CN110223247B - 图像衰减校正方法、装置、计算机设备和存储介质 - Google Patents
图像衰减校正方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110223247B CN110223247B CN201910417420.2A CN201910417420A CN110223247B CN 110223247 B CN110223247 B CN 110223247B CN 201910417420 A CN201910417420 A CN 201910417420A CN 110223247 B CN110223247 B CN 110223247B
- Authority
- CN
- China
- Prior art keywords
- image
- modeling
- original
- correction
- frame
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 226
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000013136 deep learning model Methods 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 13
- 230000001915 proofreading effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 abstract description 19
- 238000003384 imaging method Methods 0.000 abstract description 8
- 238000002059 diagnostic imaging Methods 0.000 abstract description 2
- 238000002600 positron emission tomography Methods 0.000 description 45
- 238000002591 computed tomography Methods 0.000 description 31
- 230000033001 locomotion Effects 0.000 description 24
- 230000000241 respiratory effect Effects 0.000 description 23
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002834 transmittance Methods 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种图像衰减校正方法、装置、计算机设备和存储介质。所述方法包括:获取多帧原始图像以及原始校正图像;根据多帧所述原始图像以及原始校正图像建立原始训练矩阵;将所述原始训练矩阵输入深度学习模型,得到每一帧原始图像与原始校正图像的变形场;根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像对相应原始图像进行衰减校正。采用本方法能够消除原始图像中的呼吸伪影,提高了医学成像设备的成像效果。
Description
技术领域
本申请涉及医学图像处理技术领域,特别是涉及一种图像衰减校正方法、装置、计算机设备和存储介质。
背景技术
随着医学成像技术的不断发展,为了更好的对人体进行检查,采用多种技术融合的方式对人体进行检测,例如,对器官以及软组织检测使用PET(Positron EmissionComputed Tomography,正电子发射型计算机断层显像)与对人体进行体层检测使用的CT(Computed Tomography,电子计算机X射线断层扫描)结合系统。通过同时获得CT图像和PET图像,两种图像优势互补,使医生在了解生物代谢信息的同时获得精准的解剖定位,从而对疾病做出全面、准确的判断。
然而,目前在通过PET-CT系统对患者进行检测时,由于CT扫描速度很快,CT图像对应人体呼吸运动单帧或相邻帧成像。而PET图像通常扫描时间比较长,PET图像对应人体呼吸平均成像。因此,在对患者进行检测时,患者呼吸运动较大,会造成CT图像与PET图像之间差异较大。再利用利用CT图像对PET图像进行衰减校正时,会导致重建后的PET图像存在呼吸伪影,从而影响对疾病的判断。
发明内容
基于此,有必要针对上述技术问题,提供一种能够减少PET图像呼吸伪影的一种图像衰减校正方法、装置、计算机设备和存储介质。
一种图像衰减校正方法,所述方法包括:
获取多帧原始图像以及原始校正图像;
根据多帧所述原始图像以及原始校正图像建立原始训练矩阵;
将所述原始训练矩阵输入深度学习模型,得到每一帧原始图像与原始校正图像的变形场;
根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像对相应原始图像进行衰减校正。
在其中一个实施例中,所述获取多帧原始图像以及原始校正图像之前还包括:
获取多帧第一建模图像以及第一建模校正图像;
根据多帧所述第一建模图像以及第一建模校正图像,得到每一帧第一建模图像与第一建模校正图像的变形场;
获取多帧第二建模图像以及第二建模校正图像;
根据多帧所述第二建模图像以及第二建模校正图像,得到建模训练矩阵;
根据多帧所述第二建模图像以及每一帧第一建模图像与第二建模校正图像的变形场,得到校对矩阵;
根据所述建模训练矩阵以及校对矩阵训练深度学习模型。
在其中一个实施例中,所述根据多帧所述第一建模图像以及第一建模校正图像,得到每一帧第一建模图像与第一建模校正图像的变形场包括:
根据多帧所述第一建模图像以及第一建模校正图像,得到第一参考图像以及第一非参考图像;
根据所述第一参考图像以及第一非参考图像,得到每一帧第一非参考图像与第一参考图像的变形场;
根据所述每一帧第一非参考图像与第一参考图像的变形场以及第一建模校正图像,得到每一帧第一非参考图像与第一建模校正图像的变形场。
在其中一个实施例中,所述根据多帧所述第一建模图像以及第一建模校正图像,得到第一参考图像以及第一非参考图像包括:
在多帧所述第一建模图像中查找与第一建模校正图像对应的第一建模图像作为第一参考帧图像,将其余第一建模图像作为第一非参考图像。
在其中一个实施例中,所述根据多帧所述第二建模图像以及第二建模校正图像,建立建模训练矩阵包括:
在多帧所述第二建模图像中查找与第二建模校正图像对应的第二建模图像作为第二参考帧图像,将其余第二建模图像作为第二非参考图像;
根据所述第二非参考图像以及第二校正图像,建立训练矩阵。
在其中一个实施例中,所述根据多帧所述第二建模图像以及每一帧第一建模图像与第一建模校正图像的变形场,得到校对矩阵包括:
根据所述第二非参考图像以及每一帧第一非参考图像与第一建模校正图像的变形场,建立校对矩阵。
在其中一个实施例中,所述根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像对相应原始图像进行衰减校正包括:
根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像,得到与每一帧原始图像相应的重建校正图像;
根据所述与每一帧原始图像相应的原始校正图像对每一帧原始图像进行衰减校正。
一种图像处理装置,所述装置包括:
图像获取模块,用于获取多帧原始图像以及原始校正图像;
原始训练矩阵建立模块,用于根据多帧所述原始图像以及原始校正图像建立原始训练矩阵;
变形场生成模块,用于将所述原始训练矩阵输入深度学习模型,得到每一帧原始图像与原始校正图像的变形场;
校正模块:用于根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像对相应原始图像进行衰减校正。
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:
获取多帧原始图像以及原始校正图像;
根据多帧所述原始图像以及原始校正图像建立原始训练矩阵;
将所述原始训练矩阵输入深度学习模型,得到每一帧原始图像与原始校正图像的变形场;
根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像对相应原始图像进行衰减校正。
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:
获取多帧原始图像以及原始校正图像;
根据多帧所述原始图像以及原始校正图像建立原始训练矩阵;
将所述原始训练矩阵输入深度学习模型,得到每一帧原始图像与原始校正图像的变形场;
根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像对相应原始图像进行衰减校正。
上述图像衰减校正方法、装置、计算机设备和存储介质,通过获取多帧原始图像以及原始校正图像,并根据多帧原始图像以及原始校正图像建立原始训练矩阵。将训练矩阵输入已训练过的深度学习模型,得到每一帧原始图像与原始校正图像的变形场,再将得到变形场运用到原始校正图像中,使原始校正图像具有与每一帧原始图像相匹配的呼吸运动信息。再将与变形场融合的原始校正图像对原始图像进行衰减校正,获得没有呼吸伪影的原始图像,即没有呼吸伪影的PET衰减校正重建图像。通过将利用已训练的深度学习模型识别每一帧原始图像与原始校正图像的变形场,并将此具有呼吸运动信息的变形场运用到原始校正图像中,并对原始图像进行衰减校正,从而获得没有呼吸伪影的PET衰减校正重建图像。医生通过没有呼吸伪影的PET衰减校正重建图像可以对疾病进行全面、准确的判断。
附图说明
图1为一个实施例中图像衰减校正方法的流程示意图;
图2为一个实施例中深度学习模型训练方法的流程示意图;
图3为一个实施例中图像衰减校正装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
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。
正电子发射型计算机断层显像(Positron Emission Computed Tomography,PET),是核医学领域比较先进的临床检查影像技术。是将某种物质,一般是生物生命代谢中必须的物质,如:葡萄糖、蛋白质、核酸、脂肪酸,标记上短寿命的放射性核素(如18F,11C等),注入人体后,放射性核素在衰变过程中释放出正电子,一个正电子在行进十分之几毫米到几毫米后遇到一个电子后发生湮灭,从而产生方向相反的一对能量为511KeV的光子。这对光子,通过高度灵敏的照相机捕捉,并经计算机进行散射和随机信息的校正。经过对不同的正电子进行相同的分析处理,我们可以得到在生物体内聚集情况的三维图像,从而达到诊断的目的。
电子计算机断层扫描(Computed Tomography,CT),是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描。根据人体不同组织对X线束的吸收与透过率的不同,再通过探测器对人体进行测量获取的数据输入电子计算机,电子计算机对数据进行处理后,就可摄下人体被检查部位的断面或立体的图像,发现体内任何部位的细小病变。具有扫描时间快,图像清晰等特点,可用于多种疾病的检查。根据所采用的射线不同可分为:X射线CT(X-CT)、超声CT(UCT)以及γ射线CT(γ-CT)等。
PET-CT是将PET和CT整合在一台仪器上,组成一个完整的显像系统,被称作PET-CT系统(integrated PET-CT system),病人在检查时经过快速的全身扫描,可以同时获得CT人体解剖图像和PET人体组织功能代谢图像,两种图像优势互补,使医生在了解生物代谢信息的同时获得精准的解剖定位,从而对疾病做出全面、准确的判断。
在一个实施例中,如图1所示,提供了一种图像衰减校正方法,包括以下步骤:
步骤102,获取多帧原始图像以及原始校正图像。
在本实施例中,由PET-CT系统获取多帧原始图像以及原始校正图像,其中原始图像为PET对待测物体进行门控扫描后得到的原始PET图像,原始校正图像为CT对待扫描物体进行扫描后得到的原始校正CT图像,两种图像均为PET-CT系统对待同一扫描物体的同一位置进行扫描后得到。当PET-CT系统在对人体进行扫描时,扫描不是瞬间结束的,而是会持续一段时间,在这段时间内人体会伴随着呼吸运动。此时,CT扫描和PET扫描是在同一时间内进行的,其中,CT扫描时间迅速,因此原始校正图像对应人体呼吸运动单帧或相邻帧成像,对应得到单帧原始校正图像;而PET门控扫描时间比较长,因此原始图像对应人体呼吸平均成像,对应得到多帧原始图像。原始图像是未经过衰减校正处理的,即为PET-CT系统采集扫描区域PET数据直接门控重建获得,因此原始图像为PET无衰减校正门控图像。
步骤104,根据多帧所述原始图像以及原始校正图像建立原始训练矩阵。
在本实施例中,利用各帧原始图像与原始校正图像之间的关系,建立原始训练矩阵。其中各帧原始图像与原始校正图像之间的关系具体表现为:每一帧原始图像分别具有相应的呼吸运动信息,呼吸运动信息与原始校正图像之间的关系。
步骤106,将所述原始训练矩阵输入深度学习模型,得到每一帧原始图像与原始校正图像的变形场。
在本实施例中,此处深度学习模型为训练后得到,将原始训练矩阵输入深度学习模型,得到每一帧原始图像与原始校正图像的变形场。此时,变形场为原始校正图像对比于每一帧原始图像因呼吸运动带来的图像变形信息。
步骤108,根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像对相应原始图像进行衰减校正。
在本实施例中,根据每一帧原始图像与原始校正图像的变形场以及原始校正图像,得到每一帧原始图像相应的重建校正图像。此时,重建校正图像中包含有与每一帧原始图像可匹配的呼吸运动信息。再根据每一帧原始图像相应的重建校正图像,对每一帧原始图像进行衰减校正,获得不含呼吸运动伪影的原始图像。
在本实施例中,原始图像与原始校正图像均为临床PET-CT系统对患者扫描获取的PET临床门控无衰减图像以及CT图像。
上述图像衰减校正方法,通过获取多帧原始图像以及原始校对图像,并根据多帧原始图像以及原始校正图像建立原始训练矩阵。将原始训练矩阵输入已训练过的深度学习模型,得到每一帧原始图像与原始校正图像的变形场,再将得到变形场运用到相应的原始校正图像中,使原始校正图像具有与每一帧原始图像相匹配的呼吸运动信息。再将与变形场融合的原始校正图像对原始图像进行衰减校正,获得没有呼吸伪影的原始图像,即没有呼吸伪影的PET衰减校正重建图像。通过将利用已训练的深度学习模型识别每一帧原始图像与原始校正图像的变形场,并将此具有呼吸运动信息的变形场运用到原始校正图像中,对原始图像进行衰减校正,从而获得没有呼吸伪影的PET衰减校正重建图像。医生通过没有呼吸伪影的PET衰减校正重建图像可以对疾病进行全面、准确的判断。
在一个实施例中,如2所示,提供了一种深度学习模型的训练方法,包括以下步骤:
步骤201,获取多帧第一建模图像以及第一建模校正图像。
在本实施例中,由PET-CT系统获取多帧第一建模图像以及第一建模校正图像。其中多帧第一建模图像为PET对待扫描物体进行长时间门控扫描得到的第一建模PET图像,第一建模校正图像为CT对待扫描物体进行扫描得到的第一建模校正CT图像。两种图像均为PET-CT系统对待同一扫描物体的同一位置进行扫描得到的。此时,CT扫描和PET扫描是在同一时间内进行的。在进行PET门控扫描时,扫描时间相较于普通PE门控扫描时间更长一点,这样PET采集到的图像数据对应在这段长时间里人体呼吸运动平均成像,则第一建模图像中包含全面的呼吸运动信息。CT扫描时间迅速,因此第一建模校正图像对应人体呼吸运动单帧或相邻帧成像,对应得到单帧第一建模校正图像。并且,第一建模图像是未经过衰减校正处理的,即为PET-CT系统长时间采集扫描区域PET数据直接门控重建获得,因此第一建模图像为高灵敏度PET无衰减校正门控图像。
步骤202,根据多帧所述第一建模图像以及第一建模校正图像,得到每一帧第一建模图像与第一建模校正图像的变形场。
在本实施例中,。由于通常在计算变形场时,只计算同一种成像设备扫描得到的图像之间的变形场,即计算PET扫描获取得到的图像之间的变形场,或者CT扫描获取得到的图像之间的变形场。而第一建模校正图像为CT短时间扫描得到,第一建模图像为PET长时间门控扫描得到,两种图像不属于同一种图像,所以不能直接得到上述两种图像之间的变形场。
在本实施例中,为了得到多帧第一建模图像与第一建模校正图像之间的变形场,步骤202还包括:根据多帧第一建模图像以及第一建模校正图像,得到第一参考图像以及第一非参考图像。根据第一参考图像以及第一非参考图像,得到每一帧第一非参考图像与第一参考图像的变形场。再根据得到每一帧第一非参考图像与第一参考图像的变形场以及第一建模校正图像,得到每一帧第一非参考图像与第一建模校正图像的变形场。
在本实施例中,通过在第一建模图像中的各帧图像查找与第一建模校正图像呼吸相位相同的第一建模图像作为第一参考图像,而将其余的第一建模图像作为第一非参考图像。在PET扫描人体获取第一建模图像数据时,由于扫描时间长,第一建模图像包含了在扫描时间内各时间点的呼吸运动信息。在CT扫描人体获取第一建模校正图像数据时,由于扫描时间短,则第一建模校正图像包含有某一时间点相对应的呼吸运动信息。这就是说,在第一建模图像的各帧图像中有一帧第一建模图像与第一建模校正图像所包含的信息相对应,则选取这一帧第一建模图像为第一参考图像,则其余第一建模图像作为第一非参考图像。
在本实施例中,根据第一参考图像以及第一非参考图像,得到每一帧第一非参考图像与第一参考图像之间的变形场。也就是说,由于第一参考图像与第一建模校正图像的呼吸相位相同,则用第一参考图像代替第一建模校正图像(此时第一参考图像与自身变形场为零),得到第一参考图像与每一帧第一非参考图像之间的变形场,也就是得到第一建模校正图像与每一帧第一非参考图像之间的变形场。
步骤203,获取多帧第二建模图像以及第二建模校正图像。
在本实施例中,由PET-CT系统获取多帧第二建模图像,以及第二建模校正图像。其中第二建模图像为PET对待扫描物体进行短时间门控扫描后得到的第二建模图像,第二建模校正图像为CT对待扫描物体进行扫描后得到第二建模校正图像,两种图像均为PET-CT系统对待同一扫描物体的同一位置进行扫描后得到。同样的,当PET-CT系统在对人体进行扫描时,第二建模图像对应人体呼吸运动平均成像,而第二建模校正图像对应人体呼吸运动单针或相邻帧成像。并且,第二建模图像是未经过衰减校正处理的,即为PET-CT系统采集扫描区域PET数据直接门控重建获得,第二建模图像为短时间PET无衰减校正门控图像。
在其他实施例中,可从步骤201中PET-CT系统长时间扫描后采集扫描区域PET数据中,直接从中获取一段时间的PET数据,并且对此PET数据进行门控重建得到第二建模图像。而第二建模校正图像也可选取第一建模校正图像。
步骤204,根据多帧所述第二建模图像以及第二建模校正图像,得到建模训练矩阵。
在本实施例中,在多帧第二建模图像中查找与第二建模校正图像呼吸相位相同的第二建模图像作为第二参考帧图像,将其余第二建模图像作为第二非参考图像。再根据第二非参考图像以及第二校正图像,建立建模训练矩阵。
在本实施例中,在本实施例中,通过在第二建模图像的各帧图像中查找与第二建模校正图像呼吸相位相同的第二建模图像作为第二参考图像,而将其余的第二建模图像作为第二非参考图像。在PET-CT系统对人体进行扫描时,PET扫描相较与CT扫描时间长,因此第二建模图像包含了在扫描时间内各时间点的呼吸运动信息,则各帧第二建模图像包含有与各时间点相对应的呼吸运动信息。而第二建模校正图像包含有某一时间点相对应的呼吸运动信息。这就是说,在第二建模图像的各帧图像中有一帧第二建模图像与第二建模校正图像的呼吸相位相同,则选取这一帧第二建模图像为第二参考帧,则其余第二建模图像作为第二非参考图像。
在本实施例中,根据第二非参考图像以及第二校正图像,建立建模训练矩阵。此时,通过第二非参考图像与第二校正图像之间的关系,建立建模训练模型。
步骤205,根据多帧所述第二建模图像以及每一帧第一建模图像与第一建模校正图像的变形场,得到校对矩阵。
在本实施例中,利用在步骤202中得到的每一帧第一建模图像与第一建模校正图像的变形场和第二建模图像之间的关系。选择第二建模图像中的第二非参考图像与每一帧第一建模图像与第一建模校正图像的变形场之间关系,建立得到校对矩阵。
步骤206,根据所述建模训练矩阵以及校对矩阵训练深度学习模型。
在本实施例中,深度学习模型根据神经网络建立,深度学习模型为一种包含多隐层的分层结构,可通过组合底层的特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。在本实施例中,采用神经网络结构建立该深度学习模型。通过将模训练矩阵以及校对矩阵输入深度学习模型对深度学习模型进行训练。
在本实施例中,对深度学习训练模型训练的建模训练矩阵以及校对矩阵是通过对不同患者进行长时间PET-CT扫描采集的数据建立。对深度学习训练模型输入大量来自不同患者的扫描数据,使之进行多次的训练,让深度学习训练模型能够更好的输出得到每一帧原始图像与原始校正图像之间的变形场。
上述图像衰减校正方法中,通过将由长时间PET扫描得到的第一建模图像以及CT扫描得到的第一建模校正图像得到的建模训练矩阵以及校正矩阵对深度学习模型进行训练,得到已训练的深度学习模型。再将临床PET-CT系统扫描得到原始图像以及原始校正图像通过以训练的深度学习模型相应的得到每一帧原始图像与原始校正图像的变形场,并将此具有呼吸运动信息的变形场运用到原始校正图像中,并对原始图像进行衰减校正,从而获得没有呼吸伪影的PET衰减校正重建图像。医生通过没有呼吸伪影的PET衰减校正重建图像可以对疾病进行全面、准确的判断。
应该理解的是,虽然图1-2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1-2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。
在一个实施例中,如图3所示,提供了一种图像衰减校正装置,包括:图像获取模块302、原始训练矩阵建立模块304、变形场生成模块306以及校正模块308,其中:
图像获取模块302:用于获取多帧原始图像以及原始校正图像。
原始训练矩阵建立模块304:用于根据多帧所述原始图像以及原始校正图像建立原始训练矩阵。
变形场生成模块306:用于将所述原始训练矩阵输入深度学习模型,得到每一帧原始图像与原始校正图像的变形场。
校正模块308:用于根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像对相应原始图像进行衰减校正。
关于图像衰减校正装置的具体限定可以参见上文中对于图像衰减校正方法的限定,在此不再赘述。上述图像衰减校正装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,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、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。该计算机程序被处理器执行时以实现一种图像衰减校正方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
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:
获取多帧原始图像以及原始校正图像;
根据多帧所述原始图像以及原始校正图像建立原始训练矩阵;
将所述原始训练矩阵输入深度学习模型,得到每一帧原始图像与原始校正图像的变形场;
根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像对相应原始图像进行衰减校正。
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:
获取多帧原始图像以及原始校正图像;
根据多帧所述原始图像以及原始校正图像建立原始训练矩阵;
将所述原始训练矩阵输入深度学习模型,得到每一帧原始图像与原始校正图像的变形场;
根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像对相应原始图像进行衰减校正。
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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种图像衰减校正方法,其特征在于,所述方法包括:
获取多帧第一建模图像以及第一建模校正图像;
根据多帧所述第一建模图像以及第一建模校正图像,得到每一帧第一建模图像与第一建模校正图像的变形场;
获取多帧第二建模图像以及第二建模校正图像:
根据多帧所述第二建模图像以及第二建模校正图像,得到建模训练矩阵:根据多帧所述第二建模图像以及所述每一帧第一建模图像与第一建模校正图像的变形场,得到校对矩阵;
根据所述建模训练矩阵以及所述校对矩阵训练深度学习模型;
获取多帧原始图像以及原始校正图像;
根据多帧所述原始图像以及原始校正图像建立原始训练矩阵;
将所述原始训练矩阵输入所述深度学习模型,得到每一帧原始图像与原始校正图像的变形场;
根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像对相应原始图像进行衰减校正。
2.根据权利要求1所述的方法,其特征在于,所述根据多帧所述第一建模图像以及第一建模校正图像,得到每一帧第一建模图像与第一建模校正图像的变形场包括:
根据多帧所述第一建模图像以及第一建模校正图像,得到第一参考图像以及第一非参考图像:
根据所述第一参考图像以及第一非参考图像,得到每一帧第一非参考图像与第一参考图像的变形场;
根据所述每一帧第一非参考图像与第一参考图像的变形场以及第一建模校正图像,得到每一帧第一非参考图像与第一建模校正图像的变形场。
3.根据权利要求2所述的方法,其特征在于,所述根据多帧所述第一建模图像以及第一建模校正图像,得到第一参考图像以及第一非参考图像包括:
在多帧所述第一建模图像中查找与第一建模校正图像对应的第一建模图像作为第一参考帧图像,将其余第一建模图像作为第一非参考图像。
4.根据权利要求2所述的方法,其特征在于,所述根据多帧所述第二建模图像以及第二建模校正图像,建立建模训练矩阵包括:
在多帧所述第二建模图像中查找与第二建模校正图像对应的第二建模图像作为第二参考帧图像,将其余第二建模图像作为第二非参考图像;
根据所述第二非参考图像以及第二校正图像,建立建模训练矩阵。
5.根据权利要求4所述的方法,其特征在于,所述根据多帧所述第二建模图像以及每一帧第一建模图像与第一建模校正图像的变形场,得到校对矩阵包括:
根据所述第二非参考图像以及每一帧第一非参考图像与第一建模校正图像的变形场,建立校对矩阵。
6.根据权利要求1所述的方法,其特征在于,所述根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像对相应原始图像进行衰减校正包括:
根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像,得到与每一帧原始图像相应的重建校正图像:
根据所述与每一帧原始图像相应的重建校正图像对每一帧原始图像进行衰减校正。
7.一种图像处理装置,其特征在于,所述装置包括:
图像获取模块,用于获取多帧第一建模图像以及第一建模校正图像;根据多帧所述第一建模图像以及第一建模校正图像,得到每一帧第一建模图像与第一建模校正图像的变形场;获取多帧第二建模图像以及第二建模校正图像:根据多帧所述第二建模图像以及第二建模校正图像,得到建模训练矩阵:根据多帧所述第二建模图像以及所述每一帧第一建模图像与第一建模校正图像的变形场,得到校对矩阵;根据所述建模训练矩阵以及所述校对矩阵训练深度学习模型;获取多帧原始图像以及原始校正图像;
原始训练矩阵建立模块,用于根据多帧所述原始图像以及原始校正图像建立原始训练矩阵:
变形场生成模块,用于将所述原始训练矩阵输入所述深度学习模型,得到每一帧原始图像与原始校正图像的变形场;
校正模块:用于根据所述每一帧原始图像与原始校正图像的变形场以及原始校正图像对相应原始图像进行衰减校正。
8.一种计算机设备,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至6中任一项所述方法的步骤。
9.一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至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910417420.2A CN110223247B (zh) | 2019-05-20 | 2019-05-20 | 图像衰减校正方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910417420.2A CN110223247B (zh) | 2019-05-20 | 2019-05-20 | 图像衰减校正方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110223247A CN110223247A (zh) | 2019-09-10 |
CN110223247B true CN110223247B (zh) | 2022-06-24 |
Family
ID=67821360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910417420.2A Active CN110223247B (zh) | 2019-05-20 | 2019-05-20 | 图像衰减校正方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110223247B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111544022B (zh) * | 2020-05-13 | 2023-11-28 | 上海联影医疗科技股份有限公司 | 一种pet衰减校正方法、装置和计算机设备 |
EP4330923A1 (en) * | 2022-01-05 | 2024-03-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for positron emission computed tomography image reconstruction |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130101193A1 (en) * | 2011-10-20 | 2013-04-25 | Jong Beom Ra | Positron Emission Tomography and Method for Correcting Attenuation of PET Image Using Magnetic Resonance Image |
CN103054605B (zh) * | 2012-12-25 | 2014-06-04 | 沈阳东软医疗系统有限公司 | 一种衰减校正的方法和系统 |
CN106846430B (zh) * | 2014-11-21 | 2020-06-26 | 上海联影医疗科技有限公司 | 一种图像重建方法 |
CN105147312A (zh) * | 2015-08-25 | 2015-12-16 | 上海联影医疗科技有限公司 | Pet图像获取方法及系统 |
CN106491151B (zh) * | 2016-01-25 | 2021-01-29 | 上海联影医疗科技股份有限公司 | Pet图像获取方法及系统 |
CN106691487B (zh) * | 2017-01-05 | 2021-01-05 | 东软医疗系统股份有限公司 | 成像方法和成像系统 |
US10282871B2 (en) * | 2017-07-10 | 2019-05-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for pet image reconstruction |
WO2019010648A1 (en) * | 2017-07-12 | 2019-01-17 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR CORRECTION TO AIR |
CN107638188B (zh) * | 2017-09-28 | 2021-03-19 | 江苏赛诺格兰医疗科技有限公司 | 图像衰减校正方法及装置 |
US11302003B2 (en) * | 2017-10-26 | 2022-04-12 | Wisconsin Alumni Research Foundation | Deep learning based data-driven approach for attenuation correction of pet data |
CN107730567B (zh) * | 2017-10-30 | 2021-02-02 | 上海联影医疗科技股份有限公司 | 医学成像方法及系统 |
US10504250B2 (en) * | 2018-01-27 | 2019-12-10 | Uih America, Inc. | Systems and methods for correcting mismatch induced by respiratory motion in positron emission tomography image reconstruction |
CN108520542B (zh) * | 2018-03-29 | 2020-10-09 | 明峰医疗系统股份有限公司 | 一种pet/ct数据时相匹配的重建方法 |
CN109272443B (zh) * | 2018-09-30 | 2020-07-28 | 东北大学 | 一种基于全卷积神经网络的pet与ct图像配准方法 |
CN109767460A (zh) * | 2018-12-27 | 2019-05-17 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN109697741B (zh) * | 2018-12-28 | 2023-06-16 | 上海联影智能医疗科技有限公司 | 一种pet图像重建方法、装置、设备及介质 |
-
2019
- 2019-05-20 CN CN201910417420.2A patent/CN110223247B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110223247A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102316807B (zh) | 核成像中基于模型的视场扩展 | |
CN110223247B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
CN110960241A (zh) | 医学影像扫描的扫描参数确定方法、装置和计算机设备 | |
CN106491151A (zh) | Pet图像获取方法及系统 | |
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 | |
CN104220898B (zh) | 基于mr图像的pet吸收校正图像生成方法 | |
CN111199566A (zh) | 医疗图像处理方法、装置、存储介质及计算机设备 | |
US20220047227A1 (en) | Methods and systems for motion detection in positron emission tomography | |
CN110415310A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
CN110136076A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
CN110215226B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
CN113989231A (zh) | 动力学参数的确定方法、装置、计算机设备和存储介质 | |
CN111402356B (zh) | 参数成像输入函数提取方法、装置和计算机设备 | |
JP4997575B2 (ja) | 減弱係数マップ作成装置、減弱係数マップ作成方法およびプログラム | |
CN111544022B (zh) | 一种pet衰减校正方法、装置和计算机设备 | |
CN110687585B (zh) | 获取晶体效率的方法、装置、计算机设备和存储介质 | |
CN110477941B (zh) | 摄取值的校正方法、装置、计算机设备和可读存储介质 | |
Chrysanthou-Baustert et al. | Diagnostic sensitivity of SPECT myocardial perfusion imaging using a pumping cardiac phantom with inserted variable defects | |
CN110811665A (zh) | Pet图像衰减校正方法、装置、计算机设备和存储介质 | |
CN108873047B (zh) | 检测放射源活度的方法、系统、计算机设备和存储介质 | |
EP4148680A1 (en) | Attenuation correction-based weighting for tomographic inconsistency detection | |
CN114913259A (zh) | 截断伪影校正方法、ct图像校正方法、设备和介质 | |
CN110215203B (zh) | 心电信号获取方法、装置、计算机设备和存储介质 | |
CN110992280B (zh) | Pet图像衰减校正方法、装置、计算机设备 |
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 |