CN111681297A - 图像重建方法、计算机设备和存储介质 - Google Patents
图像重建方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111681297A CN111681297A CN202010469131.XA CN202010469131A CN111681297A CN 111681297 A CN111681297 A CN 111681297A CN 202010469131 A CN202010469131 A CN 202010469131A CN 111681297 A CN111681297 A CN 111681297A
- Authority
- CN
- China
- Prior art keywords
- medical image
- image
- initial
- target
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000003062 neural network model Methods 0.000 claims abstract description 182
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 152
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000003384 imaging method Methods 0.000 claims description 83
- 230000036961 partial effect Effects 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 16
- 238000009792 diffusion process Methods 0.000 claims description 13
- 238000007499 fusion processing Methods 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 description 28
- 238000002597 diffusion-weighted imaging Methods 0.000 description 27
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 210000002307 prostate Anatomy 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 206010060862 Prostate cancer Diseases 0.000 description 3
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 208000023958 prostate neoplasm Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000762 glandular Effects 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30081—Prostate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像重建方法、计算机设备和存储介质。所述方法包括:获取待检测对象的第一医学图像和第二医学图像;所述第一医学图像和所述第二医学图像中均包括感兴趣区域;将所述第一医学图像和所述第二医学图像输入至神经网络模型中进行图像重建处理,得到所述待检测对象的目标第三医学图像;其中,所述待检测对象的目标第三医学图像中包括所述感兴趣区域,所述神经网络模型是基于多个样本图像对和每个样本图像对所对应的金标准第三医学图像进行训练得到的,所述每个样本图像对均包括一个样本第一医学图像和对应的一个样本第二医学图像。采用本方法能够提高重建图像的准确性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像重建方法、计算机设备和存储介质。
背景技术
目前,在对人体进行前列腺检查时,为了得到更好的检查结果,通常是结合拍摄的DWI(Diffusion Weighted Imaging,弥散加权图像或扩散加权图像)图像和T2(横向弛豫)加权图像进行综合判断的。其中,DWI图像一般采用单次激发自旋回波平面回波成像序列,成像速度较快,而T2加权图像需要采用长重复时间和长回波时间等进行成像,其成像时间较长,成像速度慢,而且在成像过程中人难免会不自觉地产生运动,这样就会影响最终的T2加权图像的成像质量,从而也会影响检查结果,所以提高T2加权图像的成像速度就显得尤为重要。
相关技术中,在快速得到T2加权图像时,通常是通过深度学习技术直接将欠采样的T2加权图像(通过较少的采样数据得到的图像称为欠采样图像)映射为全采样的T2加权图像(通过全部采样数据得到的图像称为全采样图像),完成T2加权图像的重建。
然而上述技术存在最终得到的T2加权图像不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高重建图像准确性的图像重建方法、装置、计算机设备和存储介质。
一种图像重建方法,该方法包括:
获取待检测对象的第一医学图像和第二医学图像;该第一医学图像和第二医学图像中均包括感兴趣区域;
将第一医学图像和第二医学图像输入至神经网络模型中进行图像重建处理,得到待检测对象的目标第三医学图像;
其中,待检测对象的目标第三医学图像中包括感兴趣区域,神经网络模型是基于多个样本图像对和每个样本图像对所对应的金标准第三医学图像进行训练得到的,每个样本图像对均包括一个样本第一医学图像和对应的一个样本第二医学图像。
在其中一个实施例中,上述神经网络模型包括第一神经网络模型和第二神经网络模型,上述将第一医学图像和第二医学图像输入至神经网络模型中进行图像重建处理,得到待检测对象的目标第三医学图像,包括:
将第一医学图像和第二医学图像输入至第一神经网络模型中,得到初始第三医学图像;该初始第三医学图像对应的成像数据填充K空间的部分编码位置;
将初始第三医学图像输入至第二神经网络模型中,得到目标第三医学图像;该目标第三医学图像对应的成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置。
在其中一个实施例中,上述金标准第三医学图像包括金标准初始第三医学图像和金标准目标第三医学图像,上述第一神经网络模型和第二神经网络模型的训练方式包括:
将样本图像对输入至初始第一神经网络模型中,得到预测初始第三医学图像;
将预测初始第三医学图像输入至初始第二神经网络模型中,得到预测目标第三医学图像;
基于金标准初始第三医学图像、金标准目标第三医学图像、预测初始第三医学图像和预测目标第三医学图像,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型;
其中,金标准初始第三医学图像对应的成像数据填充K空间的部分编码位置,金标准目标第三医学图像对应的成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置。
在其中一个实施例中,上述基于金标准初始第三医学图像、金标准目标第三医学图像、预测初始第三医学图像和预测目标第三医学图像,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型,包括:
计算金标准初始第三医学图像和预测初始第三医学图像之间的第一损失,计算金标准目标第三医学图像和预测目标第三医学图像之间的第二损失;
将预测目标第三医学图像和金标准目标第三医学图像输入至预设的判别网络,得到预测目标第三医学图像的判别结果,基于判别结果得到第三损失;
计算预测目标第三医学图像和金标准目标第三医学图像之间的感知损失;
利用上述第一损失、第二损失、第三损失以及感知损失,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
在其中一个实施例中,上述第一损失包括金标准初始第三医学图像的前景和预测初始第三医学图像的前景之间的损失,以及金标准初始第三医学图像的背景和预测初始第三医学图像的背景之间的损失;
上述第二损失包括金标准目标第三医学图像的前景和预测目标第三医学图像的前景之间的损失,以及金标准目标第三医学图像的背景和预测目标第三医学图像的背景之间的损失。
在其中一个实施例中,上述将预测初始第三医学图像输入至初始第二神经网络模型中,得到预测目标第三医学图像,包括:
将预测初始第三医学图像输入至初始第二神经网络模型中进行映射处理及融合处理,得到预测目标第三医学图像;该融合处理为对预测初始第三医学图像以及预测初始第三医学图像经过映射处理后的输出图像进行的融合处理。
在其中一个实施例中,上述金标准初始第三医学图像和金标准目标第三医学图像的获取方式包括:
根据标准成像数据得到金标准目标第三医学图像;该标准成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置;
从标准成像数据中获取部分成像数据,并根据部分成像数据得到金标准初始第三医学图像;该部分成像数据填充K空间的部分编码位置。
在其中一个实施例中,上述第一医学图像为弥散加权图像DWI,第二医学图像为表观弥散系数图像ADC,目标第三医学图像为目标横向弛豫T2加权图像。
一种图像重建装置,该装置包括:
获取模块,用于获取待检测对象的第一医学图像和第二医学图像;该第一医学图像和第二医学图像中均包括感兴趣区域;
重建模块,用于将第一医学图像和第二医学图像输入至神经网络模型中进行图像重建处理,得到待检测对象的目标第三医学图像;其中,待检测对象的目标第三医学图像中包括感兴趣区域,神经网络模型是基于多个样本图像对和每个样本图像对所对应的金标准第三医学图像进行训练得到的,每个样本图像对均包括一个样本第一医学图像和对应的一个样本第二医学图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待检测对象的第一医学图像和第二医学图像;该第一医学图像和第二医学图像中均包括感兴趣区域;
将第一医学图像和第二医学图像输入至神经网络模型中进行图像重建处理,得到待检测对象的目标第三医学图像;
其中,待检测对象的目标第三医学图像中包括感兴趣区域,神经网络模型是基于多个样本图像对和每个样本图像对所对应的金标准第三医学图像进行训练得到的,每个样本图像对均包括一个样本第一医学图像和对应的一个样本第二医学图像。
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以下步骤:
获取待检测对象的第一医学图像和第二医学图像;该第一医学图像和第二医学图像中均包括感兴趣区域;
将第一医学图像和第二医学图像输入至神经网络模型中进行图像重建处理,得到待检测对象的目标第三医学图像;
其中,待检测对象的目标第三医学图像中包括感兴趣区域,神经网络模型是基于多个样本图像对和每个样本图像对所对应的金标准第三医学图像进行训练得到的,每个样本图像对均包括一个样本第一医学图像和对应的一个样本第二医学图像。
上述图像重建方法、装置、计算机设备和存储介质,通过获取均包括感兴趣区域的第一医学图像和第二医学图像,并通过神经网络模型对第一医学图像和第二医学图像进行图像重建处理,得到包括感兴趣区域的目标第三医学图像,其中,神经网络模型是基于每个样本图像对和其所对应的金标准第三医学图像进行训练得到的。在该方法中,由于第三医学图像是基于第一医学图像和第二医学图像得到的,即在重建第三医学图像的过程中借助了第一医学图像和第二医学图像的信息,这样在重建第三医学图像时就可以尽可能多的恢复出第三医学图像的细节部分,减少图像伪影问题,从而可以提高重建的第三医学图像的准确性;另外,由于不需要长时间扫描待检测对象就可以得到第三医学图像,从而可以避免待检测对象在成像过程中由于移动产生的图像伪影,使最终得到的重建图像更加准确;进一步地,该方法可以通过第一医学图像和第二医学图像重建出目标第三医学图像,而不需要根据采样数据重建目标第三医学图像,因此,该方法在重建目标第三医学图像时的速度更快,从而可以提高图像重建效率。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中图像重建方法的流程示意图;
图3为另一个实施例中图像重建方法的流程示意图;
图4为另一个实施例中神经网络模型训练过程的流程示意图;
图4a为另一个实施例中神经网络模型训练过程的示例图;
图5为一个实施例中图像重建方法的具体流程示意图;
图6为一个实施例中图像重建装置的结构框图。
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,对本申请进行进一步详细说明。应当理解,此处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。
目前,在对人体进行前列腺检查时,为了得到更好的检查结果,通常是结合拍摄的DWI(Diffusion Weighted Imaging,弥散加权图像或扩散加权图像)图像和T2(横向)加权图像进行综合判断的,而利用DWI序列数据通过重建工作站生成的ADC(apparentdiffusion coefficient,表观弥散系数)图像也可以更好地判断前列腺肿瘤,因此,医生检查时也会结合ADC图像进行综合分析。通常前列腺癌组织水分子扩散运动受限,在DWI图像上表现为高信号,并且在ADC图像上的值下降,从而可以与非肿瘤组织鉴别,在T2WI表现为稍高信号的腺体癌灶的检出中,DWI有极高的价值,而ADC值可以帮助鉴别PCA(前列腺癌)和BPH(前列腺增生)。所以前列腺肿瘤检测由T2WI、DWI与ADC图像相结合,共同分析会提高准确性。其中,DWI图像一般采用单次激发自旋回波平面回波成像序列,成像速度较快,而T2加权图像需要采用长重复时间和长回波时间等进行成像,其成像时间较长,成像速度慢,而且在成像过程中人难免会不自觉地产生运动,这样就会影响最终的T2加权图像的成像质量,从而也会影响检查结果,所以提高T2加权图像的成像速度就显得尤为重要。
相关技术中,在快速得到T2加权图像时,通常是通过深度学习技术直接将欠采样的T2加权图像(通过较少的采样数据得到的图像称为欠采样图像)映射为全采样的T2加权图像(通过全部采样数据得到的图像称为全采样图像),完成T2加权图像的重建,然而该过程中需要先生成欠采样图像,而且通过欠采样图像重建出的图像仍然是不够准确的。当然还有一些是采用磁共振图像加速重建算法,包括GRAPPA、SENSE等并形成像技术,这些方法需要在每次扫描前对线圈灵敏度进行针对性校准,校准过程会降低最终的加速效果,压缩感知技术则会在图像重建过程中带来伪影,也会导致重建出的图像不够准确。基于此,本申请提供一种图像重建方法、装置、计算机设备和存储介质,可以解决上述技术问题。
本申请实施例提供的图像重建方法,可以应用于计算机设备,该计算机设备可以是终端或服务器,以终端为例,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像重建方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,本申请的执行主体可以是计算机设备,也可以是图像重建装置,当然还可以是其他设备或装置,下述实施例以计算机设备为执行主体进行说明。
在一个实施例中,提供了一种图像重建方法,本实施例涉及的是如何通过第一医学图像和第二医学图像重建出目标第三医学图像的具体过程。如图2所示,该方法可以包括以下步骤:
S202,获取待检测对象的第一医学图像和第二医学图像;该第一医学图像和第二医学图像中均包括感兴趣区域。
其中,待检测对象可以是人体或动物体,可以是活体,也可以是死亡体;感兴趣区域可以是待检测对象的身上的部位,例如可以是前列腺等。
另外,第一医学图像的模态和第二医学图像的模态不同,可选的,第一医学图像为弥散加权图像DWI,第二医学图像为表观弥散系数图像ADC(Apparent DiffusionCoefficient mapping),当然也可以是第一医学图像是ADC图像,第二医学图像是DWI图像。其中,ADC图像可以由DWI图像进行转化得到,例如可以对DWI图像上每一像素点的图像值进行指数运算等,就可以得到对应的ADC图像。
具体的,计算机设备可以通过与其连接的扫描设备对待检测对象的感兴趣区域进行扫描,并对扫描的数据进行图像重建得到待检测对象的第一医学图像,通过对第一医学图像进行转换就可以得到第二医学图像。当然计算机设备也可以从预先存储有待检测对象的第一医学图像的数据库或云端得到第一医学图像,然后对第一医学图像进行转换就可以得到第二医学图像。当然也可以是数据库或云端直接得到待检测对象的第一医学图像和第二医学图像。
S204,将第一医学图像和第二医学图像输入至神经网络模型中进行图像重建处理,得到待检测对象的目标第三医学图像;其中,待检测对象的目标第三医学图像中包括感兴趣区域,神经网络模型是基于多个样本图像对和每个样本图像对所对应的金标准第三医学图像进行训练得到的,每个样本图像对均包括一个样本第一医学图像和对应的一个样本第二医学图像。
其中,这里的神经网络模型可以是卷积神经网络(Convolutional neuralnetwork)、残差神经网络等等。可选的,本实施例中的神经网络模型为生成对抗网络模型(GAN,Generative Adversarial Networks)。
另外,本实施例中的目标第三医学图像指的是图像质量较高的第三医学图像,可选的,目标第三医学图像为目标T2(横向弛豫)加权图像,那么这里的目标第三医学图像就可以是全采样T2加权图像;其中,目标T2加权图像中包括的感兴趣区域和第一医学图像以及第二医学图像中包括的感兴趣区域相同。
进一步地,上述在通过神经网络得到目标第三医学图像时,可以预先对神经网络模型进行训练,在训练时,可以通过多个样本图像对和每个样本图像对所对应的金标准第三医学图像进行训练,这里的金标准第三医学图像可以是金标准全采样T2加权图像,即通过初始神经网络模型可以直接重建出全采样T2加权图像;当然金标准第三医学图像也可以是金标准欠采样T2加权图像和金标准全采样T2加权图像,即通过初始神经网络模型可以先重建出欠采样T2加权图像,再通过欠采样T2加权图像得到全采样T2加权图像。
当然,在神经网络模型训练过程之前也可以对输入的每个样本图像对进行批量归一化处理,再采用批量归一化后的样本图像对神经网络模型进行训练,这样可以防止神经网络模型训练过程中的过拟合,使训练过程可以更快地收敛。但是在神经网络模型训练好之后实际测试时,可以不进行归一化处理,这样可以使测试过程更加快速。
具体的,在神经网络模型训练好之后,就可以将第一医学图像和第二医学图像输入神经网络模型中,对第一医学图像和第二医学图像进行特征提取、特征融合、池化等处理,得到目标第三医学图像。
需要说明的是,本实施例在实际图像重建过程中,只需要对待检测对象扫描生成第一医学图像,并通过对该第一医学图像进行转化就可以得到第二医学图像,而不需要对待检测对象进行不同的扫描或者不同的采样生成第一医学图像和第二医学图像,本实施例的方法采样的数据较少,这样扫描的时间就比较短,从而可以节省整个图像重建的时间。
可选的,在得到目标第三医学图像,即高质量的T2加权图像之后,可以将该高质量的T2加权图像展示给用户或医生,以便用户或医生进行预览。
上述图像重建方法中,通过获取均包括感兴趣区域的第一医学图像和第二医学图像,并通过神经网络模型对第一医学图像和第二医学图像进行图像重建处理,得到包括感兴趣区域的目标第三医学图像,其中,神经网络模型是基于每个样本图像对和其所对应的金标准第三医学图像进行训练得到的。在该方法中,由于第三医学图像是基于第一医学图像和第二医学图像得到的,即在重建第三医学图像的过程中借助了第一医学图像和第二医学图像的信息,这样在重建第三医学图像时就可以尽可能多的恢复出第三医学图像的细节部分,减少图像伪影问题,从而可以提高重建的第三医学图像的准确性;另外,由于不需要长时间扫描待检测对象就可以得到第三医学图像,从而可以避免待检测对象在成像过程中由于移动产生的图像伪影,使最终得到的重建图像更加准确;进一步地,该方法可以通过第一医学图像和第二医学图像重建出目标第三医学图像,而不需要根据采样数据重建目标第三医学图像,因此,该方法在重建目标第三医学图像时的速度更快,从而可以提高图像重建效率。
在另一个实施例中,提供了另一种图像重建方法,本实施例涉及的是上述神经网络模型包括第一神经网络模型和第二神经网络模型,那么如何通过第一神经网络模型和第二神经网络模型重建出目标第三医学图像的具体过程。在上述实施例的基础上,如图3所示,上述S204可以包括以下步骤:
S302,将第一医学图像和第二医学图像输入至第一神经网络模型中,得到初始第三医学图像;该初始第三医学图像对应的成像数据填充K空间的部分编码位置。
S304,将初始第三医学图像输入至第二神经网络模型中,得到目标第三医学图像;该目标第三医学图像对应的成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置。
其中,本实施例中的第一神经网络模型可以和第二神经网络模型级联,第一神经网络模型和第二神经网络模型可以不相同,可选的,第一神经网络模型可以是残差神经网络ResUnet,第二神经网络模型可以是卷积神经网络CNN,这里的ResUnet和CNN级联构成了生成对抗网络GAN中的生成网络。
另外,本实施例中的初始第三医学图像和目标第三医学图像为相同模态的医学图像,其中,目标第三医学图像的图像质量高于初始第三医学图像的图像质量,可选的,初始第三医学图像可以是欠采样T2加权图像,目标第三医学图像可以是全采样T2加权图像。这里的欠采样图像指的是采用欠采样数据进行图像重建得到的图像,首先在MR扫描过程中,沿相位编码方向逐条填充K空间数据,得到K空间全采样数据,对K空间全采样数据全部采集并进行傅里叶逆变换就可以得到全采样图像。之后对K空间全采样数据以一定的采样率进行采集就可以得到欠采样数据,对欠采样数据进行傅里叶逆变换就可以得到欠采样图像。在测试过程中或实际使用过程中,一般为了得到欠采样图像,通常是在K空间填充数据过程中,直接以一定的比例填充K空间数据,再对填充的数据进行傅里叶逆变换,就可以得到欠采样图像。
进一步地,这里的第一神经网络模型和第二神经网络模型可以联合训练,训练过程可以如上述S204中所提出的训练过程,采用的金标准图像可以是金标准欠采样T2加权图像和金标准全采样T2加权图像。
具体的,本实施例采用的是粗到细的思想,计算机设备在得到第一医学图像和第二医学图像之后,可以将第一医学图像和第二医学图像输入第一神经网络模型中,可以先对第一医学图像和第二医学图像分别进行一次卷积处理,得到对应的两个特征图,然后对这两个特征图进行拼接,之后对拼接后的特征图进行下采样处理和上采样处理,得到初始第三医学图像,然后再将初始第三医学图像输入至第二神经网络模型中进行卷积处理、跳跃连接、池化等处理,得到高质量的目标第三医学图像。
需要说明的是,本实施例中采用ResUnet网络+CNN网络的级联方式,借助ResUnet恢复图像的初始细节,由于ResUnet带有下采样过程,所以可以更有效地去除图像上的不相干信息,直接提取图像有用的特征,快速完成第一医学图像+第二医学图像到初始第三医学图像的生成过程,得到初始第三医学图像;在将初始第三医学图像输入至第二神经网络模型后,由于第二个神经网络模型CNN没有下采样过程,所以图像的初始信息不会丢失,借助CNN网络进行卷积处理并进行逐步迭代,可以恢复出图像上更加精细的细节内容。另外,本实施例中采用的级联网络形式,通过设置不同的难度的金标准图像(金标准初始第三医学图像和金标准目标第三医学图像),可以让神经网络模型进行逐步学习,这样可以更加容易地完成更精细的细节内容恢复。
本实施例提供的图像重建方法,神经网络模型包括第一神经网络模型和第二神经网络模型,那么可以通过第一神经网络模型对第一医学图像和第二医学图像进行处理,得到初始第三医学图像,通过第二神经网络模型对初始第三医学图像进行处理,得到高质量的第三医学图像。在本实施例中,由于可以通过两个不同的神经网络模型对输入的第一医学图像和第二医学图像进行处理,通过层层细化,可以使最终得到的目标第三医学图像的质量更高,也更真实。
在另一个实施例中,提供了另一种图像重建方法,本实施例涉及的是上述金标准第三医学图像包括金标准初始第三医学图像和金标准目标第三医学图像,那么如何通过这两个金标准图像对第一神经网络模型和第二神经网络模型进行训练的具体过程。在上述实施例的基础上,如图4所示,上述第一神经网络模型和第二神经网络模型的训练方式可以包括以下步骤:
S402,将样本图像对输入至初始第一神经网络模型中,得到预测初始第三医学图像。
在本步骤中,以第一神经网络模型为ResUnet、第二神经网络为CNN、第一医学图像为DWI图像、第二医学图像为ADC图像为例,参见图4a所示,可以将每个样本图像对中包含的样本第一医学图像和样本第二医学图像(即样本DWI图像和样本ADC图像)输入至初始ResUnet中,在初始ResUnet中,先对样本DWI图像和样本ADC图像分别进行一次卷积处理,得到对应的两个特征图,然后对这两个特征图进行拼接,之后对拼接后的特征图进行下采样处理和上采样处理,得到预测初始第三医学图像,即得到预测T2加权图像(如图中的T2WI初始图像)。
S404,将预测初始第三医学图像输入至初始第二神经网络模型中,得到预测目标第三医学图像。
继续参见图4a所示,可选的,这里可以将预测初始第三医学图像输入至初始第二神经网络模型中进行映射处理及融合处理,得到预测目标第三医学图像;该融合处理为对预测初始第三医学图像以及预测初始第三医学图像经过映射处理后的输出图像进行的融合处理。也就是说,在得到预测T2加权图像之后,可以将预测T2加权图像输入至初始CNN网络中,在初始CNN网络中可以对预测T2加权图像进行卷积处理,将输入的预测T2加权图像映射到输出图像,然后可以将输出图像和预测T2加权图像进行融合处理,即通过跳跃连接进行叠加处理(Skip Connection),得到预测高质量的T2加权图像(如图中的高质量T2WI图像),然后将该预测高质量的T2加权图像返回输入到初始CNN网络中,通过不断的循环迭代(Iterations),最终得到预测目标第三医学图像,即预测T2加权图像。这里在训练过程中对第一神经网络模型输出的初始第三医学图像进行映射处理和融合处理,可以保证第二神经网络模型可以学习到高质量的第三医学图像(即目标第三医学图像)和初始第三医学图像之间的残差数据,不仅可以学习到图像间的显性映射关系,而且基于大量样本数据以及模型自身特点,还能够学习到更多图像抽象特征及边缘特征,从而可以使第二神经网络模型最终输出的目标第三医学图像更加准确和真实,图像质量也更高。
S406,基于金标准初始第三医学图像、金标准目标第三医学图像、预测初始第三医学图像和预测目标第三医学图像,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型;其中,金标准初始第三医学图像对应的成像数据填充K空间的部分编码位置,金标准目标第三医学图像对应的成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置。
在本步骤中,在得到两个神经网络模型的预测输出之后,就可以通过预测输出与金标准输出进行损失计算,在计算之前,还需要获取金标准输出,这里的金标准输出指的是金标准初始第三医学图像和金标准目标第三医学图像,可选的,其获取方式可以包括:根据标准成像数据得到金标准目标第三医学图像;该标准成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置;从标准成像数据中获取部分成像数据,并根据部分成像数据得到金标准初始第三医学图像;该部分成像数据填充K空间的部分编码位置。其中,标准成像数据指的是全采样数据,填充K空间的全部编码位置,可以是采用标准时长、标准序列、标准设备等对检测对象进行扫描得到的数据,通过对全采样数据进行图像重建就可以得到全采样图像,作为这里的金标准目标第三医学图像,这里可以采用现有的图像重建算法进行重建,例如滤波反投影算法(fiteredback projection,FBP)、傅里叶逆变换算法等等;在得到全采样数据之后,可以从全采样数据中选取一部分作为欠采样数据,选取的数据数量以及选取的数据位置等可以根据实际情况而定,其填充K空间的一部分编码位置,在得到欠采样数据之后,可以采用与上述相同的图像重建算法对欠采样数据进行图像重建,得到欠采样图像,作为这里的金标准初始第三医学图像。这里通过全采样数据得到欠采样数据,只需要采样一次就可以得到全采样数据和欠采样数据,进而得到全采样图像和欠采样图像,该过程不需要对全采样数据采集一次以及对欠采样数据采集一次,从而可以节省数据采集的时间,进而可以提高图像重建的时间。
另外,在得到金标准初始第三医学图像和金标准目标第三医学图像,以及预测初始第三医学图像和预测目标第三医学图像之后,就可以计算损失对神经网络模型进行训练,可选的,可以采用如下步骤A1-A4进行损失计算及模型训练:
A1,计算金标准初始第三医学图像和预测初始第三医学图像之间的第一损失,计算金标准目标第三医学图像和预测目标第三医学图像之间的第二损失。
可选的,上述第一损失包括金标准初始第三医学图像的前景和预测初始第三医学图像的前景之间的损失,以及金标准初始第三医学图像的背景和预测初始第三医学图像的背景之间的损失;上述第二损失包括金标准目标第三医学图像的前景和预测目标第三医学图像的前景之间的损失,以及金标准目标第三医学图像的背景和预测目标第三医学图像的背景之间的损失。
A2,将预测目标第三医学图像和金标准目标第三医学图像输入至预设的判别网络,得到预测目标第三医学图像的判别结果,基于判别结果得到第三损失。
A3,计算预测目标第三医学图像和金标准目标第三医学图像之间的感知损失。
A4,利用上述第一损失、第二损失、第三损失以及感知损失,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
在A1-A4中,模型训练过程中的总损失由四部分组成,可以采用如下公式(1)进行表示,如下:
其中,第一部分损失为图像的背景损失,背景指的是图像中除感兴趣区域外的部分,如公式(1)中的L1Loss*(1-mask),其中,mask是利用Canny算子边缘提取算法找到的图像背景与前景之间的掩膜,其中背景像素为0,前景像素为1,那么这里mask可以当做前景,那么1-mask就可以当做背景,这一部分损失包括金标准初始第三医学图像的背景像素和预测初始第三医学图像的背景像素之间的损失,以及金标准目标第三医学图像的背景像素和预测目标第三医学图像的背景像素之间的损失,即包括第一损失中初始第三医学图像的背景损失和第二损失中目标第三医学图像的背景损失,这里通过L1Loss损失计算背景损失,可以对图像的背景进行约束,从而可以使最终重建出的图像更加真实。
第二部分损失为前景损失,前景指的是图像中的感兴趣区域所在部分,使用的是实部+虚部取幅值(如公式(1)中的amp)再开根号的方式,计算的也是L1Loss损失,这样可以减少组织边缘大像素点对图像质量的影像,可以使前景组织更快地恢复细节,包括金标准初始第三医学图像的前景和预测初始第三医学图像的前景之间的损失,以及金标准目标第三医学图像的前景和预测目标第三医学图像的前景之间的损失,即包括第一损失中初始第三医学图像的前景损失和第二损失中目标第三医学图像的前景损失。
第三部分损失(如公式(1)中的perceptual Loss)为预测目标第三医学图像和金标准目标第三医学图像之间的感知损失,可以预先选取一个在图像映射领域训练好的Unet模型,并将预测目标第三医学图像和金标准目标第三医学图像分别输入至该Unet模型中,在对输入的预测目标第三医学图像和金标准目标第三医学图像分别进行三次下采样处理后得到各自的特征图,即得到两个特征图,这时可以计算这两个特征图之间的损失,并将计算的损失作为感知损失。本实施例中采用训练好的Unet模型,这是因为Unet模型进行特征提取时得到的特征图的尺寸较小,而且Unet模型本身就是用于处理医学图像,且在使用之前已经训练好,因此这里采用训练好的Unet模型对两个输入图像(即预测目标第三医学图像和金标准目标第三医学图像)进行特征提取,得到的特征图更具有针对性,那么利用特征图计算的损失也就更加具有针对性,从而可以保证预测目标第三医学图像的对比度和金标准目标第三医学图像的对比度一致,进而提高得到的预测目标第三医学图像的真实性。
第四部分损失为对抗损失,即上述A2中的第三损失,上述S204提到神经网络模型为对抗神经网络,该对抗神经网络包括生成网络和判别网络,生成网络在这里可以是第一神经网络模型和第二神经网络模型,其中生成网络主要负责生成预测目标第三医学图像(例如高质量的预测T2加权图像),判别网络的主要负责鉴别预测目标第三医学图像和金标准目标第三医学图像是否相似,最优的结果是判别网络无法判别出预测目标第三医学图像与金标准目标第三医学图像之间哪个是生成图像,哪个是金标准图像,这里可以通过生成网络和判别网络之间的相互博弈达到相互提高的效果。在每次将预测目标第三医学图像和金标准目标第三医学图像输入判别网络之后,判别网络会输出判别结果,为是或否,判别结果是表示两个图像相同,判别结果否表示两个图像不相同,那么可以通过判别结果计算损失,这里通过判别结果计算的损失可以作为对抗损失,可以采用现有的对抗损失公式进行计算。
在得到这四部分损失之后,就可以采用上述公式(1)的方式对这四部分损失进行求和,得到总损失,然后利用总损失进行反向传播对第一神经网络模型和第二神经网络模型进行训练,在总损失趋于稳定时,或者当总损失小于等于损失阈值时,就可以认为这两个模型已经训练好,那么可以固定这两个模型的参数,就可以得到训练好的第一神经网络模型和第二神经网络模型。
本实施例提供的图像重建方法,金标准第三医学图像包括金标准初始第三医学图像和金标准目标第三医学图像,可以将各个样本图像对输入初始第一神经网络模型得到预测初始第三医学图像,将预测初始第三医学图像初始第二神经网络模型得到预测目标第三医学图像,基于预测图像和金标准图像对这两个神经网络模型进行训练,得到这两个神经网络模型。在本实施例中,由于可以采用多个样本图像对以及对应的金标准图像对这两个神经网络模型进行训练,这样得到的神经网络模型是比较准确的,那么在使用训练好的神经网络模型生成高质量的第三医学图像时,得到的高质量第三医学图像也是比较准确的。
在另一个实施例中,为了便于对本申请实施例的技术方案进行更详细的说明,以下结合一个更加详细的实施例加以说明,参见图5所示,该方法可以包括以下步骤:
S1,数据收集,即获取待检测对象的DWI成像数据。
S2,通过对获取的DWI成像数据进行图像重建,得到待检测对象的DWI序列图像,即得到第一医学图像。
S3,通过对DWI序列图像进行转化处理,得到ADC图像,即得到第二医学图像。
S4,将DWI序列图像和ADC图像输入至神经网络模型model中进行图像重建处理,得到待检测对象的高质量T2WI序列图像,即得到目标第三医学图像。其中,神经网络模型model包括生成网络G网络和判别网络D网络,将DWI序列图像和ADC图像输入至G网络,得到的生成图像输入D网络,同时可以将全采样T2WI序列图像输入至D网络,通过D网络对生成图像进行判别。
S5,进行图像预览,即将高质量T2WI序列图像进行展示。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种图像重建装置,包括:获取模块10和重建模块11,其中:
获取模块10,用于获取待检测对象的第一医学图像和第二医学图像;该第一医学图像和第二医学图像中均包括感兴趣区域;
重建模块11,用于将第一医学图像和第二医学图像输入至神经网络模型中进行图像重建处理,得到待检测对象的目标第三医学图像;其中,待检测对象的目标第三医学图像中包括感兴趣区域,神经网络模型是基于多个样本图像对和每个样本图像对所对应的金标准第三医学图像进行训练得到的,每个样本图像对均包括一个样本第一医学图像和对应的一个样本第二医学图像。
可选的,上述第一医学图像为弥散加权图像DWI,第二医学图像为表观弥散系数图像ADC,目标第三医学图像为目标横向弛豫T2加权图像。
关于图像重建装置的具体限定可以参见上文中对于图像重建方法的限定,在此不再赘述。
在另一个实施例中,提供了另一种图像重建装置,上述神经网络模型包括第一神经网络模型和第二神经网络模型,上述重建模块11可以包括第一重建单元和第二重建单元,其中:
第一重建单元,用于将第一医学图像和第二医学图像输入至第一神经网络模型中,得到初始第三医学图像;该初始第三医学图像对应的成像数据填充K空间的部分编码位置;
第二重建单元,用于将初始第三医学图像输入至第二神经网络模型中,得到目标第三医学图像;该目标第三医学图像对应的成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置。
可选的,上述第二重建单元,还用于将预测初始第三医学图像输入至初始第二神经网络模型中进行映射处理及融合处理,得到预测目标第三医学图像;该融合处理为对预测初始第三医学图像以及预测初始第三医学图像经过映射处理后的输出图像进行的融合处理。
在另一个实施例中,提供了另一种图像重建装置,上述金标准第三医学图像包括金标准初始第三医学图像和金标准目标第三医学图像,在上述实施例的基础上,上述装置还可以包括训练模块,该训练模块包括第一预测单元、第二预测单元以及训练单元,其中:
第一预测单元,用于将样本图像对输入至初始第一神经网络模型中,得到预测初始第三医学图像;
第二预测单元,用于将预测初始第三医学图像输入至初始第二神经网络模型中,得到预测目标第三医学图像;
训练单元,用于基于金标准初始第三医学图像、金标准目标第三医学图像、预测初始第三医学图像和预测目标第三医学图像,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型;其中,金标准初始第三医学图像对应的成像数据填充K空间的部分编码位置,金标准目标第三医学图像对应的成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置。
可选的,上述训练单元可以包括第一计算子单元、第二计算子单元、第三计算子单元和训练子单元,其中:
第一计算子单元,用于计算金标准初始第三医学图像和预测初始第三医学图像之间的第一损失,计算金标准目标第三医学图像和预测目标第三医学图像之间的第二损失;
第二计算子单元,用于将预测目标第三医学图像和金标准目标第三医学图像输入至预设的判别网络,得到预测目标第三医学图像的判别结果,基于判别结果得到第三损失;
第三计算子单元,用于计算预测目标第三医学图像和金标准目标第三医学图像之间的感知损失;
训练子单元,用于利用上述第一损失、第二损失、第三损失以及感知损失,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
可选的,上述第一损失包括金标准初始第三医学图像的前景和预测初始第三医学图像的前景之间的损失,以及金标准初始第三医学图像的背景和预测初始第三医学图像的背景之间的损失;上述第二损失包括金标准目标第三医学图像的前景和预测目标第三医学图像的前景之间的损失,以及金标准目标第三医学图像的背景和预测目标第三医学图像的背景之间的损失。
可选的,上述训练模块还可以包括全采样成像单元和欠采样成像单元,其中:
全采样成像单元,用于根据标准成像数据得到金标准目标第三医学图像;该标准成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置;
欠采样成像单元,用于从标准成像数据中获取部分成像数据,并根据部分成像数据得到金标准初始第三医学图像;该部分成像数据填充K空间的部分编码位置。
关于图像重建装置的具体限定可以参见上文中对于图像重建方法的限定,在此不再赘述。
上述图像重建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测对象的第一医学图像和第二医学图像;该第一医学图像和第二医学图像中均包括感兴趣区域;
将第一医学图像和第二医学图像输入至神经网络模型中进行图像重建处理,得到待检测对象的目标第三医学图像;
其中,待检测对象的目标第三医学图像中包括感兴趣区域,神经网络模型是基于多个样本图像对和每个样本图像对所对应的金标准第三医学图像进行训练得到的,每个样本图像对均包括一个样本第一医学图像和对应的一个样本第二医学图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将第一医学图像和第二医学图像输入至第一神经网络模型中,得到初始第三医学图像;该初始第三医学图像对应的成像数据填充K空间的部分编码位置;将初始第三医学图像输入至第二神经网络模型中,得到目标第三医学图像;该目标第三医学图像对应的成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将样本图像对输入至初始第一神经网络模型中,得到预测初始第三医学图像;将预测初始第三医学图像输入至初始第二神经网络模型中,得到预测目标第三医学图像;基于金标准初始第三医学图像、金标准目标第三医学图像、预测初始第三医学图像和预测目标第三医学图像,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型;其中,金标准初始第三医学图像对应的成像数据填充K空间的部分编码位置,金标准目标第三医学图像对应的成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
计算金标准初始第三医学图像和预测初始第三医学图像之间的第一损失,计算金标准目标第三医学图像和预测目标第三医学图像之间的第二损失;将预测目标第三医学图像和金标准目标第三医学图像输入至预设的判别网络,得到预测目标第三医学图像的判别结果,基于判别结果得到第三损失;计算预测目标第三医学图像和金标准目标第三医学图像之间的感知损失;利用上述第一损失、第二损失、第三损失以及感知损失,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
在一个实施例中,上述第一损失包括金标准初始第三医学图像的前景和预测初始第三医学图像的前景之间的损失,以及金标准初始第三医学图像的背景和预测初始第三医学图像的背景之间的损失;上述第二损失包括金标准目标第三医学图像的前景和预测目标第三医学图像的前景之间的损失,以及金标准目标第三医学图像的背景和预测目标第三医学图像的背景之间的损失。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将预测初始第三医学图像输入至初始第二神经网络模型中进行映射处理及融合处理,得到预测目标第三医学图像;该融合处理为对预测初始第三医学图像以及预测初始第三医学图像经过映射处理后的输出图像进行的融合处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据标准成像数据得到金标准目标第三医学图像;该标准成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置;从标准成像数据中获取部分成像数据,并根据部分成像数据得到金标准初始第三医学图像;该部分成像数据填充K空间的部分编码位置。
在一个实施例中,上述第一医学图像为弥散加权图像DWI,第二医学图像为表观弥散系数图像ADC,目标第三医学图像为目标横向弛豫T2加权图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测对象的第一医学图像和第二医学图像;该第一医学图像和第二医学图像中均包括感兴趣区域;
将第一医学图像和第二医学图像输入至神经网络模型中进行图像重建处理,得到待检测对象的目标第三医学图像;
其中,待检测对象的目标第三医学图像中包括感兴趣区域,神经网络模型是基于多个样本图像对和每个样本图像对所对应的金标准第三医学图像进行训练得到的,每个样本图像对均包括一个样本第一医学图像和对应的一个样本第二医学图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将第一医学图像和第二医学图像输入至第一神经网络模型中,得到初始第三医学图像;该初始第三医学图像对应的成像数据填充K空间的部分编码位置;将初始第三医学图像输入至第二神经网络模型中,得到目标第三医学图像;该目标第三医学图像对应的成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将样本图像对输入至初始第一神经网络模型中,得到预测初始第三医学图像;将预测初始第三医学图像输入至初始第二神经网络模型中,得到预测目标第三医学图像;基于金标准初始第三医学图像、金标准目标第三医学图像、预测初始第三医学图像和预测目标第三医学图像,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型;其中,金标准初始第三医学图像对应的成像数据填充K空间的部分编码位置,金标准目标第三医学图像对应的成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
计算金标准初始第三医学图像和预测初始第三医学图像之间的第一损失,计算金标准目标第三医学图像和预测目标第三医学图像之间的第二损失;将预测目标第三医学图像和金标准目标第三医学图像输入至预设的判别网络,得到预测目标第三医学图像的判别结果,基于判别结果得到第三损失;计算预测目标第三医学图像和金标准目标第三医学图像之间的感知损失;利用上述第一损失、第二损失、第三损失以及感知损失,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
在一个实施例中,上述第一损失包括金标准初始第三医学图像的前景和预测初始第三医学图像的前景之间的损失,以及金标准初始第三医学图像的背景和预测初始第三医学图像的背景之间的损失;上述第二损失包括金标准目标第三医学图像的前景和预测目标第三医学图像的前景之间的损失,以及金标准目标第三医学图像的背景和预测目标第三医学图像的背景之间的损失。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将预测初始第三医学图像输入至初始第二神经网络模型中进行映射处理及融合处理,得到预测目标第三医学图像;该融合处理为对预测初始第三医学图像以及预测初始第三医学图像经过映射处理后的输出图像进行的融合处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据标准成像数据得到金标准目标第三医学图像;该标准成像数据填充K空间的部分编码位置和除部分编码位置外的编码位置;从标准成像数据中获取部分成像数据,并根据部分成像数据得到金标准初始第三医学图像;该部分成像数据填充K空间的部分编码位置。
在一个实施例中,上述第一医学图像为弥散加权图像DWI,第二医学图像为表观弥散系数图像ADC,目标第三医学图像为目标横向弛豫T2加权图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上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 (10)
1.一种图像重建方法,其特征在于,所述方法包括:
获取待检测对象的第一医学图像和第二医学图像;所述第一医学图像和所述第二医学图像中均包括感兴趣区域;
将所述第一医学图像和所述第二医学图像输入至神经网络模型中进行图像重建处理,得到所述待检测对象的目标第三医学图像;
其中,所述待检测对象的目标第三医学图像中包括所述感兴趣区域,所述神经网络模型是基于多个样本图像对和每个样本图像对所对应的金标准第三医学图像进行训练得到的,所述每个样本图像对均包括一个样本第一医学图像和对应的一个样本第二医学图像。
2.根据权利要求1所述的方法,其特征在于,所述神经网络模型包括第一神经网络模型和第二神经网络模型,所述将所述第一医学图像和所述第二医学图像输入至神经网络模型中进行图像重建处理,得到所述待检测对象的目标第三医学图像,包括:
将所述第一医学图像和所述第二医学图像输入至所述第一神经网络模型中,得到初始第三医学图像;所述初始第三医学图像对应的成像数据填充K空间的部分编码位置;
将所述初始第三医学图像输入至所述第二神经网络模型中,得到所述目标第三医学图像;所述目标第三医学图像对应的成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置外的编码位置。
3.根据权利要求2所述的方法,其特征在于,所述金标准第三医学图像包括金标准初始第三医学图像和金标准目标第三医学图像,所述第一神经网络模型和第二神经网络模型的训练方式包括:
将所述样本图像对输入至初始第一神经网络模型中,得到预测初始第三医学图像;
将所述预测初始第三医学图像输入至初始第二神经网络模型中,得到预测目标第三医学图像;
基于所述金标准初始第三医学图像、所述金标准目标第三医学图像、所述预测初始第三医学图像和所述预测目标第三医学图像,对所述初始第一神经网络模型和所述初始第二神经网络模型进行训练,得到所述第一神经网络模型和所述第二神经网络模型;
其中,所述金标准初始第三医学图像对应的成像数据填充K空间的部分编码位置,所述金标准目标第三医学图像对应的成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置外的编码位置。
4.根据权利要求3所述的方法,其特征在于,所述基于所述金标准初始第三医学图像、所述金标准目标第三医学图像、所述预测初始第三医学图像和所述预测目标第三医学图像,对所述初始第一神经网络模型和所述初始第二神经网络模型进行训练,得到所述第一神经网络模型和所述第二神经网络模型,包括:
计算所述金标准初始第三医学图像和所述预测初始第三医学图像之间的第一损失,计算所述金标准目标第三医学图像和所述预测目标第三医学图像之间的第二损失;
将所述预测目标第三医学图像和所述金标准目标第三医学图像输入至预设的判别网络,得到所述预测目标第三医学图像的判别结果,基于所述判别结果得到第三损失;
计算所述预测目标第三医学图像和所述金标准目标第三医学图像之间的感知损失;
利用所述第一损失、所述第二损失、所述第三损失以及所述感知损失,对所述初始第一神经网络模型和所述初始第二神经网络模型进行训练,得到所述第一神经网络模型和所述第二神经网络模型。
5.根据权利要求4所述的方法,其特征在于,所述第一损失包括所述金标准初始第三医学图像的前景和所述预测初始第三医学图像的前景之间的损失,以及所述金标准初始第三医学图像的背景和所述预测初始第三医学图像的背景之间的损失;
所述第二损失包括所述金标准目标第三医学图像的前景和所述预测目标第三医学图像的前景之间的损失,以及所述金标准目标第三医学图像的背景和所述预测目标第三医学图像的背景之间的损失。
6.根据权利要求3至5任意一项所述的方法,其特征在于,所述将所述预测初始第三医学图像输入至初始第二神经网络模型中,得到预测目标第三医学图像,包括:
将所述预测初始第三医学图像输入至初始第二神经网络模型中进行映射处理及融合处理,得到所述预测目标第三医学图像;所述融合处理为对所述预测初始第三医学图像以及所述预测初始第三医学图像经过映射处理后的输出图像进行的融合处理。
7.根据权利要求3至5任意一项所述的方法,其特征在于,所述金标准初始第三医学图像和金标准目标第三医学图像的获取方式包括:
根据标准成像数据得到所述金标准目标第三医学图像;所述标准成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置外的编码位置;
从所述标准成像数据中获取部分成像数据,并根据所述部分成像数据得到所述金标准初始第三医学图像;所述部分成像数据填充所述K空间的所述部分编码位置。
8.根据权利要求1所述的方法,其特征在于,所述第一医学图像为弥散加权图像DWI,所述第二医学图像为表观弥散系数图像ADC,所述目标第三医学图像为目标横向弛豫T2加权图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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8中任一项所述的方法的步骤。
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8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010469131.XA CN111681297B (zh) | 2020-05-28 | 2020-05-28 | 图像重建方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010469131.XA CN111681297B (zh) | 2020-05-28 | 2020-05-28 | 图像重建方法、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681297A true CN111681297A (zh) | 2020-09-18 |
CN111681297B CN111681297B (zh) | 2024-02-27 |
Family
ID=72434975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010469131.XA Active CN111681297B (zh) | 2020-05-28 | 2020-05-28 | 图像重建方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681297B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706583A (zh) * | 2021-09-01 | 2021-11-26 | 上海联影医疗科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
WO2022110530A1 (zh) * | 2020-11-24 | 2022-06-02 | 佛山读图科技有限公司 | 基于spect数据采样与噪声特性的断层图像重建方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679654A (zh) * | 2013-11-29 | 2014-03-26 | 深圳先进技术研究院 | 磁共振成像方法和系统 |
CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和系统 |
CN109325985A (zh) * | 2018-09-18 | 2019-02-12 | 上海联影智能医疗科技有限公司 | 磁共振图像重建方法、装置和计算机可读存储介质 |
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 |
CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
US20190369191A1 (en) * | 2018-05-31 | 2019-12-05 | The Board Of Trustees Of The Leland Stanford Junior University | MRI reconstruction using deep learning, generative adversarial network and acquisition signal model |
CN110570487A (zh) * | 2019-08-26 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 欠采样模型生成方法、图像重建方法、装置和计算机设备 |
CN110992440A (zh) * | 2019-12-10 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 弱监督磁共振快速成像方法和装置 |
CN111179372A (zh) * | 2019-12-31 | 2020-05-19 | 上海联影智能医疗科技有限公司 | 图像衰减校正方法、装置、计算机设备和存储介质 |
-
2020
- 2020-05-28 CN CN202010469131.XA patent/CN111681297B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679654A (zh) * | 2013-11-29 | 2014-03-26 | 深圳先进技术研究院 | 磁共振成像方法和系统 |
CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和系统 |
US20190369191A1 (en) * | 2018-05-31 | 2019-12-05 | The Board Of Trustees Of The Leland Stanford Junior University | MRI reconstruction using deep learning, generative adversarial network and acquisition signal model |
CN109325985A (zh) * | 2018-09-18 | 2019-02-12 | 上海联影智能医疗科技有限公司 | 磁共振图像重建方法、装置和计算机可读存储介质 |
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 |
CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
CN110570487A (zh) * | 2019-08-26 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 欠采样模型生成方法、图像重建方法、装置和计算机设备 |
CN110992440A (zh) * | 2019-12-10 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 弱监督磁共振快速成像方法和装置 |
CN111179372A (zh) * | 2019-12-31 | 2020-05-19 | 上海联影智能医疗科技有限公司 | 图像衰减校正方法、装置、计算机设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
ALI POUR YAZDANPANAH ET AL: "Deep Plug-and-Play Prior for Parallel MRI Reconstruction" * |
王一达 等: "卷积神经网络重建欠采的磁共振图像", 磁共振成像, 19 June 2018 (2018-06-19) * |
程静: "面向图像细节优化的快速磁共振成像", vol. 2020, no. 2020 * |
肖韬辉: "基于深度学习的快速磁共振成像方法研究", vol. 2019, no. 2019 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022110530A1 (zh) * | 2020-11-24 | 2022-06-02 | 佛山读图科技有限公司 | 基于spect数据采样与噪声特性的断层图像重建方法 |
CN113706583A (zh) * | 2021-09-01 | 2021-11-26 | 上海联影医疗科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113706583B (zh) * | 2021-09-01 | 2024-03-22 | 上海联影医疗科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111681297B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102245693B1 (ko) | 3차원 영상 재구성 장치 및 그 방법 | |
CN113344799A (zh) | 用于使用深度神经网络减少医学图像中的有色噪声的系统和方法 | |
CN110619635B (zh) | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 | |
EP3042215A1 (en) | Mri using spatially adaptive regularization for image reconstruction | |
CN110992440B (zh) | 弱监督磁共振快速成像方法和装置 | |
KR102584166B1 (ko) | 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 | |
CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
CN111157935B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
CN112435266A (zh) | 一种图像分割方法、终端设备及计算机可读存储介质 | |
CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN113313728B (zh) | 一种颅内动脉分割方法及系统 | |
CN114255291A (zh) | 用于磁共振参数定量成像的重建方法、系统 | |
CN111091504B (zh) | 图像偏差场矫正方法、计算机设备和存储介质 | |
WO2024021796A1 (zh) | 一种图像处理方法、装置、电子设备、存储介质及程序产品 | |
CN116778016A (zh) | 一种mri图像重建方法、系统及介质 | |
US20230367850A1 (en) | Systems and methods for mri data processing | |
CN114821049A (zh) | 分割图像的方法、装置、设备及存储介质 | |
CN111009020B (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN114494014A (zh) | 一种磁共振图像超分辨率重建方法及装置 | |
CN115115722A (zh) | 图像重建模型生成及图像重建方法、装置、设备和介质 | |
CN117576250B (zh) | 前瞻性欠采样MRI Dixon数据的快速重建方法及系统 | |
KR102508451B1 (ko) | 블로흐 방정식 기반 생성적 적대 신경망을 이용한 지방 포화 자기 공명 영상 생성 방법 및 장치 | |
CN117333571B (zh) | 磁共振图像的重建方法、系统、设备及介质 | |
Xu | A Robust and Efficient Framework for Slice-to-Volume Reconstruction: Application to Fetal MRI | |
CN113359076B (zh) | 磁共振成像方法、装置、计算机设备和存储介质 |
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 |