CN111915696A - 三维图像数据辅助的低剂量扫描数据重建方法及电子介质 - Google Patents

三维图像数据辅助的低剂量扫描数据重建方法及电子介质 Download PDF

Info

Publication number
CN111915696A
CN111915696A CN202010793162.0A CN202010793162A CN111915696A CN 111915696 A CN111915696 A CN 111915696A CN 202010793162 A CN202010793162 A CN 202010793162A CN 111915696 A CN111915696 A CN 111915696A
Authority
CN
China
Prior art keywords
image
data
dose
low
dimensional
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
CN202010793162.0A
Other languages
English (en)
Other versions
CN111915696B (zh
Inventor
徐丹
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 CN202010793162.0A priority Critical patent/CN111915696B/zh
Publication of CN111915696A publication Critical patent/CN111915696A/zh
Application granted granted Critical
Publication of CN111915696B publication Critical patent/CN111915696B/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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种三维图像数据辅助的低剂量扫描数据重建方法及电子介质，应用于医学成像技术领域；所述方法包括：扫描前，查找与病人相对应的现有三维图像数据；扫描中，获取低剂量扫描数据；扫描后，利用现有三维图像数据与低剂量扫描数据之间的数据差异，对重建过程中将此数据差异与现有三维图像数据进行结合，获取高剂量质量下的最终三维图像数据。本发明将已有的病人数据利用起来，在降低病人扫描剂量、获取低剂量扫描数据的情况下，根据两者之间的数据差异，重建最终三维图像数据，获取诊断可用的高质量图像，对扫描过程中辐射剂量的需求大大降低，整合大量的病人已有信息，资源不浪费。

Description

三维图像数据辅助的低剂量扫描数据重建方法及电子介质
技术领域
本发明涉及医学成像技术领域，尤其涉及一种三维图像数据辅助的低剂量扫描数据重建方法及电子介质。
背景技术
CT(Computed Tomography)是一种透视辐射成像的技术。CT系统测量X射线在不同方向上被物体的投影图像(称为Sinogram)，并利用重建算法将Sinogram变换成可以阅读的三维图像。目前的CT重建算法有很多种类，包括解析重建，迭代重建，人工智能重建等等。不同的重建方法各有优缺点，但是总体上，这些算法都是将CT系统对物体扫描获得的投影数据转变为图像数据。这个转化过程中，算法并不知道被重建的物体是什么。有些算法会将一些先验知识结合到重建过程中，比如CT系统固有的分辨率，人体不同部位固有的结构等等，但是并不会确切地知道被扫描物体的三维结构。
有些重建算法，例如去骨伪影、去金属伪影算法等，会先使用投影数据生成一个图像数据，然后利用这个初始的图像数据，来计算出原始投影数据中需要修正的部分，来达到降低图像伪影的效果。最终的重建算法，使用的是修正过的原始投影数据，并没有使用到额外的图像信息。另外病人在每一次诊断时都会反复地进行CT扫描，而为了得到诊断质量的CT图像，病人接受的辐射剂量较高。
发明内容
发明目的：针对现有技术中病人已有数据信息浪费且病人反复扫描接受剂量较高的缺陷，本发明公开了一种三维图像数据辅助的低剂量扫描数据重建方法及电子介质，将已有的病人数据利用起来，在降低病人扫描剂量、获取低剂量扫描数据的情况下，根据两者之间的数据差异，重建最终三维图像数据，获取诊断可用的高剂量质量的CT图像，对CT扫描过程中辐射剂量的需求大大降低，整合大量的病人已有信息，资源不浪费。
技术方案：为实现上述技术目的，本发明采用以下技术方案。
一种三维图像数据辅助的低剂量扫描数据重建方法，包括以下步骤：
扫描前，查找与病人相对应的现有三维图像数据；
扫描中，获取低剂量扫描数据；所述低剂量扫描数据为低剂量的CT扫描数据，或低剂量的一个或多个DR图像；
扫描后，利用现有三维图像数据与低剂量扫描数据之间的数据差异，在重建过程中将此数据差异与现有三维图像数据进行结合，获取高剂量质量下的最终三维图像数据。
优选地，所述扫描后现有三维图像数据与低剂量扫描数据之间的数据差异，数据差异为低剂量扫描数据中增加的物体数据，所述物体数据包括金属植入物数据、造影剂数据。
优选地，所述扫描后，对低剂量扫描数据进行重建，具体包括：根据现有三维图像数据与低剂量扫描数据之间的数据差异，采用图像配准算法、迭代重建算法或人工智能算法进行数据重建，获取最终三维图像数据。
优选地，所述采用图像配准算法进行数据重建，获取最终三维图像数据，其具体过程为：
S11、对低剂量扫描数据进行算法重建，在算法重建的过程中，采用去除伪影算法，获取低剂量图像；
S12、对低剂量图像进行阈值分割，获取低剂量校正图像；
S13、将低剂量图像与现有三维数据图像进行图像配准，获取最终三维图像数据：先分别获取低剂量图像与现有三维数据图像中各自的骨组织图像，采用图像配准算法，获取从低剂量骨组织图像变换到现有三维数据骨组织图像的传输函数，利用所述传输函数和低剂量伪影校正图像获取现有三维数据校正图像，利用现有三维数据图像与现有三维数据校正图像获取最终三维数据图像。
优选地，在所述S13利用现有三维数据图像与现有三维数据校正图像获取最终三维数据图像前，对现有三维数据校正图像进行平滑滤波，所述平滑滤波的计算公式为：
Figure BDA0002622504320000021
其中，Ghigh，cor为现有三维数据校正图像，G′high，cor为滤波后的现有三维数据校正图像，
Figure BDA0002622504320000022
是卷积符号，H是平滑核。
优选地，所述采用迭代重建算法，获取最终三维图像数据，其具体过程为：
S21、获取迭代算法中的迭代目标函数，其计算公式为：
Figure BDA0002622504320000023
其中，Ghigh为现有三维数据图像，
Figure BDA0002622504320000024
为目标重建图像；
Figure BDA0002622504320000025
为图像正投影
Figure BDA0002622504320000026
与测量投影数据(P)之间差别的向量2范数，
Figure BDA0002622504320000031
是一个约束项，用于降低目标图像与现有三维数据图像之间除新增物体以外的差别，并规范图像中的噪声以及避免迭代发散；
S22、根据现有三维数据图像和迭代目标函数对低剂量图像进行迭代重建处理，获取最终三维图像数据。
优选地，所述采用人工智能算法进行数据重建，获取最终三维图像数据，其具体过程为：
S31、获取训练样本：获取若干个不同病人的现有三维数据图像，对每个现有三维数据图像进行处理，获取相应的仿真低剂量图像和标签图像，将每个病人的现有三维数据图像、仿真低剂量图像和标签图像组合为图像组，获取包含若干个图像组的训练样本；
S32、构建神经网络并对神经网络进行训练：通过特征提取网络和图像处理网络构建神经网络，依次输入训练样本中的图像组，将现有三维数据图像和仿真低剂量图像作为神经网络的输入，神经网络的输出与标签图像计算损失函数，通过损失函数对神经网络进行训练；其中特征提取网络为VGG16或Resnet，图像处理网络为2D U-net或3D U-net；
S33、利用训练后的神经网络获取最终三维图像数据：通过低剂量扫描数据重建为低剂量图像，将现有三维数据图像和低剂量图像输入至训练后的神经网络中，神经网络输出最终三维图像数据。
优选地，所述S31中获取相应的仿真低剂量图像和标签图像，其具体过程为：
S311、获取标签图像：对相应的现有三维数据图像进行随机的平移和旋转，加入模拟的植入物，获取标签图像；
S312、获取仿真低剂量图像：利用所述标签图像，通过仿真程序获取标签图像在低剂量下的扫描数据，利用所述扫描数据获取仿真低剂量图像。
优选地，所述现有三维图像数据为高剂量CT扫描图像或核磁共振扫描图像。
一种电子介质，包括存储器和处理器，存储器和处理器相连，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，实现以上任一所述的一种三维图像数据辅助的低剂量扫描数据重建方法。
有益效果：
1、本发明中将已有的病人数据利用起来，在降低病人扫描剂量、获取低剂量扫描数据的情况下，根据两者之间的数据差异，重建最终三维图像数据，获取诊断可用的高质量图像，对扫描过程中辐射剂量的需求大大降低，整合大量的病人已有信息，资源不浪费；
2、对于增加了金属植入物的低剂量扫描数据，通过本发明中的重建方法，在获取金属植入物与骨组织的精确空间位置信息的同时，消除最终三维图像数据中由金属植入带来的金属伪影，大大提高图像的质量，为医生诊断带来便利；
3、本发明的方法能获取现有三维图像数据和低剂量扫描数据之间的数据差异，进而重建最终三维图像数据，可以广泛应用于体检、手术复查和术中导航等方向，。
附图说明
图1为本发明的总方法流程图；
图2为本发明的图像重建示意图；
图3为重建算法将扫描投影数据转换成三维图像数据的示意图；
图4为人工智能重建中神经网络的训练过程示意图；
图5为利用神经网络进行人工智能重建的过程示意图。
具体实施方式
以下结合附图和实施例对本方案的一种三维图像数据辅助的低剂量扫描数据重建方法及电子介质做进一步的说明和解释。
在某些CT应用中，比如病人的复查，或者术中CT扫描，在进行CT扫描之前，其实已经具备了该病人在过去某一时间的三维图像数据。现有的CT系统中，每一次图像重建所使用到的数据都仅仅来自于一次扫描，扫描一次，重建一次。在图像的重建过程中，对病人已有的图像数据完全没有利用，这造成了在重建中有大量的已知信息没有被利用起来，从而为了达到诊断可用的图像质量，扫描的时候必须采用较高的辐射剂量。本发明利用了已有的病人数据，新的CT扫描和重建的关注点可以集中在探测病人体内发生了哪些变化，因此对辐射剂量的需求可以大大降低。
如附图1所示，一种三维图像数据辅助的低剂量扫描数据重建方法，包括以下步骤：
扫描前，查找与病人相对应的现有三维图像数据；病人现有三维图像数据不局限于高剂量的CT扫描图像，可以是其他三维成像设备的扫描图像，如核磁共振扫描图像；
扫描中，降低扫描的剂量，获取低剂量扫描数据；低剂量扫描的形式可以有很多种，包括但不局限于：低剂量的一个或多个DR图像，如固定X射线球管位置的DR图像，CT定位像扫描，低剂量的CT扫描；低剂量扫描并不特指将扫描的kV或者mA降低，也可以是通过控制前准直器，仅扫描某一小感兴趣区域；使用DR扫描的话比低剂量CT扫描的辐射剂量要更低；对于只需要对简单形状的物体(比如固定螺钉等)进行定位的话，DR图像能使用很少的剂量提供足够的信息。此外，DR扫描相对于CT扫描来说，操作更方便，扫描时间更短。
扫描后，利用现有三维图像数据与低剂量扫描数据之间的数据差异，在重建过程中将此数据差异与现有三维图像数据进行结合，获取高剂量质量下的最终三维图像数据。图像重建可以是全FOV的三维重建，也可以是只针对某一特点的器官部位(比如骨组织)，或者是外部物体(比如金属植入物、造影剂等)；
以CT扫描为例，本发明中，CT的图像重建利用已有的病人图像数据来对重建算法进行指导，新的扫描只提供相对于上次扫描图像的病人变化信息。因此在重建时，只需要关注两次扫描期间病人发生了那些变化，大大减少了需要从扫描数据中获取的信息量，也就是相当于可以减少病人的辐射剂量。因此利用本发明，在已有病人三维图像数据的情况下，可以用很少的剂量，获得相当于高剂量下的扫描图像质量。
另外，仅仅通过一次CT扫描来进行图像重建，如果病人体内的变化会造成CT伪影的话(比如手术中植入了金属物体)，不可避免地会对图像质量造成影响。而本发明中，将病人术前的图像使用起来，在植入金属物体后，低剂量扫描仅仅提供金属对于正常组织(骨头)的相对位置关系，这样的话，可以做到图像中完全没有金属伪影，为术中及术后的治疗和诊断提供高质量的图像。
本发明中将已有的病人数据利用起来，在降低病人扫描剂量、获取低剂量扫描数据的情况下，根据两者之间的数据差异，重建最终三维图像数据，获取诊断可用的高质量图像，即根据低剂量扫描数据和现有三维图像数据一起生成最终三维图像数据，对扫描过程中辐射剂量的需求大大降低，整合大量的病人已有信息，资源不浪费。
扫描后，现有三维图像数据与低剂量扫描数据之间的数据差异为低剂量扫描数据中增加的物体数据，如金属植入物数据、造影剂数据等。
实施例
本实施例中针对数据差异为低剂量扫描数据中增加的物体数据为金属植入物数据进行详细的说明。对于增加了金属植入物的低剂量扫描数据，通过本发明中的重建方法，在获取金属植入物与骨组织的精确空间位置信息的同时，消除最终三维图像数据中由金属植入带来的金属伪影，大大提高图像的质量，为医生诊断带来便利。
本发明中，CT的图像重建需要两个输入：一是已有的病人三维图像数据，即现有三维图像数据，二是低剂量扫描数据，如附图2所示。重建算法会比较低剂量扫描数据与现有三维图像数据之间的差异，并把这些差异反应到现有三维图像数据中，形成最终三维图像数据。
重建的算法有很多种。比如先将低剂量扫描数据单独重建出图像，然后通过图像配准(Image Registration)的办法，将低剂量图像中相对于现有三维图像数据发生变化的部分找出来，然后融合到已有图像数据中；也可以使用迭代重建，通过最小化低剂量扫描数据和现有三维图像数据之间的差异，来更新三维图像数据；或者通过人工智能(AI)算法，将低剂量扫描和现有三维图像数据作为输入，直接重建出更新后的三维图像。以下对这三种方法分别说明。
图像配准算法
这种方法适合图像中有容易识别的物体，如金属植入物、造影剂等这里的金属植入物包括骨科固定螺钉、人工关节和血管支架，以下以金属植入物为例，具体说明方法的流程。本发明所给出的方法尤其适用于在术中导航的应用中，在术前可以进行一个高剂量的CT扫描，该扫描中金属植入物尚不在体内，因此没有任何金属伪影，即将此高剂量CT扫描图像作为现有三维数据图像。术中或术后的扫描可以使用很少的剂量，获取植入物的空间位置，然后与已有的病人三维图像数据对比，从而更新植入物在病人体内的精确位置。而且通过这种办法，可以完全消除掉术中新植入的金属造成的伪影，大大提高图像的诊断质量。如果重建算法已知金属植入物的尺寸和形状的话，可以进一步降低辐射剂量和图像伪影。术中或术后的扫描并不一定需要是CT扫描，多方向的定位像、DR等图像都可以提供植入物的空间位置信息。
在本实施例中，术中在低剂量下进行完整的CT扫描，并进行重建，得到低剂量图像Glow。重建低剂量图像时，为了达到更好的最终效果，可以使用去金属伪影算法。这个低剂量图像的质量较差，同时，即使使用了去金属伪影算法，还会存在部分的残余伪影，尤其是金属附近的组织会受到较大影响。采用图像配准法的具体过程如下：
S11、如附图3所示，对低剂量扫描数据进行算法重建，在算法重建的过程中，采用去除伪影算法，获取低剂量图像；
S12、对低剂量图像进行阈值分割，获取低剂量校正图像；
在低剂量图像Glow中，进行阈值分割，可以得到低剂量校正图像Glow，metal：
Figure BDA0002622504320000071
其中，Trsdmetal是区分是否是金属的CT值阈值下限，Glow，metal为低剂量金属图像。在CT扫描图像中，金属物的HU(hounsfield units)的值一般在3000以上，因此公式(1)中根据HU值处理，即Trsdmetal可取值为3000。
S13、将低剂量图像与现有三维数据图像进行图像配准，获取最终三维图像数据：先分别获取低剂量图像与现有三维数据图像中各自的骨组织图像，采用图像配准算法，获取从低剂量骨组织图像变换到现有三维数据骨组织图像的传输函数，利用所述传输函数和低剂量校正图像获取现有三维数据校正图像，利用现有三维数据图像与现有三维数据校正图像获取最终三维数据图像。
对于骨科导航等应用，只关心金属植入物相对于骨组织的空间位置关系，现有三维数据图像为术前获取的高剂量CT图像；因此可以对低剂量CT图像和高剂量CT图像再次做阈值分割分别获得骨组织图像：
Figure BDA0002622504320000072
Figure BDA0002622504320000073
其中，Trsdbone1和Trsdbone2是区分骨组织的CT值阈值上下限，Glow，bone为低剂量骨组织图像，Ghigh，bone为现有三维数据骨组织图像，也可称为高剂量骨组织图像。在CT扫描图像中，骨组织的HU值一般在300-2000之间，即公式(2)和公式(3)中，Trsdbone1和Trsdbone2可分别取值为300和2000。
图像配准的算法有很多成熟算法，有传统的图像处理算法，比如ECC(EnhancedCorrelation Coefficient)、Lucas-Kanade算法、DIC(Dual Inverse Compositional)等等，也可以通过神经网络实现图像配准。
将Glow，bone和Ghigh，bone进行配准后，得到从Glow，bone变换到Ghigh，bone的传输函数：
Ghigh，bone＝T(Glow，bone) (4)
将低剂量扫描中得到的低剂量校正图像Glow，metal进行同样的变换，可以得到金属图像在高剂量CT图像中的位置，即现有三维数据校正图像，也被称为高剂量校正图像：
Ghigh，metal＝T(Glow，metal) (5)
由于Ghigh，metal是通过传输函数并进行阈值分割获得的，边缘会不平滑，因此进行一个平滑的处理：
Figure BDA0002622504320000081
其中G′high，metal为滤波后的现有三维数据校正图像，
Figure BDA0002622504320000082
是卷积符号，H是平滑核。
最后，将高剂量图像Ghigh和滤波后的现有三维数据校正图像进行混合，即可得到最终三维数据图像：
Gfinal＝ω·Ghigh+(1-ω)·G′high，metal (7)
此处ω是滤波后的现有三维数据校正图像的函数，例如简单的二值化处理为：
Figure BDA0002622504320000083
由于最终图像是由没有金属伪影的高剂量图像与滤波后的现有三维数据校正图像进行混合得到的，因此金属以外的组织中不会存在伪影；这一点能大幅提高手术医师对金属植入物在病人体内位置判断的准确性，从而提高手术的成功率。
迭代重建算法
在迭代重建算法并不要求扫描数据是一个完整的CT扫描；因此，这里的低剂量扫描也不要求是完整的CT扫描。传统的CT迭代重建算法可以描述为一个最优化问题：
Figure BDA0002622504320000084
其中，
Figure BDA0002622504320000091
为目标重建图像；
Figure BDA0002622504320000092
为图像正投影
Figure BDA0002622504320000093
与测量投影数据(P)之间差别的向量2范数，
Figure BDA0002622504320000094
是一个约束项，用于规范图像中的噪声以及避免迭代发散。
在具有高剂量扫描图像这个先验知识的前提下，上述迭代目标函数可以修改为：
Figure BDA0002622504320000095
其中，约束函数中加入了高剂量扫描图像，也被称为现有三维数据图像，即Ghigh。在约束图像本身的噪声前提下，也可以约束最终图像和高剂量扫描图像之间的差别，用于降低目标重建图像与现有三维数据图像之间除新增物体以外的差别。这样，可以达到最终图像中的像素，要么与高剂量图像一致，要么需要有足够的变化来使得其正投影数据与低剂量测量数据一致。也就是说，在最终图像中的表现就是：在没有变化的图像区域，最终图像受高剂量图像的影响较大；在发生变化的区域，最终图像能将低剂量扫描提供的信息表达出来。
根据现有三维数据图像和迭代目标函数对低剂量图像进行迭代重建处理，获取最终三维图像数据，即目标重建图像。
神经网络
采用人工智能(AI)的神经网络来获取病人体内植入物的算法。具体实现过程为：
S31、获取训练样本：获取若干个不同病人的现有三维数据图像Ghigh，对每个现有三维数据图像Ghigh进行处理，获取相应的仿真低剂量图像和标签图像，将每个病人的现有三维数据图像、仿真低剂量图像和标签图像组合为图像组，获取包含若干个图像组的训练样本；
对相应的现有三维数据图像Ghigh进行随机的平移和旋转，加入模拟的植入物，如金属植入物或造影剂，获取标签图像Gtruth；
通过仿真程序获取标签图像Gtruth在低剂量下的扫描数据Plow，利用所述扫描数据获取仿真低剂量图像，该仿真程序中使用复合泊松分布模型来模拟多能X射线穿过人体被探测器吸收的过程。
S32、如附图4所示，构建神经网络并对神经网络进行训练：通过特征提取网络和图像处理网络构建神经网络，依次输入训练样本中的图像组，将现有三维数据图像和仿真低剂量图像作为神经网络的输入，神经网络的输出与标签图像计算损失函数，通过损失函数对神经网络进行训练；其中特征提取网络为VGG16或Resnet，图像处理网络为2D U-net或3DU-net；常见的损失函数包括L2范数、对数损失函数、交叉熵损失函数、Hinge损失函数等等。以L2范数为例，损失函数可以写成：
L(Gtruth，f(Ghigh，Plow))＝||Ghigh-f(Ghigh，Plow)||2 (11)
其中，f(Ghigh，Plow)是神经网络输出的最终三维图像数据。
S33、如附图5所示，利用训练后的神经网络获取最终三维图像数据：通过低剂量扫描数据重建为低剂量图像，将现有三维数据图像和低剂量图像输入至训练后的神经网络中，神经网络输出最终三维图像数据。
上述过程中，扫描数据Plow可以用其重建图像Glow来代替，以获得较小的训练成本和较快的计算速度。
在植入物是金属的情况下，因为在训练神经网络中，标签图像Gtruth是仿真的高剂量无金属伪影的图像，因此以此为目标设计的神经网络会自动提取低剂量扫描数据(或图像)中的金属特征，并叠加到高剂量图像中，从而达到提高图像质量消除金属伪影的目的。
本发明还公开了一种电子介质，包括存储器和处理器，存储器和处理器相连，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，实现以上任一所述的一种三维图像数据辅助的低剂量扫描数据重建方法。存储器可为各种类型的存储器，可为随机存储器、只读存储器、闪存等。处理器可为各种类型的处理器，例如，中央处理器、微处理器、数字信号处理器或图像处理器等。
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 (10)

1.一种三维图像数据辅助的低剂量扫描数据重建方法，其特征在于，包括以下步骤：
扫描前，查找与病人相对应的现有三维图像数据；
扫描中，获取低剂量扫描数据；所述低剂量扫描数据为低剂量的CT扫描数据，或低剂量的一个或多个DR图像；
扫描后，利用现有三维图像数据与低剂量扫描数据之间的数据差异，在重建过程中将此数据差异与现有三维图像数据进行结合，获取高剂量质量下的最终三维图像数据。
2.根据权利要求1所述的一种三维图像数据辅助的低剂量扫描数据重建方法，其特征在于，所述扫描后现有三维图像数据与低剂量扫描数据之间的数据差异，数据差异为低剂量扫描数据中增加的物体数据，所述物体数据包括金属植入物数据、造影剂数据。
3.根据权利要求1所述的一种三维图像数据辅助的低剂量扫描数据重建方法，其特征在于，所述扫描后，对低剂量扫描数据进行重建，具体包括：根据现有三维图像数据与低剂量扫描数据之间的数据差异，采用图像配准算法、迭代重建算法或人工智能算法进行数据重建，获取最终三维图像数据。
4.根据权利要求3所述的一种三维图像数据辅助的低剂量扫描数据重建方法，其特征在于，所述采用图像配准算法进行数据重建，获取最终三维图像数据，其具体过程为：
S11、对低剂量扫描数据进行算法重建，在算法重建的过程中，采用去除伪影算法，获取低剂量图像；
S12、对低剂量图像进行阈值分割，获取低剂量校正图像；
S13、将低剂量图像与现有三维数据图像进行图像配准，获取最终三维图像数据：先分别获取低剂量图像与现有三维数据图像中各自的骨组织图像，采用图像配准算法，获取从低剂量骨组织图像变换到现有三维数据骨组织图像的传输函数，利用所述传输函数和低剂量伪影校正图像获取现有三维数据校正图像，利用现有三维数据图像与现有三维数据校正图像获取最终三维数据图像。
5.根据权利要求4所述的一种三维图像数据辅助的低剂量扫描数据重建方法，其特征在于，在所述S13利用现有三维数据图像与现有三维数据校正图像获取最终三维数据图像前，对现有三维数据校正图像进行平滑滤波，所述平滑滤波的计算公式为：
Figure FDA0002622504310000011
其中，Ghigh，cor为现有三维数据校正图像，G′high，cor为滤波后的现有三维数据校正图像，
Figure FDA0002622504310000012
是卷积符号，H是平滑核。
6.根据权利要求3所述的一种三维图像数据辅助的低剂量扫描数据重建方法，其特征在于，所述采用迭代重建算法，获取最终三维图像数据，其具体过程为：
S21、获取迭代算法中的迭代目标函数，其计算公式为：
Figure FDA0002622504310000021
其中，Ghigh为现有三维数据图像，
Figure FDA0002622504310000022
为目标重建图像；
Figure FDA0002622504310000023
为图像正投影
Figure FDA0002622504310000024
与测量投影数据(P)之间差别的向量2范数，
Figure FDA0002622504310000025
是一个约束项，用于降低目标图像与现有三维数据图像之间除新增物体以外的差别，并规范图像中的噪声以及避免迭代发散；
S22、根据现有三维数据图像和迭代目标函数对低剂量图像进行迭代重建处理，获取最终三维图像数据。
7.根据权利要求3所述的一种三维图像数据辅助的低剂量扫描数据重建方法，其特征在于，所述采用人工智能算法进行数据重建，获取最终三维图像数据，其具体过程为：
S31、获取训练样本：获取若干个不同病人的现有三维数据图像，对每个现有三维数据图像进行处理，获取相应的仿真低剂量图像和标签图像，将每个病人的现有三维数据图像、仿真低剂量图像和标签图像组合为图像组，获取包含若干个图像组的训练样本；
S32、构建神经网络并对神经网络进行训练：通过特征提取网络和图像处理网络构建神经网络，依次输入训练样本中的图像组，将现有三维数据图像和仿真低剂量图像作为神经网络的输入，神经网络的输出与标签图像计算损失函数，通过损失函数对神经网络进行训练；其中特征提取网络为VGG16或Resnet，图像处理网络为2D U-net或3D U-net；
S33、利用训练后的神经网络获取最终三维图像数据：通过低剂量扫描数据重建为低剂量图像，将现有三维数据图像和低剂量图像输入至训练后的神经网络中，神经网络输出最终三维图像数据。
8.根据权利要求7所述的一种三维图像数据辅助的低剂量扫描数据重建方法，其特征在于，所述S31中获取相应的仿真低剂量图像和标签图像，其具体过程为：
S311、获取标签图像：对相应的现有三维数据图像进行随机的平移和旋转，加入模拟的植入物，获取标签图像；
S312、获取仿真低剂量图像：利用所述标签图像，通过仿真程序获取标签图像在低剂量下的扫描数据，利用所述扫描数据获取仿真低剂量图像。
9.根据权利要求1所述的一种三维图像数据辅助的低剂量扫描数据重建方法，其特征在于，所述现有三维图像数据为高剂量CT扫描图像或核磁共振扫描图像。
10.一种电子介质，其特征在于：包括存储器和处理器，存储器和处理器相连，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，实现如权利要求1-9任一所述的一种三维图像数据辅助的低剂量扫描数据重建方法。
CN202010793162.0A 2020-08-07 2020-08-07 三维图像数据辅助的低剂量扫描数据重建方法及电子介质 Active CN111915696B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010793162.0A CN111915696B (zh) 2020-08-07 2020-08-07 三维图像数据辅助的低剂量扫描数据重建方法及电子介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010793162.0A CN111915696B (zh) 2020-08-07 2020-08-07 三维图像数据辅助的低剂量扫描数据重建方法及电子介质

Publications (2)

Publication Number Publication Date
CN111915696A true CN111915696A (zh) 2020-11-10
CN111915696B CN111915696B (zh) 2023-09-22

Family

ID=73283370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010793162.0A Active CN111915696B (zh) 2020-08-07 2020-08-07 三维图像数据辅助的低剂量扫描数据重建方法及电子介质

Country Status (1)

Country Link
CN (1) CN111915696B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258642A (zh) * 2020-12-21 2021-01-22 之江实验室 基于深度学习的低剂量pet数据三维迭代更新重建方法
US11382712B2 (en) 2019-12-22 2022-07-12 Augmedics Ltd. Mirroring in image guided surgery
US11389252B2 (en) 2020-06-15 2022-07-19 Augmedics Ltd. Rotating marker for image guided surgery
US11750794B2 (en) 2015-03-24 2023-09-05 Augmedics Ltd. Combining video-based and optic-based augmented reality in a near eye display
US11766296B2 (en) 2018-11-26 2023-09-26 Augmedics Ltd. Tracking system for image-guided surgery
US11896445B2 (en) 2021-07-07 2024-02-13 Augmedics Ltd. Iliac pin and adapter
US11974887B2 (en) 2018-05-02 2024-05-07 Augmedics Ltd. Registration marker for an augmented reality system
US11980506B2 (en) 2019-07-29 2024-05-14 Augmedics Ltd. Fiducial marker

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004051821A1 (de) * 2004-10-25 2006-04-27 Siemens Ag Verfahren zur Erzeugung von Bildern mit einem Spiral-Computertomographie-Gerät und Spiral-Computertomographie-Gerät
WO2009091200A2 (ko) * 2008-01-15 2009-07-23 E-Woo Technology Co.,Ltd 엑스 레이 씨티 촬영 영상의 메탈 아티팩트를 제거하는 방법
US20120224760A1 (en) * 2009-10-22 2012-09-06 Koninklijke Philips Electronics N.V. Enhanced image data/dose reduction
CN102737392A (zh) * 2012-06-07 2012-10-17 南方医科大学 一种低剂量x线ct图像的非局部正则化先验重建方法
CN102947861A (zh) * 2010-06-21 2013-02-27 皇家飞利浦电子股份有限公司 用于在低剂量计算机断层摄影中降低噪声的方法和系统
DE102014217966A1 (de) * 2014-09-09 2016-03-10 Siemens Aktiengesellschaft Adaptive Metallartefaktreduktion für die Computertomographie
CN106373163A (zh) * 2016-08-29 2017-02-01 东南大学 一种基于三维投影图区别性特征表示的低剂量ct成像方法
CN107610195A (zh) * 2017-07-28 2018-01-19 上海联影医疗科技有限公司 图像转换的系统和方法
CN107705261A (zh) * 2017-10-09 2018-02-16 沈阳东软医疗系统有限公司 一种图像重建方法和装置
CN109493951A (zh) * 2017-11-08 2019-03-19 上海联影医疗科技有限公司 用于降低辐射剂量的系统和方法
US20200126273A1 (en) * 2018-10-17 2020-04-23 Siemens Healthcare Gmbh Method for reconstructing a three-dimensional image data set
CN111325686A (zh) * 2020-02-11 2020-06-23 之江实验室 一种基于深度学习的低剂量pet三维重建方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004051821A1 (de) * 2004-10-25 2006-04-27 Siemens Ag Verfahren zur Erzeugung von Bildern mit einem Spiral-Computertomographie-Gerät und Spiral-Computertomographie-Gerät
WO2009091200A2 (ko) * 2008-01-15 2009-07-23 E-Woo Technology Co.,Ltd 엑스 레이 씨티 촬영 영상의 메탈 아티팩트를 제거하는 방법
US20120224760A1 (en) * 2009-10-22 2012-09-06 Koninklijke Philips Electronics N.V. Enhanced image data/dose reduction
CN102947861A (zh) * 2010-06-21 2013-02-27 皇家飞利浦电子股份有限公司 用于在低剂量计算机断层摄影中降低噪声的方法和系统
CN102737392A (zh) * 2012-06-07 2012-10-17 南方医科大学 一种低剂量x线ct图像的非局部正则化先验重建方法
DE102014217966A1 (de) * 2014-09-09 2016-03-10 Siemens Aktiengesellschaft Adaptive Metallartefaktreduktion für die Computertomographie
CN106373163A (zh) * 2016-08-29 2017-02-01 东南大学 一种基于三维投影图区别性特征表示的低剂量ct成像方法
CN107610195A (zh) * 2017-07-28 2018-01-19 上海联影医疗科技有限公司 图像转换的系统和方法
CN107705261A (zh) * 2017-10-09 2018-02-16 沈阳东软医疗系统有限公司 一种图像重建方法和装置
CN109493951A (zh) * 2017-11-08 2019-03-19 上海联影医疗科技有限公司 用于降低辐射剂量的系统和方法
US20200126273A1 (en) * 2018-10-17 2020-04-23 Siemens Healthcare Gmbh Method for reconstructing a three-dimensional image data set
CN111325686A (zh) * 2020-02-11 2020-06-23 之江实验室 一种基于深度学习的低剂量pet三维重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHANG, XIRONG等: "Improving image quality with model-based iterative reconstruction at quarter of nominal dose in upper abdominal CT", 《BRITISH JOURNAL OF REDIOLOGY》, vol. 92, no. 1093, pages 1 - 7 *
王欣宇等: "低剂量扫描结合高级建模迭代重建算法在颅脑CT检查中的应用", 《山东医药》, vol. 60, no. 14, pages 20 - 30 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11750794B2 (en) 2015-03-24 2023-09-05 Augmedics Ltd. Combining video-based and optic-based augmented reality in a near eye display
US11974887B2 (en) 2018-05-02 2024-05-07 Augmedics Ltd. Registration marker for an augmented reality system
US11980508B2 (en) 2018-05-02 2024-05-14 Augmedics Ltd. Registration of a fiducial marker for an augmented reality system
US11980507B2 (en) 2018-05-02 2024-05-14 Augmedics Ltd. Registration of a fiducial marker for an augmented reality system
US11766296B2 (en) 2018-11-26 2023-09-26 Augmedics Ltd. Tracking system for image-guided surgery
US11980429B2 (en) 2018-11-26 2024-05-14 Augmedics Ltd. Tracking methods for image-guided surgery
US11980506B2 (en) 2019-07-29 2024-05-14 Augmedics Ltd. Fiducial marker
US11382712B2 (en) 2019-12-22 2022-07-12 Augmedics Ltd. Mirroring in image guided surgery
US11801115B2 (en) 2019-12-22 2023-10-31 Augmedics Ltd. Mirroring in image guided surgery
US11389252B2 (en) 2020-06-15 2022-07-19 Augmedics Ltd. Rotating marker for image guided surgery
CN112258642A (zh) * 2020-12-21 2021-01-22 之江实验室 基于深度学习的低剂量pet数据三维迭代更新重建方法
US11896445B2 (en) 2021-07-07 2024-02-13 Augmedics Ltd. Iliac pin and adapter

Also Published As

Publication number Publication date
CN111915696B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
CN111915696B (zh) 三维图像数据辅助的低剂量扫描数据重建方法及电子介质
JP6855223B2 (ja) 医用画像処理装置、ｘ線コンピュータ断層撮像装置及び医用画像処理方法
Prell et al. A novel forward projection-based metal artifact reduction method for flat-detector computed tomography
RU2605519C2 (ru) Двухпроходная коррекция металлического артефакта с компенсацией движения для изображений срезов компьютерной томографии
US20210056688A1 (en) Using deep learning to reduce metal artifacts
US7378660B2 (en) Computer program, method, and system for hybrid CT attenuation correction
JP5635730B2 (ja) 画像から関心のある特徴部を抽出するためのシステム及び方法
US20060285737A1 (en) Image-based artifact reduction in PET/CT imaging
CN107115119B (zh) Pet图像衰减系数的获取方法、衰减校正的方法及系统
Meilinger et al. Metal artifact reduction in cone beam computed tomography using forward projected reconstruction information
US20110044559A1 (en) Image artifact reduction
CN111192228B (zh) 图像处理方法、装置、ct设备及ct系统
JP2015100702A (ja) コンピュータ断層撮影画像再構成のアーチファクト低減の方法および装置
CN109961419B (zh) 对pet活度分布图像进行衰减校正的校正信息获取方法
CN110264559A (zh) 一种骨断层图像重建方法及系统
Zhao et al. Dual-energy CT imaging using a single-energy CT data is feasible via deep learning
Rit et al. On-the-fly motion-compensated cone-beam CT using an a priori motion model
JP7346546B2 (ja) Ｃｔ仮想単色撮像のための自動的適応エネルギ設定を行う方法
Park et al. Unpaired-paired learning for shading correction in cone-beam computed tomography
Bier C-arm Cone-Beam Computed Tomography Reconstruction for Knee Imaging under Weight-Bearing Conditions
CN110730977B (zh) 低剂量成像方法及装置
CN112258596A (zh) 图像生成方法、装置、控制台设备及ct系统
Razeto et al. Accurate registration of coronary arteries for volumetric CT digital subtraction angiography
Berger et al. 2D/3D registration for motion compensated reconstruction in cone-beam CT of knees underweight-bearing condition
CN117671162B (zh) 一种4d关节站立位三维成像方法和装置

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