
本发明属于医学成像和医学图像处理领域，具体涉及一种由单能CT图像生成双能CT图像的方法。
背景技术
计算机断层成像技术(Computed Tomography,CT)目前在临床诊断中应用广泛。而双能CT技术飞速发展并已逐渐成为临床诊断中常用的检查手段之一。目前临床使用的双能CT硬件系统主要可以分为两类。第一类系统使用两个射线源分别发射两种能级的X射线。第一类系统的两个射线源关于其旋转中心成90度角，两个射线源可以同时发出X射线。由于扫描时不需要进行射线源能级的切换，该类系统通常可以较快的完成扫描。同时，由于同一时刻低能射线和高能射线的扫描范围差异较大，这类系统具有较好的能级区分能力。但是，由于两个射线源之间本身存在90度的偏移，这类系统在运动剧烈区域生成的双能图像之间容易产生偏移或扭曲，并可能因此在物质分解得到的物质图像中产生伪影。第二类系统仅使用单个射线源，这一系统使用单一球管实现高低电压快速切换从而采集双能数据。这类系统与前一类系统相反，通常扫描时间较长或不同能级间的区分能力较差，但生成的高能和低能图像之间差异较小。此外，由于需要一次额外的扫描，现有的双能CT系统都有一个共有的问题就是对患者的辐射剂量大。
CT生产商通常使用软件系统来进一步完善硬件系统，消除硬件系统造成的一些负面影响。现有的双能CT软件系统主要针对硬件系统采集到双能CT数据后的数据处理阶段。主要的功能包括图像重建、物质分解和一些其他的图像后处理。据我们所知，目前并没有解决双能CT在数据获取时存在的问题的算法。因此，我们开发了一种算法从单能CT图像估计出对应的双能CT图像，从而填补这一领域的空白。
发明内容
发明目的：本发明提出一种全自动的由单能CT图像生成双能CT图像的方法，可以有效的由单能CT图像估计双能CT图像，从而为临床诊断提供更多信息。
技术方案：本发明所述的一种由单能CT图像生成双能CT图像的方法，包括以下步骤：
(1)获取双能CT图像组IDE，每个图像组包括一张低能图像ILE和一张对应的高能图像IHE；
(2)利用去噪卷积神经网络模型MDenoise对低能图像ILE和高能图像IHE进行预处理，得到去噪后的低能图像ILED和去噪后的高能图像IHED；
(3)计算去噪后的低能图像ILED和去噪后的高能图像IHED的差Idif；
(4)利用去噪后的低能图像ILED和对应的差Idif训练二维卷积神经网络Nest，得到二维模型Mest；
(5)获得单能CT图像ISE；
(6)利用去噪卷积神经网络模型MDenoise对单能CT图像ISE进行预处理，得到去噪后的单能CT图像ISED；
(7)将去噪后的单能CT图像ISED输入到训练好的二维模型Mest中，得到估计的高低能图像差IS_dif；
(8)计算单能CT图像ISE和估计的高低能图像差IS_dif的和，即估计的高能图像ISHE；
(9)将单能CT图像ISE和估计的高能CT图像ISHE组合，得到最终估计的双能CT图像组IDEE。
步骤(1)所述的低能图像ILE与步骤(5)所述的单能CT图像ISE在相同能级下扫描得到。
步骤(2)所述的去噪卷积神经网络模型MDenoise是全卷积神经网络，且由低剂量和正常剂量CT图像训练得到。
步骤(3)所述的ILED、IHED的Idif大小和分辨率相同。
步骤(4)所述的二维卷积神经网络Nest为二维全卷积神经网络。
有益效果：与现有技术相比，本发明的有益效果：1、克服传统双能CT硬件系统扫描时间长、能级分辨率低、高低能图像间存在扭曲和辐射剂量高等缺点，有利于获取更高质量的双能CT图像，并降低医生和患者的风险；2、为了克服传统基于卷积神经网络的方法生成图像过于平滑的问题，本发明提出了首先使用预训练的卷积神经网络对双能图像进行降噪，然后再训练计算双能图像间残差的卷积神经网络的方法，可以有效解决传统卷积神经网络方法存在的问题，得到的双能CT图像具有相近的噪声分布，后续物质分解的结果相比现有双能CT系统结果更为清晰。
附图说明
图1为本发明的流程图；
图2为本发明实例中使用本方法得到的估计双能图像利用双物质分解算法得到的虚拟非造影(Virtual Non-Contrast，VNC)图像和实际双能图像得到的VNC图像的对比图(其中a、b、c、d为实际双能图像结果图；e、f、g、h为本方法结果图)；
图3为本发明实例中使用本方法得到的估计双能图像利用双物质分解算法得到的碘物质图像和实际双能图像得到的碘物质图像的对比图(其中a、b、c、d为实际双能图像结果图；e、f、g、h为本方法结果图)。
具体实施方式
下面结合附图对本发明作进一步详细描述。如图1所示，本发明包括以下步骤：
步骤1、获取双能CT图像组IDE，每个图像组包括一张低能图像ILE和一张对应的高能图像IHE；
具体的，双能CT图像组可以利用双能CT扫描得到的数据使用重建算法重建得到，可用的重建算法包括但不局限于滤波反投影和迭代重建算法。低能图像ILE和高能图像IHE应针对同一部位相同时刻，且具有相同的图像大小和图像分辨率。
步骤2、利用去噪卷积神经网络模型MDenoise对低能图像ILE和高能图像IHE进行预处理，得到去噪后的低能图像ILED和去噪后的高能图像IHED；
具体的，去噪卷积神经网络模型MDenoise为二维全卷积神经网络模型，应由一个到多个三维卷积层、条纹卷积(strided convolution)层或池化(pooling)层、反卷积(transposed convolution)层或上采样层、激活层和批归一化(batch normalization)层组成。该模型可由低剂量CT图像和对应的常规剂量CT图像训练得到，模型输入噪声水平高的低剂量CT图像，输出噪声水平低的常规剂量CT图像，从而实现图像降噪。去噪后的低能图像ILED和去噪后的高能图像IHED应与低能图像ILE和高能图像IHE具有相同的图像大小和图像分辨率。
步骤3、计算去噪后的低能图像ILED和去噪后的高能图像IHED的差Idif；
具体的，计算得到的差Idif应为与去噪后的低能图像ILED和去噪后的高能图像IHED大小和分辨率相同的图像。
步骤4、利用去噪后的低能图像ILED和对应的差Idif训练二维卷积神经网络Nest，得到模型Mest。
具体的，二维卷积神经网络Nest为二维全卷积神经网络，应由一个到多个三维卷积层、条纹卷积(strided convolution)层或池化(pooling)层、反卷积(transposedconvolution)层或上采样层、激活层和批归一化(batch normalization)层组成。训练中使用的损失函数应为适用于图像间转换问题的损失函数，包括但不局限于L1损失函数和L2损失函数。
步骤5、获得临床单能CT图像ISE；
具体的，单能CT图像ISE应与步骤1中提到的低能图像ILE在相同能级下扫描重建得到，且具有相同的图像分辨率。
步骤6、利用去噪卷积神经网络模型MDenoise对单能CT图像ISE进行预处理，得到去噪后的单能CT图像ISED；
具体的，去噪卷积神经网络模型MDenoise与步骤2中的去噪卷积神经网络模型完全相同。
步骤7、将去噪后的单能CT图像ISED输入到训练好的二维模型Mest中，得到估计的高低能图像差IS_dif；
具体的，估计的高低能图像差IS_dif应与去噪后的单能CT图像ISED具有相同的图像大小和分辨率。
步骤8、计算单能CT图像ISE和估计的高低能图像差IS_dif的和，即估计的高能图像ISHE；
步骤9、将单能CT图像ISE和估计的高能CT图像ISHE组合，得到最终估计的双能CT图像组IDEE。
图2为使用本方法得到的估计双能图像利用双物质分解算法得到的虚拟非造影(Virtual Non-Contrast，VNC)图像和实际双能图像得到的VNC图像的对比图，其中a、b、c、d为实际双能图像；e、f、g、h是采用本发明方法得到的虚拟非造影图像。通过对比，本方法得到的VNC图像在保留图像基本信息的前提下大大地提高了图像信噪比，有利于医生后续的观察与诊断。
图3为本发明实例中使用本方法得到的估计双能图像利用双物质分解算法得到的碘物质图像和实际双能图像得到的碘物质图像的对比图，其中，a、b、c、d为实际双能图像；e、f、g、h为采用本方法得到的碘物质图像。通过对比，本方法得到的碘物质图像在保留图像基本信息的前提下大大地提高了图像信噪比，有利于医生后续的观察与诊断。
Claims (5)
1.一种由单能CT图像生成双能CT图像的方法，其特征在于，包括以下步骤：
(1)获取双能CT图像组IDE，每个图像组包括一张低能图像ILE和一张对应的高能图像IHE；
(2)利用去噪卷积神经网络模型MDenoise对低能图像ILE和高能图像IHE进行预处理，得到去噪后的低能图像ILED和去噪后的高能图像IHED；
(3)计算去噪后的低能图像ILED和去噪后的高能图像IHED的差Idif；
(4)利用去噪后的低能图像ILED和对应的差Idif训练二维卷积神经网络Nest，得到二维模型Mest；
(5)获得单能CT图像ISE；
(6)利用去噪卷积神经网络模型MDenoise对单能CT图像ISE进行预处理，得到去噪后的单能CT图像ISED；
(7)将去噪后的单能CT图像ISED输入到训练好的二维模型Mest中，得到估计的高低能图像差IS_dif；
(8)计算单能CT图像ISE和估计的高低能图像差IS_dif的和，即估计的高能图像ISHE；
(9)将单能CT图像ISE和估计的高能CT图像ISHE组合，得到最终估计的双能CT图像组IDEE。
2.根据权利要求1所述的一种由单能CT图像生成双能CT图像的方法，其特征在于，步骤(1)所述的低能图像ILE与步骤(5)所述的单能CT图像ISE在相同能级下扫描得到。
3.根据权利要求1所述的一种由单能CT图像生成双能CT图像的方法，其特征在于，步骤(2)所述的去噪卷积神经网络模型MDenoise是全卷积神经网络，且由低剂量和正常剂量CT图像训练得到。
4.根据权利要求1所述的一种由单能CT图像生成双能CT图像的方法，其特征在于，步骤(3)所述的ILED、IHED的Idif大小和分辨率相同。
5.根据权利要求1所述的一种由单能CT图像生成双能CT图像的方法，其特征在于，步骤(4)所述的二维卷积神经网络Nest为二维全卷积神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910368259.4A CN110176045A (zh) | 2019-05-05 | 2019-05-05 | 一种由单能ct图像生成双能ct图像的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910368259.4A CN110176045A (zh) | 2019-05-05 | 2019-05-05 | 一种由单能ct图像生成双能ct图像的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110176045A true CN110176045A (zh) | 2019-08-27 |
Family
ID=67690526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910368259.4A Pending CN110176045A (zh) | 2019-05-05 | 2019-05-05 | 一种由单能ct图像生成双能ct图像的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110176045A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111179228A (zh) * | 2019-12-16 | 2020-05-19 | 浙江大学 | 一种基于深度学习的单能ct能谱成像方法 |
| CN111489406A (zh) * | 2020-03-26 | 2020-08-04 | 深圳先进技术研究院 | 生成高能ct图像模型的训练及生成方法、设备、存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104346820A (zh) * | 2013-07-26 | 2015-02-11 | 清华大学 | 一种x光双能ct重建方法 |
| CN103622717B (zh) * | 2013-09-30 | 2015-10-28 | 天津大学 | 由单源单次扫描x光ct图像生成双能x光ct图像方法 |
| CN108961237A (zh) * | 2018-06-28 | 2018-12-07 | 安徽工程大学 | 一种基于卷积神经网络的低剂量ct图像分解方法 |
| US20190104940A1 (en) * | 2017-10-06 | 2019-04-11 | Toshiba Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction |
-
2019
- 2019-05-05 CN CN201910368259.4A patent/CN110176045A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104346820A (zh) * | 2013-07-26 | 2015-02-11 | 清华大学 | 一种x光双能ct重建方法 |
| CN103622717B (zh) * | 2013-09-30 | 2015-10-28 | 天津大学 | 由单源单次扫描x光ct图像生成双能x光ct图像方法 |
| US20190104940A1 (en) * | 2017-10-06 | 2019-04-11 | Toshiba Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction |
| CN108961237A (zh) * | 2018-06-28 | 2018-12-07 | 安徽工程大学 | 一种基于卷积神经网络的低剂量ct图像分解方法 |
Non-Patent Citations (2)
| Title |
|---|
| Y DONG等: "Generation of Dual-Energy CT Image Dataset From Single-Energy CT Image Dataset", 《MEDICAL PHYSICS》 * |
| 朱险峰等: "单能CT生成双能CT图像的方法及图像质量评估", 《仪器仪表学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111179228A (zh) * | 2019-12-16 | 2020-05-19 | 浙江大学 | 一种基于深度学习的单能ct能谱成像方法 |
| CN111489406A (zh) * | 2020-03-26 | 2020-08-04 | 深圳先进技术研究院 | 生成高能ct图像模型的训练及生成方法、设备、存储介质 |
| CN111489406B (zh) * | 2020-03-26 | 2023-11-14 | 深圳先进技术研究院 | 生成高能ct图像模型的训练及生成方法、设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325686B (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
| CN107123095B (zh) | 一种pet图像重建方法、成像系统 | |
| CN107481297B (zh) | 一种基于卷积神经网络的ct图像重建方法 | |
| CN112396672B (zh) | 一种基于深度学习的稀疏角度锥束ct图像重建方法 | |
| CN110751702B (zh) | 图像重建方法、系统、装置及存储介质 | |
| US8805037B2 (en) | Method and system for reconstruction of tomographic images | |
| CN112381741B (zh) | 基于spect数据采样与噪声特性的断层图像重建方法 | |
| US8442353B2 (en) | Incorporation of mathematical constraints in methods for dose reduction and image enhancement in tomography | |
| JP5348855B2 (ja) | 対象の画像再構成方法およびその方法を実施するための装置 | |
| US10489940B2 (en) | System and computer-implemented method for improving image quality | |
| CN112348936A (zh) | 一种基于深度学习的低剂量锥束ct图像重建方法 | |
| AU2019271915A1 (en) | Method and system for motion correction in CT imaging | |
| US20120308101A1 (en) | Method and system for reconstruction of tomographic images | |
| CN109523458B (zh) | 一种结合稀疏诱导动态引导滤波的高精度稀疏角度ct重建方法 | |
| CN109903356A (zh) | 基于深度多重解析网络的缺失ct投影数据估计方法 | |
| US20140016847A1 (en) | Multi-phase computed tomography image reconstruction | |
| JP7403585B2 (ja) | 計算機式断層写真法画像再構成のためのシステム及び方法 | |
| US11337671B2 (en) | Methods and systems for improved spectral fidelity for material decomposition | |
| CN111105475B (zh) | 一种基于正交角度x光的骨骼三维重建方法 | |
| Feng et al. | Dual residual convolutional neural network (DRCNN) for low-dose CT imaging | |
| US20220375038A1 (en) | Systems and methods for computed tomography image denoising with a bias-reducing loss function | |
| CN110176045A (zh) | 一种由单能ct图像生成双能ct图像的方法 | |
| US7242004B2 (en) | Image correction method, image correction apparatus, and image correction program | |
| CN109620273A (zh) | 一种实时计算短扫描权重的快速cbct重建算法 | |
| US20240144470A1 (en) | System and Method for Restoring Projection Data from CT/DBT Scans with Improved Image Quality |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190827 |
|
| RJ01 | Rejection of invention patent application after publication |