CN111583354A - 医学图像处理单元的训练方法和医学图像运动估计方法 - Google Patents
医学图像处理单元的训练方法和医学图像运动估计方法 Download PDFInfo
- Publication number
- CN111583354A CN111583354A CN202010382351.9A CN202010382351A CN111583354A CN 111583354 A CN111583354 A CN 111583354A CN 202010382351 A CN202010382351 A CN 202010382351A CN 111583354 A CN111583354 A CN 111583354A
- Authority
- CN
- China
- Prior art keywords
- image
- medical image
- scanning
- flat
- scan
- 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
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 109
- 238000012545 processing Methods 0.000 title claims abstract description 105
- 238000012549 training Methods 0.000 title claims abstract description 104
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 238000003709 image segmentation Methods 0.000 claims abstract description 48
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 11
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000005855 radiation Effects 0.000 description 26
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 210000000056 organ Anatomy 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000004091 panning Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000002429 large intestine Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000001370 mediastinum Anatomy 0.000 description 1
- 238000002156 mixing 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 210000004224 pleura Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000003932 urinary bladder Anatomy 0.000 description 1
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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5264—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种医学图像处理单元的训练方法、医学图像运动估计方法、运动伪影校正方法、医学图像分割方法,以及计算机设备和计算机可读存储介质。其中,该医学图像处理单元的训练方法包括:获取被扫描对象的第一医学图像;根据第一医学图像生成被扫描对象不同扫描角度下的第一平扫图像;生成与每个扫描角度下的第一平扫图像对应的图像处理结果;将第一平扫图像和对应的图像处理结果作为训练样本,训练医学图像处理单元中的人工神经网络。通过本申请,解决了相关技术中难以获得足够的训练样本的问题,实现了快速获得大量训练样本的有益效果。
Description
技术领域
本申请涉及计算机成像领域,特别是涉及一种医学图像处理单元的训练方法、医学图像运动估计方法、运动伪影校正方法、医学图像分割方法,以及计算机设备和计算机可读存储介质。
背景技术
基于人工神经网络的深度学习是近年来兴起的热门技术,在医疗领域中也越来越被广泛地使用。例如,相关技术中使用基于人工神经网络的伪影校正单元、图像超分辨率单元、运动参数估计单元来进行各种医学图像的处理。
人工神经网络的训练需要大量的训练样本。相关技术中通常采用重建图像作为人工神经网络的训练样本。然而,发明人在研究过程中发现,采用重建图像作为训练样本存在下列缺陷:
一方面,由于临床医学数据的保密性,研究人员很难拿到足够的医学数据作为训练样本。
另一方面,由于通常保存的医学图像的生数据的数据量非常大,不仅重建图像的效率低,而且有的生数据缺失,也导致难以重建出想要的重建图像来作为训练样本。
发明内容
本申请实施例提供了一种医学图像处理单元的训练方法、医学图像运动估计方法、运动伪影校正方法、医学图像分割方法,以及计算机设备和计算机可读存储介质,以至少解决相关技术中难以获得足够的训练样本的问题。
第一方面,本申请实施例提供了一种医学图像处理单元的训练方法,应用于包括人工神经网络的医学图像处理单元,包括:获取被扫描对象的第一医学图像;根据所述第一医学图像生成被扫描对象不同扫描角度下的第一平扫图像;生成与每个扫描角度下的所述第一平扫图像对应的图像处理结果;将所述第一平扫图像和对应的图像处理结果作为训练样本,训练所述医学图像处理单元中的人工神经网络。
在其中一些实施例中,所述医学图像处理单元为医学图像运动估计单元;生成与每个扫描角度下的所述第一平扫图像对应的图像处理结果包括:在所述第一医学图像的每个扫描角度下模拟运动,得到第二医学图像;根据所述第二医学图像生成被扫描对象每个扫描角度下的第二平扫图像,并将所述第二平扫图像作为与所述第一平扫图像对应的图像处理结果。
在其中一些实施例中,在所述第一医学图像的每个扫描角度下模拟运动,得到第二医学图像包括:重投影所述第一医学图像,得到所述第一医学图像的投影数据;在所述第一医学图像的投影数据中与所述每个扫描角度对应的投影数据中施加运动影响;根据施加运动影响后的投影数据,重建得到所述第二医学图像。
在其中一些实施例中,将所述第一平扫图像和对应的图像处理结果作为训练样本,训练所述医学图像处理单元中的人工神经网络包括:将所述第二平扫图像作为训练数据,将所述第一平扫图像作为金标准,训练所述医学图像处理单元中的人工神经网络。
在其中一些实施例中,所述医学图像处理单元为医学图像分割单元;生成与每个扫描角度下的所述第一平扫图像对应的图像处理结果包括:在每个扫描角度下的所述第一平扫图像中标注图像分割结果,得到第二平扫图像,并将所述第二平扫图像作为与所述第一平扫图像对应的图像处理结果。
在其中一些实施例中,将所述第一平扫图像和对应的图像处理结果作为训练样本,训练所述医学图像处理单元中的人工神经网络包括:将所述第一平扫图像作为训练数据,将所述第二平扫图像作为金标准,训练所述医学图像处理单元中的人工神经网络。
第二方面,本申请实施例提供了一种医学图像运动估计方法,包括:获取被扫描对象的第三医学图像,并根据所述第三医学图像生成不同扫描角度下的第三平扫图像;使用根据第一方面所述的医学图像处理单元的训练方法训练的医学图像运动估计单元处理所述第三平扫图像,得到消除了所述被扫描对象在不同扫描角度下的运动影响的第四平扫图像;比较所述第三平扫图像和所述第四平扫图像;在所述第三平扫图像和所述第四平扫图像之间的差异大于预设阈值的情况下,确定所述被扫描对象在相应的扫描角度下存在运动。
在其中一些实施例中,比较所述第三平扫图像和所述第四平扫图像包括:将所述第三平扫图像和所述第四平扫图像作差,得到残差图像;根据所述残差图像的平均像素值判断所述第三平扫图像和所述第四平扫图像之间的差异是否大于所述预设阈值。
第三方面,本申请实施例提供了一种运动伪影校正方法,包括:根据第二方面所述的医学图像运动估计方法,确定所述被扫描对象存在运动的扫描角度;在根据所述第三医学图像的投影数据重建图像时,降低所述被扫描对象存在运动的扫描角度对应的投影数据的权重,以校正所述第三医学图像的运动伪影。
第四方面,本申请实施例提了一种医学图像分割方法,包括:获取第四平扫图像;使用根据第一方面所述的医学图像处理单元的训练方法训练的医学图像分割单元处理所述第四平扫图像,得到第五平扫图像,其中,所述第五平扫图像中标注有图像分割结果。
第五方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上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第一方面,和/或第二方面,和/或第三方面,和/或第四方面所述的方法。
第六方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面,和/或第二方面,和/或第三方面,和/或第四方面所述的方法。
相比于相关技术,本申请实施例提供的医学图像处理单元的训练方法、医学图像运动估计方法、运动伪影校正方法、医学图像分割方法,以及计算机设备和计算机可读存储介质,通过获取被扫描对象的第一医学图像;根据第一医学图像生成被扫描对象不同扫描角度下的第一平扫图像;生成与每个扫描角度下的第一平扫图像对应的图像处理结果;将第一平扫图像和对应的图像处理结果作为训练样本,训练医学图像处理单元中的人工神经网络的方式,解决了相关技术中难以获得足够的训练样本的问题,实现了快速获得大量训练样本的有益效果。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的CT系统的结构示意图;
图2是根据本申请实施例的计算机设备的硬件结构示意图;
图3是根据本申请实施例的医学图像处理单元的训练方法的流程图;
图4是根据本申请实施例的医学图像运动估计单元的训练方法的流程图;
图5是根据本申请实施例的医学图像分割单元的训练方法的流程图;
图6是根据本申请实施例的医学图像运动估计方法的流程图;
图7是根据本申请实施例的运动伪影校正方法的流程图;
图8是根据本申请优选实施例的运动伪影校正方法的流程图;
图9是根据本申请优选实施例的平扫图像对被扫描对象的运动影响的示意图;
图10是根据本申请实施例的医学图像分割方法的流程图;
图11是根据本申请优选实施例的剂量调制方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请所涉及的方法、单元、计算机设备或者计算机可读存储介质可用于非侵入成像,如疾病的诊断和研究、工业领域的建筑物探伤等;其所涉及的系统可以包括CT系统、PET系统,还可以包括PET-CT等多模态混合系统。本申请所涉及的方法、单元、计算机设备或者计算机可读存储介质既可以与上述的系统集成在一起,也可以是相对独立的。
下面以CT系统为例对本申请实施例进行描述和说明。
图1是根据本申请实施例的CT系统的结构示意图,如图1所示,CT系统包括CT扫描系统100和计算机设备200。CT扫描系统100包括:检查床110和扫描部件120。其中,检查床110适于承载待检查者。检查床110能够移动,使得待检查者的被扫描对象被移动到适合被检测的位置,例如图1中标示为130的位置。扫描部件120具有射线源121和探测器122。
射线源121可以被配置为对待检查者的被扫描对象发出射线,用以产生医学图像的扫描数据。待检查者的被扫描对象可包括物质、组织、器官、样本、身体,或类似物,或者其他任意组合。在某些实施例中,待检查者的被扫描对象可以包括患者或者其一部分,即可以包括头、胸、肺、胸膜、纵膈、腹、大肠、小肠、膀胱、胆囊、三焦、盆腔、骨干、末端、骨架、血管,或类似物,或其任意组合。射线源121被配置为用于产生射线或其他类型的射线。射线能够穿过待检查者的被扫描对象。穿过待检查者的被扫描对象后被探测器122接收。
射线源121可包括射线发生器。射线发生器可包括一个或多个射线管。射线管可以发射射线或射线束。射线源121可以是X射线球管、冷阴极离子管、高真空热阴极管、旋转阳极管等。发射的射线束的形状可以是线形、窄笔形、窄扇形、扇形、锥形、楔形、或类似物,或不规则形状,或其任何组合。射线束的扇形角度可以是20°至90°范围内的一定值。射线源121中的射线管可以固定在一个位置。在某些情况下,可以平移或旋转射线管。
探测器122可配置为接收来自射线源121或其他辐射源的射线。来自射线源121的射线可以穿过待检查者,然后到达探测器122。接收射线之后,探测器122产生蕴含待检查者的射线图像的探测结果。探测器122包括射线检测器或者其他部件。射线检测器的形状可以是扁平、弓形、圆形、或类似物,或其任意组合。弓形检测器的扇形角度范围可以是20°至90°。扇形角度可固定或者根据不同的情况可调。不同的情况包括期望的图像分辨率、图像大小、检测器的灵敏度、检测器的稳定性、或类似物,或其任意组合。在一些实施例中,检测器的像素可以是最小检测单元的数量,例如检测器单元的数量(例如,闪烁体或光电传感器等)。检测器的像素可以布置成单行、双行或另一数目的行。
计算机设备200包括扫描控制装置和图像生成装置。其中,扫描控制装置被配置为控制检查床110和扫描部件120进行扫描。图像生成装置用于根据探测器122的探测结果生成医学图像。
由于扫描部件120在进行扫描时往往会发出射线,因此在一些实施例中,为了避免CT系统的操作者暴露在这些辐射下,可以将计算机设备200设置在与扫描部件120不同的房间内,使得CT系统的操作者可以处在另外的房间内,避免受到射线照射,并能够通过计算机设备200生成以及观察扫描结果。
图2是根据本申请实施例的计算机设备的硬件结构示意图,如图2所示,本实施例的计算机设备包括处理器211、存储有计算机程序指令的存储器212。
上述处理器211可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
一方面,在其中一些实施例中,处理器211可以被配置为执行医学图像处理单元的训练方法。
在其中一些实施例中,处理器211被配置为:获取被扫描对象的第一医学图像;根据第一医学图像生成被扫描对象不同扫描角度下的第一平扫图像;生成与每个扫描角度下的第一平扫图像对应的图像处理结果;将第一平扫图像和对应的图像处理结果作为训练样本,训练医学图像处理单元中的人工神经网络。
在其中一些实施例中,医学图像处理单元为医学图像运动估计单元;处理器211被配置为:在第一医学图像的每个扫描角度下模拟运动,得到第二医学图像;根据第二医学图像生成被扫描对象每个扫描角度下的第二平扫图像,并将第二平扫图像作为与第一平扫图像对应的图像处理结果。
在其中一些实施例中,处理器211被配置为:重投影第一医学图像,得到第一医学图像的投影数据;在第一医学图像的投影数据中与每个扫描角度对应的投影数据中施加运动影响;根据施加运动影响后的投影数据,重建得到第二医学图像。
在其中一些实施例中,处理器211被配置为:将第二平扫图像作为训练数据,将第一平扫图像作为金标准,训练医学图像处理单元中的人工神经网络。
在其中一些实施例中,医学图像处理单元为医学图像分割单元;处理器211被配置为:在每个扫描角度下的第一平扫图像中标注图像分割结果,得到第二平扫图像,并将第二平扫图像作为与第一平扫图像对应的图像处理结果。
在其中一些实施例中,处理器211被配置为:将第一平扫图像作为训练数据,将第二平扫图像作为金标准,训练医学图像处理单元中的人工神经网络。
另一方面,在其中一些实施例中,处理器211可以被配置为执行医学图像运动估计方法。
在其中一些实施例中,处理器211被配置为:获取被扫描对象的第三医学图像,并根据第三医学图像生成不同扫描角度下的第三平扫图像;使用医学图像运动估计单元处理第三平扫图像,得到消除了被扫描对象在不同扫描角度下的运动影响的第四平扫图像;比较第三平扫图像和第四平扫图像;在第三平扫图像和第四平扫图像之间的差异大于预设阈值的情况下,确定被扫描对象在相应的扫描角度下存在运动。
在其中一些实施例中,处理器211被配置为:将第三平扫图像和第四平扫图像作差,得到残差图像;根据残差图像的平均像素值判断第三平扫图像和第四平扫图像之间的差异是否大于预设阈值。
再一方面,在其中一些实施例中,处理器211可以被配置为执行运动伪影校正方法。
在其中一些实施例中,处理器211被配置为:根据医学图像运动估计方法,确定被扫描对象存在运动的扫描角度;
在根据第三医学图像的投影数据重建图像时,降低被扫描对象存在运动的扫描角度对应的投影数据的权重,以校正第三医学图像的运动伪影。
又一方面,在其中一些实施例中,处理器211可以被配置为执行医学图像分割方法。
在其中一些实施例中,处理器211被配置为获取第四平扫图像;使用医学图像分割单元处理第四平扫图像,得到第五平扫图像,其中,第五平扫图像中标注有图像分割结果。
存储器212可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器212可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器212可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器212可在数据处理装置的内部或外部。在特定实施例中,存储器212是非易失性(Non-Volatile)存储器。在特定实施例中,存储器212包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(Random Access Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(ErasableProgrammable Read-Only Memory,简称为EPROM)、电可擦除PROM(Electrically ErasableProgrammable Read-Only Memory,简称为EEPROM)、电可改写ROM(ElectricallyAlterable Read-Only Memory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-AccessMemory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode DynamicRandom Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDate Out Dynamic Random Access Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器212可以用来存储或者缓存需要处理和/或通信使用的各种数据文件(例如医学图像、投影数据、操作系统、运动估计单元、人工神经网络等),以及处理器211所执行的可能的计算机程序指令。
处理器211通过读取并执行存储器212中存储的计算机程序指令,以实现本申请实施例的医学图像处理单元的训练方法、医学图像运动估计方法、运动伪影校正方法、医学图像分割方法中的一种或者多种方法。
在其中一些实施例中,计算机设备还可包括通信接口213、显示设备214和总线210。其中,如图2所示,处理器211、存储器212、通信接口213、显示设备214通过总线210连接并完成相互间的通信。
通信接口213用于实现本实施例中各模块、装置、单元和/或设备之间的通信。通信接口213还可以实现与其他部件例如:外接设备、医学图像扫描设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线210包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线210包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线210可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线210可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本实施例提供的医学图像处理单元的训练方法、医学图像运动估计方法、运动伪影校正方法、医学图像分割方法中的一种或者多种方法。
本实施例提供了一种医学图像处理单元的训练方法,应用于包括人工神经网络的医学图像处理单元。图3是根据本申请实施例的医学图像处理单元的训练方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301,获取被扫描对象的第一医学图像。
其中,第一医学图像包括对扫描对象进行扫描得到生数据,并根据生数据重建得到的医学图像。该医学图像可以是CT图像,也可以是PET图像。第一医学图像可以是从诸如CT系统、PET系统或PET-CT系统等成像系统实时获取的,也可以是从医学图像库中获取的。
步骤S302,根据第一医学图像生成被扫描对象不同扫描角度下的第一平扫图像。
本申请实施例的平扫图像(topography),又被称为定位图或者监视图(Scoutview)。平扫图像可以通过将球管固定在某个扫描角度的情况下进行扫描,由计算机生成数码图像(Computed Radiography,简称为CR)。平扫图像也可以采用医学图像运用topography图像生成算法生成。平扫图像类似普通X线照片,但清晰度高很多。在相关技术中,平扫图像主要做CT扫描计划线标示用,如显示扫描部位、体位、倾斜角、层厚、层距、扫描方向和次数等;也可不标计划线而用作高清晰度照片,同样有诊断意义。
由于根据同一医学图像,每个扫描角度都有对应的平扫图像,因此,通过改变扫描角度,能够得到大量的平扫图像。以2400个扫描角度为例,同一医学图像围绕其横断面逐一改变其扫描角度就能够得到2400张平扫图像;再围绕其冠状面或者矢状面逐一改变其扫描角度又能够得到4800张平扫图像。这样,同一医学图像就能够得到7200张平扫图像。因此,通过本申请实施例能够快捷、简便地获得大量的平扫图像来作为训练样本。如果使用更多的医学图像来生成平扫图像,所得到的平扫图像的数量将更多。
步骤S303,生成与每个扫描角度下的第一平扫图像对应的图像处理结果。
步骤S304,将第一平扫图像和对应的图像处理结果作为训练样本,训练医学图像处理单元中的人工神经网络。
在上述步骤S303和步骤S304中,根据医学图像处理单元的任务的不同,可以使用不同的处理方法生成与平扫图像对应的图像处理结果。例如,当医学图像处理单元是被训练为估计被扫描对象的运动时,则生成在被扫描对象运动情况下的图像处理结果;该图像处理结果可以是叠加了运动影响的平扫图像,也可以是用于标注被扫描对象是否存在运动的标签。又例如,当医学图像处理单元是被训练为进行医学图像分割时,则生成图像分割结果;该图像分割结果可以是在平扫图像上增加标注框的图像,也可以是用于表示标注框位置的其他信息,例如标注框坐标信息。
通过上述步骤S301~步骤S304,使用平扫图像作为人工神经网络的训练数据,解决了相关技术中难以获得足够的训练样本的问题,实现了快速获得大量训练样本的有益效果。
在本申请实施例中,采用以人工神经网络为基础的医学图像处理单元的另一个优势还在于在训练得到人工神经网络之后,可以非常方便地将人工神经网络移植或者复制到其他的系统中,执行相同的任务。
本实施例的医学图像处理单元还可以包括预处理模块,用于预处理输入的平扫图像。例如,预处理模块提取平扫图像进行图像分割,或者提取平扫图像的感兴趣区域,或者裁剪或缩放平扫图像的尺寸,降低平扫图像的分辨率等。此外,在本实施例中,预处理模块还用于将平扫图像转换为人工神经网络能够处理的数据格式,例如,将平扫图像转换为张量数据,以便平扫图像能够被使用TensorFlow框架实现的人工神经网络处理。医学图像处理单元中的人工神经网络通过处理平扫图像的张量数据,得到训练结果。
在本实施例中,医学图像处理单元中的人工神经网络可以是已知的任意一种人工神经网络或者已知的人工神经网络的变形或者进一步进化,例如人工神经网络可以包括但不限于以下至少之一:卷积神经网络、循环神经网络、深度强化学习神经网络、生成对抗神经网络、深度信念神经网络。
在本申请实施例中,不限制训练神经网络是采用监督学习还是无监督学习。在本实施例中,优选采用监督学习方式训练人工神经网络。在监督学习方式训练人工神经网络时,使用训练数据以及该训练数据对应的标签(或者图像处理结果)作为一组数据对人工神经网络进行训练,并通过梯度下降算法和误差反向传播更新人工神经网络的参数,直至人工神经网络预测到的训练数据的标签与训练数据对应的标签的误差小于预期(称为参数收敛),即得到训练完备的人工神经网络。其中,标签又被称为金标准。
在其中一些实施例中,医学图像处理单元为医学图像运动估计单元,用于估计医学图像的运动参数。图4是根据本申请实施例的医学图像运动估计单元的训练方法的流程图,如图4所示,该流程包括如下步骤:
步骤S401,获取被扫描对象的第一医学图像。
其中,第一医学图像包括对扫描对象进行扫描得到生数据,并根据生数据重建得到的医学图像。该医学图像可以是CT图像,也可以是PET图像。第一医学图像可以是从诸如CT系统、PET系统或PET-CT系统等成像系统实时获取的,也可以是从医学图像库中获取的。
步骤S402,根据第一医学图像生成被扫描对象不同扫描角度下的第一平扫图像。
本申请实施例的平扫图像可以通过将球管固定在某个扫描角度的情况下进行扫描,由计算机生成数码图像。平扫图像也可以采用医学图像运用topography图像生成算法生成。
步骤S403,在第一医学图像的每个扫描角度下模拟运动,得到第二医学图像。
在步骤S403中,可以采用计算机模拟的方法在第一医学图像的每个扫描角度下模拟运动。例如,重投影第一医学图像,得到第一医学图像的投影数据;在第一医学图像的投影数据中与每个扫描角度对应的投影数据中施加运动影响;根据施加运动影响后的投影数据,重建得到第二医学图像。
步骤S404,根据第二医学图像生成被扫描对象每个扫描角度下的第二平扫图像,并将第二平扫图像作为与第一平扫图像对应的图像处理结果。
在步骤S404中,第二平扫图像也可以采用医学图像运用topography图像生成算法生成。
步骤S405,将第一平扫图像和对应的图像处理结果作为训练样本,训练医学图像运动估计单元中的人工神经网络。
例如,将第二平扫图像作为训练数据,将第一平扫图像作为金标准,训练医学图像处理单元中的人工神经网络。在本实施例中采用监督学习方式训练人工神经网络。在监督学习方式训练人工神经网络时,使用第二平扫图像作为训练数据以及该第二平扫图像对应的第一平扫图像作为金标准;将第二平扫图像和第一平扫图像作为一组数据对人工神经网络进行训练,并通过梯度下降算法和误差反向传播更新人工神经网络的参数,直至人工神经网络预测到的平扫图像与第一平扫图像的误差小于预期(称为参数收敛),即得到训练完备的人工神经网络。
在其中一些实施例中,医学图像处理单元为医学图像分割单元,用于分割医学图像中的器官和组织。图5是根据本申请实施例的医学图像分割单元的训练方法的流程图,如图5所示,该流程包括如下步骤:
步骤S501,获取被扫描对象的第一医学图像。
其中,第一医学图像包括对扫描对象进行扫描得到生数据,并根据生数据重建得到的医学图像。该医学图像可以是CT图像,也可以是PET图像。第一医学图像可以是从诸如CT系统、PET系统或PET-CT系统等成像系统实时获取的,也可以是从医学图像库中获取的。
步骤S502,根据第一医学图像生成被扫描对象不同扫描角度下的第一平扫图像。
本申请实施例的平扫图像可以通过将球管固定在某个扫描角度的情况下进行扫描,由计算机生成数码图像。平扫图像也可以采用医学图像运用topography图像生成算法生成。
步骤S503,在每个扫描角度下的第一平扫图像中标注图像分割结果,得到第二平扫图像,并将第二平扫图像作为与第一平扫图像对应的图像处理结果。
其中,该图像分割结果可以是在平扫图像上增加标注框的图像,也可以是用于不表示标注框位置的其他信息,例如标注框坐标信息。
步骤S504,将第一平扫图像和对应的图像处理结果作为训练样本,训练医学图像分割单元中的人工神经网络。
例如,将第一平扫图像作为训练数据,将第二平扫图像作为金标准,训练医学图像分割单元中的人工神经网络。在本实施例中采用监督学习方式训练人工神经网络。在监督学习方式训练人工神经网络时,使用第一平扫图像作为训练数据以及该第二平扫图像作为金标准;将第一平扫图像和第二平扫图像作为一组数据对人工神经网络进行训练,并通过梯度下降算法和误差反向传播更新人工神经网络的参数,直至人工神经网络预测到的平扫图像与第二平扫图像的误差小于预期(称为参数收敛),即得到训练完备的人工神经网络。
本实施例还提供了一种医学图像运动估计方法。该医学图像运动估计方法基于图4所示的训练方法训练得到的医学图像运动估计单元来实现医学图像的运动估计。图6是根据本申请实施例的医学图像运动估计方法的流程图,如图6所示,该流程包括如下步骤:
步骤S601,获取被扫描对象的第三医学图像,并根据第三医学图像生成不同扫描角度下的第三平扫图像。
步骤S602,使用医学图像运动估计单元处理第三平扫图像,得到消除了被扫描对象在不同扫描角度下的运动影响的第四平扫图像。
步骤S603,比较第三平扫图像和第四平扫图像。
步骤S604,在第三平扫图像和第四平扫图像之间的差异大于预设阈值的情况下,确定被扫描对象在相应的扫描角度下存在运动。
由于图4所示的训练方法训练得到的医学图像运动估计单元被训练为消除输入的平扫图像中因被扫描对象的运动导致的影响,因此,如果输入的第三平扫图像与医学图像运动估计单元处理后输出的第四平扫图像之间的差异小于预设阈值,则说明第三平扫图像中几乎没有因被扫描对象的运动导致的影响。如果输入的第三平扫图像与医学图像运动估计单元处理后输出的第四平扫图像之间的差异大于预设阈值,则说明第三平扫图像中存在因被扫描对象的运动导致的影响,也即在对应的扫描角度下,被扫描对象存在运动。因此,在上述实施例中可以通过比较第三平扫图像和第四平扫图像之间的差异来确定被扫描对象在相应的扫描角度下是否存在运动。
在其中一些实施例中,可以通过第三平扫图像和第四平扫图像的残差图像来判断二者之间的差异大小。例如,将第三平扫图像和第四平扫图像作差,得到残差图像;根据残差图像的平均像素值判断第三平扫图像和第四平扫图像之间的差异是否大于预设阈值。其中,如果残差图像的平均像素值大于预设阈值,则说明第三平扫图像和第四平扫图像存在较大差异,也就说明在对应的扫描角度下被扫描对象存在运动。
基于图6所示的医学图像运动估计方法,本实施例还提供了一种运动伪影校正方法。图7是根据本申请实施例的运动伪影校正方法的流程图,如图7所示,该流程包括如下步骤:
步骤S701,根据医学图像运动估计方法,确定被扫描对象存在运动的扫描角度。
由于图6所示的医学图像运动估计方法能够根据相应扫描角度的平扫图像确定该扫描角度下被扫描对象是否存在运动。因此,在本实施例中将各个扫描角度下获得的平扫图像采用上述的医学图像运动估计方法处理,就能够分辨出那些扫描角度下被扫描对象存在运动。
步骤S702,在根据第三医学图像的投影数据重建图像时,降低被扫描对象存在运动的扫描角度对应的投影数据的权重,以校正第三医学图像的运动伪影。
以CT扫描为例,CT图像扫描时通常使用0~180°扫描角度的生数据或者投影数据来重建CT图像,但是少于180°扫描角度的数据也能够重建得到CT图像。尤其是采用螺旋扫描的CT图像数据能够覆盖360°扫描角度,在进行图像重建时,选择性地将存在运动的扫描角度对应的投影数据的权重降低,不仅能够降低重建得到的医学图像中的运动伪影,也不会导致医学图像的分辨率下降或者明显下降。
图8是根据本申请优选实施例的运动伪影校正方法的流程图,如图8所示,该流程包括如下步骤:
步骤S801,获取无运动的重建图像。
步骤S802,将重建图像正头后在扫描角度(view)方向加入运动参数。
步骤S803,重建图像后,运动模拟平台生成不同扫描角度存在运动的平扫图像。
步骤S804,运用模拟平台生成无运动的重建图像对应的平扫图像作为金标准。
步骤S805,将步骤S803和步骤S804得到的平扫图像作为训练样本,训练得到医学图像运动估计单元。
步骤S806,获取待估计运动的重建图像,并使用模拟平台生成该待估计运动的重建图像的各个扫描角度的平扫图像。
步骤S807,将步骤S806得到的平扫图像一一输入到医学图像运动估计单元中,分别得到对应的无运动的平扫图像。
步骤S808,比较输入医学图像运动估计单元的平扫图像和医学图像运动估计单元输出的平扫图像,确定被扫描对象存在运动的扫描角度,并进行运动伪影校正。
在临床诊断中,经常由于患者的头部和心脏的运动导致重建出来的图像有运动伪影,这严重的影响医生的诊断。随着神经网络的快速发展,通过网络训练来解决运动伪影校正也成为一种可能,而网络训练需要大量的数据才有比较好的结果,因此训练的数据准备就尤为重要。在临床中,由于一些后处理的方法,很难收集到很多运动伪影的图像来训练。通过本申请实施例解决了网络训练数据不足的问题,可以获取模拟不同方向运动的平扫图像用来网络训练。
为了验证平扫图像和被扫描对象的运动的联系,在本优选实施例中模拟了两套图像,一套图像是加了运动参数的有运动伪影的医学图像,另一套是没加运动参数的医学图像。对这两套医学图像分别生成各个扫描角度下的平扫图像来对比,观察不同扫描角度的平扫图像对比情况。图9是根据本申请优选实施例的平扫图像对被扫描对象的运动影响的示意图,图9中的(a)是根据第一套图生成的扫描角度为135°时模拟得到的平扫图像,(b)是(a)图减去经过医学图像运动估计单元处理后的(a)图后得到的残差图像,可以看出,(a)、(b)两图的差异很小;图9中的(c)是根据第一套图生成的扫描角度为0°时模拟得到的平扫图像,(d)是图(c)减去根据第二套图生成的扫描角度为0°时模拟得到的平扫图像得到的残差图像,可以看出,(c)、(d)两图的差异较大,这说明被扫描对象的运动会在平扫图像中产生影响。
通过上述的实施例,可以模拟出不同体位、不同扫描角度的运动平扫图像,给人工神经网络的训练数据准备提供支持;用于生成平扫图像的模拟运动的平台计算快,特别适合处理全身CT等大数据的运动模拟;利用不同扫描角度的平扫图像可以判断哪些扫描角度下被扫描对象存在运动。
基于由图5所示的医学图像处理单元的训练方法训练得到医学图像分割单元,在本实施例中还提供了一种医学图像分割方法。图10是根据本申请实施例的医学图像分割方法的流程图,如图10所示,该流程包括如下步骤:
步骤S1001,获取第四平扫图像。
步骤S1002,使用医学图像分割单元处理第四平扫图像,得到第五平扫图像,其中,第五平扫图像中标注有图像分割结果。
在影像医疗诊断产品的设计中,工程师们经常需要考虑不同器官的剂量问题,以免造成患者承受大量不必要的剂量辐射,特别是X射线的辐射,同时不同器官的剂量不同,得到的投影数据不同,重建的结果也会更加的符合临床的需求,因此,就需要得到准确的不同器官分割的结果。
目前用于图像分割的神经网络训练的数据准备方法有很多,比如:利用阈值分割图像作为网络的金标准,利用图像边缘信息分割图像作为网络的金标准等,但由于针对临床数据的保护性,数据比较缺少,准备的数据不够充分,同时由于医学投影数据非常之大,重建出图像很慢,而有时候由于投影数据的缺失,得不到想要的重建图像,这就对训练数据得不到充足的保障。
采用本申请实施例提供的训练方法,只需要一套或者数套重建图像。其中,每套重建图像可以包括不同体位的图像,例如,头部先进入扫描区域的仰卧、俯卧、左侧卧、右侧卧四种体位,或者脚部先进入扫描区域的仰卧、俯卧、左侧卧、右侧卧四种体位,共八种体位。通过对具有这八种体位的重建图像,按照不同参数的设定来生成不同扫描角度的平扫图像,就能够得到不同体位、不同角度的平扫图像,从而为人工神经网络的训练得到更加充足的数据准备,保障后处理数据的准确性。本实施例的训练方法可以应用于任何类似的训练模型。在本实施例中,利用图像数据就可以得到不同体位准确的平扫图像,然后通过人工神经网络训练出不同体位、不同器官的分割图,用于后处理的显示和相关算法的需求上。
相对于相关技术中采用其他的数据作为人工神经网络的训练数据的方案而言,本申请实施例无需扫描大量的数据,就可以得到充足的训练数据;本申请实施例只需要有一套图像数据就可以得到不同角度的大量平扫图像,提供给基于人工神经网络的医学图像分割单元的网络数据更充分。
此外,以PET-CT为例,由于扫描得到的生数据非常之大,往往导致后期需要处理时,生数据可能存在缺失。然而,针对全身的PET-CT需要对于每个部位用不同的剂量,而一般全身的平扫图像的数据是比较缺少的,为了用于神经网络去训练出比较好的图像分割图像,就需要大量的训练数据。在本申请实施例中,通过全身的医学图像,采用模拟平台生成不同扫描角度的平扫图像,可以解决没有生数据或者生数据缺失但需要这组数据的平扫图像来训练的问题。并且,本实施例的模拟平台只需要一台模拟PC机就可以实现,基于相关技术中已知的平扫图像模拟算法,就能够快速的生成平扫图像,不需要借助其他的工具。
上述的医学图像分割方法可以应用于医学扫描中的示踪剂剂量调制。图11是根据本申请优选实施例的剂量调制方法的流程图,如图11所示,该流程包括如下步骤:
步骤S1101,获取一套或者数套全身或者半身的医学图像数据。
步骤S1102,使用模拟平台生成不同扫描角度的平扫图像。
步骤S1103,在平扫图像上人工标注器官标记;
步骤S1104,使用该平扫图像和人工标注的器官标记训练医学图像分割单元。
步骤S1105,在进行扫描前,首先使用CT系统固定球管的扫描角度进行平扫,得到全身或半身平扫图像。
步骤S1106,将全身或半身平扫图像输入到步骤S1104训练得到的医学图像分割单元中,得到图像分割结果。
步骤S1107,根据图像分割结果,进行PET扫描的示踪剂剂量调制。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种医学图像处理单元的训练方法,应用于包括人工神经网络的医学图像处理单元,其特征在于包括:
获取被扫描对象的第一医学图像;
根据所述第一医学图像生成被扫描对象不同扫描角度下的第一平扫图像;
生成与每个扫描角度下的所述第一平扫图像对应的图像处理结果;
将所述第一平扫图像和对应的图像处理结果作为训练样本,训练所述医学图像处理单元中的人工神经网络。
2.根据权利要求1所述的方法,其特征在于,所述医学图像处理单元为医学图像运动估计单元;生成与每个扫描角度下的所述第一平扫图像对应的图像处理结果包括:
在所述第一医学图像的每个扫描角度下模拟运动,得到第二医学图像;
根据所述第二医学图像生成被扫描对象在每个扫描角度下的第二平扫图像,并将所述第二平扫图像作为与所述第一平扫图像对应的图像处理结果。
3.根据权利要求2所述的方法,其特征在于,在所述第一医学图像的每个扫描角度下模拟运动,得到第二医学图像包括:
重投影所述第一医学图像,得到所述第一医学图像的投影数据;
在所述第一医学图像的投影数据中与所述每个扫描角度对应的投影数据中施加运动影响;
根据施加运动影响后的投影数据,重建得到所述第二医学图像。
4.根据权利要求2所述的方法,其特征在于,将所述第一平扫图像和对应的图像处理结果作为训练样本,训练所述医学图像处理单元中的人工神经网络包括:
将所述第二平扫图像作为训练数据,将所述第一平扫图像作为金标准,训练所述医学图像处理单元中的人工神经网络。
5.根据权利要求1所述的方法,其特征在于,所述医学图像处理单元为医学图像分割单元;生成与每个扫描角度下的所述第一平扫图像对应的图像处理结果包括:
在每个扫描角度下的所述第一平扫图像中标注图像分割结果,得到第二平扫图像,并将所述第二平扫图像作为与所述第一平扫图像对应的图像处理结果。
6.根据权利要求5所述的方法,其特征在于,将所述第一平扫图像和对应的图像处理结果作为训练样本,训练所述医学图像处理单元中的人工神经网络包括:
将所述第一平扫图像作为训练数据,将所述第二平扫图像作为金标准,训练所述医学图像处理单元中的人工神经网络。
7.一种医学图像运动估计方法,其特征在于包括:
获取被扫描对象的第三医学图像,并根据所述第三医学图像生成不同扫描角度下的第三平扫图像;
使用根据权利要求2至4中任一项所述的医学图像处理单元的训练方法训练的医学图像运动估计单元处理所述第三平扫图像,得到消除了所述被扫描对象在不同扫描角度下的运动影响的第四平扫图像;
比较所述第三平扫图像和所述第四平扫图像;
在所述第三平扫图像和所述第四平扫图像之间的差异大于预设阈值的情况下,确定所述被扫描对象在相应的扫描角度下存在运动。
8.根据权利要求7所述的方法,其特征在于,比较所述第三平扫图像和所述第四平扫图像包括:
将所述第三平扫图像和所述第四平扫图像作差,得到残差图像;
根据所述残差图像的平均像素值判断所述第三平扫图像和所述第四平扫图像之间的差异是否大于所述预设阈值。
9.一种运动伪影校正方法,其特征在于包括:
根据权利要求7或8所述的医学图像运动估计方法,确定所述被扫描对象存在运动的扫描角度;
在根据所述第三医学图像的投影数据重建图像时,降低所述被扫描对象存在运动的扫描角度对应的投影数据的权重,以校正所述第三医学图像的运动伪影。
10.一种医学图像分割方法,其特征在于包括:
获取第四平扫图像;
使用根据权利要求5或6所述的医学图像处理单元的训练方法训练的医学图像分割单元处理所述第四平扫图像,得到第五平扫图像,其中,所述第五平扫图像中标注有图像分割结果。
11.一种计算机设备,包括存储器、处理器以及存储在所述存储器上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6中任一项所述的医学图像处理单元的训练方法,和/或权利要求7或8所述的医学图像运动估计方法,和/或权利要求9所述的运动伪影校正方法,和/或权利要求10所述的医学图像分割方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6中任一项所述的医学图像处理单元的训练方法,和/或权利要求7或8所述的医学图像运动估计方法,和/或权利要求9所述的运动伪影校正方法,和/或权利要求10所述的医学图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010382351.9A CN111583354B (zh) | 2020-05-08 | 2020-05-08 | 医学图像处理单元的训练方法和医学图像运动估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010382351.9A CN111583354B (zh) | 2020-05-08 | 2020-05-08 | 医学图像处理单元的训练方法和医学图像运动估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583354A true CN111583354A (zh) | 2020-08-25 |
CN111583354B CN111583354B (zh) | 2024-01-02 |
Family
ID=72112140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010382351.9A Active CN111583354B (zh) | 2020-05-08 | 2020-05-08 | 医学图像处理单元的训练方法和医学图像运动估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583354B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658116A (zh) * | 2021-07-30 | 2021-11-16 | 戴建荣 | 一种生成不同体位医学图像的人工智能方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060315A (zh) * | 2019-04-22 | 2019-07-26 | 深圳安科高技术股份有限公司 | 一种基于人工智能的图像运动伪影消除方法及系统 |
WO2019200349A1 (en) * | 2018-04-13 | 2019-10-17 | General Electric Company | Systems and methods for training a deep learning model for an imaging system |
CN110348515A (zh) * | 2019-07-10 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 图像分类方法、图像分类模型训练方法及装置 |
US20200094074A1 (en) * | 2018-09-21 | 2020-03-26 | Wisconsin Alumni Research Foundation | System and Method for Reconstructing Image Volumes from Sparse Two-Dimensional Projection Data |
EP3629294A1 (en) * | 2018-09-27 | 2020-04-01 | Siemens Healthcare GmbH | Method of providing a training dataset |
-
2020
- 2020-05-08 CN CN202010382351.9A patent/CN111583354B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019200349A1 (en) * | 2018-04-13 | 2019-10-17 | General Electric Company | Systems and methods for training a deep learning model for an imaging system |
US20200094074A1 (en) * | 2018-09-21 | 2020-03-26 | Wisconsin Alumni Research Foundation | System and Method for Reconstructing Image Volumes from Sparse Two-Dimensional Projection Data |
EP3629294A1 (en) * | 2018-09-27 | 2020-04-01 | Siemens Healthcare GmbH | Method of providing a training dataset |
CN110060315A (zh) * | 2019-04-22 | 2019-07-26 | 深圳安科高技术股份有限公司 | 一种基于人工智能的图像运动伪影消除方法及系统 |
CN110348515A (zh) * | 2019-07-10 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 图像分类方法、图像分类模型训练方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658116A (zh) * | 2021-07-30 | 2021-11-16 | 戴建荣 | 一种生成不同体位医学图像的人工智能方法和系统 |
CN113658116B (zh) * | 2021-07-30 | 2023-09-15 | 戴建荣 | 一种生成不同体位医学图像的人工智能方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111583354B (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741284B (zh) | 用于校正pet成像中由呼吸运动引起的失配的系统和方法 | |
CN109035355B (zh) | 用于pet图像重建的系统和方法 | |
EP3161785B1 (en) | System and method for image composition | |
CN111462168B (zh) | 运动参数估计方法和运动伪影校正方法 | |
CN107115119B (zh) | Pet图像衰减系数的获取方法、衰减校正的方法及系统 | |
US10143433B2 (en) | Computed tomography apparatus and method of reconstructing a computed tomography image by the computed tomography apparatus | |
US8655040B2 (en) | Integrated image registration and motion estimation for medical imaging applications | |
US10593022B2 (en) | Medical image processing apparatus and medical image diagnostic apparatus | |
US20110284751A1 (en) | Nuclear image reconstruction | |
CN111627083B (zh) | 骨硬化伪影校正方法、装置、计算机设备和可读存储介质 | |
US20220313176A1 (en) | Artificial Intelligence Training with Multiple Pulsed X-ray Source-in-motion Tomosynthesis Imaging System | |
US10013778B2 (en) | Tomography apparatus and method of reconstructing tomography image by using the tomography apparatus | |
CN115937410B (zh) | 口腔全景图生成方法、装置、电子设备及存储介质 | |
KR20110136487A (ko) | 의료용 융합영상 획득장치 및 획득방법 | |
CN111583354B (zh) | 医学图像处理单元的训练方法和医学图像运动估计方法 | |
JP2016168120A (ja) | 医用画像処理装置および医用画像処理装置における画像表示制御方法 | |
CN113520416A (zh) | 一种用于生成对象二维图像的方法和系统 | |
CN110473241A (zh) | 图像配准方法、存储介质及计算机设备 | |
KR101350496B1 (ko) | 광자감쇠지도 생성 방법 및 mri 융합영상시스템 | |
US20220414832A1 (en) | X-ray imaging restoration using deep learning algorithms | |
KR102387403B1 (ko) | 잘림 아티팩트 저감 프로젝션 데이터 보정방법 | |
JP2010075443A (ja) | 断層像処理装置、x線ct装置およびプログラム | |
EP3809376A2 (en) | Systems and methods for visualizing anatomical structures | |
WO2012157406A1 (ja) | 画像解析装置、プログラム、及び画像撮像装置 | |
JP2011036684A (ja) | コンピュータ支援画像診断システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |