CN111815735A - 一种人体组织自适应的ct重建方法及重建系统 - Google Patents

一种人体组织自适应的ct重建方法及重建系统 Download PDF

Info

Publication number
CN111815735A
CN111815735A CN202010937968.2A CN202010937968A CN111815735A CN 111815735 A CN111815735 A CN 111815735A CN 202010937968 A CN202010937968 A CN 202010937968A CN 111815735 A CN111815735 A CN 111815735A
Authority
CN
China
Prior art keywords
image
reconstruction
data
neural network
deep neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010937968.2A
Other languages
English (en)
Other versions
CN111815735B (zh
Inventor
曾凯
吴小页
傅鹏
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.)
Nanjing Anke Medical Technology Co ltd
Original Assignee
Nanjing Anke Medical Technology 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 Nanjing Anke Medical Technology Co ltd filed Critical Nanjing Anke Medical Technology Co ltd
Priority to CN202010937968.2A priority Critical patent/CN111815735B/zh
Publication of CN111815735A publication Critical patent/CN111815735A/zh
Application granted granted Critical
Publication of CN111815735B publication Critical patent/CN111815735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20—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]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种人体组织自适应的CT重建方法及重建系统，属于医学成像技术领域，方法包括：获取扫描数据；得到重建图像；多器官分割：若选择需要观察的部位的滤波核函数分别进行重建得到一幅以上重建图像，则在每幅重建图像中分割出一个部位的掩膜，并将重建图像进行图像融合，获得目标图像；若选择一个滤波核函数进行重建得到一幅重建图像，则在该重建图像中进行分割得到每个需要观察的部位对应的掩膜，对该重建图像进行后重建处理，得到目标图像；医生根据目标图像对病人的不同部位进行诊断。本发明通过一种图像融合方法或后重建处理方法将多个人体组织部位融合在一副图像中，使得医生可以在一幅图像中完成多个人体组织部位的读片诊断。

Description

一种人体组织自适应的CT重建方法及重建系统
技术领域
本发明属于医学成像技术领域，特别涉及一种人体组织自适应的CT重建方法及重建系统。
背景技术
CT(计算机断层扫描成像系统)利用X射线扫描物体，获得投影数据，并通过断层重建算法来处理这些投影数据，获得物体的断层和三维的密度信息，达到无损检测的目的，在医学诊断、工业无损检测等领域都有着重要的应用。在医学诊断领域，CT自从1970年问世以来，与磁共振(MRI)、正电子发射计算机断层成像和CT组合系统(PET/CT)一起成为医用三大关键成像系统。相比其他成像手段，CT重建能够快速得到高分辨率的图像，重建结果的对比度精度可以控制在1%以内，能分辨0.5mm的级别的物体。因成像物理过程的复杂性，即使最先进的CT系统也要应对各种图像伪影对最终图像质量的影响。为了能够更加清晰地显示患者的各个部位/组织结构的信息，通常对于一个扫描，需要用不同的滤波参数进行重建图像，来满足医生的对不同组织区域的诊断的需要，图1为现有技术中西门子CT系统中的滤波核选择界面。比如，对于骨组织通常需要用适应于骨骼的卷积核和薄层来对图像进行重建，而头部扫描中对脑组织灰质白质的诊断，则需要用软组织卷积核和5mm的层厚来对图像进行重建。这是因为，影响图像质量的因素包括诸多因素，比如图像分辨率，噪声，噪声纹理等等方面。在成像系统给定的情况下，由于物理上的限制，现有的重建技术，不可能所有参数都同时达到最优，这些参数之间会需要相互平衡。如图2所示，图2（a）和图2（b）分别为利用标准滤波核和骨滤波核重建后的脊柱图像，可以看出，利用骨滤波核重建后的脊柱图像细节更加丰富，对比度更强。
由于人体组织有不同的密度特征，因此为了充分显示组织细节，需要针对每个组织设置重建参数。现有技术中，医生根据需要查看的组织部位分别进行重建，得到多个图像。因此在看片过程中需要多次切换不同组织对应的重建图像。
且每个使用者的习惯或者需求不是完全相同，因此对最终图像的需求也不是完全一样，CT厂家提供的有限的几个预先设计好的参数不能满足每个使用者的需要。
现有技术中，对于重建的重要参数：卷积核都是对应整个图像的，所以如果需要得到采用骨骼的卷积核，那么虽然骨骼显示清晰，但是软组织的噪声会显著提高，没法对软组织里面的细节进行观察。因此需要储存好几套图像，如果一次扫描中，包括了头部，腹部，肺部等等，那么就需要根据每个部位都重建一套图像，才能够满足医生的诊断要求，不光是处理时间长，而且占用的磁盘空间和PACS系统的开销都会大几倍。
发明内容
发明目的：针对现有技术中存在的问题，本发明公开了一种人体组织自适应的CT重建方法及重建系统，通过一种图像融合方法或后重建处理方法将多个组织图像融合在一副图像中，自适应的对不同的组织使用最优的重建参数，重建一次就能够得到最适合医生使用的图像数据，使得医生可以在一幅图像中完成多个人体组织部位的读片诊断。
技术方案：本发明采用如下技术方案：一种人体组织自适应的CT重建方法，其特征在于，包括如下步骤：
S1、获取扫描生数据：对病人进行CT扫描，获得人体部位的扫描生数据；
S2、图像重建：选择滤波核函数对扫描生数据进行重建，得到重建图像；
S3、多器官分割：若步骤S2中，选择需要观察的部位的滤波核函数分别对扫描生数据进行重建得到一幅以上重建图像，则在每幅重建图像中进行分割得到该重建图像的滤波核函数对应部位的掩膜，并对掩膜沿边缘补充像素，执行步骤S4；
若步骤S2中，选择任意一个滤波核函数对扫描生数据进行重建得到一幅重建图像，则在该重建图像中进行分割得到每个需要观察的部位对应的掩膜，并对掩膜沿边缘补充像素，执行步骤S5；
设多器官分割获得的不同部位对应的掩膜为
Figure 359904DEST_PATH_IMAGE001
，沿掩膜边 缘分别补充N个像素，得到新的掩膜
Figure 531123DEST_PATH_IMAGE002
， 其中补充的像素值为
Figure 361676DEST_PATH_IMAGE003
；
S4、获得目标图像：将所有重建图像进行图像融合，输出第一目标图像，供医生根据该第一目标图像对病人的不同部位进行诊断；
S5、获得目标图像：以步骤S4中的第一目标图像为目标输出对该重建图像进行后重建处理，输出第二目标图像，供医生根据该第二目标图像对病人的不同部位进行诊断。
优选地，步骤S5中，后重建处理采用基于深度神经网络的方法，步骤如下：
选取样本数据：选取扫描生数据，选择一个滤波核函数对扫描生数据进行重建得到重建图像，同时扫描生数据通过图像重建、多器官分割和图像融合得到步骤S4中输出的第一目标图像，其中将重建图像和对应的第一目标图像随机分为训练集和测试集；
数据预处理：将重建图像和第一目标图像归一化到预设的层厚后，再将重建图像和第一目标图像沿切片方向分为预设的大小；
对深度神经网络进行训练：深度神经网络输入分块后的重建图像，使用tensorflow训练深度神经网络，对深度神经网络的输出和分块后的第一目标图像计算损失函数，当损失函数小于阈值时，深度神经网络训练完成并保存；
利用深度神经网络进行预测：加载训练好的深度神经网络，将输入的数据归一化到预设的层厚并沿切片方向分为预设的大小，将预处理后的数据输入深度神经网络，将深度神经网络的输出沿切片方向组合并归一化到原始输入的数据层厚，即为后重建处理输出的第二目标图像。
优选地，深度神经网络采用UNet网络。
优选地，步骤S3中，多器官分割采用基于阈值或梯度的特征方法，或者采用基于深度神经网络的方法。
优选地，采用基于深度神经网络的方法进行多器官分割的步骤如下：
S31、选取、标记样本数据：选取样本数据并手动标记需要观察的部位，并将样本数据和对应的标记部位随机分为训练集和测试集；
S32、数据预处理：将样本数据和和标记部位的掩膜归一化到预设的层厚后，再将样本数据和掩膜沿切片方向分为预设的大小；
S33、对深度神经网络进行训练：选择UNet网络作为待训练的深度神经网络，输入分块后的样本数据，使用tensorflow训练网络，对UNet网络的输出和分块的掩膜计算损失函数，当损失函数小于阈值时，UNet训练完成并保存；
S34、利用深度神经网络进行预测：加载训练好的UNet网络，将输入的数据归一化到预设的层厚并沿切片方向分为预设的大小，再输入UNet网络，将UNet网络的输出沿切片方向组合并归一化到原始的数据层厚，即为分割出的部位对应的掩膜。
优选地，步骤S4中，通过不同部位对应的掩膜计算权重对重建图像进行图像融合。
优选地，通过不同部位对应的掩膜计算权重对重建图像进行图像融合的过程如下：
Figure 479804DEST_PATH_IMAGE004
其中，
Figure 876151DEST_PATH_IMAGE005
为第一目标图像，
Figure 421533DEST_PATH_IMAGE006
分别为不同部位对应的 滤波核函数重建得到的重建图像，
Figure 801698DEST_PATH_IMAGE007
为 沿边缘补充像素后得到的不同部位对应的掩膜；m为需要观察的部位的数量。
一种人体组织自适应的CT重建系统，其特征在于，包括存储器和处理器，所述存储器存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现以上任意一项所述的一种人体组织自适应的CT重建方法。
有益效果：本发明具有如下有益效果：
本发明通过一种图像融合方法或后重建处理方法将多个人体部位融合在一副图像中，且能够自适应的对不同的人体部位使用最优的重建参数，重建一次就能够得到最适合医生使用的图像数据，使得医生可以在一幅图像中完成多个人体组织部位的读片诊断，处理时间短，而且占用的磁盘空间和PACS系统的开销小。
附图说明
图1为现有技术中西门子CT系统中的滤波核选择界面；
图2为使用不同滤波核重建的脊柱图像的对比图，其中，图2中的（a）为标准滤波核重建后的脊柱图像，图2中的（b）为骨滤波核重建后的脊柱图像；
图3为本发明所述方法的流程图；
图4为本发明中UNet网络的结构示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明公开了一种人体组织自适应的CT重建方法，生成一个针对人体组织部位的重建技术，自适应的对不同的部位用最优的重建参数，这样重建一次后就能够得到最适合医生使用的目标图像，使得医生可以在一幅图像中完成多个人体组织部位的读片诊断。本发明所述的人体组织自适应的CT重建方法包括如下两种实施例。
实施例1
如图3所示，使用不同的滤波核函数重建多组图像，然后进行多器官分割，最终将不同参数重建后的多组图像根据组织区域融合到同一幅图中，能够在单幅图中对不同的部位都有增强，具体步骤如下：
S1：扫描病人得到对应部位的扫描生数据；
S2：选择多个滤波核函数重建得到多幅重建图像；
操作人员选择需要观察的部位，例如：肺、肝、骨，利用选择的部位对应的滤波核函数分 别对扫描生数据进行重建，例如：将扫描生数据分别使用肺部核函数、肝部核函数、骨核函 数重建，得到
Figure 956474DEST_PATH_IMAGE008
、
Figure 472906DEST_PATH_IMAGE009
和
Figure 189189DEST_PATH_IMAGE010
，分别对应肺部重建图像、肝部重建图像、骨 重建图像。
S3：多器官分割，从重建图像中分割得到不同部位对应的掩膜，并对掩膜沿边缘补充像素；
对重建图像
Figure 791072DEST_PATH_IMAGE008
、
Figure 251003DEST_PATH_IMAGE009
和
Figure 621942DEST_PATH_IMAGE010
进行多器官分割，在每个重建图像中分 割出该重建图像的滤波核函数对应部位的掩膜，例如，在肺部重建图像
Figure 243547DEST_PATH_IMAGE008
中分割得 到肺部掩膜
Figure 67146DEST_PATH_IMAGE011
，在肝部重建图像
Figure 94883DEST_PATH_IMAGE009
中分割得到肝部掩膜
Figure 320328DEST_PATH_IMAGE012
，在骨 重建图像
Figure 378414DEST_PATH_IMAGE010
中分割得到骨掩膜
Figure 954889DEST_PATH_IMAGE013
。
将
Figure 84519DEST_PATH_IMAGE011
、
Figure 39836DEST_PATH_IMAGE012
和
Figure 659037DEST_PATH_IMAGE013
分别沿边缘补充N个像素（N=10），使掩 膜的边缘更平滑，得到
Figure 332594DEST_PATH_IMAGE014
、
Figure 328232DEST_PATH_IMAGE015
和
Figure 636592DEST_PATH_IMAGE016
， 其中补充的像素值为：
Figure 426693DEST_PATH_IMAGE003
本发明中，多器官分割可以基于传统特征方法，例如阈值，梯度等，也可以基于深度神经网络的方法。本实施例中以基于深度神经网络的方法进行说明：
在训练阶段：
1、选取、标记样本数据：本发明中，样本数据即重建图像，通过手动标记10000左右的样本数据，标记部位包括肺部、肝部、骨等需要观察的部位，其中选择80%作为训练集，20%作为测试集；
2、数据预处理：将训练集中的样本数据和标记部位的掩膜归一化到1.25mm层厚后，将 样本数据和掩膜沿切片方向分为
Figure 587547DEST_PATH_IMAGE017
大小；
3、选择UNet网络作为待训练的深度神经网络，其中UNet网络结构如图4，将分块后的样 本数据输入UNet网络，UNet网络输入和输出大小都为
Figure 855717DEST_PATH_IMAGE017
；
4、使用tensorflow训练UNet网络，学习率设置为1e-5，损失函数为均方差，对UNet网络的输出和分块的掩膜计算损失函数，当损失函数小于阈值时，UNet网络训练完成；
5、保存训练好的UNet网络。
在预测阶段：
1、加载训练好的UNet网络；
2、输入数据预处理：将输入的数据即重建图像归一化到1.25mm层厚，并将数据沿切片 方向分为
Figure 785627DEST_PATH_IMAGE017
大小；
3、将分块后的数据输入UNet网络预测；
4、将UNet网络的输出结果沿切片方向组合后再归一化到原始输入的数据层厚，即可得到不同部位对应的掩膜。
S4：将多个滤波核函数重建后的重建图像根据部位进行融合，通过下面公式进行插值：
Figure 949892DEST_PATH_IMAGE018
其中，
Figure 457097DEST_PATH_IMAGE019
为第一目标图像，医生根据第一目标图像对病人的不同部位进行诊 断。
图像融合不局限于本实施例步骤S4中所提方法，也可以使用其他的权重方法进行融合。
实施例2
如图3所示，使用后重建处理在单幅图像中针对不同部位进行增强，具体步骤如下：
S1’：扫描病人得到对应部位的扫描生数据；
S2’：选择一个滤波核函数对扫描生数据进行重建得到一幅重建图像；
S3’：多器官分割，从一幅重建图像中分割得到不同部位对应的掩膜，并对掩膜沿边缘补充像素，多器官分割的具体实现过程参照实施例1；
S4’：对用不同部位对应的掩膜遮挡后的重建图像进行后重建处理生成第二目标图像，医生根据第二目标图像对病人的不同部位进行诊断。
本发明中，采用深度神经网络或传统的滤波方法对步骤S2’中的重建图像进行后重建处理。本实施例中以基于深度神经网络的方法进行说明：
在训练阶段：
1、选取样本数据：准备10000左右的扫描生数据，选择一个滤波核函数对扫描生数据进行重建得到三维体数据即重建图像，同时将扫描生数据通过实施例1所述的CT重建方法得到第一目标图像，其中随机抽取20%作为测试集，80%作为训练集；
2、数据归一化：将不同掩膜遮挡后的三维体数据和第一目标图像归一化到1.25mm层厚 后，再沿切片方向分为
Figure 404325DEST_PATH_IMAGE020
大小；
3、选择UNet网络或者其他结构的网络作为待训练的深度神经网络，其中UNet网络结构 如图4，将分块后的三维体数据输入深度神经网络，深度神经网络输入和输出大小均为
Figure 844533DEST_PATH_IMAGE020
；
4、使用tensorflow训练深度神经网络，学习率设置为1e-5，损失函数为均方差，对深度神经网络的输出和分块的第一目标图像计算损失函数，当损失函数小于阈值时，深度神经网络训练完成；
5、保存训练好的深度神经网络。
在测试阶段：
1、加载训练好的深度神经网络；
2、输入数据预处理：将输入的数据即通过掩膜遮挡后的重建图像归一化到1.25mm层 厚，再沿切片方向分为
Figure 84759DEST_PATH_IMAGE020
大小；
3、将分块后的数据输入深度神经网络预测；
4、将深度神经网络的输出结果沿切片方向组合后再归一化到原始输入的数据层厚，即可得到后重建处理后的第二目标图像。
本发明还公开了一种人体组织自适应的CT重建系统，包括存储器和处理器，存储器存储有至少一个可被处理器执行的指令，至少一个指令被处理器执行时，实现本发明所述的一种人体组织自适应的CT重建方法，使得用户在使用的过程中能够根据自己的需要进行定制图像。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种人体组织自适应的CT重建方法，其特征在于，包括如下步骤：
S1、获取扫描生数据：对病人进行CT扫描，获得人体部位的扫描生数据；
S2、图像重建：选择滤波核函数对扫描生数据进行重建，得到重建图像；
S3、多器官分割：若步骤S2中，选择需要观察的部位的滤波核函数分别对扫描生数据进行重建得到一幅以上重建图像，则在每幅重建图像中进行分割得到该重建图像的滤波核函数对应部位的掩膜，并对掩膜沿边缘补充像素，执行步骤S4；
若步骤S2中，选择任意一个滤波核函数对扫描生数据进行重建得到一幅重建图像，则在该重建图像中进行分割得到每个需要观察的部位对应的掩膜，并对掩膜沿边缘补充像素，执行步骤S5；
设多器官分割获得的不同部位对应的掩膜为
Figure 551096DEST_PATH_IMAGE001
，沿掩膜边 缘分别补充N个像素，得到新的掩膜
Figure 640013DEST_PATH_IMAGE002
， 其中补充的像素值为
Figure 416339DEST_PATH_IMAGE003
；
S4、获得目标图像：将所有重建图像进行图像融合，输出第一目标图像，供医生根据该第一目标图像对病人的不同部位进行诊断；
S5、获得目标图像：以步骤S4中的第一目标图像为目标输出对该重建图像进行后重建处理，输出第二目标图像，供医生根据该第二目标图像对病人的不同部位进行诊断。
2.根据权利要求1所述的一种人体组织自适应的CT重建方法，其特征在于，步骤S5中，后重建处理采用基于深度神经网络的方法，步骤如下：
选取样本数据：选取扫描生数据，选择一个滤波核函数对扫描生数据进行重建得到重建图像，同时扫描生数据通过图像重建、多器官分割和图像融合得到步骤S4中输出的第一目标图像，其中将重建图像和对应的第一目标图像随机分为训练集和测试集；
数据预处理：将重建图像和第一目标图像归一化到预设的层厚后，再将重建图像和第一目标图像沿切片方向分为预设的大小；
对深度神经网络进行训练：深度神经网络输入分块后的重建图像，使用tensorflow训练深度神经网络，对深度神经网络的输出和分块后的第一目标图像计算损失函数，当损失函数小于阈值时，深度神经网络训练完成并保存；
利用深度神经网络进行预测：加载训练好的深度神经网络，将输入的数据归一化到预设的层厚并沿切片方向分为预设的大小，将预处理后的数据输入深度神经网络，将深度神经网络的输出沿切片方向组合并归一化到原始输入的数据层厚，即为后重建处理输出的第二目标图像。
3.根据权利要求2所述的一种人体组织自适应的CT重建方法，其特征在于，深度神经网络采用UNet网络。
4.根据权利要求1所述的一种人体组织自适应的CT重建方法，其特征在于，步骤S3中，多器官分割采用基于阈值或梯度的特征方法，或者采用基于深度神经网络的方法。
5.根据权利要求4所述的一种人体组织自适应的CT重建方法，其特征在于，采用基于深度神经网络的方法进行多器官分割的步骤如下：
S31、选取、标记样本数据：选取样本数据并手动标记需要观察的部位，并将样本数据和对应的标记部位随机分为训练集和测试集；
S32、数据预处理：将样本数据和和标记部位的掩膜归一化到预设的层厚后，再将样本数据和掩膜沿切片方向分为预设的大小；
S33、对深度神经网络进行训练：选择UNet网络作为待训练的深度神经网络，输入分块后的样本数据，使用tensorflow训练网络，对UNet网络的输出和分块的掩膜计算损失函数，当损失函数小于阈值时，UNet训练完成并保存；
S34、利用深度神经网络进行预测：加载训练好的UNet网络，将输入的数据归一化到预设的层厚并沿切片方向分为预设的大小，再输入UNet网络，将UNet网络的输出沿切片方向组合并归一化到原始的数据层厚，即为分割出的部位对应的掩膜。
6.根据权利要求1所述的一种人体组织自适应的CT重建方法，其特征在于，步骤S4中，通过不同部位对应的掩膜计算权重对重建图像进行图像融合。
7.根据权利要求6所述的一种人体组织自适应的CT重建方法，其特征在于，通过不同部位对应的掩膜计算权重对重建图像进行图像融合的过程如下：
Figure 572514DEST_PATH_IMAGE004
其中，
Figure 776093DEST_PATH_IMAGE005
为第一目标图像，
Figure 916087DEST_PATH_IMAGE006
分别为不同部位对应的滤 波核函数重建得到的重建图像，
Figure 496104DEST_PATH_IMAGE007
为沿 边缘补充像素后得到的不同部位对应的掩膜；m为需要观察的部位的数量。
8.一种人体组织自适应的CT重建系统，其特征在于，包括存储器和处理器，所述存储器存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现权利要求1-7中任意一项所述的一种人体组织自适应的CT重建方法。
CN202010937968.2A 2020-09-09 2020-09-09 一种人体组织自适应的ct重建方法及重建系统 Active CN111815735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010937968.2A CN111815735B (zh) 2020-09-09 2020-09-09 一种人体组织自适应的ct重建方法及重建系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010937968.2A CN111815735B (zh) 2020-09-09 2020-09-09 一种人体组织自适应的ct重建方法及重建系统

Publications (2)

Publication Number Publication Date
CN111815735A true CN111815735A (zh) 2020-10-23
CN111815735B CN111815735B (zh) 2020-12-01

Family

ID=72860189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010937968.2A Active CN111815735B (zh) 2020-09-09 2020-09-09 一种人体组织自适应的ct重建方法及重建系统

Country Status (1)

Country Link
CN (1) CN111815735B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538530A (zh) * 2021-07-09 2021-10-22 深圳市深光粟科技有限公司 一种耳部医学图像分割方法、装置、电子设备及存储介质
CN113724177A (zh) * 2021-09-07 2021-11-30 北京大学深圳医院 肺结节信息融合方法、装置、设备及其存储介质
CN113744387A (zh) * 2021-07-27 2021-12-03 上海交通大学 一种医学图像三维重建方法、介质及电子设备
CN113763297A (zh) * 2021-06-30 2021-12-07 安徽省立医院(中国科学技术大学附属第一医院) 一种肩锁关节ct图像处理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9332907B2 (en) * 2009-02-11 2016-05-10 Siemens Medical Solutions Usa, Inc. Extracting application dependent extra modal information from an anatomical imaging modality for use in reconstruction of functional imaging data
CN106846330A (zh) * 2016-12-22 2017-06-13 浙江大学宁波理工学院 人体肝脏特征建模及血管模型空间归一方法
CN106910193A (zh) * 2017-04-23 2017-06-30 明峰医疗系统股份有限公司 一种扫描图像处理方法
CN108324246A (zh) * 2018-01-19 2018-07-27 上海联影医疗科技有限公司 医疗诊断辅助系统及方法
CN109035137A (zh) * 2018-07-27 2018-12-18 重庆邮电大学 一种基于最优传输理论的多模态医学图像融合方法
CN109725796A (zh) * 2018-12-28 2019-05-07 上海联影医疗科技有限公司 一种医学图像显示方法及其装置
CN110544285A (zh) * 2019-10-30 2019-12-06 南京安科医疗科技有限公司 一种矫正头部ct图像中头部位置的方法及系统
CN111127475A (zh) * 2019-12-04 2020-05-08 上海联影智能医疗科技有限公司 Ct扫描图像处理方法、系统、可读存储介质和设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9332907B2 (en) * 2009-02-11 2016-05-10 Siemens Medical Solutions Usa, Inc. Extracting application dependent extra modal information from an anatomical imaging modality for use in reconstruction of functional imaging data
CN106846330A (zh) * 2016-12-22 2017-06-13 浙江大学宁波理工学院 人体肝脏特征建模及血管模型空间归一方法
CN106910193A (zh) * 2017-04-23 2017-06-30 明峰医疗系统股份有限公司 一种扫描图像处理方法
CN108324246A (zh) * 2018-01-19 2018-07-27 上海联影医疗科技有限公司 医疗诊断辅助系统及方法
CN109035137A (zh) * 2018-07-27 2018-12-18 重庆邮电大学 一种基于最优传输理论的多模态医学图像融合方法
CN109725796A (zh) * 2018-12-28 2019-05-07 上海联影医疗科技有限公司 一种医学图像显示方法及其装置
CN110544285A (zh) * 2019-10-30 2019-12-06 南京安科医疗科技有限公司 一种矫正头部ct图像中头部位置的方法及系统
CN111127475A (zh) * 2019-12-04 2020-05-08 上海联影智能医疗科技有限公司 Ct扫描图像处理方法、系统、可读存储介质和设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YIQIU DONG等: "Joint CT Reconstruction and Segmentation With Discriminative Dictionary Learning", 《IEEE TRANSACTIONS ON COMPUTATIONAL IMAGING》 *
赵晓晴等: "基于移动立方体方法的脏内器官重建的研究", 《中国医疗设备》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763297A (zh) * 2021-06-30 2021-12-07 安徽省立医院(中国科学技术大学附属第一医院) 一种肩锁关节ct图像处理方法
CN113538530A (zh) * 2021-07-09 2021-10-22 深圳市深光粟科技有限公司 一种耳部医学图像分割方法、装置、电子设备及存储介质
CN113538530B (zh) * 2021-07-09 2024-03-01 深圳市深光粟科技有限公司 一种耳部医学图像分割方法、装置、电子设备及存储介质
CN113744387A (zh) * 2021-07-27 2021-12-03 上海交通大学 一种医学图像三维重建方法、介质及电子设备
CN113744387B (zh) * 2021-07-27 2024-02-09 上海交通大学 一种医学图像三维重建方法、介质及电子设备
CN113724177A (zh) * 2021-09-07 2021-11-30 北京大学深圳医院 肺结节信息融合方法、装置、设备及其存储介质
CN113724177B (zh) * 2021-09-07 2023-12-15 北京大学深圳医院 肺结节信息融合方法、装置、设备及其存储介质

Also Published As

Publication number Publication date
CN111815735B (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN111815735B (zh) 一种人体组织自适应的ct重建方法及重建系统
CN110047128B (zh) 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和系统
EP3751516B1 (en) Autonomous multidimensional segmentation of anatomical structures on three-dimensional medical imaging
EP3828818A1 (en) Method and system for identifying pathological changes in follow-up medical images
CN111223066B (zh) 运动伪影校正方法、装置、计算机设备和可读存储介质
EP3326533B1 (en) Tomographic device and tomographic image processing method according to same
CN113159040B (zh) 医学图像分割模型的生成方法及装置、系统
CN111540025A (zh) 预测用于图像处理的图像
TW201219013A (en) Method for generating bone mask
CN112036506A (zh) 图像识别方法及相关装置、设备
Gajera et al. CT-scan denoising using a charbonnier loss generative adversarial network
JP2007275595A (ja) 断層撮影画像データの再現可能なビュー作成方法
US20230214664A1 (en) Learning apparatus, method, and program, image generation apparatus, method, and program, trained model, virtual image, and recording medium
US10013778B2 (en) Tomography apparatus and method of reconstructing tomography image by using the tomography apparatus
CN113361689A (zh) 超分辨率重建网络模型的训练方法和扫描图像处理方法
CN111798535B (zh) Ct图像增强显示方法及计算机可读存储介质
EP3917404A1 (en) System for harmonizing medical image presentation
CN111325758A (zh) 肺部图像分割方法及装置、图像分割模型的训练方法
US20240177378A1 (en) Systems and Methods for Multi-Kernel Synthesis and Kernel Conversion in Medical Imaging
CN115081637A (zh) 用于生成合成成像数据的机器学习算法的现场训练
US20070223801A1 (en) Method and device for processing image data for automatic detection and/or segmentation of anatomical features from computed tomography pictures
CN115578263B (zh) 一种基于生成网络的ct超分辨重建方法、系统及装置
US20240169745A1 (en) Apparatus and method for vertebral body recognition in medical images
Jensen Iterative reconstruction in CT imaging; Image quality and radiation doses
Pandurevic et al. Impact of deep-learning CT image denoising on the accuracy of radiomics parameter estimation

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