CN111445546B - 图像重建方法、装置、电子设备、存储介质 - Google Patents
图像重建方法、装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN111445546B CN111445546B CN202010140387.6A CN202010140387A CN111445546B CN 111445546 B CN111445546 B CN 111445546B CN 202010140387 A CN202010140387 A CN 202010140387A CN 111445546 B CN111445546 B CN 111445546B
- Authority
- CN
- China
- Prior art keywords
- image
- diffusion
- diffusion weighted
- weighted image
- image reconstruction
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了图像重建方法、装置、电子设备、存储介质。方法包括:在以扩散敏感系数为零的弥散加权序列控制扫描设备对目标对象进行扫描的过程中,获取第一弥散加权图像;将所述第一弥散加权图像输入多个图像重建模型,所述多个图像重建模型用于对输入的弥散加权图像进行图像重建;对所述多个图像重建模型分别输出的不同扩散敏感系数的预测加权图像进行指数分布拟合,得到第一指数模型;获取目标扩散敏感系数,并根据所述第一指数模型和所述目标扩散敏感系数确定针对所述目标对象的弥散加权图像。从而,实现了把单b值的DWI计算问题转化为多b值的cDWI计算问题,解决了由于较少b值的DWI图像引起的cDWI计算精度较低的问题。
Description
技术领域
本发明涉及医学成像技术领域,特别涉及图像重建方法、装置、电子设备、存储介质。
背景技术
磁共振弥散加权成像(DiffusionWeightedImaging,DWI),是唯一能够活体检测水分子扩散情况的无创影像检查技术,而且也是临床应用最多的一种磁共振功能监测技术。用于DWI成像的DWI序列的弥散程度受扩散敏感系数(b值)的影响,不同b值对弥散的敏感程度不同,对病变的检出率也不同,多b值的DWI图像有助于提高不同病灶的检出率。然而,受MR扫描时间的限制,不可能对被扫描对象进行长时间的扫描,因此如何根据单b值扫描得到的图像生成任意b值的DWI图像,是临床上迫切需要解决的问题。
发明内容
本发明提供图像重建方法、装置、电子设备、存储介质,以基于扫描得到的DWI图像重建出多个图像质量高的、不同b值的DWI图像。
具体地,本发明是通过如下技术方案实现的:
第一方面,提供一种图像重建方法,所述图像重建方法包括:
在以扩散敏感系数为零的弥散加权序列控制扫描设备对目标对象进行扫描的过程中,获取第一弥散加权图像;
将所述第一弥散加权图像输入多个图像重建模型,所述多个图像重建模型用于对输入的弥散加权图像进行图像重建;
对所述多个图像重建模型分别输出的不同扩散敏感系数的预测加权图像进行指数分布拟合,得到第一指数模型;
获取目标扩散敏感系数,并根据所述第一指数模型和所述目标扩散敏感系数确定针对所述目标对象的弥散加权图像。
可选地,所述图像重建方法还包括:
在以扩散敏感系数大于零的弥散加权序列控制扫描设备对目标对象进行扫描的过程中,获取第二弥散加权图像;
对所述第一弥散加权图像和所述第二弥散加权图像进行指数分布拟合,得到第二指数模型;
根据所述第二指数模型确定所述目标扩散敏感系数的弥散加权图像;
对根据所述第一指数模型确定的弥散加权图像和根据所述第二指数模型确定的弥散加权图像进行线性融合处理,得到最终的弥散加权图像。
可选地,进行线性融合处理之前,还包括:
确定所述目标扩散敏感系数与所述第二弥散加权图像的扩散敏感系数的差值,并根据所述差值调节线性融合处理的线性融合系数。
可选地,若所述目标扩散敏感系数与所述第二弥散加权图像的扩散敏感系数的差值小于系数阈值,线性融合处理过程中,根据所述第一指数模型确定的弥散加权图像对应的线性融合系数小于根据所述第二指数模型确定的弥散加权图像对应的线性融合系数。
可选地,所述图像重建方法还包括采用以下步骤对生成式对抗网络进行训练,以得到所述图像重建模型:
获取多组训练样本对,每组训练样本对包含扩散敏感系数为零的第三弥散加权图像和扩散敏感系数大于零的第四弥散加权图像;
针对每组训练样本,将所述第三弥散加权图像输入生成式对抗网络的生成器,得到所述生成器输出的待判别图像;
将所述待判别图像和所述第四弥散加权图像输入所述生成式对抗网络的判别器,得到所述判别器的判别器输出结果;
根据所述判别器输出结果确定损失误差;
根据所述损失误差调节所述生成式对抗网络的网络参数。
第二方面,提供一种图像重建装置,所述图像重建装置包括:
获取模块,用于在以扩散敏感系数为零的弥散加权序列控制扫描设备对目标对象进行扫描的过程中,获取第一弥散加权图像;
输入模块,用于将所述第一弥散加权图像输入多个图像重建模型,所述多个图像重建模型用于对输入的弥散加权图像进行图像重建;
拟合模块,用于对所述多个图像重建模型分别输出的不同扩散敏感系数的预测加权图像进行指数分布拟合,得到第一指数模型;
确定模块,用于获取目标扩散敏感系数,并根据所述第一指数模型和所述目标扩散敏感系数确定针对所述目标对象的弥散加权图像。
可选地,所述获取模块,还用于在以扩散敏感系数大于零的弥散加权序列控制扫描设备对目标对象进行扫描的过程中,获取第二弥散加权图像;
所述拟合模块,还用于对所述第一弥散加权图像和所述第二弥散加权图像进行指数分布拟合,得到第二指数模型;
所述确定模块,还用于根据所述第二指数模型和所述目标扩散敏感系数确定针对所述目标对象的弥散加权图像;
所述图像重建装置还包括:
线性拟合模块,用于对根据所述第一指数模型确定的弥散加权图像和根据所述第二指数模型确定的弥散加权图像进行线性融合处理,得到最终的弥散加权图像。
可选地,所述图像重建装置还包括:
调节模块,用于确定所述目标扩散敏感系数与所述第二弥散加权图像的扩散敏感系数的差值,并根据所述差值调节线性融合处理的线性融合系数。
可选地,若所述目标扩散敏感系数与所述第二弥散加权图像的扩散敏感系数的差值小于系数阈值,线性融合处理过程中,根据所述第一指数模型确定的弥散加权图像对应的线性融合系数小于根据所述第二指数模型确定的弥散加权图像对应的线性融合系数。
可选地,所述图像重建装置还包括模型训练模块,用于:
获取多组训练样本对,每组训练样本对包含扩散敏感系数为零的第三弥散加权图像和扩散敏感系数大于零的第四弥散加权图像;
针对每组训练样本,将所述第三弥散加权图像输入生成式对抗网络的生成器,得到所述生成器输出的待判别图像;
将所述待判别图像和所述第四弥散加权图像输入所述生成式对抗网络的判别器,得到所述判别器的判别器输出结果;
根据所述判别器输出结果确定损失误差;
根据所述损失误差调节所述生成式对抗网络的网络参数。
第三方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在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上述任一项所述的图像重建方法。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的图像重建方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明实施例,先将扫描得到的b=0的DWI图像,通过多个图像重建模型生成多个不同b值的DWI图像,再对多个b值的DWI图像进行基于指数分布的拟合得到指数模型,将目标b值输入指数模型,即可得到目标b值的cDWI图像。从而,通过引入基于深度学习方法,把单b值的DWI计算问题转化为多b值的cDWI计算问题,进而解决了由于较少b值的DWI图像引起的cDWI计算精度较低的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本发明一示例性实施例示出的一种DWI序列的示意图;
图2是本发明一示例性实施例示出的一种图像重建方法的流程图;
图3是本发明一示例性实施例示出的一种图像重建时使用的图像重建模型的训练方法的流程图;
图4是本发明一示例性实施例示出的一种GAN网络的结构示意图;
图5是本发明一示例性实施例示出的另一种图像重建方法的流程图;
图6是本发明一示例性实施例示出的一种图像重建装置的模块示意图;
图7是本发明一示例实施例示出的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
磁共振弥散加权成像(DiffusionWeightedImaging,DWI),是唯一能够活体检测水分子扩散情况的无创影像检查技术,而且也是临床应用最多的一种磁共振功能监测技术。
弥散序列要检测水分子的弥散情况,参见图1,需要在传统EPI(平面回波成像)序列的基础上,施加一个弥散梯度场Gdiff,称为DWI序列。DWI序列的弥散程度受到几个参数的控制,扩散敏感系数(b值)是其中关键的一个因素。DWI序列的b值越高,弥散序列检测的敏感度越大,但是信噪比越低。b值的公式表示如下:
b=γ2G2δ2(Δ-δ/3);
其中,b值反映了施加的弥散梯度的大小(效能)。公式中,G代表弥散梯度的幅度,δ代表一个弥散梯度施加的持续时间,Δ代表两个弥散梯度之间的时间。
根据上述公式可知,b值越大,反映的应该是弥散梯度越猛。b值和G,δ及Δ成正相关。对于不同的检测部位,一般使用不同b值的DWI序列控制扫描设备对目标对象进行扫描。对于相同的检测部位,也可以使用多个b值实现DWI动态成像。然而,一个b值的DWI序列扫描需要耗费10分钟左右,n个b值的DWI序列扫描需要耗费10*n分钟,耗时较长。受MR扫描时间的限制,目前一般检查使用的是单b值,因为多b值会增加扫描时间。不同b值对弥散的敏感程度不同,对病变的检出率也不同,多b值有助于提高不同病灶的检出率,因此临床上迫切需要,使用单b值扫描得到的图像生成任意b值的DWI图像的方法。
基于扫描得到的DWI图像计算出不同弥散程度的图像,该图像叫做cDWI(calculatedDWI)图像。目前对于cDWI的计算,全部都是基于弥散扩散的指数分布模型,即对扫描得到的两个或者多个b值的DWI图像进行指数拟合,根拟合结果得到预期b值的DWI图像。该数值拟合方法存在较大的缺陷,在扫描得到两个b值的DWI图像的情况下,由于数据仅仅两套,对于指数拟合存在很大的可变范围,以此得到的cDWI精度较低;而获取较多b值的DWI图像,会增加扫描时间。另外,扫描采用的DWI序列的b值较小和较大都会影响预期b值的DWI图像的精确度,因为b值较小时,弥散受到体素相干的限制;b值较大时,会受到图像低信噪的影响,拟合结果都不完全符合采集信号的指数模型分布。因此,相关技术中采用指数模型进行拟合的方法,会存在拟合得到的cDWI图像与实际扫描得到的DWI图像差异较大的情况。
基于上述情况,本发明实施例提供一种图像重建方法,图2是本发明一示例性实施例示出的一种图像重建方法的流程图,方法包括以下步骤:
步骤201、在以b值为零的DWI序列控制扫描设备对目标对象进行扫描的过程中,获取第一弥散加权图像。
步骤201中,第一弥散加权图像DWI为对目标对象进行扫描获得的实际的DWI图像,其b值为0。目标对象可以是人或动物,或者人或动物的某部位。
步骤202、将第一弥散加权图像输入多个图像重建模型。
其中,图像重建模型用于对输入的弥散加权图像进行图像重建,每个图像重建模型对应输出一种b值的DWI图像。
由于实际医疗诊断过程中,医护人员常采集b=0和b>0的两幅DWI图像作为疾病诊断的基础,也即b=0是必采集图像,因此将b=0的DWI图像作为图像重建模型的输入。
每个图像重建模型由多组b=0和b=x(任意值)的DWI图像对神经网络训练得到,若将b=0的DWI图像输入训练完成的模型,即可输出b=x的DWI图像。例如,若分别使用{b=0的DWI图像,b=600的DWI图像}、{b=0的DWI图像,b=800的DWI图像}、{b=0的DWI图像,b=1000的DWI图像}、{b=0的DWI图像,b=1200的DWI图像}、{b=0的DWI图像,b=1500的DWI图像}、{b=0的DWI图像,b=1800的DWI图像}、{b=0的DWI图像,b=2000的DWI图像}、{b=0的DWI图像,b=3000的DWI图像}作为训练样本训练8个神经网络,即可得到8个图像重建模型。8个图像重建模型输出的图像的b值分别为600、800、1000、1200、1500、1800、2000和3000。也即将b=0的DWI图像分别输入8个图像重建模型,即可得到b=600的DWI图像、b=800的DWI图像、b=1000的DWI图像、1200的DWI图像、1500的DWI图像、1800的DWI图像、2000的DWI图像和3000的DWI图像。
其中,{b=0的DWI图像,b=x的DWI图像}表示训练样本集合,包含多组训练样本对,每组训练样本对包含分别采用b=0、b=x的DWI序列控制扫描设备对扫描对象进行扫描得到的两幅DWI图像。例如,{b=0的DWI图像,b=1800的DWI图像}中包含多组训练样本对,每组训练样本对包含分别采用b=0、b=1800的DWI序列对扫描对象进行扫描得到的两幅DWI图像。
需要说明的是,图像重建模型训练的数量,每个重建模型输出的DWI图像的b值可根据实际需求自行定义。模型数量不限于上述给出的8个,b值的取值范围不限于上述给出的600~3000,两个模型输出图像的b值的最小差值不限于200。可以理解的,重建模型训练的数量越多,b值范围越广,两个模型输出图像的b值最小差值越小,步骤203中拟合得到的指数模型就越精确,提供的目标b值的cDWI图像与实际扫描的DWI图像的差异越小。
步骤203、对多个图像重建模型分别输出的不同b值的预测加权图像进行指数分布拟合,得到第一指数模型。
由于MR信号随b值的变化符合指数分布,因此本实施例中对图像重建模型输出的预测加权图像DWI的每个像素点的像素值进行指数拟合。将指定的b值输入拟合得到的第一指数模型,即可以得到指定b值的cDWI图像。
在另一个实施例中,进行指数分布拟合时,还加入扫描获得的b=0的DWI图像,也即步骤203中,对多个图像重建模型分别输出的DWI图像以及步骤201获取的b=0的DWI图像共同进行指数分布拟合,以增加指数拟合的样本数量。
步骤204、获取目标b值,并根据第一指数模型和目标b值确定针对目标对象的弥散加权图像。
步骤204中,将目标b值输入第一指数模型,即可得到对应b值的cDWI图像。若输入多个目标b值,即可得到多个b值的cDWI图像,实现动态成像。目标b值也即医护人员指定或期望获取的cDWI图像的b值。
本实施例中,先将扫描得到的b=0的DWI图像,通过多个图像重建模型生成多个不同b值的DWI图像,再对多个b值的DWI图像进行基于指数分布的拟合得到指数模型,将目标b值输入指数模型,即可得到目标b值的cDWI图像。从而,通过引入基于深度学习方法,把单b值的DWI计算问题转化为多b值的cDWI计算问题,进而解决了由于较少b值的DWI图像引起的cDWI计算精度较低的问题。
图3是本发明一示例性实施例示出的一种图像重建时使用的图像重建模型的训练方法的流程图,包括以下步骤:
步骤301、获取多组训练样本对。
其中,每组训练样本对包含b值为0的第三弥散加权图像和与图像重建模型期望输出的DWI图像的b值相同的第四弥散加权图像。
步骤302、针对每组训练样本,将第三弥散加权图像输入生成式对抗网络的生成器,得到生成器输出的待判别图像。
本实施例中,使用生成式对抗GAN网络实现多b值DWI图像的计算。图4是本发明一示例性实施例示出的一种GAN网络的结构示意图,图中G网络(生成器)用于根据b=0的DWI图像(第三弥散加权图像xi)生成预测加权图像(待判别图像y′i)。
步骤303、将待判别图像和第四弥散加权图像输入生成式对抗网络的判别器,得到判别器的判别器输出结果。
参见图4,D网络(判别器)用于判别预测加权图像(待判别图像y′i)和扫描得到的b>0的DWI图像(第四弥散加权图像yi)。判别结果为真(True),输出结果为1;判别结果为假(False),输出结果为0。
步骤304、根据判别器的输出结果确定损失误差。
步骤304中,GAN网络整体的损失函数包括两部分,第一部分是生成网络和判别网络的代价函数LcGAN(G,D),第二部分是模型的正则化项LL1(G),本实施例中采用一阶范数作为正则化项。计算损失误差的损失函数L可以但不限于表示如下:
L=LcGAN(G,D)+λLL1(G);
其中,D(x,y)表示将图像x、y输入判别器,判别器的输出结果;Ex,y~pdata(x,y)[logD(x,y)]表示logD(x,y)的期望;D(x,G(x,z))表示将x、G(x,z)输入判别器,判别器的输出结果;G(x,z)表示将图像x输入生成器,生成器的输出结果;表示log(1-D(x,G(x,z)))的期望。
步骤305、根据损失误差调节生成式对抗网络的网络参数。
重复执行步骤302~步骤305,在每次迭代训练过程中,使用上述损失函数计算的损失误差,调整生成器的网络参数和判别器的网络参数,直至收敛。从而可以得到训练完成的GAN网络(图像重建模型),用于实现从b=0的DWI图像到不同b值的DWI图像的转换。
可以理解的,要想图像重建模型能够生成n种b值的DWI图像,则需搭建n个GAN网络并对n个GAN网络进行训练,模型训练之前需要获取n个训练样本集合。每个训练样本集合用于训练一个神经网络,每个训练样本集包含多组训练样本对,每组训练样本对包含分别采用b=0、b>0的DWI序列对扫描对象进行扫描得到的两幅DWI图像。
以图像重建模型能够生成8种b值的DWI图像为例,b值分别为600、800、1000、1200、1500、1800、2000和3000,则需要获取如下训练样本集合:{b=0的DWI图像,b=600的DWI图像}、{b=0的DWI图像,b=800的DWI图像}、{b=0的DWI图像,b=1000的DWI图像}、{b=0的DWI图像,b=1200的DWI图像}、{b=0的DWI图像,b=1500的DWI图像}、{b=0的DWI图像,b=1800的DWI图像}、{b=0的DWI图像,b=2000的DWI图像}、{b=0的DWI图像,b=3000的DWI图像}。
其中,{b=0的DWI图像,b=x的DWI图像}表示训练样本集合,包含多组训练样本对,每组训练样本对包含分别采用b=0、b=x的DWI序列控制扫描设备对扫描对象进行扫描得到的两幅DWI图像。例如,{b=0的DWI图像,b=1800的DWI图像}中包含多组训练样本对,每组训练样本对包含分别采用b=0、b=1800的DWI序列对扫描对象进行扫描得到的两幅DWI图像。训练样本集合中的训练样本对的数量越多,训练得到的模型越精准。
图5是本发明一示例性实施例示出的另一种图像重建方法的流程图,方法包括以下步骤:
步骤501、分别以b值为零、b值大于零的DWI序列控制扫描设备对目标对象进行扫描,并获取第一弥散加权图像和第二弥散加权图像。
步骤501中,也即分别使用b值为0的DWI序列和任意一个或多个b大于0的DWI序列对目标对象进行扫描,获取b=0的一张第一散加权图像和b>0的至少一张第二弥散加权图像。
步骤502、将第一弥散加权图像输入多个图像重建模型,多个图像重建模型用于对输入的弥散加权图像进行图像重建。
步骤503、对多个图像重建模型分别输出的不同b值的预测加权图像进行指数分布拟合,得到第一指数模型。
其中,步骤502和步骤503的具体实现过程与步骤202和步骤203类似,此处不再赘述。
步骤504、对第一弥散加权图像和第二弥散加权图像进行指数分布拟合,得到第二指数模型。
可以理解的,第一弥散加权图像和第二弥散加权图像为通过扫描实际获得的DWI图像,数量越多,拟合得到的第二指数模型就越精确。而由于受MR扫描时间的限制,在对目标对象扫描的过程中,可仅获取b=0的一张第一散加权图像和b>0的一张第二弥散加权图像,结合第一指数模型,即可得到较精准的结果。
步骤505、获取目标b值,并根据第一指数模型和目标b值确定针对目标对象的弥散加权图像,以及根据第二指数模型和目标b值确定针对目标对象的另一弥散加权图像。
本实施例中的第二指数模型是对通过扫描实际获得的DWI图像拟合得到的。与第一指数模型类似的,将指定的目标b值输入拟合得到的第二指数模型,即可以得到指定b值的cDWI图像。
步骤506、对根据第一指数模型确定的弥散加权图像和根据第二指数模型确定的弥散加权图像进行线性融合处理,得到最终的弥散加权图像。
步骤506中,也即对步骤505得到的两个cDWI图像进行线性加权组合,将目标b值输入第一指数模型得到的cDWI图像记为cDWI1,将目标b值输入第二指数模型得到的cDWI图像记为cDWI2,对cDWI1和cDWI2进行线性融合的表达式表示如下:
cDWI=α×cDWI1+(1-α)×cDWI2;
其中,cDWI为最终的弥散加权图像;系数α可以根据具体情况选择,可以但不限于取α=0.5。
本实施例中,采用两个指数模型确定最终的弥散加权图像,其中一个指数模型由图像重建模型重建出的多个不同b值的DWI图像拟合得到,另一个指数模型由实际扫描的DWI图像拟合得到,将目标b值分别输入两个指数模型,对通过两个指数模型计算出的cDWI图像进行线性融合处理,即可得到质量较高的预期b值的cDWI图像。本实施例中,改善了因扫描得到的b值DWI图像较少引起的指数模型拟合不精确的问题,同时通过对两个cDWI图像进行线性加权组合,改善了cDWI和实际DWI图像差异较大的情况。
在另一个实施例中,对两幅cDWI图像进行线性融合处理之前,首先确定线性融合系数,具体的:确定目标b值与第二弥散加权图像的b值的差值,并根据差值调节线性融合系数。若目标b值与第二弥散加权图像的b值的差值小于系数阈值,线性融合处理过程中,根据第一指数模型确定的弥散加权图像对应的系数小于根据第二指数模型确定的弥散加权图像对应的系数。也即若目标b值与第二弥散加权图像的b值较接近,则设置cDWI1的线性融合系数较小,cDWI2的线性融合系数较大,取α<0.5;若目标b值与第二弥散加权图像的b值的差值较大,则α取值则设置cDWI1的线性融合系数较大,cDWI2的线性融合系数较小,取α>0.5。
与前述图像重建方法实施例相对应,本发明还提供了图像重建装置的实施例。
图6是本发明一示例性实施例示出的一种图像重建装置的模块示意图,装置包括:获取模块61、输入模块62、拟合模块63和确定模块64。
获取模块61用于在以扩散敏感系数为零的弥散加权序列控制扫描设备对目标对象进行扫描的过程中,获取第一弥散加权图像;
输入模块62用于将所述第一弥散加权图像输入多个图像重建模型,所述多个图像重建模型用于对输入的弥散加权图像进行图像重建;
拟合模块63用于对所述多个图像重建模型分别输出的不同扩散敏感系数的预测加权图像进行指数分布拟合,得到第一指数模型;
确定模块64用于获取目标扩散敏感系数,并根据所述第一指数模型和所述目标扩散敏感系数确定针对所述目标对象的弥散加权图像。
可选地,所述获取模块,还用于在以扩散敏感系数大于零的弥散加权序列控制扫描设备对目标对象进行扫描的过程中,获取第二弥散加权图像;
所述拟合模块,还用于对所述第一弥散加权图像和所述第二弥散加权图像进行指数分布拟合,得到第二指数模型;
所述确定模块,还用于根据所述第二指数模型和所述目标扩散敏感系数确定针对所述目标对象的弥散加权图像;
所述图像重建装置还包括:
线性拟合模块,用于对根据所述第一指数模型确定的弥散加权图像和根据所述第二指数模型确定的弥散加权图像进行线性融合处理,得到最终的弥散加权图像。
可选地,所述图像重建装置还包括:
调节模块,用于确定所述目标扩散敏感系数与所述第二弥散加权图像的扩散敏感系数的差值,并根据所述差值调节线性融合处理的线性融合系数。
可选地,若所述目标扩散敏感系数与所述第二弥散加权图像的扩散敏感系数的差值小于系数阈值,线性融合处理过程中,根据所述第一指数模型确定的弥散加权图像对应的线性融合系数小于根据所述第二指数模型确定的弥散加权图像对应的线性融合系数。
可选地,所述图像重建装置还包括模型训练模块,用于:
获取多组训练样本对,每组训练样本对包含扩散敏感系数为零的第三弥散加权图像和扩散敏感系数大于零的第四弥散加权图像;
针对每组训练样本,将所述第三弥散加权图像输入生成式对抗网络的生成器,得到所述生成器输出的待判别图像;
将所述待判别图像和所述第四弥散加权图像输入所述生成式对抗网络的判别器,得到所述判别器的判别器输出结果;
根据所述判别器输出结果确定损失误差;
根据所述损失误差调节所述生成式对抗网络的网络参数。
图7是本发明一示例实施例示出的一种电子设备的结构示意图,示出了适于用来实现本发明实施方式的示例性电子设备70的框图。图7显示的电子设备70仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备70可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备70的组件可以包括但不限于:上述至少一个处理器71、上述至少一个存储器72、连接不同系统组件(包括存储器72和处理器71)的总线73。
总线73包括数据总线、地址总线和控制总线。
存储器72可以包括易失性存储器,例如随机存取存储器(RAM)721和/或高速缓存存储器722,还可以进一步包括只读存储器(ROM)723。
存储器72还可以包括具有一组(至少一个)程序模块724的程序工具725(或实用工具),这样的程序模块724包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器71通过运行存储在存储器72中的计算机程序,从而执行各种功能应用以及数据处理,例如上述任一实施例所提供的方法。
电子设备70也可以与一个或多个外部设备74(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口75进行。并且,模型生成的电子设备70还可以通过网络适配器76与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器76通过总线73与模型生成的电子设备70的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的电子设备70使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例提供的方法步骤。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种图像重建方法,其特征在于,所述图像重建方法包括:
在以扩散敏感系数为零的弥散加权序列控制扫描设备对目标对象进行扫描的过程中,获取第一弥散加权图像;
将所述第一弥散加权图像输入多个图像重建模型,所述多个图像重建模型用于对输入的第一弥散加权图像进行图像重建;
对所述多个图像重建模型分别输出的不同扩散敏感系数的预测加权图像进行指数分布拟合,得到第一指数模型;
获取目标扩散敏感系数,并根据所述第一指数模型和所述目标扩散敏感系数确定针对所述目标对象的弥散加权图像;
所述图像重建方法还包括采用以下步骤对生成式对抗网络进行迭代训练,以得到所述图像重建模型,每次迭代训练的过程包括:
获取多组训练样本对,每组训练样本对包含扩散敏感系数为零的第三弥散加权图像和扩散敏感系数大于零的第四弥散加权图像;
针对每组训练样本对,将所述第三弥散加权图像输入生成式对抗网络的生成器,得到所述生成器输出的待判别图像;
将所述待判别图像和所述第四弥散加权图像输入所述生成式对抗网络的判别器,得到所述判别器的判别器输出结果;
在每次迭代训练过程中,根据所述判别器输出结果确定损失误差;并根据所述损失误差调节所述生成式对抗网络的网络参数;直至收敛;其中,所述生成式对抗网络的网络参数包括:所述生成器的网络参数和所述判别器的网络参数。
2.如权利要求1所述的图像重建方法,其特征在于,所述图像重建方法还包括:
在以扩散敏感系数大于零的弥散加权序列控制扫描设备对目标对象进行扫描的过程中,获取第二弥散加权图像;
对所述第一弥散加权图像和所述第二弥散加权图像进行指数分布拟合,得到第二指数模型;
根据所述第二指数模型确定所述目标扩散敏感系数的弥散加权图像;
对根据所述第一指数模型确定的弥散加权图像和根据所述第二指数模型确定的弥散加权图像进行线性融合处理,得到最终的弥散加权图像。
3.如权利要求2所述的图像重建方法,其特征在于,进行线性融合处理之前,还包括:
确定所述目标扩散敏感系数与所述第二弥散加权图像的扩散敏感系数的差值,并根据所述差值调节线性融合处理的线性融合系数。
4.如权利要求2所述的图像重建方法,其特征在于,若所述目标扩散敏感系数与所述第二弥散加权图像的扩散敏感系数的差值小于系数阈值,线性融合处理过程中,根据所述第一指数模型确定的弥散加权图像对应的线性融合系数小于根据所述第二指数模型确定的弥散加权图像对应的线性融合系数;
其中,根据所述第一指数模型确定的弥散加权图像cDWI1和根据所述第二指数模型确定的弥散加权图像cDWI2进行线性融合的表达式表示如下:
cDWI=α×cDWI1+(1―α)×cDWI2;
其中,cDWI为最终的弥散加权图像;α为根据所述第一指数模型确定的弥散加权图像对应的线性融合系数,1―α为根据所述第二指数模型确定的弥散加权图像对应的线性融合系数。
5.一种图像重建装置,其特征在于,所述图像重建装置包括:
获取模块,用于在以扩散敏感系数为零的弥散加权序列控制扫描设备对目标对象进行扫描的过程中,获取第一弥散加权图像;
输入模块,用于将所述第一弥散加权图像输入多个图像重建模型,所述多个图像重建模型用于对输入的第一弥散加权图像进行图像重建;
拟合模块,用于对所述多个图像重建模型分别输出的不同扩散敏感系数的预测加权图像进行指数分布拟合,得到第一指数模型;
确定模块,用于获取目标扩散敏感系数,并根据所述第一指数模型和所述目标扩散敏感系数确定针对所述目标对象的弥散加权图像;
所述图像重建装置还包括模型训练模块,用于对生成式对抗网络进行迭代训练,以得到所述图像重建模型,每次迭代训练的过程包括:获取多组训练样本对,每组训练样本对包含扩散敏感系数为零的第三弥散加权图像和扩散敏感系数大于零的第四弥散加权图像;针对每组训练样本对,将所述第三弥散加权图像输入生成式对抗网络的生成器,得到所述生成器输出的待判别图像;将所述待判别图像和所述第四弥散加权图像输入所述生成式对抗网络的判别器,得到所述判别器的判别器输出结果;在每次迭代训练过程中,根据所述判别器输出结果确定损失误差;并根据所述损失误差调节所述生成式对抗网络的网络参数;直至收敛;其中,所述生成式对抗网络的网络参数包括:所述生成器的网络参数和所述判别器的网络参数。
6.如权利要求5所述的图像重建装置,其特征在于,
所述获取模块,还用于在以扩散敏感系数大于零的弥散加权序列控制扫描设备对目标对象进行扫描的过程中,获取第二弥散加权图像;
所述拟合模块,还用于对所述第一弥散加权图像和所述第二弥散加权图像进行指数分布拟合,得到第二指数模型;
所述确定模块,还用于根据所述第二指数模型和所述目标扩散敏感系数确定针对所述目标对象的弥散加权图像;
所述图像重建装置还包括:
线性拟合模块,用于对根据所述第一指数模型确定的弥散加权图像和根据所述第二指数模型确定的弥散加权图像进行线性融合处理,得到最终的弥散加权图像。
7.如权利要求6所述的图像重建装置,其特征在于,所述图像重建装置还包括:
调节模块,用于确定所述目标扩散敏感系数与所述第二弥散加权图像的扩散敏感系数的差值,并根据所述差值调节线性融合处理的线性融合系数。
8.如权利要求6所述的图像重建装置,其特征在于,若所述目标扩散敏感系数与所述第二弥散加权图像的扩散敏感系数的差值小于系数阈值,线性融合处理过程中,根据所述第一指数模型确定的弥散加权图像对应的线性融合系数小于根据所述第二指数模型确定的弥散加权图像对应的线性融合系数;
其中,根据所述第一指数模型确定的弥散加权图像cDWI1和根据所述第二指数模型确定的弥散加权图像cDWI2进行线性融合的表达式表示如下:
cDWI=α×cDWI1+(1―α)×cDWI2;
其中,cDWI为最终的弥散加权图像;α为根据所述第一指数模型确定的弥散加权图像对应的线性融合系数,1―α为根据所述第二指数模型确定的弥散加权图像对应的线性融合系数。
9.一种电子设备,包括存储器、处理器及存储在存储器上并在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权利要求1至4中任一项所述的图像重建方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的图像重建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010140387.6A CN111445546B (zh) | 2020-03-03 | 2020-03-03 | 图像重建方法、装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010140387.6A CN111445546B (zh) | 2020-03-03 | 2020-03-03 | 图像重建方法、装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445546A CN111445546A (zh) | 2020-07-24 |
CN111445546B true CN111445546B (zh) | 2023-05-02 |
Family
ID=71650671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010140387.6A Active CN111445546B (zh) | 2020-03-03 | 2020-03-03 | 图像重建方法、装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445546B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419203B (zh) * | 2020-12-07 | 2023-07-25 | 贵州大学 | 基于对抗网络的扩散加权图像压缩感知恢复方法及装置 |
CN113066145B (zh) * | 2021-04-29 | 2023-12-26 | 武汉聚垒科技有限公司 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
CN113838156B (zh) * | 2021-08-27 | 2023-07-14 | 东软医疗系统股份有限公司 | 图像重建方法及系统、存储介质、ct设备 |
US20230270347A1 (en) * | 2022-02-25 | 2023-08-31 | International Business Machines Corporation | Automatic Determination of B-Values from Diffusion-Weighted Magnetic Resonance Images |
CN118115608A (zh) * | 2022-11-24 | 2024-05-31 | 中国科学院深圳先进技术研究院 | 一种快速弥散张量成像方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104095635A (zh) * | 2014-07-28 | 2014-10-15 | 上海理工大学 | 一种利用自回归模型计算磁共振图像表观弥散系数的方法 |
CN108885246A (zh) * | 2015-12-09 | 2018-11-23 | 皇家飞利浦有限公司 | 用于生成高b值处的合成扩散图像的扩散MRI方法 |
JP2018196582A (ja) * | 2017-05-24 | 2018-12-13 | 株式会社日立製作所 | 磁気共鳴イメージング装置及び拡散強調画像の補正方法 |
CN110244249A (zh) * | 2019-03-28 | 2019-09-17 | 上海联影医疗科技有限公司 | 磁共振扫描方法、装置、医学扫描设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6254477B2 (ja) * | 2014-04-09 | 2017-12-27 | ザイオソフト株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
-
2020
- 2020-03-03 CN CN202010140387.6A patent/CN111445546B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104095635A (zh) * | 2014-07-28 | 2014-10-15 | 上海理工大学 | 一种利用自回归模型计算磁共振图像表观弥散系数的方法 |
CN108885246A (zh) * | 2015-12-09 | 2018-11-23 | 皇家飞利浦有限公司 | 用于生成高b值处的合成扩散图像的扩散MRI方法 |
JP2018196582A (ja) * | 2017-05-24 | 2018-12-13 | 株式会社日立製作所 | 磁気共鳴イメージング装置及び拡散強調画像の補正方法 |
CN110244249A (zh) * | 2019-03-28 | 2019-09-17 | 上海联影医疗科技有限公司 | 磁共振扫描方法、装置、医学扫描设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
单指数DWI原理及应用进展;马超等;《中国医学影像技术》;20171220;全文 * |
多b值扩散加权成像双指数模型对HIV早期感染诊断的应用价值研究;吴韦清等;《磁共振成像》;20160420(第04期);全文 * |
正常前列腺组织磁共振弥散加权成像在不同b值下的最优拟合模型研究;智德波等;《磁共振成像》;20150820(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111445546A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445546B (zh) | 图像重建方法、装置、电子设备、存储介质 | |
CN108896943B (zh) | 一种磁共振定量成像方法和装置 | |
CN109805932B (zh) | Mr装置中的自动故障检测 | |
CN107464231B (zh) | 用于确定医学成像的最佳操作参数的系统和方法 | |
Jannin et al. | Validation of medical image processing in image-guided therapy. | |
CN107615089B (zh) | 压缩感知和mri的建模和验证方法 | |
CN104093354A (zh) | 用于评估医学图像的方法和设备 | |
CN108333543B (zh) | 磁共振成像方法和装置 | |
CN112036678A (zh) | 一种磁共振影像的综合质量评价体系构建方法及质控方法 | |
CN111402347A (zh) | 一种基于物联网的新冠肺炎疫情防控系统 | |
CN108742679B (zh) | 结节检测装置和方法 | |
CN111739635A (zh) | 一种用于急性缺血性卒中的诊断辅助模型及图像处理方法 | |
US11443427B2 (en) | MRI post-processing systems and methods | |
US20060054827A1 (en) | Method for quantifying the radioactivity of living structures of small dimensions by employing emission tomography | |
CN112581385B (zh) | 基于多先验约束扩散峰度成像张量估计方法、介质和设备 | |
CN112990266B (zh) | 多模态脑影像数据处理的方法、装置、设备及存储介质 | |
CN111612865B (zh) | 一种基于条件生成对抗网络的mri成像方法及装置 | |
Koch et al. | SHORE‐based detection and imputation of dropout in diffusion MRI | |
CN111462077A (zh) | 一种利用非线性信息熵定征生物组织的方法 | |
WO2022217157A1 (en) | System and method for quantitative magnetic resonance imaging using a deep learning network | |
CN114119453A (zh) | 对磁共振成像中的运动伪影进行自动检测和评分的系统和方法 | |
US20190154782A1 (en) | Method and apparatus for reducing artifacts in a magnetic resonance image dataset | |
CN112712492A (zh) | 确定设备质量的方法、装置、服务器和存储介质 | |
Osika et al. | Harmonization Benchmarking Tool for Neuroimaging Datasets | |
CN117635559B (zh) | 定位异常脑白质所连接灰质皮层的图像处理方法和系统 |
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 |