CN110378982B - 重建图像处理方法、装置、设备及存储介质 - Google Patents
重建图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110378982B CN110378982B CN201910666912.5A CN201910666912A CN110378982B CN 110378982 B CN110378982 B CN 110378982B CN 201910666912 A CN201910666912 A CN 201910666912A CN 110378982 B CN110378982 B CN 110378982B
- Authority
- CN
- China
- Prior art keywords
- reconstructed image
- image
- reconstructed
- artifact
- bone tissue
- 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)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种重建图像处理方法、装置、设备及存储介质。该方法包括：获取待处理重建图像；将待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像；其中，伪影校正模型基于包含伪影的第一重建图像和与第一重建图像对应的不包含伪影的第二重建图像训练得到。本发明实施例的技术方案通过包含伪影的第一重建图像和与不包含伪影的第二重建图像进行伪影校正模型的训练，使得通过训练好的伪影校正模型对包含伪影的待处理重建图像进行处理后，能够得到不包含伪影的目标重建图像，提高了重建图像的质量，进而提高了疾病诊断的准确度。另外，通过伪影校正模型的使用，减少了伪影校正的复杂度，提高了伪影校正的效率。
Description
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种重建图像处理方法、装置、设备及存储介质。
背景技术
CT(Computed Tomography，电子计算机断层扫描)技术是通过对物体进行射线投影测量，非侵入式获取物体精确而无损的横截面衰减信息的成像技术，扫描时间快、图像清晰，是目前常规有效的临床医学诊断工具之一，为临床医生的诊断和预防提供丰富的三维人体器官组织信息，已成为医学成像领域不可或缺的检查诊断方法。
当采用多排(例如320排)CT设备进行断层扫描时，与球管所在旋转平面成角度较大的图像层，由于穿过待检测体的射线角度较大，会存在采样数据不完全的情况，导致数据重建后得到的图像中，存在几何伪影，例如锥束伪影。锥束伪影在图像上的表现为：在断层或螺旋图像上，出现或暗或亮的阴影；在多平面重构层面上，表现为条状伪影。由于受锥束伪影的影像，使得大锥角处断层图像的质量较差，进而影响了疾病诊断的准确度。
发明内容
本发明提供一种重建图像处理方法、装置、设备及存储介质，以提高重建图像的质量，进而提高疾病诊断准确度。
第一方面，本发明实施例提供了一种重建图像处理方法，包括：
获取待处理重建图像；
将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像；其中，所述伪影校正模型基于包含伪影的第一重建图像和与所述第一重建图像对应的不包含伪影的第二重建图像训练得到。
第二方面，本发明实施例还提供了一种重建图像处理装置，包括：
待处理重建图像获取模块，用于获取待处理重建图像；
目标重建图像得到模块，用于将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像；其中，所述伪影校正模型基于包含伪影的第一重建图像和与所述第一重建图像对应的不包含伪影的第二重建图像训练得到。
第三方面，本发明实施例还提供了一种医疗影像设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面实施例所提供的一种重建图像处理方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所提供的一种重建图像处理方法。
本发明实施例通过获取待处理重建图像；将待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像；其中伪影校正模型基于包含伪影的第一重建图像和与第一重建图像对应的不包含伪影的第二重建图像训练得到。上述技术方案通过包含伪影的第一重建图像和与第一重建图像对应的不包含伪影的第二重建图像进行伪影校正模型的训练，使得通过训练好的伪影校正模型对包含伪影的待处理重建图像进行处理后，能够得到不包含伪影的目标重建图像，提高了重建图像的质量，进而提高了疾病诊断的准确度。另外，通过伪影校正模型的使用，减少了伪影校正的复杂度，提高了伪影校正的效率。
附图说明
图1是本发明实施例一提供的一种重建图像处理方法的流程图；
图2是本发明实施例二中的一种重建图像处理方法的流程图；
图3A是本发明实施例三中的一种重建图像处理方法的流程图；
图3B是本发明实施例三中的第一重建图像；
图3C是本发明实施例三中的第二重建图像；
图3D是本发明实施例三中的金标准图像；
图3E是本发明实施例三中的待处理重建图像；
图3F是本发明实施例三中的目标重建图像；
图4是本发明实施例四中的一种重建图像处理装置的结构图；
图5是本发明实施例六中的一种医疗影像设备的结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种重建图像处理方法的流程图，本发明实施例可适用于对医疗影像中的几何伪影进行校正的情况，该方法由重建图像处理装置执行，该装置采用软件和/或硬件实现，并具体配置在医疗影像设备中。例如可以配置在CT设备中的数据处理装置中。
如图1所示的一种重建图像处理方法，包括：
S110、获取待处理重建图像。
可选的，获取待处理重建图像，可以是从医疗影像设备的存储系统，或者与医疗影像设备相关联的其他存储设备或云端中，直接进行待处理重建图像的获取。
或者可选的，获取待处理重建图像，还可以是从医疗影像设备的存储系统，或者与医疗影像设备相关联的其他存储设备或云端中，进行原始数据的获取，并对原始数据进行重建，得到待处理重建图像。或者可选的，获取待处理重建图像，还可以实时获取医疗影像设备对待检测体进行扫描后的原始数据，并对原始数据进行重建，得到待处理重建图像。
其中，对原始数据进行重建可以采用滤波反投影算法。其中，待处理重建图像中包含几何伪影，例如由于医疗影像设备中球管所在旋转平面大锥角导致的锥束伪影。
S120、将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像。
其中，所述伪影校正模型基于包含伪影的第一重建图像和与所述第一重建图像对应的不包含伪影的第二重建图像训练得到。
该步骤中，将待处理重建图像作为预测样本，输入至预先训练好的伪影校正模型中，得到目标重建图像。其中，目标重建图像中不包含几何伪影。
其中，预先训练好的伪影校正模型可以预先存储在医疗影像设备本地，还可以存储在于医疗影像设备相关联的其他存储设备或云端，并在需要使用伪影校正模型进行预测时，进行伪影校正模型的获取或调用。
可以理解的是，在使用伪影校正模型对预测样本进行预测时，需要预先通过大量的训练样本进行模型训练，以使伪影校正模型的预测精度能够满足需求。其中，伪影校正模型可以采用神经网络模型，示例性地，神经网络模型可以采用Res Net(Residual NeuralNetwork，残差神经网络)模型、VGG Net(Visual Geometry Group Network)模型、U-Net模型、以及V-Net模型等中的至少一个。
在进行训练样本获取时，可以直接获取包含伪影的第一重建图像和与第一重建图像对应的不包含伪影的第二重建图像；将第二重建图像作为金标准图像，将第一重建图像作为预设的神经网络模型的输入进行迭代训练，以对神经网络模型中的权重参数进行优化，直至第二重建图像与第一重建图像对应的预测图像的残差值收敛，得到训练好的神经网络模型作为伪影校正模型。
或者可选的，还可以在进行训练样本获取时，还可以直接获取包含伪影的第一重建图像和与第一重建图像对应的不包含伪影的第二重建图像；根据第一重建图像和第二重建图像重新确定金标准图像，并将第一重建图像作为预设的神经网络模型的输入进行迭代训练，以对神经网络模型中的权重参数进行优化，直至金标准图像与第一重建图像对应的预测图像的残差值收敛，得到训练好的神经网络模型作为伪影校正模型。
本发明实施例通过获取待处理重建图像；将待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像；其中伪影校正模型基于包含伪影的第一重建图像和与第一重建图像对应的不包含伪影的第二重建图像训练得到。上述技术方案通过包含伪影的第一重建图像和与第一重建图像对应的不包含伪影的第二重建图像进行伪影校正模型的训练，使得通过训练好的伪影校正模型对包含伪影的待处理重建图像进行处理后，能够得到不包含伪影的目标重建图像，提高了重建图像的质量，进而提高了疾病诊断的准确度。另外，通过伪影校正模型的使用，减少了伪影校正的复杂度，提高了伪影校正的效率。
实施例二
图2是本发明实施例二中的一种重建图像处理方法的流程图，本发明实施例在上述各实施例的技术方案的基础上进行了优化改进。
进一步地，在操作“将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像”追加“对伪影校正模型进行模型训练”；相应的，将“对伪影校正模型进行模型训练”细化为“获取包含伪影的第一重建图像，以及与所述第一重建图像对应的不包含伪影的第二重建图像；确定第一重建图像和所述第二重建图像的残差图像；根据所述第一重建图像和所述残差图像，确定标准参考图像；将所述第一重建图像和所述标准参考图像作为训练样本，对预设的神经网络模型中的参数进行训练，得到伪影校正模型”，以完善伪影校正模型的训练机制。
如图2所示的一种重建图像处理方法，包括：
S210、获取包含伪影的第一重建图像，以及与所述第一重建图像对应的不包含伪影的第二重建图像。
可选的，获取包含伪影的第一重建图像，可以是从医疗影像设备本地、与医疗影像设备相关联的其他存储设备或云端中，直接进行第一重建图像的获取。
或者可选的，获取包含伪影的第一重建图像，还可以是获取对待检测体进行扫描后的原始数据；通过滤波反投影算法对所述原始数据进行图像重建，得到所述第一重建图像。
示例性地，获取对待检测体进行扫描后的原始数据，可以是从医疗影像设备本地、与医疗影像设备相关联的其他存储设备或云端中，直接进行历史原始数据的获取；还可以是对医疗影像设备中的扫描装置对待检测体进行扫描后得到的原始数据进行实时获取。
在本发明实施例的一种可选实施方式中，通过滤波反投影算法对所述原始数据进行图像重建，得到所述第一重建图像，可以是基于FDK(Feldkamp-Davis-Kress)算法或FDK衍生算法对原始图像进行重建，得到包含伪影的第一重建图像。示例性地，FDK衍生算法可以是G-FDK(General FDK)、P-FDK(Parallel FDK)、T-FDK(Tent FDK)、HT-FDK(HybridtentFDK)、CC-FDK(Concentric Circle FDK)、以及HS-FDK(Half Scan FDK)等中的至少一种。
可选的，获取与所述第一重建图像对应的不包含伪影的第二重建图像，可以是从医疗影像设备本地、与医疗影像设备相关联的其他存储设备或云端中，直接进行第二重建图像的获取。
或者可选的，获取与所述第一重建图像对应的不包含伪影的第二重建图像，还可以是根据所述第一重建图像和/或所述原始数据，确定与所述第一重建图像对应的不包含伪影的第二重建图像。
在本发明实施例的一种可选实施方式中，根据所述第一重建图像，确定与所述第一重建图像对应的不包含伪影的第二重建图像，可以是：对所述第一重建图像进行图像分割，得到第一骨组织图像；根据所述第一骨组织图像进行正向投影和反向投影，得到第二骨组织图像；根据所述第一重建图像、所述第一骨组织图像、和所述第二骨组织图像，得到所述第二重建图像。
示例性地，对所述第一重建图像进行图像分割，得到第一骨组织图像，可以是采用阈值比较法对所述第一重建图像进行图像分割，以从第一重建图像中分割出骨组织相应的第一骨组织图像。其中，第一骨组织图像中不包含几何伪影。
具体的，对第一骨组织图像进行正向投影和反向投影，以模拟图像重建过程，得到第二骨组织图像。其中，由于几何伪影特别是锥束伪影是由骨组织的致密特性导致的，因此重建后得到的第二骨组织图像中包含几何伪影。其中，反向投影可以采用滤波反投影算法实现，例如FDK算法或FDK衍生算法。其中，正向投影可采用现有技术中的正向投影算法加以实现，在此不再赘述。
示例性地，根据所述第一重建图像、所述第一骨组织图像、和所述第二骨组织图像，得到所述第二重建图像，可以是根据所述第二骨组织图像和所述第一骨组织图像做差，得到伪影图像；根据所述第一重建图像和所述伪影图像，得到所述第二重建图像。由于第二骨组织图像包括骨组织图像和伪影图像，而第一骨组织图像中仅包含骨组织图像，因此对第二骨组织图像与第一骨组织图像做差后，得到包括几何伪影的伪影图像。
在本发明实施例的另一可选实施方式中，根据所述原始数据，确定与所述第一重建图像对应的不包含伪影的第二重建图像，可以是：采用迭代重建算法对所述原始数据进行处理，得到所述第二重建图像。
可以理解的是，迭代重建算法作为一种统计学方法，通过在多次迭代过程中找到一个使投影值与测量投影值最大概率符合的图像，因此对原始数据是否完全采样要求不高，能够有效抑制不完全采样而产生的几何伪影。
S220、确定第一重建图像和所述第二重建图像的残差图像。
由于第一重建图像中包含几何伪影，而第二重建图像中不包含几何伪影，因此将第一重建图像与第二重建图像进行做差，所得到的残差图像中会包含几何伪影。
第一重建图像和第二重建图像的生成方法不同，因此将第一重建图像与第二重建图像做差所得到的残差图像中，还有可能包含其他细节信息。为了避免这些细节信息的丢失，还可以采用低通滤波算法对残差图像进行处理，以更新参数图像。示例性地，低通滤波可以是高斯滤波函数。
S230、根据所述第一重建图像和所述残差图像，确定标准参考图像。
将第一重建图像与残差图像做差，得到标准参考图像。可以理解的是，由于第一重建图像中包括几何伪影，残差图像中也包括几何伪影，因此将第一重建图像与残差图像做差，可以将几何伪影消除，得到标准参考图像，用于作为模型训练时的标准参考图像。
S240、将所述第一重建图像和所述标准参考图像作为训练样本，对预设的神经网络模型中的参数进行训练，得到伪影校正模型。
具体的，获取大量的第一重建图像作为训练样本；获取其中第一重建图像，将该第一重建图像输入至预设的神经网络模型中，得到相应的输出结果；确定输出结果与该第一重建图像对应的标准参考图像之间的残差值，并根据残差值对神经网络模型中的权重参数进行优化；获取下一个第一重建图像，将该第一重建图像输入至训练后的神经网络模型中，直至残差值收敛，得到训练好的神经网络模型作为伪影校正模型。
S250、获取待处理重建图像。
S260、将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像。
本发明实施例通过在得到目标重建图像之前，追加对伪影校正模型训练步骤，并将对伪影校正模型的训练步骤细化为获取包含伪影的第一重建图像，以及与第一重建图像对应的不包含伪影的第二重建图像；确定第一重建图像和第二重建图像的残差图像；根据第一重建图像和残差图像确定标准参考图像；将第一重建图像和标准参考图像作为训练样本，对神经网络模型中的参数进行训练，得到伪影校正模型，完善了模型训练步骤，从而进一步完善了对重建图像进行图像处理的处理机制。
在上述各实施例的技术方案的基础上，为了对伪影校正模型进行模型评价，还可以确定目标重建图像与待处理重建图像对应的标准参考图像的误差值。示例性地，可以确定目标重建图像与标准参考图像的协方差，用于表征伪影校正模型。当协方差小于设定阈值，或者不同待处理重建图像对应的协方差趋于稳定，则确定伪影校正模型鲁棒性较好，无需进一步训练，可直接用于样本预测；当协方差不小于设定阈值，或者不同待处理重建图像对应的协方差差异明显，则确定伪影校正模型鲁棒性较差，需要进一步进行模型训练，以完善模型参数。其中，设定阈值可以由技术人员根据需要或经验值进行设定。
实施例三
图3A是本发明实施例三中的一种重建图像处理方法的流程图，本发明实施例在上述各实施例的技术方案的基础上，提供了一种优选实施方式。
如图3A所示的一种重建图像处理方法，包括：
S310、获取历史扫描数据。
S320、分别采用FDK算法和迭代重建算法对各历史扫描数据进行处理，得到第一重建图像和与第一重建图像对应的第二重建图像。
参见图3B所示的第一重建图像和图3C所示的第二重建图像。其中，第一重建图像包含锥束伪影，第二重建图像中不包含锥束伪影。
S330、将第一重建图像和与第一重建图像对应的第二重建图像做差，得到残差图像。
S340、通过低通滤波算法对残差图像进行滤波，得到与第一重建图像对应的锥束伪影。
由于锥束伪影在图像中属于低频信息，为了消除高频信息对图像造成负面影响，也即避免最终伪影校正后的图像高频细节的丢失，需要采用低通滤波算法(例如，高斯滤波)将残差图像中的高频信息滤除。
S350、将第一重建图像和与第一重建图像对应的锥束伪影做差，得到金标准图像。
通过第一重建图像与锥束伪影做差，将第一重建图像中的锥束伪影扣除，得到金标准图像，参见图3D。
需要说明的是，采用上述方法所产生的金标准图像，能够对锥束伪影产生很好的抑制效果，同时对FDK图中的有效信息完整的保留下来，没有带来对图像质量的负面影响，例如高频细节信息的丢失。
S360、将第一重建图像和与第一重建图像对应的金标准图像作为训练样本，对预设的U-Net或V-Net神经网络模型进行训练，得到伪影校正模型。
将各第一重建图像作为训练样本中的输入数据，将金标准图像作为训练样本中的输出数据，采用大量的输入数据和输出数据对预设的U-Net或V-Net模型的模型参数进行训练，得到伪影校正模型，使得伪影校正模型可以对训练样本中的输入数据和输出数据之间的信息差别进行有效识别并滤除。
S370、获取当前扫描数据，并采用FDK算法对当前扫描数据进行处理，得到待处理重建图像。
其中，图3E为经FDK算法处理后的待处理重建图像，在该图像中包含锥束伪影。
S380、将待处理重建图像作为预测样本输入至伪影校正模型，将模型输出结果作为目标重建图像。
图3F为将图3E对应的待处理重建图像作为预测样本，输入至伪影校正模型后，得到的目标重建图像。其中，目标重建图像中不包含锥束伪影。
通过图3E和图3F比较可知，通过伪影校正模型的使用，能够对待处理重建图像中的锥束伪影进行有效抑制，同时避免了高频细节信息的丢失，整体上提高了重建图像的质量，进而提高了疾病诊断的准确度。
实施例四
图4是本发明实施例四中的一种重建图像处理装置的结构图，本发明实施例可适用于对医疗影像中的几何伪影进行校正的情况，该装置采用软件和/或硬件实现，并具体配置在医疗影像设备中。例如可以配置在CT设备中的数据处理装置中。
如图4所示的一种重建图像处理装置，包括：待处理重建图像获取模块410和目标重建图像得到模块420。
其中，待处理重建图像获取模块410，用于获取待处理重建图像；
目标重建图像得到模块420，用于将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像；其中，所述伪影校正模型基于包含伪影的第一重建图像和与所述第一重建图像对应的不包含伪影的第二重建图像训练得到。
本发明实施例通过待处理重建图像获取模块获取待处理重建图像；提供目标重建图像得到模块将待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像；其中伪影校正模型基于包含伪影的第一重建图像和与第一重建图像对应的不包含伪影的第二重建图像训练得到。上述技术方案通过包含伪影的第一重建图像和与第一重建图像对应的不包含伪影的第二重建图像进行伪影校正模型的训练，使得通过训练好的伪影校正模型对包含伪影的待处理重建图像进行处理后，能够得到不包含伪影的目标重建图像，提高了重建图像的质量，进而提高了疾病诊断的准确度。另外，通过伪影校正模型的使用，减少了伪影校正的复杂度，提高了伪影校正的效率。
进一步地，该装置还包括，模型训练模块，用于：
在将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像之前，对伪影校正模型进行模型训练；
进一步地，模型训练模块，包括：
重建图像获取单元，用于获取包含伪影的第一重建图像，以及与所述第一重建图像对应的不包含伪影的第二重建图像；
残差图像确定单元，用于确定第一重建图像和所述第二重建图像的残差图像；
标准参考图像确定单元，用于根据所述第一重建图像和所述残差图像，确定标准参考图像；
模型参数训练单元，用于将所述第一重建图像和所述标准参考图像作为训练样本，对预设的神经网络模型中的参数进行训练，得到伪影校正模型。
进一步地，模型训练模块，还包括：
残差图像更新模块，用于在根据所述第一重建图像和所述残差图像，确定标准参考图像之前，采用低通滤波算法对所述残差图像进行处理，以更新所述残差图像。
进一步的，重建图像获取单元，在执行获取包含伪影的第一重建图像时，具体用于：
获取对待检测体进行扫描后的原始数据；
通过滤波反投影算法对所述原始数据进行图像重建，得到所述第一重建图像；
相应的，重建图像获取单元，在执行获取与所述第一重建图像对应的不包含伪影的第二重建图像时，具体用于：
根据所述第一重建图像和/或所述原始数据，确定与所述第一重建图像对应的不包含伪影的第二重建图像。
进一步地，重建图像获取单元，在执行根据所述第一重建图像，确定与所述第一重建图像对应的不包含伪影的第二重建图像时，具体用于：
对所述第一重建图像进行图像分割，得到第一骨组织图像；
根据所述第一骨组织图像进行正向投影和反向投影，得到第二骨组织图像；
根据所述第一重建图像、所述第一骨组织图像、和所述第二骨组织图像，得到所述第二重建图像。
进一步地，重建图像获取单元，在执行根据所述第一重建图像、所述第一骨组织图像、和所述第二骨组织图像，得到所述第二重建图像时，具体用于：
根据所述第二骨组织图像和所述第一骨组织图像做差，得到伪影图像；
根据所述第一重建图像和所述伪影图像，得到所述第二重建图像。
进一步地，重建图像获取单元，在执行根据所述原始数据，确定与所述第一重建图像对应的不包含伪影的第二重建图像时，具体用于：
采用迭代重建算法对所述原始数据进行处理，得到所述第二重建图像。
进一步地，所述神经网络模型为U-Net模型、或V-Net模型。
上述重建图像处理装置可执行本发明任意实施例所提供的重建图像处理方法，具备执行重建图像处理方法相应的功能模块和有益效果。
实施例五
图5是本发明实施例六中的一种医疗影像设备的结构图，该设备包括：输入装置510、输出装置520、处理器530以及存储装置550。
其中，输入装置510，用于获取待处理重建图像；
输出装置520，用于展示待处理重建图像和/或目标重建图像；
一个或多个处理器530；
存储装置550，用于存储一个或多个程序。
图5中以一个处理器530为例，该医疗影像设备中的输入装置510可以通过总线或其他方式与输出装置520、处理器530以及存储装置550相连，且处理器530和存储装置550也通过总线或其他方式连接，图5中以通过总线连接为例。
在本实施例中，医疗影像设备中的处理器530可以控制输入装置510获取待处理重建图像；还可以将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像；其中，所述伪影校正模型基于包含伪影的第一重建图像和与所述第一重建图像对应的不包含伪影的第二重建图像训练得到还可以控制输出装置520展示待处理重建图像和/或目标重建图像。
该医疗影像设备中的存储装置550作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中重建图像处理方法对应的程序指令/模块(例如，附图5所示的待处理重建图像获取模块410和目标重建图像得到模块420)。处理器530通过运行存储在存储装置550中的软件程序、指令以及模块，从而执行医疗影像设备的各种功能应用以及数据处理，即实现上述方法实施例中的重建图像处理方法。
存储装置550可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储数据等(如上述实施例中的待处理重建图像、伪影校正模型、以及目标重建图像等)。此外，存储装置550可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置550可进一步包括相对于处理器530远程设置的存储器，这些远程存储器可以通过网络连接至服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例六
本发明实施例六还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被重建图像处理装置执行时实现本发明实施提供的重建图像处理方法，该方法包括：获取待处理重建图像；将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像；其中，所述伪影校正模型基于包含伪影的第一重建图像和与所述第一重建图像对应的不包含伪影的第二重建图像训练得到。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种重建图像处理方法，其特征在于，包括：
获取待处理重建图像；
将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像；其中，所述伪影校正模型基于包含伪影的第一重建图像和与所述第一重建图像对应的不包含伪影的第二重建图像训练得到；
在将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像之前，包括：获取包含伪影的所述第一重建图像，以及根据所述第一重建图像，确定的与所述第一重建图像对应的不包含伪影的第二重建图像对伪影校正模型进行训练；根据所述第一重建图像，确定与所述第一重建图像对应的不包含伪影的第二重建图像，包括：对所述第一重建图像进行图像分割，得到第一骨组织图像；根据所述第一骨组织图像进行正向投影和反向投影，得到第二骨组织图像；根据所述第一重建图像、所述第一骨组织图像、和所述第二骨组织图像，得到所述第二重建图像。
2.根据权利要求1所述的方法，其特征在于，在将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像之前，还包括：
对伪影校正模型进行模型训练；
确定第一重建图像和所述第二重建图像的残差图像；
根据所述第一重建图像和所述残差图像，确定标准参考图像；
将所述第一重建图像和所述标准参考图像作为训练样本，对预设的神经网络模型中的参数进行训练，得到伪影校正模型。
3.根据权利要求2所述的方法，其特征在于，在根据所述第一重建图像和所述残差图像，确定标准参考图像之前，还包括：
采用低通滤波算法对所述残差图像进行处理，以更新所述残差图像。
4.根据权利要求2所述的方法，其特征在于，获取包含伪影的第一重建图像，包括：
获取对待检测体进行扫描后的原始数据；
通过滤波反投影算法对所述原始数据进行图像重建，得到所述第一重建图像；
相应的，获取与所述第一重建图像对应的不包含伪影的第二重建图像，还包括：
根据所述原始数据，确定与所述第一重建图像对应的不包含伪影的第二重建图像。
5.根据权利要求1所述的方法，其特征在于，根据所述第一重建图像、所述第一骨组织图像、和所述第二骨组织图像，得到所述第二重建图像，包括：
根据所述第二骨组织图像和所述第一骨组织图像做差，得到伪影图像；
根据所述第一重建图像和所述伪影图像，得到所述第二重建图像。
6.根据权利要求4所述的方法，其特征在于，根据所述原始数据，确定与所述第一重建图像对应的不包含伪影的第二重建图像，包括：
采用迭代重建算法对所述原始数据进行处理，得到所述第二重建图像。
7.一种重建图像处理装置，其特征在于，包括：
待处理重建图像获取模块，用于获取待处理重建图像；
目标重建图像得到模块，用于将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像；其中，所述伪影校正模型基于包含伪影的第一重建图像和与所述第一重建图像对应的不包含伪影的第二重建图像训练得到；
模型训练模块，用于在将所述待处理重建图像输入至预先训练好的伪影校正模型中，得到目标重建图像之前，对伪影校正模型进行模型训练，包括：
重建图像获取单元，用于获取包含伪影的所述第一重建图像，以及根据所述第一重建图像，确定的与所述第一重建图像对应的不包含伪影的第二重建图像；根据所述第一重建图像，确定与所述第一重建图像对应的不包含伪影的第二重建图像时，具体用于：对所述第一重建图像进行图像分割，得到第一骨组织图像；根据所述第一骨组织图像进行正向投影和反向投影，得到第二骨组织图像；根据所述第一重建图像、所述第一骨组织图像、和所述第二骨组织图像，得到所述第二重建图像。
8.一种医疗影像设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一项所述的一种重建图像处理方法。
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，该程序被处理器执行时实现如权利要求1-6任一项所述的一种重建图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910666912.5A CN110378982B (zh) | 2019-07-23 | 2019-07-23 | 重建图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910666912.5A CN110378982B (zh) | 2019-07-23 | 2019-07-23 | 重建图像处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110378982A CN110378982A (zh) | 2019-10-25 |
| CN110378982B true CN110378982B (zh) | 2023-09-12 |
Family
ID=68255075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910666912.5A Active CN110378982B (zh) | 2019-07-23 | 2019-07-23 | 重建图像处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378982B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111223066B (zh) * | 2020-01-17 | 2024-06-11 | 上海联影医疗科技股份有限公司 | 运动伪影校正方法、装置、计算机设备和可读存储介质 |
| CN111612867B (zh) * | 2020-06-01 | 2023-08-15 | 上海联影医疗科技股份有限公司 | 运动伪影校正方法、装置、计算机设备和可读存储介质 |
| CN111383199B (zh) * | 2020-03-23 | 2023-05-26 | 如你所视(北京)科技有限公司 | 图像处理方法、装置、计算机可读存储介质及电子设备 |
| CN112652031A (zh) * | 2020-12-30 | 2021-04-13 | 上海联影智能医疗科技有限公司 | 伪影校正分析方法、电子设备及存储介质 |
| CN114092589B (zh) * | 2022-01-19 | 2022-05-27 | 苏州瑞派宁科技有限公司 | 图像重建方法及训练方法、装置、设备及存储介质 |
| CN114445515A (zh) * | 2022-02-14 | 2022-05-06 | 深圳市赛禾医疗技术有限公司 | 图像伪影去除方法、装置、电子设备及存储介质 |
| CN114638907B (zh) * | 2022-02-23 | 2023-04-14 | 赛诺威盛科技(北京)股份有限公司 | 基于深度学习的骨硬化伪影校正方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408753A (zh) * | 2014-10-27 | 2015-03-11 | 浙江大学 | 锥束ct的自适应迭代散射修正方法 |
| CN107330949A (zh) * | 2017-06-28 | 2017-11-07 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
| CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
| CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 |
| CN109816742A (zh) * | 2018-12-14 | 2019-05-28 | 中国人民解放军战略支援部队信息工程大学 | 基于全连接卷积神经网络的锥束ct几何伪影去除方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106551702B (zh) * | 2015-09-30 | 2021-05-14 | 通用电气公司 | Ct图像的射束硬化伪影校正装置及方法 |
| EP3451284A1 (de) * | 2017-09-05 | 2019-03-06 | Siemens Healthcare GmbH | Verfahren zur automatischen artefakterkennung in computertomographischen bilddaten |
| US11517197B2 (en) * | 2017-10-06 | 2022-12-06 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction |
-
2019
- 2019-07-23 CN CN201910666912.5A patent/CN110378982B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408753A (zh) * | 2014-10-27 | 2015-03-11 | 浙江大学 | 锥束ct的自适应迭代散射修正方法 |
| CN107330949A (zh) * | 2017-06-28 | 2017-11-07 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
| CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
| CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 |
| CN109816742A (zh) * | 2018-12-14 | 2019-05-28 | 中国人民解放军战略支援部队信息工程大学 | 基于全连接卷积神经网络的锥束ct几何伪影去除方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110378982A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378982B (zh) | 重建图像处理方法、装置、设备及存储介质 | |
| CN110570492B (zh) | 一种基于神经网络的ct伪影抑制方法、设备以及介质 | |
| US11494957B2 (en) | Automated correction of metal affected voxel representations of x-ray data using deep learning techniques | |
| CN112348936B (zh) | 一种基于深度学习的低剂量锥束ct图像重建方法 | |
| JP2020163124A (ja) | 医用画像処理装置及び学習用画像の取得方法 | |
| CA3068526A1 (en) | Classification and 3d modelling of 3d dento-maxillofacial structures using deep learning methods | |
| US9486178B2 (en) | Radiation tomographic image generating apparatus, and radiation tomographic image generating method | |
| CN112150574B (zh) | 一种图像伪影自动校正方法、系统、装置及存储介质 | |
| CN110335325B (zh) | 一种ct图像重建方法及其系统 | |
| CN110349234B (zh) | 一种ct锥形束图像重建方法及其系统 | |
| CN112017131B (zh) | Ct图像金属伪影去除方法、装置及计算机可读存储介质 | |
| CN111199566A (zh) | 医疗图像处理方法、装置、存储介质及计算机设备 | |
| EP3680860A1 (en) | Tomographic imaging apparatus and method of generating tomographic image | |
| CN112529919B (zh) | 用于生成受试者的心脏的牛眼图生成的系统和方法 | |
| CN109461192B (zh) | 图像迭代重建方法、装置、设备及存储介质 | |
| US10013778B2 (en) | Tomography apparatus and method of reconstructing tomography image by using the tomography apparatus | |
| EP3349655B1 (en) | Tomography apparatus and controlling method for the same | |
| CN113096210A (zh) | 图像重建方法、装置、电子设备和存储介质 | |
| CN116363038B (zh) | 超声图像融合方法、装置、计算机设备及存储介质 | |
| CN111968167A (zh) | Ct三维定位像的图像处理方法、装置和计算机设备 | |
| EP4123572A2 (en) | An apparatus and a method for x-ray image restoration | |
| CN110811662A (zh) | 一种扫描剂量调制的方法、装置、设备及存储介质 | |
| KR102477991B1 (ko) | 의료 영상 처리 방법 및 장치 | |
| CN113269847B (zh) | 基于短扫描的ct图像重建方法、装置、设备及存储介质 | |
| WO2019051209A1 (en) | SYSTEM AND METHOD FOR REDUCING SINOGRAM DISTRIBUTED METAL ARTIFACTS |
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 |