CN110580689A - 一种图像重建方法及装置 - Google Patents
一种图像重建方法及装置 Download PDFInfo
- Publication number
- CN110580689A CN110580689A CN201910764996.6A CN201910764996A CN110580689A CN 110580689 A CN110580689 A CN 110580689A CN 201910764996 A CN201910764996 A CN 201910764996A CN 110580689 A CN110580689 A CN 110580689A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- resolution
- projection
- processing result
- 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 74
- 238000012545 processing Methods 0.000 claims abstract description 147
- 238000013507 mapping Methods 0.000 claims abstract description 98
- 239000011159 matrix material Substances 0.000 claims abstract description 73
- 238000003066 decision tree Methods 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 17
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 16
- 238000003706 image smoothing Methods 0.000 claims description 8
- 238000002591 computed tomography Methods 0.000 abstract description 7
- 238000004883 computer application Methods 0.000 abstract description 2
- 238000002600 positron emission tomography Methods 0.000 description 48
- 238000004422 calculation algorithm Methods 0.000 description 33
- 230000008569 process Effects 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005316 response function Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000635 electron micrograph Methods 0.000 description 1
- 238000009499 grossing Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
- 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
本申请适用于计算机应用技术领域，提供了图像重建方法及装置，包括：通过获取待处理的第一图像；根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像。本实施例中通过预先对获取到的样本图像和投影图像通过决策树的方法，拟合出从低分辨率图像映射到高分辨率图像的映射关系，以将低分辨率的正电子发射型计算机断层显像PET映射为高分辨率的投影图像，提高每次迭代重建后的PET图像的质量，使重建提前达到收敛，在减少迭代次数的同时提高了PET重建图像的质量。
Description
技术领域
本申请属于计算机应用技术领域，尤其涉及一种图像重建方法及装置。
背景技术
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，而高质量的PET可以提高医生的诊断精确度，因此改进PET图像重建算法一直是人们在研究的主题。现有的PET图像重建算法主要分为解析重建算法和迭代重建算法两类。解析重建算法主要包括反投影，滤波反投影以及傅里叶重建。其中最广泛应用的算法是滤波反投影(Filtered Back-projection，FBP)。迭代重建算法又包括代数重建和统计重建，目前统计重建中极大似然期望最大化，因其更好的性能在临床和实践中被广泛应用。但其因投影图像中存在相对严重的统计噪声时，随迭代次数的增加图像质量会产生棋盘格伪影，这种方式会把噪声也相应放大，由此得到的重建图像的质量较低。
发明内容
本申请实施例提供了图像重建方法及装置，可以解决现有技术中在进行图像重建时会放大图像噪声，得到的重建图像质量较低的问题。
第一方面，本申请实施例提供了一种图像重建方法，包括：
获取待处理的第一图像；
根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像；所述映射矩阵为对获取到的样本图像和投影图像通过决策树的方法进行训练得到，用于将低分辨率图像映射为高分辨率图像；所述投影图像为对所述样本图像进行仿射变换得到。
其中，所述根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像之前，还包括：
获取待训练的样本图像；
对所述样本图像进行仿射变换得到所述投影图像；
对所述样本图像和所述投影图像进行决策树训练，得到样本处理结果；
计算所述样本处理结果和所述投影图像之间的损失函数，根据所述损失函数调整预设的映射关系，得到所述映射矩阵；所述映射关系为样本处理结果和投影图像之间映射关系。
其中，所述对所述样本图像和所述投影图像进行决策树训练，得到样本处理结果，包括：
根据预设的决策树方法，对所述样本图像进行迭代处理得到所述样本处理结果；
所述计算所述样本处理结果和所述投影图像之间的损失函数，根据所述损失函数调整预设的映射关系，得到所述映射矩阵，包括：
计算每个所述样本处理结果与所述投影图像之间的平方损失函数值，识别所述平方损失函数值最小时的样本处理结果为目标结果；
确定所述目标结果和所述投影图像之间的关系矩阵，作为所述映射矩阵。
其中，所述根据预设的决策树方法，对所述样本图像进行迭代处理得到所述样本处理结果，包括：
根据预设的决策树方法，对所述样本图像进行图像平滑迭代处理得到平滑图像；
对所述平滑图像中的像素点进行像素图像融合迭代处理，得到融合图像；
对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果。
其中，所述对所述样本图像进行迭代处理得到所述样本处理结果为：其中，Φ(x)＝L(y|x)-βU(x)；L(y|x)表示似然代理函数；U(x)表示惩罚代理函数；β表示正则化参数，x表示所述样本图像的像素值；y表示所述投影图像的像素值。
其中，所述计算每个所述样本处理结果与所述投影图像之间的平方损失函数值，包括：
通过如下公式计算每个所述样本处理结果与所述投影图像之间的平方损失函数值：
其中，N表示样本图像的总数目，xn表示第n个样本图像，yn表示所述第n个样本图像对应的投影图像；
所述映射矩阵为：W＝[(XTX+λI)-1XT·Y]T；
其中，X表示所述样本图像，Y表示所述投影图像，λ表示预设的正则化参数，I表示单位矩阵。
其中，所述对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果，包括：
根据如下公式对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果：
其中，W表示所述映射矩阵；表示第n+1次迭代的所述融合图像的像素值；所述第n+1次迭代的所述融合图像的像素值对应的样本处理结果。
第二方面，本申请实施例提供了一种图像重建装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待处理的第一图像；
根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像；所述映射矩阵为对获取到的样本图像和投影图像通过决策树的方法进行训练得到，用于将低分辨率图像映射为高分辨率图像；所述投影图像为对所述样本图像进行仿射变换得到。
第三方面，本申请实施例提供了一种图像重建装置，包括：
获取单元，用于获取待处理的第一图像；
重建单元，用于根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像；所述映射矩阵为对获取到的样本图像和投影图像通过决策树的方法进行训练得到，用于将低分辨率图像映射为高分辨率图像；所述投影图像为对所述样本图像进行仿射变换得到。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的图像重建方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：通过获取待处理的第一图像；根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像。本实施例中通过预先对获取到的样本图像和投影图像通过决策树的方法，拟合出从低分辨率图像映射到高分辨率图像的映射关系，以将低分辨率的正电子发射型计算机断层显像PET映射为高分辨率的投影图像，提高每次迭代重建后的PET图像的质量，使重建提前达到收敛，在减少迭代次数的同时提高了PET重建图像的质量。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的图像重建方法的流程图；
图2是本申请实施例二提供的图像重建方法的流程图；
图3是本申请实施例二提供的图像重建的实验结果；
图4是本申请实施例三提供的图像重建装置的示意图；
图5是本申请实施例四提供的图像重建装置的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
参见图1，图1是本申请实施例一提供的一种图像重建方法的流程图。本实施例中图像重建方法的执行主体为具有图像重建功能的装置，包括但不限于计算机、服务器、平板电脑或者终端等装置。如图所示的图像重建方法可以包括以下步骤：
S101：获取待处理的第一图像。
本实施例提出一种基于决策树的PET正电子发射型计算机断层显像图像重建算法，在基于色斑的PET图像重建算法中加入基于决策树的超分辨技术，利用决策树拟合出从低分辨率图像映射到高分辨率图像的模型，对每次迭代重建出来的图像进行超分辨。可以减少迭代次数以提早达到收敛，同时减少调整参数的时间，在相对较差的参数设置下实现更好的重建结果，提高PET重建图像的质量。
正电子发射型计算机断层显像是核医学领域比较先进的临床检查影像技术，而高质量的PET可以提高医生的诊断精确度，因此改进PET图像重建算法一直是人们在研究的主题。现有的PET图像重建算法主要分为解析重建算法和迭代重建算法两类。解析重建算法主要包括反投影，滤波反投影以及傅里叶重建。其中最广泛应用的算法是滤波反投影。迭代重建算法又包括代数重建和统计重建，目前统计重建中极大似然-期望最大化，因其更好的性能在临床和实践中被广泛应用。但其因投影图像中存在相对严重的统计噪声时，随迭代次数的增加图像质量会产生棋盘格伪影反而更差。因而有了引入正则化项的基于色斑的惩罚似然PET图像重建算法。
本实施例的第一图像用于表示分辨率较低的PET图像或者重建图像。其获取方式可以是通过PET扫描设备直接获取。
S102：根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像；所述映射矩阵为对获取到的样本图像和投影图像通过决策树的方法进行训练得到，用于将低分辨率图像映射为高分辨率图像；所述投影图像为对所述样本图像进行仿射变换得到。
现有的PET图像重建算法，常用的有解析重建中的滤波反投影和迭代重建中的极大似然期望最大化(Maximum likelihood-expectation maximization，MLEM)算法。重建算法虽然计算简单快速，但其重建结果具有较差的分辨率和噪声特性，需要完整的投影图像和较大的计数值。MLEM算法的实际使用中存在的问题是，当投影图像中存在相对严重的统计噪声时，随着迭代的进行，重建图像的质量不是完全更好，会把噪声也相应放大。在此基础上改进的基于色斑patch的正则化迭代重建算法，在图像迭代更新过程中引入正则化项，但它对算法参数的值敏感，需要花费大量时间调整参数以实现最佳重建效果。本实施例在保留边缘和细节，实现较好的重建图像的同时，也减少了调整参数的设置的时间，在较差的参数设置下，不需要较高的计数水平也可以实现较好的重建。
本实施例的第一图像用于表示获取到的低分辨率的PET图像或者重建图像，第二图像用于表示对第一图像进行PET图像重建得到的高分辨率的投影图像。本实施例在对PET图像重建的过程中，加入了机器学习算法，在每一次迭代重建图像，利用决策树训练低分辨率图像块和对应高分辨率图像块，拟合出从低分辨率图像映射到高分辨率图像的映射关系，即映射矩阵，以通过映射矩阵，对第一图像进行超分辨处理得到第二图像，提高每次迭代重建后的PET图像的质量，使重建提前达到收敛，减少了迭代次数的同时提高PET重建图像的质量。
上述方案，通过获取待处理的第一图像；根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像。本实施例中通过预先对获取到的样本图像和投影图像通过决策树的方法，拟合出从低分辨率图像映射到高分辨率图像的映射关系，以将低分辨率的正电子发射型计算机断层显像PET映射为高分辨率的投影图像，提高每次迭代重建后的PET图像的质量，使重建提前达到收敛，在减少迭代次数的同时提高了PET重建图像的质量。
参见图2，图2是本申请实施例提供的一种图像重建方法的流程图。如图所示的图像重建方法在步骤S101之前可以包括以下步骤：
S201：获取待训练的样本图像。
本实施例中的样本图像可以为重建图像，其中，重建图像x是医院病人的PET图像，以对x进行仿射变换得到投影图像y。
S202：对所述样本图像进行仿射变换得到所述投影图像。
本实施例中得到的数据不是实时采集的投影图像，所以是由重建PET图像x投影得到投影图像y，投影图像y重建为PET图像过程中加入超分辨过程，最后得到重建后的PET图像。
本实施例的投影图像由重建图像x通过仿射变换得到：其中，P表示系统矩阵，表示探测器对样本图像中的像素点i检测到符合事件的概率；r表示随机背景事件，s表示散射事件。
S203：对所述样本图像和所述投影图像进行决策树训练，得到样本处理结果。
步骤S203包括：根据预设的决策树方法，对所述样本图像进行迭代处理得到所述样本处理结果。
本实施例中对样本图像进行迭代处理得到样本处理结果为： 其中，Φ(x)＝L(y|x)-βU(x)；L(y|x)表示似然代理函数；U(x)表示惩罚代理函数；β表示正则化参数，x表示样本图像的像素值；y表示投影图像的像素值。
具体的，由于衰变的正电子发射本身满足泊松分布，我们假设PET投影图像y可以被认为是独立泊松随机变量的分布。惩罚似然重建通过最大化惩罚似然函数来估计重建图像x：其中，Φ(x)＝L(y|x)-βU(x)；其中，正则化参数β在初始化时可以设定为β＝2-7，我们选择QL(x；xn)，分别作为似然代理函数L(y|x)和惩罚代理函数U(x)：
其中，
其中，nj表示图像的像素总数，j和k分别表示两个图像块；系统矩阵P＝{pij}，pij表示探测器对i在像素点j检测到符合事件的概率；yi表示第i对对探测器采集的投影数据；表示第n次迭代的预测投影数据；xn表示第n次迭代图像；表示第n次迭代的第j个图像块；表示第n次迭代的第k个图像块；Nj表示第j个图像块的总像素值；wjk(xn)是与邻域块有关的权重，由惩罚函数和每次迭代的当前估计图像自适应决定；表示第n次迭代的按像素分配的权重。
进一步的，步骤根据预设的决策树方法，对所述样本图像进行迭代处理得到所述样本处理结果，包括S2031～S2033：
S2031：根据预设的决策树方法，对所述样本图像进行图像平滑迭代处理得到平滑图像。
本实施例根据如下公式实现图像平滑：
其中，xn表示第n次迭代图像；表示第n次迭代的第j个图像块；表示第n次迭代的第k个图像块；Nj表示第j个图像块的总像素值；wjk表示与邻域块有关的权重，由惩罚函数和每次迭代的当前估计图像自适应决定。
S2032：对所述平滑图像中的像素点进行像素图像融合迭代处理，得到融合图像。
本实施例通过正弦图sinogram{yi}来更新EM图像得到然后通过图像平滑得到最后就是逐个像素融合，通过KKT条件得到每次惩罚似然重建的迭代图像：其中，正则化参数β是一个常数，用于控制先验的权重，平衡对数似然项和惩罚项。
S2033：对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果。
本实施例根据如下公式对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果：其中，W表示所述映射矩阵；表示第n+1次迭代的所述融合图像的像素值；所述第n+1次迭代的所述融合图像的像素值对应的样本处理结果。
具体的，在得到每次迭代重建图像后，运用决策树进行超分辨处理。通过多棵决策树训练拟合出的从低分辨率图像到高分辨率图像的模型，作用在每次迭代重建图像上：其中，是决策树训练拟合出来的映射矩阵，将训练样本的低分辨每次迭代重建出来的图像x和高分辨率参考图像y，用决策树聚类拟合出从x映射到y的最接近的模型，即W。
需要说明的是，本实施例中的W和相同，都是用于表示映射矩阵，此处只是为表述简洁没有带括号里的自变量。
S204：计算所述样本处理结果和所述投影图像之间的损失函数，根据所述损失函数调整预设的映射关系，得到所述映射矩阵；所述映射关系为样本处理结果和投影图像之间映射关系。
进一步的，步骤S204包括：
S2041：计算每个所述样本处理结果与所述投影图像之间的平方损失函数值，识别所述平方损失函数值最小时的样本处理结果为目标结果。
本实施例通过如下公式计算每个样本处理结果与投影图像之间的平方损失函数值：其中，N表示样本图像的总数目，xn表示第n个样本图像，yn表示第n个样本图像对应的投影图像；
具体的，是决策树训练拟合出来的映射矩阵，将训练样本，即样本图像的低分辨每次迭代重建出来的图像x和高分辨率参考图像y，用决策树聚类拟合出从x映射到y的最接近的模型，即W。且W依赖于低分辩图像块x。则这种映射关系可以写成，
通过决策树训练，根据最小化平方损失函数的原则： 找到最拟合的模型W，其中，N表示训练样本大小，xn表示第n个训练样本的低分辩图像块，yn表示对应高分辩图像块。
S2042：确定所述目标结果和所述投影图像之间的关系矩阵，作为所述映射矩阵。
本实施例的映射矩阵为：W＝[(XTX+λI)-1XT·Y]T；其中，X表示所述样本图像，Y表示所述投影图像，λ表示预设的正则化参数，I表示单位矩阵。
本实施例中为了解决岭回归，即正则化最小二乘回归问题，则可计算出W：WT＝(XTX+λI)-1XT·Y；其中，X，Y分别表示低分辩图像和对应高分辩图像，λI表示加入的正则项；I表示单位矩阵；λ表示正则化参数，可以把λ设为0.01。
训练T棵决策树得到T个模型，最终预测结果即T棵树的预测值的平均值。如何训练决策树，即是把每组对应高低分辨率图像块{xH，xL}递归且不相交地分裂聚类到左右子节点，形如二叉树。一直到节点样本大小小于2不能分裂或达到最大深度则停止分裂形成叶子节点，叶子节点模型即我们需要训练拟合的模型。分裂的原则即根据图像块特征计算响应函数，响应函数为：rθ(xL)＝xL[θ]-θth；其中，θ表示图像块xL的特征，xL[·]表示图像块xL的数据矩阵的一维向量，θth表示阈值。当rθ(xL)<0时，图像块对{xH，xL}分裂到左子节点；反之，则分裂到右子节点。至于计算响应函数的特征，每次分裂都会遍历图像块的所有特征选择其中的最优特征，最优特征的参考量定义为：
Q(σ，θ，XH，XL)＝∑c∈{Le，Ri}|Xc|·E(XH c，XL c)；
其中，(XH c，XL c)表示分裂到左子节点和右子节点的对应高低分辨率图像块。表示样本xL n的均值，W(xL n)xL n表示样本xL n的预测值，|N|表示分裂到子节点的样本数即图像块，k表示设置的超参数；σ表示左右子节点定义的值分裂到左子节点时σ＝0，反之σ＝1。本实施例的伪代码图见算法1：
决策树的模型不仅作用在每次迭代重建出来的图像上，还作用在循环最开始的投影图像{yi}，只是把训练集换成迭代重建每次反投影计算出来的投影图像和对应原始参考投影。本实施例的决策树就是把样本通过以上描述的分裂过程聚类分成最后若干叶子节点即若干类，然后通过上述描述的最小化平方损失函数的原则找到映射矩阵W即找到映射模型。本实施例的实验结果请一并参阅图3和表1所示：
表1.PET图像分辨率评估参数表
| 评估参数 | 峰值信噪比PNSR | 结构相似形SSIM |
| 基于patch的重建图像 | 29.67 | 0.87 |
| 本实施例的重建图像 | 34.51 | 0.88 |
图3中图a是参考的PET图像，图b是基于patch正则化迭代重建算法重建出来的PET图像，图c由本实施例算法重建出来的PET图像。由图可知，本实施例重建出来的PET图像分辨率比基于patch正则化迭代重建算法重建出来的PET图像要好，与参考PET图像也更接近，充分说明了本算法的可行性。而从评估参数表也可看出，经过本算法重建出来的图像在PNSR、SSIM上都比基于patch重建结果更好，进一步证明了本算法的有效。
上述方案，通过获取待训练的样本图像；对所述样本图像进行仿射变换得到所述投影图像；对所述样本图像和所述投影图像进行决策树训练，得到样本处理结果；计算所述样本处理结果和所述投影图像之间的损失函数，根据所述损失函数调整预设的映射关系，得到所述映射矩阵；所述映射关系为样本处理结果和投影图像之间映射关系。通过利用决策树拟合出从低分辨率图像映射到高分辨率图像的模型，对每次迭代重建出来的图像进行超分辨。可以减少迭代次数以提早达到收敛，同时减少调整参数的时间，在相对较差的参数设置下实现更好的重建结果，提高PET重建图像的质量。
参见图4，图4是本申请实施例三提供的一种图像重建装置的示意图。图像重建装置400可以为智能手机、平板电脑等移动终端。本实施例的图像重建装置400包括的各单元用于执行图1对应的实施例中的各步骤，具体请参阅图1及图1对应的实施例中的相关描述，此处不赘述。本实施例的图像重建装置400包括：
获取单元401，用于获取待处理的第一图像；
重建单元402，用于根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像；所述映射矩阵为对获取到的样本图像和投影图像通过决策树的方法进行训练得到，用于将低分辨率图像映射为高分辨率图像；所述投影图像为对所述样本图像进行仿射变换得到。
进一步的，所述图像重建装置400还包括：
第一获取单元，用于获取待训练的样本图像；
变换单元，用于对所述样本图像进行仿射变换得到所述投影图像；
训练单元，用于对所述样本图像和所述投影图像进行决策树训练，得到样本处理结果；
计算单元，用于计算所述样本处理结果和所述投影图像之间的损失函数，根据所述损失函数调整预设的映射关系，得到所述映射矩阵；所述映射关系为样本处理结果和投影图像之间映射关系。
进一步的，所述训练单元包括：
迭代处理单元，用于迭代根据预设的决策树方法，对所述样本图像进行迭代处理得到所述样本处理结果；
进一步的，所述计算单元包括：
第一计算单元，用于计算每个所述样本处理结果与所述投影图像之间的平方损失函数值，识别所述平方损失函数值最小时的样本处理结果为目标结果；
矩阵确定单元，用于确定所述目标结果和所述投影图像之间的关系矩阵，作为所述映射矩阵。
进一步的，所述迭代处理单元包括：
平滑单元，用于根据预设的决策树方法，对所述样本图像进行图像平滑迭代处理得到平滑图像；
融合单元，用于对所述平滑图像中的像素点进行像素图像融合迭代处理，得到融合图像；
超分辨处理单元，用于对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果。
其中，所述对所述样本图像进行迭代处理得到所述样本处理结果为：其中，Φ(x)＝L(y|x)-βU(x)；L(y|x)表示似然代理函数；U(x)表示惩罚代理函数；β表示正则化参数，x表示所述样本图像的像素值；y表示所述投影图像的像素值。
所述计算每个所述样本处理结果与所述投影图像之间的平方损失函数值，包括：
通过如下公式计算每个所述样本处理结果与所述投影图像之间的平方损失函数值：
其中，N表示样本图像的总数目，xn表示第n个样本图像，yn表示所述第n个样本图像对应的投影图像；
所述映射矩阵为：W＝[(XTX+λI)-1XT·Y]T；
其中，X表示所述样本图像，Y表示所述投影图像，λ表示预设的正则化参数，I表示单位矩阵。
进一步的，所述超分辨处理单元用于：
根据如下公式对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果：
其中，W表示所述映射矩阵；表示第n+1次迭代的所述融合图像的像素值；所述第n+1次迭代的所述融合图像的像素值对应的样本处理结果。
上述方案，通过获取待处理的第一图像；根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像。本实施例中通过预先对获取到的样本图像和投影图像通过决策树的方法，拟合出从低分辨率图像映射到高分辨率图像的映射关系，以将低分辨率的正电子发射型计算机断层显像PET映射为高分辨率的投影图像，提高每次迭代重建后的PET图像的质量，使重建提前达到收敛，在减少迭代次数的同时提高了PET重建图像的质量。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
参见图5，图5是本申请实施例四提供的一种图像重建装置的示意图。如图5所示的本实施例中的图像重建装置500可以包括：处理器501、存储器502以及存储在存储器502中并可在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个图像重建方法实施例中的步骤。存储器502用于存储计算机程序，所述计算机程序包括程序指令。处理器501用于执行存储器502存储的程序指令。其中，处理器501被配置用于调用所述程序指令执行以下操作：
处理器501用于：
获取待训练的样本图像；
对所述样本图像进行仿射变换得到所述投影图像；
对所述样本图像和所述投影图像进行决策树训练，得到样本处理结果；
计算所述样本处理结果和所述投影图像之间的损失函数，根据所述损失函数调整预设的映射关系，得到所述映射矩阵；所述映射关系为样本处理结果和投影图像之间映射关系。
进一步的，处理器501具体用于：
根据预设的决策树方法，对所述样本图像进行迭代处理得到所述样本处理结果；
所述计算所述样本处理结果和所述投影图像之间的损失函数，根据所述损失函数调整预设的映射关系，得到所述映射矩阵，包括：
计算每个所述样本处理结果与所述投影图像之间的平方损失函数值，识别所述平方损失函数值最小时的样本处理结果为目标结果；
确定所述目标结果和所述投影图像之间的关系矩阵，作为所述映射矩阵。
进一步的，处理器501具体用于：
根据预设的决策树方法，对所述样本图像进行图像平滑迭代处理得到平滑图像；
对所述平滑图像中的像素点进行像素图像融合迭代处理，得到融合图像；
对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果。
其中，所述对所述样本图像进行迭代处理得到所述样本处理结果为：其中，Φ(x)＝L(y|x)-βU(x)；L(y|x)表示似然代理函数；U(x)表示惩罚代理函数；β表示正则化参数，x表示所述样本图像的像素值；y表示所述投影图像的像素值。
所述计算每个所述样本处理结果与所述投影图像之间的平方损失函数值，包括：
通过如下公式计算每个所述样本处理结果与所述投影图像之间的平方损失函数值：
其中，N表示样本图像的总数目，xn表示第n个样本图像，yn表示所述第n个样本图像对应的投影图像；
所述映射矩阵为：W＝[(XTX+λI)-1XT·Y]T；
其中，X表示所述样本图像，Y表示所述投影图像，λ表示预设的正则化参数，I表示单位矩阵。
进一步的，处理器501具体用于：
根据如下公式对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果：
其中，W表示所述映射矩阵；表示第n+1次迭代的所述融合图像的像素值；所述第n+1次迭代的所述融合图像的像素值对应的样本处理结果。
上述方案，通过获取待处理的第一图像；根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像。本实施例中通过预先对获取到的样本图像和投影图像通过决策树的方法，拟合出从低分辨率图像映射到高分辨率图像的映射关系，以将低分辨率的正电子发射型计算机断层显像PET映射为高分辨率的投影图像，提高每次迭代重建后的PET图像的质量，使重建提前达到收敛，在减少迭代次数的同时提高了PET重建图像的质量。
应当理解，在本申请实施例中，所称处理器501可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器502可以包括只读存储器和随机存取存储器，并向处理器501提供指令和数据。存储器502的一部分还可以包括非易失性随机存取存储器。例如，存储器502还可以存储设备类型的信息。
具体实现中，本申请实施例中所描述的处理器501、存储器502、计算机程序503可执行本申请实施例提供的图像重建方法的第一实施例和第二实施例中所描述的实现方式，也可执行本申请实施例所描述的终端的实现方式，在此不再赘述。
在本申请的另一实施例中提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现：
获取待训练的样本图像；
对所述样本图像进行仿射变换得到所述投影图像；
对所述样本图像和所述投影图像进行决策树训练，得到样本处理结果；
计算所述样本处理结果和所述投影图像之间的损失函数，根据所述损失函数调整预设的映射关系，得到所述映射矩阵；所述映射关系为样本处理结果和投影图像之间映射关系。
进一步的，所述计算机程序被处理器执行时还实现：
根据预设的决策树方法，对所述样本图像进行迭代处理得到所述样本处理结果；
所述计算所述样本处理结果和所述投影图像之间的损失函数，根据所述损失函数调整预设的映射关系，得到所述映射矩阵，包括：
计算每个所述样本处理结果与所述投影图像之间的平方损失函数值，识别所述平方损失函数值最小时的样本处理结果为目标结果；
确定所述目标结果和所述投影图像之间的关系矩阵，作为所述映射矩阵。
进一步的，所述计算机程序被处理器执行时还实现：
根据预设的决策树方法，对所述样本图像进行图像平滑迭代处理得到平滑图像；
对所述平滑图像中的像素点进行像素图像融合迭代处理，得到融合图像；
对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果。
其中，所述对所述样本图像进行迭代处理得到所述样本处理结果为：其中，Φ(x)＝L(y|x)-βU(x)；L(y|x)表示似然代理函数；U(x)表示惩罚代理函数；β表示正则化参数，x表示所述样本图像的像素值；y表示所述投影图像的像素值。
进一步的，所述计算机程序被处理器执行时还实现：
通过如下公式计算每个所述样本处理结果与所述投影图像之间的平方损失函数值：
其中，N表示样本图像的总数目，xn表示第n个样本图像，yn表示所述第n个样本图像对应的投影图像；
所述映射矩阵为：W＝[(XTX+λI)-1XT·Y]T；
其中，X表示所述样本图像，Y表示所述投影图像，λ表示预设的正则化参数，I表示单位矩阵。
进一步的，所述计算机程序被处理器执行时还实现：
根据如下公式对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果：
其中，W表示所述映射矩阵；表示第n+1次迭代的所述融合图像的像素值；所述第n+1次迭代的所述融合图像的像素值对应的样本处理结果。
上述方案，通过获取待处理的第一图像；根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像。本实施例中通过预先对获取到的样本图像和投影图像通过决策树的方法，拟合出从低分辨率图像映射到高分辨率图像的映射关系，以将低分辨率的正电子发射型计算机断层显像PET映射为高分辨率的投影图像，提高每次迭代重建后的PET图像的质量，使重建提前达到收敛，在减少迭代次数的同时提高了PET重建图像的质量。
所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种图像重建方法，其特征在于，包括：
获取待处理的第一图像；
根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像；所述映射矩阵为对获取到的样本图像和投影图像通过决策树的方法进行训练得到，用于将低分辨率图像映射为高分辨率图像；所述投影图像为对所述样本图像进行仿射变换得到。
2.如权利要求1所述的图像重建方法，其特征在于，所述根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像之前，还包括：
获取待训练的样本图像；
对所述样本图像进行仿射变换得到所述投影图像；
对所述样本图像和所述投影图像进行决策树训练，得到样本处理结果；
计算所述样本处理结果和所述投影图像之间的损失函数，根据所述损失函数调整预设的映射关系，得到所述映射矩阵；所述映射关系为样本处理结果和投影图像之间映射关系。
3.如权利要求2所述的图像重建方法，其特征在于，所述对所述样本图像和所述投影图像进行决策树训练，得到样本处理结果，包括：
根据预设的决策树方法，对所述样本图像进行迭代处理得到所述样本处理结果；
所述计算所述样本处理结果和所述投影图像之间的损失函数，根据所述损失函数调整预设的映射关系，得到所述映射矩阵，包括：
计算每个所述样本处理结果与所述投影图像之间的平方损失函数值，识别所述平方损失函数值最小时的样本处理结果为目标结果；
确定所述目标结果和所述投影图像之间的关系矩阵，作为所述映射矩阵。
4.如权利要求3所述的图像重建方法，其特征在于，所述根据预设的决策树方法，对所述样本图像进行迭代处理得到所述样本处理结果，包括：
根据预设的决策树方法，对所述样本图像进行图像平滑迭代处理得到平滑图像；
对所述平滑图像中的像素点进行像素图像融合迭代处理，得到融合图像；
对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果。
5.如权利要求3所述的图像重建方法，其特征在于，所述对所述样本图像进行迭代处理得到所述样本处理结果为：其中，Φ(x)＝L(y|x)-βU(x)；L(y|x)表示似然代理函数；U(x)表示惩罚代理函数；β表示正则化参数，x表示所述样本图像的像素值；y表示所述投影图像的像素值。
6.如权利要求3所述的图像重建方法，其特征在于，所述计算每个所述样本处理结果与所述投影图像之间的平方损失函数值，包括：
通过如下公式计算每个所述样本处理结果与所述投影图像之间的平方损失函数值：
其中，N表示样本图像的总数目，xn表示第n个样本图像，yn表示所述第n个样本图像对应的投影图像；
所述映射矩阵为：W＝[(XTX+λI)-1XT·Y]T；
其中，X表示所述样本图像，Y表示所述投影图像，λ表示预设的正则化参数，I表示单位矩阵。
7.如权利要求4所述的图像重建方法，其特征在于，所述对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果，包括：
根据如下公式对所述融合图像进行迭代的超分辨处理，得到所述样本处理结果：
其中，W表示所述映射矩阵；表示第n+1次迭代的所述融合图像的像素值；所述第n+1次迭代的所述融合图像的像素值对应的样本处理结果。
8.一种图像重建装置，其特征在于，包括：
获取单元，用于获取待处理的第一图像；
重建单元，用于根据预设的映射矩阵，对所述第一图像进行超分辨处理，得到第二图像；所述映射矩阵为对获取到的样本图像和投影图像通过决策树的方法进行训练得到，用于将低分辨率图像映射为高分辨率图像；所述投影图像为对所述样本图像进行仿射变换得到。
9.一种图像重建装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910764996.6A CN110580689A (zh) | 2019-08-19 | 2019-08-19 | 一种图像重建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910764996.6A CN110580689A (zh) | 2019-08-19 | 2019-08-19 | 一种图像重建方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110580689A true CN110580689A (zh) | 2019-12-17 |
Family
ID=68811157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910764996.6A Pending CN110580689A (zh) | 2019-08-19 | 2019-08-19 | 一种图像重建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110580689A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340904A (zh) * | 2020-02-10 | 2020-06-26 | 深圳先进技术研究院 | 图像处理方法、装置及计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1828667A (zh) * | 2005-03-02 | 2006-09-06 | 西门子公司 | 运行x射线诊断设备的方法 |
| EP2555521A1 (en) * | 2011-08-01 | 2013-02-06 | Advanced Digital Broadcast S.A. | A method and system for transmitting a high resolution video stream as a low resolution video stream |
| CN109712209A (zh) * | 2018-12-14 | 2019-05-03 | 深圳先进技术研究院 | Pet图像的重建方法、计算机存储介质、计算机设备 |
| CN109741255A (zh) * | 2018-12-12 | 2019-05-10 | 深圳先进技术研究院 | 基于决策树的pet图像超分辨重建方法、装置、设备及介质 |
-
2019
- 2019-08-19 CN CN201910764996.6A patent/CN110580689A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1828667A (zh) * | 2005-03-02 | 2006-09-06 | 西门子公司 | 运行x射线诊断设备的方法 |
| EP2555521A1 (en) * | 2011-08-01 | 2013-02-06 | Advanced Digital Broadcast S.A. | A method and system for transmitting a high resolution video stream as a low resolution video stream |
| CN109741255A (zh) * | 2018-12-12 | 2019-05-10 | 深圳先进技术研究院 | 基于决策树的pet图像超分辨重建方法、装置、设备及介质 |
| CN109712209A (zh) * | 2018-12-14 | 2019-05-03 | 深圳先进技术研究院 | Pet图像的重建方法、计算机存储介质、计算机设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340904A (zh) * | 2020-02-10 | 2020-06-26 | 深圳先进技术研究院 | 图像处理方法、装置及计算机可读存储介质 |
| CN111340904B (zh) * | 2020-02-10 | 2023-09-29 | 深圳先进技术研究院 | 图像处理方法、装置及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109712209B (zh) | Pet图像的重建方法、计算机存储介质、计算机设备 | |
| Würfl et al. | Deep learning computed tomography: Learning projection-domain weights from image domain in limited angle problems | |
| CN107133996B (zh) | 产生用于pet数据重建的衰减图的方法及pet/ct系统 | |
| CN107123095B (zh) | 一种pet图像重建方法、成像系统 | |
| CN107527359B (zh) | 一种pet图像重建方法及pet成像设备 | |
| Wang et al. | PET image reconstruction using kernel method | |
| Rohkohl et al. | Improving best‐phase image quality in cardiac CT by motion correction with MAM optimization | |
| US20230127939A1 (en) | Multi-task learning based regions-of-interest enhancement in pet image reconstruction | |
| CN107705261B (zh) | 一种图像重建方法和装置 | |
| CN111325695B (zh) | 基于多剂量等级的低剂量图像增强方法、系统及存储介质 | |
| WO2020118829A1 (zh) | 基于决策树的pet图像超分辨重建方法、装置、设备及介质 | |
| CN111709897B (zh) | 一种基于域变换的正电子发射断层图像的重建方法 | |
| CN114092589B (zh) | 图像重建方法及训练方法、装置、设备及存储介质 | |
| CN110874855A (zh) | 一种协同成像方法、装置、存储介质和协同成像设备 | |
| CN114549594A (zh) | 图像配准方法、装置和电子设备 | |
| US11455755B2 (en) | Methods and apparatus for neural network based image reconstruction | |
| CN110580689A (zh) | 一种图像重建方法及装置 | |
| US11164344B2 (en) | PET image reconstruction using TOF data and neural network | |
| WO2021031069A1 (zh) | 一种图像重建方法及装置 | |
| CN112017258A (zh) | Pet图像重建方法、装置、计算机设备以及存储介质 | |
| CN112488952A (zh) | Pet图像的重建方法及重建终端、计算机可读存储介质 | |
| CN114463459B (zh) | 一种pet图像的部分容积校正方法、装置、设备及介质 | |
| US10515467B2 (en) | Image reconstruction system, method, and computer program | |
| CN114862980A (zh) | 散射校正方法、pet成像方法、装置、设备及存储介质 | |
| US11574184B2 (en) | Multi-modal reconstruction network |
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: 20191217 |
|
| RJ01 | Rejection of invention patent application after publication |