CN111223161B - 一种图像重建方法、装置及存储介质 - Google Patents

一种图像重建方法、装置及存储介质 Download PDF

Info

Publication number
CN111223161B
CN111223161B CN202010003356.6A CN202010003356A CN111223161B CN 111223161 B CN111223161 B CN 111223161B CN 202010003356 A CN202010003356 A CN 202010003356A CN 111223161 B CN111223161 B CN 111223161B
Authority
CN
China
Prior art keywords
feature
image
initial
feature map
preset
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
Application number
CN202010003356.6A
Other languages
English (en)
Other versions
CN111223161A (zh
Inventor
孔佳
程建波
彭南博
黄志翔
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.)
Jingdong Technology Holding Co Ltd
Original Assignee
Jingdong Technology Holding Co Ltd
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 Jingdong Technology Holding Co Ltd filed Critical Jingdong Technology Holding Co Ltd
Priority to CN202010003356.6A priority Critical patent/CN111223161B/zh
Publication of CN111223161A publication Critical patent/CN111223161A/zh
Application granted granted Critical
Publication of CN111223161B publication Critical patent/CN111223161B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/003Reconstruction from projections, e.g. tomography

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例公开了一种图像重建方法、装置及存储介质;图像重建方法包括:获取投影序列数据;投影序列数据表征利用扫描射线对物体扫描得到的图像序列;利用投影序列数据生成初始重建图像;采用预设特征提取模型,对初始重建图像进行特征图生成,得到初始重建图像对应的至少一个特征图;利用至少一个特征图生成重建图像,完成针对所述投影序列数据的图像重建。

Description

一种图像重建方法、装置及存储介质
技术领域
本发明实施例涉及图像处理技术,尤其涉及一种图像重建方法、装置及存储介质。
背景技术
图像重建是指根据物体的测量数据,来建立物体结构的图像的过程,图像重建广泛应用于医学成像、全息成像等技术中。目前,常用的图像重建方法有基于投影数据的图像重建方法,例如,滤波反投射算法(Filtered Back Projection,FBP),以及基于迭代的重建算法。
然而,基于投影数据的图像重建方法受限于成像条件,当成像条件较差导致投影数据稀疏时,基于投影数据的图像重建方法所获得的图像存在较多的伪影和噪声,使得图像重建的准确度较低;基于迭代的重建算法在面对稀疏的投影数据时,需要设置合适的参数才能进行重建,在所设置的参数准确度较低时,会使得图像重建的准确度较低。
发明内容
本发明的提供一种图像重建方法、装置及存储介质,能够提高图像重建的准确度。
本发明的技术方案是这样实现的:
本发明实施例提供一种图像重建方法,包括:
获取投影序列数据;所述投影序列数据表征利用扫描射线对物体扫描得到的图像序列;
利用所述投影序列数据生成初始重建图像;
采用预设特征提取模型,对所述初始重建图像进行特征图生成,得到所述初始重建图像对应的至少一个特征图;
利用所述至少一个特征图生成重建图像,完成针对所述投影序列数据的图像重建。
在本发明的一些实施例中,所述预设特征提取模型包括:预设初始特征提取模型和预设组合特征提取模型;所述采用预设特征提取模型,对所述初始重建图像进行特征图生成,得到所述初始重建图像对应的至少一个特征图,包括:
利用所述预设初始特征提取模型,对所述初始重建图像进行特征提取,得到至少一个初始特征;
利用所述至少一个初始特征,生成一个或多个初始特征图;
采用所述预设组合特征提取模型,对所述一个或多个初始特征图进行特征图生成,得到所述至少一个特征图。
在本发明的一些实施例中,所述采用所述预设组合特征提取模型,对所述一个或多个初始特征图进行特征图生成,得到所述至少一个特征图,包括:
采用所述预设组合特征提取模型,对所述一个或多个初始特征图中的每个初始特征图进行特征提取,得到一个或多个临时特征结果;
将所述一个或多个临时特征结果进行叠加,得到特征图;
重复上述过程,直至达到第一预设特征提取次数,得到所述至少一个特征图。
在本发明的一些实施例中,所述利用所述至少一个特征图生成重建图像,完成针对所述投影序列数据的图像重建,包括:
对所述至少一个特征图的每个特征图中的待合并像素位置进行特征抽取,得到所述待合并像素位置对应的至少一个待融合特征;所述待合并像素位置为特征图中的任意一个像素位置;待融合特征的个数与特征图的个数相同;
对所述至少一个待融合特征进行融合,得到所述待合并像素位置的融合特征,并用所述融合特征作为所述待合并像素位置的重建像素值;
重复上述过程,直至得到所有像素位置的重建像素值,利用所述所有像素位置的重建像素值组成重建图像,完成针对所述投影序列数据的图像重建。
在本发明的一些实施例中,在所述采用所述预设组合特征提取模型,对所述一个或多个初始特征图进行特征图生成,得到所述至少一个特征图之后,所述方法还包括:
将所述一个或多个初始特征图和所述至少一个特征图进行融合,得到至少一个融合后的特征图;
相应的,所述利用所述至少一个特征图生成重建图像,完成针对所述投影序列数据的图像重建,包括:
利用所述至少一个融合后的特征图生成重建图像,完成针对所述投影序列数据的图像重建。
在本发明的一些实施例中,在所述采用所述预设组合特征提取模型,对所述一个或多个初始特征图进行特征图生成,得到所述至少一个特征图之后,所述方法还包括:
利用所述预设组合特征提取模型,对所述至少一个特征图中的每个特征图进行特征提取,得到至少一个中间特征结果;
将所述至少一个中间特征结果进行整合,得到更新后的特征图,进而得到至少一个更新后的特征图;
相应的,所述利用所述至少一个特征图生成重建图像,完成针对所述投影序列数据的图像重建,包括:
利用所述至少一个更新后的特征图生成重建图像,完成针对所述投影序列数据的图像重建。
在本发明的一些实施例中,所述利用所述投影序列数据生成初始重建图像,包括:
获取预设图像滤波器;
利用所述预设图像滤波器对所述投影序列数据进行滤波,得到滤波结果;
对所述滤波结果进行反投影,得到至少一个反投影结果;
对所述至少一个反投影结果进行叠加,得到所述初始重建图像。
本发明实施例提供一种图像重建装置,包括:
获取模块,用于获取投影序列数据;所述投影序列数据表征利用扫描射线对物体扫描得到的图像序列;
生成模块,用于利用所述投影序列数据生成初始重建图像;
特征图生成模块,用于采用预设特征提取模型,对所述初始重建图像进行特征图生成,得到所述初始重建图像对应的至少一个特征图;
重建模块,用于利用所述至少一个特征图生成重建图像,完成针对所述投影序列数据的图像重建。
本发明实施例提供一种图像重建装置,包括:
存储器,用于存储可执行图像重建指令;
处理器,用于执行所述存储器中存储的可执行图像重建指令时,实现本发明实施例提供的图像重建方法。
本发明实施例提供一种存储介质,存储有可执行图像重建指令,用于引起处理器执行时,实现本发明实施例提供的图像重建方法。
本发明实施例具有一些有益效果:
本发明实施例中,图像重建装置能够先获取投影序列数据,然后利用投影序列数据生成初始重建图像,之后,图像重建装置采用预设特征提取模型,对初始重建图像进行特征图生成,得到初始重建图像对应的至少一个特征图,最后,利用至少一个特征图生成重建图像,完成针对投影序列数据的图像重建。如此,图像重建装置能够将初始重建图像中表征伪影、噪声的图像特征滤除,得到仅有表征物体构造的特征的多个特征图,然后将这些特征图融合得到重建图像,提高了图像重建的准确度。
附图说明
图1是本发明实施例提供的图像重建场景100的示意图;
图2是本发明实施例提供的图像重建方法的一个可选的流程示意图一;
图3是本发明实施例提供的图像重建方法的一个可选的流程示意图二;
图4是本发明实施例提供的图像重建方法的一个可选的流程示意图三;
图5是本发明实施例提供的对DPC-CT的不完备投影序列进行重建流程示意图;
图6是本发明实施例提供的生成器网络的示意图;
图7是本发明实施例提供的判别器网络的示意图;
图8是本发明实施例提供的一种图像重建装置的结构示意图一;
图9是本发明实施例提供的一种图像重建装置的结构示意图二。
具体实施方式
下面,将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
图像重建是根据物体的测量数据,来建立物体结构的图像的过程。图像重建广泛应用于医学成像、全息成像等技术中。例如,在医学成像技术中,是利用X射线与物体发生相互作用时,所产生的幅值衰减和相位偏移得到物体的结构,生成重建图像。在医学成像技术中,基于幅值衰减的X射线计算机断层成像(Computed Tomography,CT)已经被广泛应用。然而,在利用基于幅值衰减原理的图像重建对于低吸收物体难以获得高对比图像。为了解决上述问题,在相关技术中,使用利用相位衬度成像技术来提高低吸收物体的成像衬度,其中,基于光栅的微分相衬方法能够采用普通X光管实现,得到了广泛研究。图像重建在微分相衬CT(Differential Phase Contrast Computed Tomography,DPC-CT)成像中起着关键的作用。
目前,常用的图像重建方法可以分为两类,分别是传统图像重建算法,和基于深度学习的图像重建算法。传统图像重建算法中包括有滤波反投影算法(Filtered BackProjection,FBP)、迭代重建算法。其中,FBP算法重建速度快,是比较流行的图像重建算法。然而,FBP算法受限于成像条件,例如,当降低成像辐射剂量低、成像时间缩短时,使得投影数据不完备,即投影数据较为稀疏时,重建出的图像就会存在较为严重的伪影和噪声。迭代重建算法在处理不完备的投影数据时,需要先设置合适的参数以进行图像重建,但当所设置的参数不合适,即所设置的参数准确度较低时,所得到的重建图像的准确度也较低,兵器,迭代重建算法需要很长的迭代计算时间,为图像重建带来不便。
基于深度学习的图像重建算法是基于X射线幅值衰减原理,来进行图像重建,然而,利用这种方法,是无法处理DPC-CT的不完备投影数据的,进而使得图像重建的准确率较低。
针对上述问题,本发明实施例提供了一种图像重建方法、装置及存储介质,能够提高图像重建的准确度。参见图1,图1是本发明实施例提供的图像重建场景100的示意图,在图像识别场景100中,包括生成投影序列数据的扫描设备200,以及对投影序列数据进行图像重建的图像重建装置300。扫描设备200可以通过数据传输线,与图像重建装置300连接,以传输投影序列数据;扫描设备200还可以通过网络与图像重建装置300相连,在图1示出的图像场景100中,扫描设备200是通过网络400与图像重建装置300相连的。
扫描设备200发射扫描射线,对待处理物体进行扫描,生成投影序列数据。之后,扫描设备200通过网络400将投影序列数据发送给图像重建装置300。图像重建装置300获取到投影序列数据,就会先利用投影数据,生成初始重建图像。之后,图像重建装置300采用预设特征提取模型,对初始重建图像进行特征图生成,得到初始重建图像所对应的至少一个特征图。最后,图像重建装置300再利用至少一个特征图生成重建图像,完成针对投影序列数据的图像重建过程。
在本发明的一些实施例中,扫描设备200和图像重建装置300可以分开设置,也可以共同封装于一个设备之中,还可以以其他形式进行设置。
参见图2,图2是本发明实施例提供的图像重建方法的一个可选的流程示意图一,本发明实施例提供的一种图像重建方法,包括:
S101、获取投影序列数据;投影序列数据表征利用扫描射线对物体扫描得到的图像序列。
本发明实施例是在对扫描设备所生成的投影序列数据进行图像重建的场景下实现的。在图像重建过程开始之后,图像重建装置先要从扫描设备中获取物体对应的投影序列数据。由于扫描设备利用扫描射线对物体进行扫描时,是每隔一个预设角度,就对物体发射一次扫描射线,得到在该次扫描过程中所扫描到的物体部分的图像,如此,扫描设备在完成对物体的扫描之后,就能得到一个图像序列,该图像序列即是投影序列数据。
可以理解的是,本发明实施例中,扫描射线可以是具有放射性的扫描射线,例如,X射线等,扫描射线还可以是其他类型的光线,例如红外线等,本发明实施例在此不作限定。对应的,扫描设备是可以向物体发出扫描射线,并捕获物体的扫描图像的设备。
需要说明的是,本发明实施例的图像重建装置,可以实施为服务器等设备,也可以实施为个人电脑等终端,具体的图像重建装置可以根据实际情况选择,本发明实施例在此不作限定。
S102、利用投影序列数据生成初始重建图像。
图像重建装置在得到投影序列数据之后,就会利用预设的图像重建算法来对投影序列数据进行运算,并将运算所得到图像结果作为初始重建图像。由于扫描设备所发出的扫描射线可能是稀疏的,因而,投影序列数据是不完备的投影数据,使得初始重建图像中可能会存在伪影、噪声。
需要说明的是,在利用扫描设备对物体进行扫描所得到的图像序列生成初始重建图像时,一般会要求扫描设备尽可能密集的向物体发送射线,例如,扫描设备每隔1°向物体发送扫描射线,这时,所得到的图像序列中包含着较多的物体结构的信息,此时,投影序列数据是完备的。然而,在实际应用中,由于一些原因,例如,减少医疗成像检查时放射性射线对人体所造成的影响,扫描设备是按照较大的角度间隔,例如每隔10°向物体发送扫描射线,这时,图像序列中可能会丢失一些物体的结构信息,即投影序列数据不完备。
可以理解的是,本发明实施例中,预设的图像重建算法可以是FBP算法,也可以是其他能够实现相同目的的算法,具体的预设的图像重建算法可以根据实际情况进行选择,本发明实施例在此不作限定。
S103、采用预设特征提取模型,对初始重建图像进行特征图生成,得到初始重建图像对应的至少一个特征图。
图像重建装置在得到可能具有伪影、噪声的初始重建图像之后,就可以将初始重建图像输入进预设特征提取模型中,利用预设特征提取模型,对初始重建图像进行特征抽取,并用所抽取到的特征组成初始重建图像的特征图,进而可以得到与初始重建图像所对应的至少一个特征图。由于预设特征提取模型是已经经过训练的模型,因而,预设特征提取模型是能够将初始重建图像中的表征物体结构的图像特征提取出来,而将表征伪影、噪声的图像特征滤除掉。
可以理解的是,本发明实施例所使用的预设特征提取模型是用训练数据训练好的模型。其中,训练数据中是用不完备投影数据所生成具有伪影的、噪声的图像作为输入项,用完备投影数据所生成的不具有伪影、噪声的图像作为监督项所组成的图像对。
需要说明的是,本发明实施例中,预设特征提取模型可以是深度学习模型,例如生成对抗模型,卷积神经网络模型等,还可以是其他能够达到相同目的的模型。具体的预设特征提取模型可以根据实际需求进行设定,本发明实施例在此不作限定。
在本发明实施例中,由于预设特征提取模型中可以利用多种不同的特征提取器来对初始重建图像进行处理,而每个特征提取滤波器都可以对初始重建图像进行处理,得到该特征提取滤波器所对应的一个特征图,因而,图像重建装置在将初始重建图像输入进预设特征提取模型之后,可以得到至少一个特征图。
需要说明的是,特征提取器可以是指卷积核,滤波器等,不同的特征提取器所能提取的特征是不同的,例如,预设特征提取模型中的一些特征提取器,可以提取出初始重建图像中的颜色特征,另一些特征提取器,能够提取出初始重建图像中的线条特征,还有一些特征提取器,能够对特征进行组合,因而,图像重建装置利用不同的特征提取器,能够得到不同的特征,进而得到不同的特征图。
S104、利用至少一个特征图生成重建图像,完成针对投影序列数据的图像重建。
图像重建装置在得到与初始重建图像对应的至少一个特征图之后,就可以对这些特征图进行合并、融合操作,使得预设特征提取模型利用多种不同的特征提取器所提取到的特征,可以重新呈现在一张图像中。由于图像重建装置通过预设特征提取模型已经滤除了表征伪影、噪声的图像特征,因而,利用至少一个特征图所合并、融合出的重建图像,是已经没有伪影、噪声的图像,此时,图像重建装置就得到了针对投影序列数据的较为准确、清晰的重建图像。至此,图像重建装置就完成了针对投影序列数据的图像重建过程。
可以理解的是,本发明实施例中,可以是将至少一个特征图的每个特征图中,各个像素位置上的特征值叠加在一起,完成对至少一个特征图的融合过程,得到重建图像,还可以是按照其他方式完成对至少一个特征图的融合过程,得到重建图像,本发明实施例在此不作具体限定。
本发明实施例中,图像重建装置能够先获取投影序列数据,然后利用投影序列数据生成初始重建图像,之后,图像重建装置采用预设特征提取模型,对初始重建图像进行特征图生成,得到初始重建图像对应的至少一个特征图,最后,利用至少一个特征图生成重建图像,完成针对投影序列数据的图像重建。如此,图像重建装置能够将初始重建图像中表征伪影、噪声的图像特征滤除,得到仅有表征物体构造的特征的多个特征图,然后将这些特征图融合得到重建图像,提高了图像重建的准确度。
参见图3,图3是本发明实施例提供的图像重建方法的一个可选的流程示意图二。在本发明一些实施例中,预设特征提取模型包括:预设初始特征提取模型和预设组合特征提取模型;对初始重建图像进行特征图生成,得到初始重建图像对应的至少一个特征图,即S103的具体实现过程,可以包括:S1031-S1033,如下:
S1031、利用预设初始特征提取模型,对初始重建图像进行特征提取,得到至少一个初始特征。
由于预设特征提取模型分为了预设初始特征提取模型和预设组合特征提取模型,因而,图像重建装置在利用预设特征提取模型生成初始重建图像的特征图时,实质上是先利用预设初始特征提取模型,对初始重建图像进行特征提取,如此,图像重建装置可以针对初始重建图像,提取出多个初始特征,即得到至少一个初始特征。
需要说明的是,预设初始特征提取模型是用于提取初始重建图像的低层特征的,相应的,在预设初始特征提取模型中,设置有多种低层特征提取器,这些低层特征提取器可以是卷积核、滤波器等,故而,图像重建装置通过卷积、滤波等方式,提取出初始重建图像的初始特征。
可以理解的是,图像重建装置所抽取到的初始特征,可以是初始重建图像中的边缘线条、颜色、亮度值等特征,还可以是其他较为低层的特征,本发明实施例在此不作限定。
S1032、利用至少一个初始特征,生成一个或多个初始特征图。
图像重建装置在得到初始重建图像的至少一个初始特征之后,就可以将这些初始特征进行整合,并将整合结果作为初始特征图。由于预设初始特征提取模型中具有多种初始特征提取器,每个初始特征提取器都能提取出一类初始特征,因而,图像重建装置在得到初始特征图的时候,是将每个初始特征提取器所得到的初始特征整合到一个初始特征图中,这样,图像重建装置就能够得到与初始特征提取器数目相同的初始特征图,即得到一个或多个初始特征图。
可以理解的是,在本发明实施例中,预设初始特征提取模型可以是训练好的卷积神经网络模型,这时,初始特征提取器就是卷积神经网络模型中的卷积核。由于在卷积神经网络的每个卷积层中,都会具有多个卷积核,图像重建装置在利用这些卷积核进行特征提取之后,会得到卷积核的数目个特征图。当然,卷积神经网络可能会具有多个卷积层,这里所得到的卷积核的数目个特征图,是指每一个卷积层中的卷积核的数目个特征图。
S1033、采用预设组合特征提取模型,对一个或多个初始特征图进行特征图生成,得到至少一个特征图。
图像重建装置在得到一个或多个初始特征图之后,会继续获取预设组合特征提取模型,然后将一个或多个初始特征图中的每个初始特征图,输入进预设组合特征提取模型中,继续进行抽取高层特征,并用所抽取到的高层特征组成特征,这样,图像重建装置就可以至少一个特征图。
需要说明的是,预设组合特征提取模型是用于提取初始重建图像的高层特征的,可以理解为高层特征提取模型。由于高层特征往往是比较抽象的特征,这些抽象特征大多对初始特征经过特征再抽取,以及特征组合操作得到的,因而,高层特征更能表征物体的结构,同时更能剔除与物体的结构无关的其他特征。因此,图像重建装置利用初始重建图像的高层特征组成至少一个特征图,以便于后续在至少一个特征图的基础上得到重建图像,使得重建图像更为准确、清晰。
可以理解的是,预设组合特征提取模型,可以是经过训练的卷积神经网络模型,也可以是经过训练的其他深度学习模型,本发明实施例在此不作具体限定。
需要说明的是,在本发明的一些实施例中,预设初始特征提取模型和预设组合特征提取模型可以是同一个深度学习模型中的两部分,例如,将某个深度学习模型中的低层部分看作是预设初始特征提取模型,将该深度学习模型中的高层部分看作是预设组合特征提取模型。当然,在本发明的另一些实施例中,预设初始特征提取模型和预设组合特征提取模型,可以是不同的两个模型,例如,将深度学习模型A作为预设初始特征提取模型,用来提取初始特征得到初始特征图,将深度学习模型B作为预设组合特征提取模型,用来从初始特征图中提取抽象的高层特征。
本发明实施例中,图像重建装置能够先利用预设初始特征提取模型,对初始重建图像进行特征提取,进而得到初始重建图像的初始特征图,之后,再利用预设组合特征提取模型,对初始特征图进行特征图生成,得到至少一个特征图。如此,图像重建装置就能够得到滤除了表征伪影、噪声的无关特征,完成生成至少一个特征图的过程。
在本发明的一些实施例中,采用预设组合特征提起模型,对一个或多个初始特征图进行特征图生成,得到至少一个特征图,即S1033的具体实现过程,可以包括:S1033a-S1033c,如下:
S1033a、采用预设组合特征提取模型,对一个或多个初始特征图中的每个初始特征图进行特征提取,得到一个或多个临时特征结果。
图像重建装置将一个或多个初始特征图中的每个初始特征图,输入进预设组合特征提取模型中进行运算,并将运算结果作为临时特征,然后对所得到临时特征进行整合,得到临时特征结果。与预设初始特征提取模型类似,预设组合特征提取模型中也具有多个组合特征提取器,这些组合特征提取器之间并不相同。然而,同一个组合特征提取器,对输入的不同的初始特征图,所提取出的特征也是不同的。图像重建装置在本步骤中,是利用预设组合特征提取模型中的一个组合特征提取器,对不同的初始特征图进行特征提取,因而,临时特征结果的数目与初始特征图的数目相同。因而,图像重建装置可以得到一个或多个临时特征结果。
S1033b、将一个或多个临时特征结果进行叠加,得到特征图。
图像重建装置在得到一个或多个临时特征结果之后,就会将这些临时特征结果,按照像素位置进行叠加,即将一个或多个临时特征结果中处于同一像素位置上的特征进行叠加,在完成在所有像素位置的特征融合之后,所得到的结果就是一个特征图。
可以理解的是,图像重建装置所得到的临时特征,实质上是一个像素位置区域中,每个像素位置的特征值,因而,将处于同一像素位置上的特征进行融叠加,实质上是指将同一像素位置的若干特征值进行累加或加权,得到一个特征值的过程。
示例性的,图像重建装置在得到临时特征结果A和临时特征结果B之后,就会将临时特征结果A的像素位置(1,1)的特征值,与临时特征结果B的像素位置(1,1)的特征值进行累加,如此循环往复,在将临时特征结果A和临时特征结果B所有的像素位置的特征值对应累加结束之后,所得到的就是特征图。
S1033c、重复上述过程,直至达到第一预设特征提取次数,得到至少一个特征图。
图像重建装置重复采用预设组合特征提取模型,继续对每个初始特征图进行特征提取,得到临时特征结果,并对一个或多个临时特征结果进行累加,得到特征图的过程,在重复第一预设特征提取次数之后,图像重建装置就能够得到至少一个特征图。
需要说明的是,由于预设组合特征提取模型中具有多个不同的组合特征提取器,上述过程的一次重复,只是利用一个组合特征提取器对所有的初始特征图进行了一次特征提取,得到的只是一个特征图。本发明实施例中,第一预设特征提取次数,与预设组合特征提取模型中的组合特征提取器的个数相同,在将上述过程重复第一预设特征提取次数时,所用的组合特征提取器皆是不同的,因此,在重复完第一预设特征提取次数之后,图像重建装置就能够得到与组合特征提取器一一对应的至少一个特征图。
本发明实施例中,图像重建装置利用预设组合特征提取模型,先对每个初始特征图进行特征提取,得到一个或多个临时特征结果,然后对一个或多个临时特征结果叠加起来,得到一个特征图,在将上述过程重复第一预设特征提取次数之后,就可以得到至少一个特征图。如此,图像重建装置就能够完成对一个或多个初始特征图进行特征图生成,得到至少一个特征图的过程。
参见图4,图4是本发明实施例提供的图像重建方法的一个可选的流程示意图三。在本发明的一些实施例中,利用至少一个特征图生成重建图像,完成针对投影序列数据的图像重建,即S104的具体实现过程,可以包括:S1041-S1043,如下:
S1041、对至少一个特征图的每个特征图中的待合并像素位置进行特征抽取,得到待合并像素位置对应的至少一个待融合特征;待合并像素位置为特征图中的任意一个像素位置;待融合特征的个数与特征图的个数相同。
图像重建装置先确定待合并像素位置,例如,每个特征图中的(1,1)位置处,然后从每个特征图中抽取出该待合并像素位置处的特征,作为待融合特征。其中,待合并像素位置为特征图中的任意一个像素位置,由于图像重建装置是对每个特征图都抽取同一个像素位置的特征,因而,所得到的待融合特征的个数是与特征图的个数相同的,即图像重建装置能够得到在待合并像素位置处的至少一个待融合特征。
S1042、对至少一个待融合特征进行融合,得到待合并像素位置的融合特征,并用融合特征作为待合并像素位置的重建像素值。
图像重建装置对所得到的至少一个待融合特征进行融合,即对这些待融合特征进行累加、加权等处理,并将处理结果作为该待合并像素位置的融合特征。之后,图像重建装置将融合特征直接作为待合并像素位置的重建像素值,如此,图像重建装置就得到了重建图像中的一个像素位置所对应的重建像素值。
S1043、重复上述过程,直至得到所有像素位置的重建像素值,利用所有像素位置的重建像素值组成重建图像,完成针对投影序列数据的图像重建。
图像重建装置继续重复上述过程,知道对所有像素位置上的特征都融合完毕,得到所有像素位置上的融合特征,即得到所有像素位置上的重建像素值。这样,图像重建装置在知晓了所有像素位置的重建像素值之后,就必然能用所有像素位置的重建像素值组成重建图像,如此,图像重建装置就完成了针对投影序列数据的图像重建过程。
本发明实施例中,图像重建装置能够对从每个特征图中抽取出待合并像素位置所对应的至少一个待融合特征,然后将这些待融合特征融合,得到待合并像素位置的融合特征,进而得到待合并像素位置的重建像素值,之后,重复该过程,可以得到所有像素位置对应的重建像素值,进而得到重建图像。如此,图像重建装置就能够利用已经滤除伪影、噪声的特征图,生成重建图像,提高图像重建的准确率。
在本发明的一些实施例中,在采用预设特征组合特征提取模型,对一个或多个初始特征图进行特征图生成,得到至少一个特征图之后,即在S1033之后,该方法还可以包括:S1034,如下:
S1034、将一个或多个初始特征图和至少一个特征图进行融合,得到至少一个融合后的特征图。
由于对于一些预设组合特征提取模型而言,如果模型较深,初始特征图经过多个卷积层之后,使得一些能够表征物体的结构的特征丢失,进而使得用至少一个特征图所生成的重建图像缺失信息。为此,图像重建装置将一个或多个初始特征图,和至少一个特征图进行融合,得到至少一个融合后的特征图,使得丢失的特征能够被补充。在后续,图像重建装置就会利用至少一个融合后的特征图生成重建图像,进一步提升图像重建的准确度。
需要说明的是,由于初始特征图也是利用经过训练的预设初始特征模型提取处理的,初始特征图中已经滤除了表征伪影、噪声的图像特征,因而,将一个或多个初始特征图进行融合,并不会引入表征伪影、噪声的图像特征。
可以理解的是,为了提高特征的泛化能力,图像重建装置在将一个或多个初始特征图和至少一个特征图进行融合时,可以是将任意一个初始特征图和任意一个特征图进行融合。当然,图像重建装置还可以利用其他方式完成初始特征图和特征图的融合,本发明实施例在此不作限定。
本发明实施例中,图像重建装置还能够将一个或多个初始特征图和至少一个特征图进行融合,得到至少一个融合特征后的特征图,并在后续,基于这些融合后的特征图进行图像重建,进一步提高图像重建的准确度。
在本发明的一些实施例中,在采用预设特征组合特征提取模型,对一个或多个初始特征图进行特征图生成,得到至少一个特征图之后,即在S1033之后,该方法还可以包括:S1035-S1036,如下:
S1035、利用预设组合特征提取模型,对至少一个特征图中的每个特征图进行特征提取,得到至少一个中间特征结果。
S1036、将至少一个中间特征结果进行整合,得到更新后的特征图,进而得到至少一个更新后的特征图。
图像重建装置在得到至少一个特征图之后,还能够继续利用预设组合特征提取模型,提取至少一个特征图的高层抽象特征,得到至少一个中间特征结果。之后,图像重建装置对至少一个中间特征结果再进行整合,得到一个更新后的特征图,并重复上述过程,直至达到第二预设特征提取次数,得到至少一个更新后的特征图。相对应的,图像重建装置会利用至少一个更新后的特征图生成重建图像,完成针对投影序列的图像重建过程,以提高图像重建的准确度。
可以理解的是,图像重建装置在继续利用预设组合特征提取模型对至少一个特征图进行特征提取得到至少一个中间特征结果,以及对至少一个中间特征结果进行整合的过程,与S1033a-S1033c的过程较为类似,本发明在此不再赘述。
需要说明的是,在本发明的一些实施例中,图像重建装置在对至少一个特征图再次进行特征提取时,为了防止特征丢失,可以用至少一个特征图和至少一个更新特征图进行融合,如此,还可以进一步提高图像重建的准确度。
本发明实施例中,图像重建装置能够对至少一个特征图继续进行特征抽取,进而得到至少一个更新后的特征图,并基于至少一个更新后的特征图生成重建图像,提高图像重建的准确度。
在本发明的一些实施例中,利用投影序列数据生成初始重建图像,即S102的具体实现过程,可以包括:S1021-S1024,如下:
S1021、获取预设图像滤波器。
S1022、利用预设图像滤波器对投影序列数据进行滤波,得到滤波结果。
图像重建装置在利用投影序列生成初始重建图像时,是先要获取预设图像滤波器,然后用预设图像滤波器与投影序列数据进行卷积滤波操作,将卷积计算结果作为滤波结果。
可以理解的是,本发明实施例中,预设图像滤波器可以是根据实际需求设定的,本发明实施例在此不作限定。由于扫描设备所发出的扫描射线具有不同的类型,因而,预设图像滤波器可以是与扫描射线的类型相对应的滤波器。
示例性的,扫描射线可以为平行的扫描射线,可以为扇形的扫描射线,还可以为锥形的扫描射线,因而,预设图像滤波器可以是适用于平行的扫描射线的滤波器,可以是适用于扇形的扫描射线的滤波器,还可以是适用于锥形的扫描射线的滤波器。
示例性的,本发明实施例提供了利用预设图像滤波器对投影序列数据进行滤波的过程,如式(1)所示:
λ=αθ(s)*h(v)(1)
其中,αθ(s)是投影序列数据,h(v)是滤波器,v是频率变量,θ是扫描设备的旋转角度。图像重建装置在得到上述参数的具体数值之后,就可以将上述参数的具体数值代入式(1)中,得到滤波结果λ。
S1023、对滤波结果进行反投影,得到至少一个反投影结果。
S1024、对至少一个反投影结果进行叠加,得到初始重建图像。
图像重建装置在得到滤波结果之后,会将滤波结果反投影到满足针对扫描设备的旋转角度的条件的射线的各个点上,得到反投影结果。之后,将反投影结果进行累加,得到初始重建图像。
可以理解的是,在本发明的一些实施例中,还可以是先为滤波结果乘以系统成像权重矩阵,然后再进行反投影,以及将反投影结果累加的过程。
本发明实施例中,图像重建装置能够先获取预设图像滤波器,然后用预设图像滤波器对投影序列数据进行滤波,得到滤波结果,然后对滤波结果进行反投影,得到反投影结果,最后将反投影结果进行累加,得到初始重建图像。如此,图像重建装置就能够利用投影序列数据生成初始重建图像的过程。
下面,将以实际应用场景中的图像重建过程为例,说明本发明实施例提供的图像重建方法。本发明实施例是在对DPC-CT的不完备投影序列进行重建的场景下实现的。参见图5,图5是对DPC-CT的不完备投影序列进行重建流程示意图。下面将以结合图5说明图像重建方法所包含的过程。
S501、对DPC-CT不完备序列,使用滤波反投影重建算法获得被伪影污染的重建图像。
图像重建装置在获得DPC-CT不完备序列(投影序列数据)之后,先利用FBP算法对该DPC-CT不完备序列进行重建,获得被伪影污染的重建图像(初始重建图像)。其中,被伪影污染的重建图像是指因为利用不完备的投影序列,用FBP算法重建出的具有伪影和噪声的重建图像。
需要说明的是,由于DPC-CT成像系统具有不同的类型,例如平行束成像、扇束成像、锥束成像,因而,DPC-CT所获得的不完备序列,是利用与DPC-CT成像系统相对应的FBP重建算法进行重建的。例如,利用平行束成像系统对应的FBP算法,对平行束成像系统所获得的不完备序列进行重建,利用扇束成像系统对应的FBP算法,对扇束成像系统所获得的不完备序列进行重建。
示例性的,本发明实施例提供了扇束成像提供的FBP重建算法,如式(2)所示:
其中,αθ(s)是不完备序列,h(v)是滤波器,v是频率变量,θ是扫描设备的旋转角度,U是成像系统权重矩阵。图像重建装置在得到不完备序列,获取到滤波器,以及知晓频率变量,扫描设备的旋转角度之后,就可以这些参数的具体数值代入至式(2)中,得到重建结果δ(x,y)。
进一步的,h(v)可以是Hilbert滤波器,如式(3)所示:
/>
其中,v是频率变量。
S502、利用深度学习技术处理被伪影污染的重建图像,获得最终不含伪影的重建图像。
其中,不含伪影的重建图像(重建图像)是指已经不再包含伪影的重建图像。在本发明实施例中,是利用深度学习中的卷积神经网络对被伪影污染的重建图像进行处理,所获得的是不含伪影的重建图像,该过程可以表示为式(4):
其中,为不含伪影的重建图像,δ(x,y)为被伪影污染的重建图像,N为卷积神经网络。
进一步的,本发明实施例中,卷积神经网络可以是超分辨率生成对抗网络,其主要由生成器网络(预设特征提取模型)和判别器网络组成。生成器网络和判别器网络的示意可以参见图6与图7,其中,图6是本发明实施例提供的生成器网络的示意图,图7是本发明实施例提供的判别器网络的示意图。
如图6所示,生成器网络可以包括数据输入端6-1、低层特征提取模块6-2(预设初始特征提取模型)、残差块6-3、高层特征提取模块6-4(预设组合特征提取模型)、通道压缩块6-5和数据输出端6-6。其中,数据输入端6-1输入的数据为被伪影污染的重建图像;低层特征提取模块6-2用于提取被伪影污染的重建图像的低层特征(初始特征);残差块6-3用于将底层特征和高层特征融合;高层特征提取模块6-4用于对低层特征进行特征再提取,以及特征组合;通道压缩模块6-5用于将所得到的特征图压缩到三个通道,得到不再包含伪影的重建图像;数据输出端6-6用于输出不再包含伪影的重建图像。
值得注意的是,生成器网络是用判别式网络训练的。判别式网络包括数据输入端7-1、通道扩增模块7-2、特征提取模块7-3、通道压缩模块7-4和数据输出端7-5。其中,数据输入端7-1用于输入生成器网络所生成的图像,通道扩增模块7-2用于对这些图像进行通道扩增,特征提取模块7-3用于对通道扩增后的图像进行特征提取,通道压缩模块7-5用于对这些特征进行通道压缩,并得到生成器所生成的图片与训练数据的监督项的差异,以便于生成器网络调整自身的参数。
通过上述方式,图像重建装置能够利用FBP算法先对不完备序列进行图像重建,得到带有伪影的重建图像,然后利用训练好的生成器网络对带有伪影的重建图像进行处理,以去除伪影,得到不再具有伪影的重建图像。如此,能够提高图像重建的准确率。
本发明实施例提供了一种图像重建装置,对应与一种图像重建方法。参见图8,图8为本发明实施例提供的一种图像重建装置的结构示意图一,本发明实施例提供的图像重建装置300包括:
获取模块310,用于获取投影序列数据;所述投影序列数据表征利用扫描射线对物体扫描得到的图像序列;
生成模块320,用于利用所述投影序列数据生成初始重建图像;
特征图生成模块330,用于采用预设特征提取模型,对所述初始重建图像进行特征图生成,得到所述初始重建图像对应的至少一个特征图;
重建模块340,用于利用所述至少一个特征图生成重建图像,完成针对所述投影序列数据的图像重建。
在本发明的一些实施例中,所述预设特征提取模型包括:预设初始特征提取模型和预设组合特征提取模型;所述特征图生成模块330,具体用于利用所述预设初始特征提取模型,对所述初始重建图像进行特征提取,得到至少一个初始特征;利用所述至少一个初始特征,生成一个或多个初始特征图;采用所述预设组合特征提取模型,对所述一个或多个初始特征图进行特征图生成,得到所述至少一个特征图。
在本发明的一些实施例中,所述特征图生成模块330,具体用于采用所述预设组合特征提取模型,对所述一个或多个初始特征图中的每个初始特征图进行特征提取,得到一个或多个临时特征结果;将所述一个或多个临时特征结果进行叠加,得到特征图;重复上述过程,直至达到第一预设特征提取次数,得到所述至少一个特征图。
在本发明的一些实施例中,重建模块340,具体用于对所述至少一个特征图的每个特征图中的待合并像素位置进行特征抽取,得到所述待合并像素位置对应的至少一个待融合特征;所述待合并像素位置为特征图中的任意一个像素位置;待融合特征的个数与特征图的个数相同;对所述至少一个待融合特征进行融合,得到所述待合并像素位置的融合特征,并用所述融合特征作为所述待合并像素位置的重建像素值;重复上述过程,直至得到所有像素位置的重建像素值,利用所述所有像素位置的重建像素值组成重建图像,完成针对所述投影序列数据的图像重建。
在本发明的一些实施例中,所述特征图生成模块330,具体还用于将所述一个或多个初始特征图和所述至少一个特征图进行融合,得到至少一个融合后的特征图;
相应的,所述重建模块340,还用于利用所述至少一个融合后的特征图生成重建图像,完成针对所述投影序列数据的图像重建。
在本发明的一些实施例中,所述特征图生成模块330,具体还用于利用所述预设组合特征提取模型,对所述至少一个特征图中的每个特征图进行特征提取,得到至少一个中间特征结果;将所述至少一个中间特征结果进行整合,得到更新后的特征图,进而得到至少一个更新后的特征图;
相应的,所述重建模块340,还用于利用所述至少一个更新后的特征图生成重建图像,完成针对所述投影序列数据的图像重建。所述生成模块320,具体用于获取预设图像滤波器;利用所述预设图像滤波器对所述投影序列数据进行滤波,得到滤波结果;对所述滤波结果进行反投影,得到至少一个反投影结果;对所述至少一个反投影结果进行叠加,得到所述初始重建图像。
需要说明的是,在实际应用中,上述获取模块310、生成模块320、特征图生成模块330和重建模块340,可由位于图像重建装置800上的处理器810实现,具体为中央处理器(Central Processing Unit,CPU)、微处理器(Microprocessor Unit,MPU)、数字信号处理器(Digital Signal Processing,DSP)或现场可编程门阵列(Field Programmable GateArray,FPGA)等实现。
本发明实施例提供一种图像重建装置,对应于一种图像重建方法;图9为本发明实施例提供的一种图像重建装置的结构示意图二,如图9所示,该图像重建装置800包括:处理器810、存储器820和通信总线830,存储器820通过通信总线830与处理器810进行通信,存储器820存储处理器810可执行的一个或者多个程序,当一个或者多个程序被执行时,通过处理器810执行如前述实施例的任意一种图像重建方法。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器810执行,程序被处理器810执行时实现如本发明实施例的图像重建方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。

Claims (8)

1.一种图像重建方法,其特征在于,包括:
获取投影序列数据;所述投影序列数据表征利用扫描射线对物体扫描得到的图像序列;
利用所述投影序列数据生成初始重建图像;
采用预设特征提取模型,对所述初始重建图像进行特征图生成,得到所述初始重建图像对应的至少一个特征图;其中,所述预设特征提取模型是通过训练数据训练得到的,所述训练数据是由不完备投影数据所生成的具有伪影的、噪声的图像作为输入项,完备投影数据所生成的不具有伪影、噪声的图像作为监督项所组成的图像对;
利用所述至少一个特征图生成重建图像,完成针对所述投影序列数据的图像重建;
其中,所述预设特征提取模型包括:预设初始特征提取模型和预设组合特征提取模型;所述采用预设特征提取模型,对所述初始重建图像进行特征图生成,得到所述初始重建图像对应的至少一个特征图,包括:
利用所述预设初始特征提取模型,对所述初始重建图像进行特征提取,得到至少一个初始特征;
利用所述至少一个初始特征,生成一个或多个初始特征图;
采用所述预设组合特征提取模型,对所述一个或多个初始特征图中的每个初始特征图进行特征提取,得到一个或多个临时特征,对所述一个或多个临时特征进行整合,得到一个或多个临时特征结果;
将所述一个或多个临时特征结果按照像素位置进行叠加,得到特征图;
重复上述过程,直至达到第一预设特征提取次数,得到所述至少一个特征图。
2.根据权利要求1所述的方法,其特征在于,所述利用所述至少一个特征图生成重建图像,完成针对所述投影序列数据的图像重建,包括:
对所述至少一个特征图的每个特征图中的待合并像素位置进行特征抽取,得到所述待合并像素位置对应的至少一个待融合特征;所述待合并像素位置为特征图中的任意一个像素位置;待融合特征的个数与特征图的个数相同;
对所述至少一个待融合特征进行融合,得到所述待合并像素位置的融合特征,并用所述融合特征作为所述待合并像素位置的重建像素值;
重复上述过程,直至得到所有像素位置的重建像素值,利用所述所有像素位置的重建像素值组成重建图像,完成针对所述投影序列数据的图像重建。
3.根据权利要求1所述的方法,其特征在于,在所述采用所述预设组合特征提取模型,对所述一个或多个初始特征图进行特征图生成,得到所述至少一个特征图之后,所述方法还包括:
将所述一个或多个初始特征图和所述至少一个特征图进行融合,得到至少一个融合后的特征图;
相应的,所述利用所述至少一个特征图生成重建图像,完成针对所述投影序列数据的图像重建,包括:
利用所述至少一个融合后的特征图生成重建图像,完成针对所述投影序列数据的图像重建。
4.根据权利要求1所述的方法,其特征在于,在所述采用所述预设组合特征提取模型,对所述一个或多个初始特征图进行特征图生成,得到所述至少一个特征图之后,所述方法还包括:
利用所述预设组合特征提取模型,对所述至少一个特征图中的每个特征图进行特征提取,得到至少一个中间特征结果;
将所述至少一个中间特征结果进行整合,得到更新后的特征图,进而得到至少一个更新后的特征图;
相应的,所述利用所述至少一个特征图生成重建图像,完成针对所述投影序列数据的图像重建,包括:
利用所述至少一个更新后的特征图生成重建图像,完成针对所述投影序列数据的图像重建。
5.根据权利要求1所述的方法,其特征在于,所述利用所述投影序列数据生成初始重建图像,包括:
获取预设图像滤波器;
利用所述预设图像滤波器对所述投影序列数据进行滤波,得到滤波结果;
对所述滤波结果进行反投影,得到至少一个反投影结果;
对所述至少一个反投影结果进行叠加,得到所述初始重建图像。
6.一种图像重建装置,其特征在于,包括:
获取模块,用于获取投影序列数据;所述投影序列数据表征利用扫描射线对物体扫描得到的图像序列;
生成模块,用于利用所述投影序列数据生成初始重建图像;
特征图生成模块,用于采用预设特征提取模型,对所述初始重建图像进行特征图生成,得到所述初始重建图像对应的至少一个特征图;其中,所述预设特征提取模型是通过训练数据训练得到的,所述训练数据是由不完备投影数据所生成的具有伪影的、噪声的图像作为输入项,完备投影数据所生成的不具有伪影、噪声的图像作为监督项所组成的图像对;
重建模块,用于利用所述至少一个特征图生成重建图像,完成针对所述投影序列数据的图像重建;
其中,所述预设特征提取模型包括:预设初始特征提取模型和预设组合特征提取模型;
所述特征图生成模块,具体用于利用所述预设初始特征提取模型,对所述初始重建图像进行特征提取,得到至少一个初始特征;
利用所述至少一个初始特征,生成一个或多个初始特征图;
采用所述预设组合特征提取模型,对所述一个或多个初始特征图中的每个初始特征图进行特征提取,得到一个或多个临时特征,对所述一个或多个临时特征进行整合,得到一个或多个临时特征结果;
将所述一个或多个临时特征结果按照像素位置进行叠加,得到特征图;
重复上述过程,直至达到第一预设特征提取次数,得到所述至少一个特征图。
7.一种图像重建装置,其特征在于,包括:
存储器,用于存储可执行图像重建指令;
处理器,用于执行所述存储器中存储的可执行图像重建指令时,实现权利要求1至5任一项所述的方法。
8.一种存储介质,其特征在于,存储有可执行图像重建指令,用于引起处理器执行时,实现权利要求1至5任一项所述的方法。
CN202010003356.6A 2020-01-02 2020-01-02 一种图像重建方法、装置及存储介质 Active CN111223161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010003356.6A CN111223161B (zh) 2020-01-02 2020-01-02 一种图像重建方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010003356.6A CN111223161B (zh) 2020-01-02 2020-01-02 一种图像重建方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111223161A CN111223161A (zh) 2020-06-02
CN111223161B true CN111223161B (zh) 2024-04-12

Family

ID=70832237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010003356.6A Active CN111223161B (zh) 2020-01-02 2020-01-02 一种图像重建方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111223161B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689359B (zh) * 2021-09-23 2024-05-14 上海联影医疗科技股份有限公司 一种图像伪影去除模型及其训练方法和系统
CN114758079B (zh) * 2022-05-19 2024-02-20 国网河南省电力公司电力科学研究院 电气设备内部结构局部成像三维重建方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056644A (zh) * 2016-05-24 2016-10-26 深圳先进技术研究院 Ct扫描的数据处理方法及装置
CN107481297A (zh) * 2017-08-31 2017-12-15 南方医科大学 一种基于卷积神经网络的ct图像重建方法
CN107871332A (zh) * 2017-11-09 2018-04-03 南京邮电大学 一种基于残差学习的ct稀疏重建伪影校正方法及系统
CN108596833A (zh) * 2018-04-26 2018-09-28 广东工业大学 超分辨率图像重构方法、装置、设备及可读存储介质
CN108765296A (zh) * 2018-06-12 2018-11-06 桂林电子科技大学 一种基于递归残差注意力网络的图像超分辨率重建方法
CN108898642A (zh) * 2018-06-01 2018-11-27 安徽工程大学 一种基于卷积神经网络的稀疏角度ct成像方法
CN108986029A (zh) * 2018-07-03 2018-12-11 南京览笛信息科技有限公司 文字图像超分辨率重建方法、系统、终端设备及存储介质
CN109146788A (zh) * 2018-08-16 2019-01-04 广州视源电子科技股份有限公司 基于深度学习的超分辨率图像重建方法和装置
CN109447976A (zh) * 2018-11-01 2019-03-08 电子科技大学 一种基于人工智能的医学图像分割方法及系统
CN109559359A (zh) * 2018-09-27 2019-04-02 东南大学 基于深度学习实现的稀疏角度数据重建图像的伪影去除方法
CN109785236A (zh) * 2019-01-21 2019-05-21 中国科学院宁波材料技术与工程研究所 一种基于超像素和卷积神经网络的图像超分辨方法
CN109919840A (zh) * 2019-01-21 2019-06-21 南京航空航天大学 基于密集特征融合网络的图像超分辨率重建方法
CN110033410A (zh) * 2019-03-28 2019-07-19 华中科技大学 图像重建模型训练方法、图像超分辨率重建方法及装置
CN110191344A (zh) * 2019-06-06 2019-08-30 天津大学 一种光场图像智能编码方法
CN110211194A (zh) * 2019-05-21 2019-09-06 武汉理工大学 一种基于深度学习去除稀疏角度ct成像伪影的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8224056B2 (en) * 2009-12-15 2012-07-17 General Electronic Company Method for computed tomography motion estimation and compensation

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056644A (zh) * 2016-05-24 2016-10-26 深圳先进技术研究院 Ct扫描的数据处理方法及装置
CN107481297A (zh) * 2017-08-31 2017-12-15 南方医科大学 一种基于卷积神经网络的ct图像重建方法
CN107871332A (zh) * 2017-11-09 2018-04-03 南京邮电大学 一种基于残差学习的ct稀疏重建伪影校正方法及系统
CN108596833A (zh) * 2018-04-26 2018-09-28 广东工业大学 超分辨率图像重构方法、装置、设备及可读存储介质
CN108898642A (zh) * 2018-06-01 2018-11-27 安徽工程大学 一种基于卷积神经网络的稀疏角度ct成像方法
CN108765296A (zh) * 2018-06-12 2018-11-06 桂林电子科技大学 一种基于递归残差注意力网络的图像超分辨率重建方法
CN108986029A (zh) * 2018-07-03 2018-12-11 南京览笛信息科技有限公司 文字图像超分辨率重建方法、系统、终端设备及存储介质
CN109146788A (zh) * 2018-08-16 2019-01-04 广州视源电子科技股份有限公司 基于深度学习的超分辨率图像重建方法和装置
CN109559359A (zh) * 2018-09-27 2019-04-02 东南大学 基于深度学习实现的稀疏角度数据重建图像的伪影去除方法
CN109447976A (zh) * 2018-11-01 2019-03-08 电子科技大学 一种基于人工智能的医学图像分割方法及系统
CN109785236A (zh) * 2019-01-21 2019-05-21 中国科学院宁波材料技术与工程研究所 一种基于超像素和卷积神经网络的图像超分辨方法
CN109919840A (zh) * 2019-01-21 2019-06-21 南京航空航天大学 基于密集特征融合网络的图像超分辨率重建方法
CN110033410A (zh) * 2019-03-28 2019-07-19 华中科技大学 图像重建模型训练方法、图像超分辨率重建方法及装置
CN110211194A (zh) * 2019-05-21 2019-09-06 武汉理工大学 一种基于深度学习去除稀疏角度ct成像伪影的方法
CN110191344A (zh) * 2019-06-06 2019-08-30 天津大学 一种光场图像智能编码方法

Also Published As

Publication number Publication date
CN111223161A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
US11120582B2 (en) Unified dual-domain network for medical image formation, recovery, and analysis
JP7187476B2 (ja) 深層学習に基づくトモグラフィ再構成
CN109509235B (zh) Ct图像的重建方法、装置、设备及存储介质
KR102174600B1 (ko) 뉴럴 네트워크를 이용한 다방향 엑스레이 전산단층 촬영 영상 처리 방법 및 그 장치
US8805037B2 (en) Method and system for reconstruction of tomographic images
US20120155728A1 (en) Tomographic iterative reconstruction
CN111223161B (zh) 一种图像重建方法、装置及存储介质
JP2021013736A (ja) X線診断システム、画像処理装置及びプログラム
Ding et al. Deep learning with adaptive hyper-parameters for low-dose CT image reconstruction
JP2015231528A (ja) X線コンピュータ断層撮像装置及び医用画像処理装置
Ye et al. Unified supervised-unsupervised (super) learning for x-ray ct image reconstruction
CN112489200B (zh) 一种火焰光谱的三维重建装置和方法
JP2021065707A (ja) 医用画像処理装置、学習済みモデルおよび医用画像処理方法
FR2826157A1 (fr) Procede de reconstruction d'une image d'un objet evoluant
CN111795949A (zh) 抗散射成像方法与装置
CN115937345A (zh) 一种基于深度学习的光声图像重建方法及装置
US20240185485A1 (en) Machine learning-based improvement in iterative image reconstruction
CN113469882B (zh) 基于土壤ct图像的超分辨率重建方法及装置
CN112085811B (zh) Ct局部重建的方法及装置
NL8401739A (nl) Stelsel en werkwijze voor het opnieuw projecteren van beelden.
CN113658317B (zh) 电子显微镜连拍图像处理方法和装置
JP2016039902A (ja) X線コンピュータ断層撮影装置及び医用画像処理装置
KR102506203B1 (ko) 메탈 아티팩트를 제거하기 위한 비지도 학습 기반 뉴럴 네트워크를 이용한 단층촬영영상 처리 방법 및 그 장치
CN113269846B (zh) 一种ct全扫描图像重建方法、装置和终端设备
RU2801336C1 (ru) Способ получения трехмерного изображения объекта, содержащего металлические включения, в компьютерной томографии

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: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176

Applicant after: Jingdong Technology Holding Co.,Ltd.

Address before: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176

Applicant before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd.

GR01 Patent grant
GR01 Patent grant