CN110874855A - 一种协同成像方法、装置、存储介质和协同成像设备 - Google Patents

一种协同成像方法、装置、存储介质和协同成像设备 Download PDF

Info

Publication number
CN110874855A
CN110874855A CN201911039356.5A CN201911039356A CN110874855A CN 110874855 A CN110874855 A CN 110874855A CN 201911039356 A CN201911039356 A CN 201911039356A CN 110874855 A CN110874855 A CN 110874855A
Authority
CN
China
Prior art keywords
image
sample
data
original data
tensor
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.)
Granted
Application number
CN201911039356.5A
Other languages
English (en)
Other versions
CN110874855B (zh
Inventor
王珊珊
郑海荣
龚宇
刘新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201911039356.5A priority Critical patent/CN110874855B/zh
Publication of CN110874855A publication Critical patent/CN110874855A/zh
Application granted granted Critical
Publication of CN110874855B publication Critical patent/CN110874855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种协同成像方法、装置、存储介质和协同成像设备，包括：获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集；将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。本申请可缩短图像重建的时间，在提高协同成像效果的同时，还可进一步提高成像效率。

Description

一种协同成像方法、装置、存储介质和协同成像设备
技术领域
本申请属于图像处理技术领域，尤其涉及一种协同成像方法、装置、存储介质和协同成像设备。
背景技术
近30年来，以磁共振成像(Magnetic Resonance Imaging，MRI)、电子计算机断层扫描(Computed Tomography，CT)、正电子发射型计算机断层显像(Positron EmissionComputed Tomography，PET)和超声为代表的高端医学影像技术和设备不断发展，功能和性能日趋完善，检查技术和方法亦在不断创新。临床应用上，PET/CT或PET/MRI是分子影像与多模态成像的一个典型代表。
PET/MRI作为一种新兴和功能最强大的高端多模态医学影像技术与设备，已经在生物医学研究和临床诊断中发挥越来越重要的作用。PET/MRI的成功应用依赖于得到的PET和MRI以及它们的融合图像能够提供足够的解剖、功能、代谢信息，因此研究PET/MRI的成像理论与关键技术具有着重要的科研与应用价值。然而，现有的PET/MRI技术中，PET/MRI图像重建相对独立，重建的PET/MRI图像容易失真，并且成像效率较低。
发明内容
本申请实施例提供了一种协同成像方法、装置、存储介质和协同成像设备，可以解决现有的PET/MRI技术中，PET/MRI图像重建相对独立，重建的PET/MRI图像容易失真，并且成像效率较低的问题。
第一方面，本申请实施例提供了一种协同成像方法，包括：
获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集；
将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。
在第一方面的一种可能的实现方式中，所述协同成像模型的训练步骤，包括：
获取多组样本图像数据，其中，每组所述样本图像数据包括同一图像采集区域的第一样本图像原始数据及其对应的第一标签图像数据，以及第二样本图像原始数据及其对应的第二标签图像数据，所述第一样本图像原始数据与所述第二样本图像原始数据存在样本位置对应关系；
根据所述第一样本图像原始数据及其对应的第一标签图像数据、所述第二样本图像原始数据及其对应的第二标签图像数据以及所述样本位置对应关系，对待训练的深度学习网络进行迭代训练；
根据预设损失函数，计算迭代训练过程中所述深度学习网络输出的误差；
当所述误差小于或等于预设误差阈值时，停止训练，得到所述协同成像模型；
当所述误差大于所述预设误差阈值时，返回执行所述根据所述第一样本图像原始数据及其对应的第一标签图像数据、所述第二样本图像原始数据及其对应的第二标签图像数据以及所述样本位置对应关系，对待训练的深度学习网络进行迭代训练，以及后续步骤。
在第一方面的一种可能的实现方式中，所述根据所述第一样本图像原始数据及其对应的第一标签图像数据以及所述第二样本图像原始数据及其对应的第二标签图像数据，对待训练的深度学习网络进行迭代训练的步骤，包括：
分别对所述第一样本图像原始数据与所述第二样本图像原始数据进行预处理，得到相同大小的第一样本张量和第二样本张量；
根据所述样本位置对应关系，将所述第一样本张量与所述第二样本张量进行配对；
将配对的所述第一样本张量与所述第二样本张量进行叠加，将样本张量叠加结果作为所述深度学习网络的训练样本输入，对所述深度学习网络进行迭代训练。
在第一方面的一种可能的实现方式中，所深度学习网络的输出包括第一重建样本图像数据与第二重建样本图像数据，所述根据预设损失函数，计算迭代训练过程中所述深度学习网络输出的误差的步骤，包括：
在迭代训练过程中，计算所述深度学习网络输出的第一重建样本图像数据与所述第一标签图像数据的第一均方误差，以及所述深度学习网络输出的第二重建样本图像数据与所述第二标签图像数据的第二均方误差；
所述当所述误差小于或等于预设误差阈值时，停止训练，得到所述协同成像模型的步骤，包括：
当所述第一均方误差的值，以及所述第二均方误差的值，均小于或等于预设误差阈值时，停止训练，得到所述协同成像模型。
在第一方面的一种可能的实现方式中，所述深度学习网络包括多个级联的神经网络单元，每个所述神经网络单元包括一个编码器和一个解码器；
所述编码器包括多个卷积层，所述卷积层用于对输入数据进行卷积处理及批量归一化处理；
所述解码器包括多个反卷积层，所述反卷积层用于对所述编码器输出的数据进行反卷积及批量归一化处理。
在第一方面的一种可能的实现方式中，所述根据预设损失函数，计算迭代训练过程中所述深度学习网络输出的误差的步骤，包括：
根据下式计算迭代训练过程中所述深度学习网络输出的误差：
Figure BDA0002252417690000031
其中，L为深度学习网络输出的误差，n为所述深度学习网络中级联的神经网络单元的个数，li为第i个神经网络单元输出的误差，ai为第i个神经网络单元在所述深度学习网络中的损失权重。
在第一方面的一种可能的实现方式中，所述将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像的步骤，包括：
分别对所述第一图像的原始数据与所述第二图像的原始数据进行预处理，得到相同大小的第一张量和第二张量；
根据所述样本位置对应关系，将所述第一张量与所述第二张量进行配对；
将配对的所述第一张量与所述第二张量进行叠加，将张量叠加结果输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。
第二方面，本申请实施例提供了一种协同成像装置，包括：
原始图像数据获取单元，用于获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集；
图像重建单元，用于将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。
第三方面，本申请实施例提供了一种协同成像设备，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如上述第一方面所述的协同成像方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的协同成像方法。
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协同成像设备上运行时，使得协同成像设备执行如上述第一方面所述的协同成像方法。
本申请实施例中，通过获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集，将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像，由于利用第一图像的原始数据和第二图像的原始数据协同成像，不需要再进行额外的校正工作，可大大缩短图像重建的时间，在提高协同成像效果的同时，还可进一步提高成像效率。
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。
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是本申请实施例提供的协同成像方法的实现流程图；
图2是本申请实施例提供的协同成像方法中协同成像模型训练的具体实现流程图；
图3是本申请实施例提供的深度学习网络迭代训练的具体实现流程图；
图4是本申请实施例提供的深度学习网络的网络结构的示意图；
图5是本申请实施例提供的深度学习网络级联的神经网络单元的示意图；
图6是本申请实施例提供的协同成像装置的结构框图；
图7是本申请实施例提供的协同成像设备的示意图。
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。
本申请实施例提供的协同成像方法可以应用于协同成像设备，所述协同成像设备可以是智能终端，也可以是服务器，本申请实施例对协同成像设备的具体类型不作任何限制。
图1示出了本申请实施例提供的协同成像方法的实现流程，该方法流程包括步骤S101至S102。各步骤的具体实现原理如下：
S101：获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集。
具体地，在本申请实施例中，所述检测区域是指用户进行检测的位置，所述位置对应关系是指所述第一图像的原始数据与同一检测区域位置的所述第二图像的原始数据对应。所述原始数据至还没有进行成像处理的数据，一般为inogram或list-mode格式的数据。其中，所述第一图像以及所述第二图像分别采用磁共振成像技术以及正电子发射型计算机断层显像技术采集，所述第一图像的原始数据可以是MRI的原始数据，所述第二图像的原始数据可以是PET的原始数据，或者，所述第一图像的原始数据可以是PET的原始数据，所述第二图像的原始数据可以是MRI的原始数据，在此不做限定。
可选的，所述第一图像以及所述第二图像分别采用电子计算机断层扫描技术以及正电子发射型计算机断层显像技术采集，此时，所述第一图像的原始数据可以是CT的原始数据，所述第二图像的原始数据可以是PET的原始数据，或者，所述第一图像的原始数据可以是PET的原始数据，所述第二图像的原始数据可以是CT的原始数据，在此不做限定。
S102：将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。
具体地，所述协同成像模型是指训练好的、用于协同图像重建的深度学习网络。在本申请实施例中，由于所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，
在本申请实施例中，当所述第一图像为MRI图像、所述第二图像为PET图像时，由于PET图像与MRI图像在高维特征空间存在交集，可以在重建过程中减少重复的数据处理工作，利用MRI的原始数据和PET的原始数据协同成像，不再需要进行额外的校正工作，可大大缩短图像重建的时间，从而使得在提高MRI成像以及PET成像效果的同时，还可进一步提高成像效率。
可选地，作为本申请的一个实施例，上述步骤S102具体包括：
A1：分别对所述第一图像的原始数据与所述第二图像的原始数据进行预处理，得到相同大小的第一张量和第二张量。所述预处理包括将所述第一图像的原始数据和所述第二图像的原始数据裁剪为固定的尺寸和数值归一化的处理操作，所述预处理还包括将所述第一图像的原始数据和所述第二图像的原始数据处理为光子信号数据。所述第一图像的原始数据经过预处理得到第一张量，所述第二图像的原始数据经过预处理得到第二张量。张量可以用坐标系统来表达，三维以及以上的高维数组称作为张量。相同大小的第一张量和第二张量是指所述第一张量的维度与所述第二张量的维度相同。
A2：根据所述样本位置对应关系，将所述第一张量与所述第二张量进行配对。具体地，将同一检测区域同一位置对应的第一图像的原始数据进行预处理得到的第一张量与第二图像的原始数据进行预处理得到的第二张量进行配对。例如，将用户针对某一位置进行检查的PET图像的原始数据与MRI的原始数据分别经过预处理后进行配对。
A3：将配对的所述第一张量与所述第二张量进行叠加，将张量叠加结果输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。由于三维以及以上的高维数组称之为张量，张量的叠加即为数组的叠加。将配对的第一张量与第二张量进行叠加得到的张量叠加结果输入值协同成像模型中进行图像重建，进而得到第一图像对应的第一重建图像和第二图像对应的第二重建图像。
在本申请实施例中，通过分别对第一图像的原始数据与第二图像的原始数据进行预处理，得到相同大小的第一张量和第二张量，方便进行张量叠加，再将第一张量与第二张量进行叠加后作为协同成像模型的输入，使得协同成像模型进行图像重建的效率进一步提高。
作为本申请的一个实施例，如图2所示，所述协同成像模型的训练步骤包括：
S201：获取多组样本图像数据，其中，每组所述样本图像数据包括同一图像采集区域的第一样本图像原始数据及其对应的第一标签图像数据，以及第二样本图像原始数据及其对应的第二标签图像数据，所述第一样本图像原始数据与所述第二样本图像原始数据存在样本位置对应关系。
所述第一样本图像原始数据和第二样本图像原始数据是指还未进行成像处理的样本原始数据，第一标签图像数据和第二标签图像数据是指利用传统成像方法重建的图像样本数据。例如，采用PET成像技术与MRI成像技术重建得到的图像样本数据。所在本申请实施例中，可从包含众多用户的医疗信息以及PET/MRI扫描的原始数据及成像后的图像数据的PET/MRI数据库中获取原始图像样本数据。所述样本位置对应关系是指是所述第一样本图像原始数据与同一检测区域位置的所述第二样本图像原始数据对应。
S202：根据所述第一样本图像原始数据及其对应的第一标签图像数据、所述第二样本图像原始数据及其对应的第二标签图像数据以及所述样本位置对应关系，对待训练的深度学习网络进行迭代训练。
具体地，随机初始化深度学习网络的各项参数，并且按照经验设定学习率、迭代次数等参数后进行迭代训练。
可选地，作为本申请的一个实施例，图3示出了本申请实施例提供的协同成像方法步骤S202的具体实现流程，详述如下：
B1：分别对所述第一样本图像原始数据与所述第二样本图像原始数据进行预处理，得到相同大小的第一样本张量和第二样本张量。所述预处理包括将所述第一样本图像原始数据和所述第二样本图像原始数据裁剪为固定的尺寸和数值归一化的处理操作，所述预处理还包括将所述第一样本图像原始数据和所述第二样本图像原始数据处理为光子信号数据。所述第一样本图像原始数据经过预处理得到第一样本张量，所述第二样本图像原始数据经过预处理得到第二样本张量。
B2：根据所述样本位置对应关系，将所述第一样本张量与所述第二样本张量进行配对。将同一检测区域同一位置对应的第一样本图像原始数据进行预处理得到的第一样本张量与第二样本图像原始数据进行预处理得到的第二样本张量进行配对。
B3：将配对的所述第一样本张量与所述第二样本张量进行叠加，将样本张量叠加结果作为所述深度学习网络的训练样本输入，对所述深度学习网络进行迭代训练。进行迭代训练的目的是使得所述深度学习网络的各项参数最优。
S203：根据预设损失函数，计算迭代训练过程中所述深度学习网络输出的误差。
具体地，所述预设损失函数可以为均方误差(mean-square error,MSE)。所深度学习网络的输出包括第一重建样本图像数据与第二重建样本图像数据，在迭代训练过程中，计算所述深度学习网络输出的第一重建样本图像数据与所述第一标签图像数据的第一均方误差，以及所述深度学习网络输出的第二重建样本图像数据与所述第二标签图像数据的第二均方误差。
作为本申请的一个实施例，所述深度学习网络为深度卷积神经网络，网络结构为级联网络，为了防止随着网络深度的增加可能产生的梯度消失的现象，如图4所示，所述网络结构参考残差网络(Res-net)的结构。具体地，如图5所示，所述深度学习网络包括多个级联的神经网络单元，每个所述神经网络单元包括一个编码器和一个解码器，所述编码器包括多个卷积层，所述卷积层用于对输入数据进行卷积处理及批量归一化处理，所述解码器包括多个反卷积层，所述反卷积层用于对所述编码器输出的数据进行反卷积及批量归一化处理。所述编码器与所述解码器都包括激活函数。所述激活函数是可提高深度学习网络对模型的表达能力。
可选地，根据下式(1)计算迭代训练过程中所述深度学习网络输出的误差：
Figure BDA0002252417690000111
其中，L为深度学习网络输出的误差，n为所述深度学习网络中级联的神经网络单元的个数，li为第i个神经网络单元输出的误差，ai为第i个神经网络单元在所述深度学习网络中的损失权重。可选地，上式(1)中li为第i个神经网络单元输出的均方误差。
在本申请实施例中，在均方误差的基础上，采用加权损失函数，每一级联的神经网络单元的输出均与标签进行比较，计算误差，使得误差计算更为准确有效。
S204：当所述误差小于或等于预设误差阈值时，停止训练，得到所述协同成像模型。
具体地，将深度学习网络进行迭代训练时的误差与预设误差阈值进行比较，当所述误差小于或等于预设误差阈值时，认定所述深度学习网络的各项参数已达到最优，此时，停止训练，得到用于协同图像重建的所述协同成像模型。在本申请实施例中，若所述预设损失函数为均方误差，当所述第一均方误差的值，以及所述第二均方误差的值，均小于或等于预设误差阈值时，停止训练，得到所述协同成像模型。
S205：当所述误差大于所述预设误差阈值时，返回执行所述根据所述第一样本图像原始数据及其对应的第一标签图像数据、所述第二样本图像原始数据及其对应的第二标签图像数据以及所述样本位置对应关系，对待训练的深度学习网络进行迭代训练，以及后续步骤。
示例性地，以一个应用场景为例，利用PET/MRI协同成像。构建网络结构为级联网络的深度卷积神经网络，所述深度卷积神经网络络包括多个级联的神经网络单元，每个所述神经网络单元包括一个编码器和一个解码器，所述编码器包括多个卷积层，所述卷积层用于对输入数据进行卷积处理及批量归一化处理，所述解码器包括多个反卷积层，所述反卷积层用于对所述编码器输出的数据进行反卷积及批量归一化处理。在对所述深度卷积神经网络进行训练之前，将PET的原始样本数据与对应位置的MRI的原始样本数据进行预处理，处理成相同大小的张量，经过叠加后作为深度卷积神经网络的输入，深度卷积神经网络的标签是预期PET原始数据利用传统方法得到的PET图像与预期MRI原始数据利用传统方法得到的MRI图像。在迭代训练过程中，每一级联的神经网络单元的输出与标签进行比较，计算均方误差，利用
Figure BDA0002252417690000121
计算深度卷积神经网络的整体损失，经过反复迭代，通过最小化输出与标签的均方误差来完成上述深度卷积神经网络的训练，得到理想的协同成像模型。然后将待重建成像的PET的原始数据及对应位置的MRI的原始数据进行预处理后输入上述协同成像模型中，从而可获得理想的PET图像与MRI图像。
在本申请实施例中，经过反复迭代，直至预设损失函数收敛，即所述误差小于或等于预设误差阈值时，确定深度学习网络的各项参数最优，停止训练，进而得到所述协同成像模型的。本申请实施例中，协同成像模型中所有的参数都可以由深度学习网络进行自适应的学习，不需要人为干预，可节省人力的时，缩短成像时间，从而可提高成像的效率。
本申请实施例中，通过获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集，将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像，由于利用第一图像的原始数据和第二图像的原始数据协同成像，不需要再进行额外的校正工作，可大大缩短图像重建的时间，在提高协同成像效果的同时，还可进一步提高成像效率。
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。
对应于上文实施例所述的协同成像方法，图6示出了本申请实施例提供的协同成像装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，该协同成像装置包括：原始图像数据获取单元61、图像重建单元62，其中：
原始图像数据获取单元61，用于获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集；
图像重建单元62，用于将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。
可选地，所述协同成像装置还包括：
样本图像数据获取单元，用于获取多组样本图像数据，其中，每组所述样本图像数据包括同一图像采集区域的第一样本图像原始数据及其对应的第一标签图像数据，以及第二样本图像原始数据及其对应的第二标签图像数据，所述第一样本图像原始数据与所述第二样本图像原始数据存在样本位置对应关系；
模型训练单元，用于根据所述第一样本图像原始数据及其对应的第一标签图像数据、所述第二样本图像原始数据及其对应的第二标签图像数据以及所述样本位置对应关系，对待训练的深度学习网络进行迭代训练；
误差计算单元，用于根据预设损失函数，计算迭代训练过程中所述深度学习网络输出的误差；
模型生成单元，用于当所述误差小于或等于预设误差阈值时，停止训练，得到所述协同成像模型；
训练迭代单元，用于当所述误差大于所述预设误差阈值时，返回执行所述根据所述第一样本图像原始数据及其对应的第一标签图像数据、所述第二样本图像原始数据及其对应的第二标签图像数据以及所述样本位置对应关系，对待训练的深度学习网络进行迭代训练，以及后续步骤。
可选地，所述训练迭代单元包括：
训练预处理模块，用于分别对所述第一样本图像原始数据与所述第二样本图像原始数据进行预处理，得到相同大小的第一样本张量和第二样本张量；
训练配对模块，用于根据所述样本位置对应关系，将所述第一样本张量与所述第二样本张量进行配对；
迭代训练模块，用于将配对的所述第一样本张量与所述第二样本张量进行叠加，将样本张量叠加结果作为所述深度学习网络的训练样本输入，对所述深度学习网络进行迭代训练。
可选地，所深度学习网络的输出包括第一重建样本图像数据与第二重建样本图像数据，所述误差计算单元具体包括：
均方误差计算模块，用于在迭代训练过程中，计算所述深度学习网络输出的第一重建样本图像数据与所述第一标签图像数据的第一均方误差，以及所述深度学习网络输出的第二重建样本图像数据与所述第二标签图像数据的第二均方误差；
可选地，所述训练迭代单元具体包括：
模型生成模块，用于当所述第一均方误差的值，以及所述第二均方误差的值，均小于或等于预设误差阈值时，停止训练，得到所述协同成像模型。
可选地，所述深度学习网络包括多个级联的神经网络单元，每个所述神经网络单元包括一个编码器和一个解码器；
所述编码器包括多个卷积层，所述卷积层用于对输入数据进行卷积处理及批量归一化处理；
所述解码器包括多个反卷积层，所述反卷积层用于对所述编码器输出的数据进行反卷积及批量归一化处理。
可选地，所述误差计算单元具体包括：
级联误差计算模块，用于根据下式计算迭代训练过程中所述深度学习网络输出的误差：
Figure BDA0002252417690000151
其中，L为深度学习网络输出的误差，n为所述深度学习网络中级联的神经网络单元的个数，li为第i个神经网络单元输出的误差，ai为第i个神经网络单元在所述深度学习网络中的损失权重。
可选地，所述图像重建单元62具体包括：
数据预处理模块，用于分别对所述第一图像的原始数据与所述第二图像的原始数据进行预处理，得到相同大小的第一张量和第二张量；
数据配对模块，用于根据所述样本位置对应关系，将所述第一张量与所述第二张量进行配对；
图像重建模块，用于将配对的所述第一张量与所述第二张量进行叠加，将张量叠加结果输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。
本申请实施例中，通过获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集，将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像，由于利用第一图像的原始数据和第二图像的原始数据协同成像，不需要再进行额外的校正工作，可大大缩短图像重建的时间，在提高协同成像效果的同时，还可进一步提高成像效率。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
本申请实施例还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可读指令，所述计算机可读指令被处理器执行时实现如图1至图5表示的任意一种协同成像方法的步骤。
本申请实施例还提供一种协同成像设备，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可读指令，所述处理器执行所述计算机可读指令时实现如图1至图5表示的任意一种协同成像方法的步骤。
本申请实施例还提供一种计算机程序产品，当该计算机程序产品在协同成像设备上运行时，使得协同成像设备执行实现如图1至图5表示的任意一种协同成像方法的步骤。
图7是本申请一实施例提供的协同成像设备的示意图。如图7所示，该实施例的协同成像设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机可读指令72。所述处理器70执行所述计算机可读指令72时实现上述各个协同成像方法实施例中的步骤，例如图1所示的步骤S101至S102。或者，所述处理器70执行所述计算机可读指令72时实现上述各装置实施例中各模块/单元的功能，例如图6所示单元61至62的功能。
示例性的，所述计算机可读指令72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令72在所述协同成像设备7中的执行过程。
所述协同成像设备7可以是服务器，也可以是智能终端。所述协同成像设备7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是协同成像设备7的示例，并不构成对协同成像设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述协同成像设备7还可以包括输入输出设备、网络接入设备、总线等。
所述处理器70可以是中央处理单元(CentraL Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitaL SignaL Processor，DSP)、专用集成电路(AppLication Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieLd–Programma bLe 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。
所述存储器71可以是所述协同成像设备7的内部存储单元，例如协同成像设备7的硬盘或内存。所述存储器71也可以是所述协同成像设备7的外部存储设备，例如所述协同成像设备7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，所述存储器71还可以既包括所述协同成像设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机可读指令以及所述协同成像设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种协同成像方法，其特征在于，包括：
获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集；
将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。
2.根据权利要求1所述的协同成像方法，其特征在于，所述协同成像模型的训练步骤，包括：
获取多组样本图像数据，其中，每组所述样本图像数据包括同一图像采集区域的第一样本图像原始数据及其对应的第一标签图像数据，以及第二样本图像原始数据及其对应的第二标签图像数据，所述第一样本图像原始数据与所述第二样本图像原始数据存在样本位置对应关系；
根据所述第一样本图像原始数据及其对应的第一标签图像数据、所述第二样本图像原始数据及其对应的第二标签图像数据以及所述样本位置对应关系，对待训练的深度学习网络进行迭代训练；
根据预设损失函数，计算迭代训练过程中所述深度学习网络输出的误差；
当所述误差小于或等于预设误差阈值时，停止训练，得到所述协同成像模型；
当所述误差大于所述预设误差阈值时，返回执行所述根据所述第一样本图像原始数据及其对应的第一标签图像数据、所述第二样本图像原始数据及其对应的第二标签图像数据以及所述样本位置对应关系，对待训练的深度学习网络进行迭代训练，以及后续步骤。
3.根据权利要求2所述的协同成像方法，其特征在于，所述根据所述第一样本图像原始数据及其对应的第一标签图像数据以及所述第二样本图像原始数据及其对应的第二标签图像数据，对待训练的深度学习网络进行迭代训练的步骤，包括：
分别对所述第一样本图像原始数据与所述第二样本图像原始数据进行预处理，得到相同大小的第一样本张量和第二样本张量；
根据所述样本位置对应关系，将所述第一样本张量与所述第二样本张量进行配对；
将配对的所述第一样本张量与所述第二样本张量进行叠加，将样本张量叠加结果作为所述深度学习网络的训练样本输入，对所述深度学习网络进行迭代训练。
4.根据权利要求2所述的协同成像方法，其特征在于，所深度学习网络的输出包括第一重建样本图像数据与第二重建样本图像数据，所述根据预设损失函数，计算迭代训练过程中所述深度学习网络输出的误差的步骤，包括：
在迭代训练过程中，计算所述深度学习网络输出的第一重建样本图像数据与所述第一标签图像数据的第一均方误差，以及所述深度学习网络输出的第二重建样本图像数据与所述第二标签图像数据的第二均方误差；
所述当所述误差小于或等于预设误差阈值时，停止训练，得到所述协同成像模型的步骤，包括：
当所述第一均方误差的值，以及所述第二均方误差的值，均小于或等于预设误差阈值时，停止训练，得到所述协同成像模型。
5.根据权利要求2所述的协同成像方法，其特征在于，所述深度学习网络包括多个级联的神经网络单元，每个所述神经网络单元包括一个编码器和一个解码器；
所述编码器包括多个卷积层，所述卷积层用于对输入数据进行卷积处理及批量归一化处理；
所述解码器包括多个反卷积层，所述反卷积层用于对所述编码器输出的数据进行反卷积及批量归一化处理。
6.根据权利要求5所述的协同成像方法，其特征在于，所述根据预设损失函数，计算迭代训练过程中所述深度学习网络输出的误差的步骤，包括：
根据下式计算迭代训练过程中所述深度学习网络输出的误差：
Figure FDA0002252417680000031
其中，L为深度学习网络输出的误差，n为所述深度学习网络中级联的神经网络单元的个数，li为第i个神经网络单元输出的误差，ai为第i个神经网络单元在所述深度学习网络中的损失权重。
7.根据权利要求1所述的协同成像方法，其特征在于，所述将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像的步骤，包括：
分别对所述第一图像的原始数据与所述第二图像的原始数据进行预处理，得到相同大小的第一张量和第二张量；
根据所述位置对应关系，将所述第一张量与所述第二张量进行配对；
将配对的所述第一张量与所述第二张量进行叠加，将张量叠加结果输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。
8.一种协同成像装置，其特征在于，包括：
原始图像数据获取单元，用于获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集；
图像重建单元，用于将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。
9.一种协同成像设备，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任一项所述的协同成像方法。
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任一项所述的协同成像方法。
CN201911039356.5A 2019-10-29 2019-10-29 一种协同成像方法、装置、存储介质和协同成像设备 Active CN110874855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911039356.5A CN110874855B (zh) 2019-10-29 2019-10-29 一种协同成像方法、装置、存储介质和协同成像设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911039356.5A CN110874855B (zh) 2019-10-29 2019-10-29 一种协同成像方法、装置、存储介质和协同成像设备

Publications (2)

Publication Number Publication Date
CN110874855A true CN110874855A (zh) 2020-03-10
CN110874855B CN110874855B (zh) 2022-08-19

Family

ID=69717926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911039356.5A Active CN110874855B (zh) 2019-10-29 2019-10-29 一种协同成像方法、装置、存储介质和协同成像设备

Country Status (1)

Country Link
CN (1) CN110874855B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815631A (zh) * 2020-09-02 2020-10-23 北京易真学思教育科技有限公司 模型生成方法、装置、设备和可读存储介质
CN112037299A (zh) * 2020-08-20 2020-12-04 上海壁仞智能科技有限公司 一种影像重建的方法及装置、电子设备和存储介质
WO2021081759A1 (zh) * 2019-10-29 2021-05-06 中国科学院深圳先进技术研究院 一种协同成像方法、装置、存储介质和协同成像设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180082421A1 (en) * 2016-09-22 2018-03-22 Sony Corporation Image processing system and method to reconstruct a three-dimensional (3d) anatomical surface
CN108596995A (zh) * 2018-05-15 2018-09-28 南方医科大学 一种pet-mri最大后验联合重建方法
CN109559360A (zh) * 2018-09-29 2019-04-02 深圳先进技术研究院 一种pet图像重建方法、装置和计算设备
CN109697741A (zh) * 2018-12-28 2019-04-30 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180082421A1 (en) * 2016-09-22 2018-03-22 Sony Corporation Image processing system and method to reconstruct a three-dimensional (3d) anatomical surface
CN108596995A (zh) * 2018-05-15 2018-09-28 南方医科大学 一种pet-mri最大后验联合重建方法
CN109559360A (zh) * 2018-09-29 2019-04-02 深圳先进技术研究院 一种pet图像重建方法、装置和计算设备
CN109697741A (zh) * 2018-12-28 2019-04-30 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵涓涓: "《基于PET-CT的肺癌早期计算机辅助诊断技术》", 31 December 2015 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021081759A1 (zh) * 2019-10-29 2021-05-06 中国科学院深圳先进技术研究院 一种协同成像方法、装置、存储介质和协同成像设备
CN112037299A (zh) * 2020-08-20 2020-12-04 上海壁仞智能科技有限公司 一种影像重建的方法及装置、电子设备和存储介质
CN112037299B (zh) * 2020-08-20 2024-04-19 上海壁仞智能科技有限公司 一种影像重建的方法及装置、电子设备和存储介质
CN111815631A (zh) * 2020-09-02 2020-10-23 北京易真学思教育科技有限公司 模型生成方法、装置、设备和可读存储介质

Also Published As

Publication number Publication date
CN110874855B (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
Johnson et al. Conditional generative adversarial network for 3D rigid‐body motion correction in MRI
Chen et al. Fully automated multiorgan segmentation in abdominal magnetic resonance imaging with deep neural networks
CN107123095B (zh) 一种pet图像重建方法、成像系统
CN110874855B (zh) 一种协同成像方法、装置、存储介质和协同成像设备
CN111862251B (zh) 医学图像重建技术的方法、装置、存储介质和电子设备
CN111709897B (zh) 一种基于域变换的正电子发射断层图像的重建方法
Cheng et al. Applications of artificial intelligence in nuclear medicine image generation
CN109215014B (zh) Ct图像预测模型的训练方法、装置、设备及存储介质
CN112819914B (zh) 一种pet图像处理方法
CN111462264A (zh) 医学图像重建方法、医学图像重建网络训练方法和装置
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
CN115526857A (zh) 一种pet图像去噪的方法、终端设备及可读存储介质
CN111340903A (zh) 基于非衰减校正pet图像生成合成pet-ct图像的方法和系统
Zhang et al. Spatial adaptive and transformer fusion network (STFNet) for low‐count PET blind denoising with MRI
WO2021184195A1 (zh) 医学图像重建方法、医学图像重建网络训练方法和装置
CN116823625A (zh) 基于变分自编码器的跨对比度磁共振超分辨率方法和系统
CN114549594A (zh) 图像配准方法、装置和电子设备
CN112488952A (zh) Pet图像的重建方法及重建终端、计算机可读存储介质
CN111358430B (zh) 一种磁共振成像模型的训练方法及装置
CN114463459B (zh) 一种pet图像的部分容积校正方法、装置、设备及介质
Zhang et al. A novel medical image registration method based on mutual information and genetic algorithm
Zhang et al. Multi-scale network with the deeper and wider residual block for MRI motion artifact correction
CN114862980A (zh) 散射校正方法、pet成像方法、装置、设备及存储介质
Zhong et al. PMFSNet: Polarized Multi-scale Feature Self-attention Network For Lightweight Medical Image Segmentation
WO2021253326A1 (zh) 一种基于域变换的正电子发射断层图像的重建方法

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
GR01 Patent grant
GR01 Patent grant