CN111968110A - Ct成像方法、装置、存储介质及计算机设备 - Google Patents

Ct成像方法、装置、存储介质及计算机设备 Download PDF

Info

Publication number
CN111968110A
CN111968110A CN202010909027.8A CN202010909027A CN111968110A CN 111968110 A CN111968110 A CN 111968110A CN 202010909027 A CN202010909027 A CN 202010909027A CN 111968110 A CN111968110 A CN 111968110A
Authority
CN
China
Prior art keywords
image
imaging
parameters
scanning
model
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
CN202010909027.8A
Other languages
English (en)
Other versions
CN111968110B (zh
Inventor
谌高峰
张�浩
蔡敏占
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.)
Guangzhou Haizhao Yinfeng Information Technology Co ltd
Original Assignee
Guangzhou Haizhao Yinfeng Information 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 Guangzhou Haizhao Yinfeng Information Technology Co ltd filed Critical Guangzhou Haizhao Yinfeng Information Technology Co ltd
Priority to CN202010909027.8A priority Critical patent/CN111968110B/zh
Publication of CN111968110A publication Critical patent/CN111968110A/zh
Application granted granted Critical
Publication of CN111968110B publication Critical patent/CN111968110B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种目标脏器导向扫描协议最优化的CT成像方法、装置、存储介质及计算机设备，其中，所述方法包括：获得三维CT定位像，并基于所述三维CT定位像确定目标脏器解剖模型和成像任务；基于所述目标脏器解剖模型建立成像系统模型；结合所述成像任务和所述成像系统模型建立性能预测模型；基于所述性能预测模型确定目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数；根据所述最优扫描协议参数进行CT扫描，获得投影数据；结合所述投影数据和所述图像重建参数进行CT图像重建，获得CT图像。在本发明实施例中，可以降低CT图像数据中的噪音并且得到感兴趣区域的高质量CT图像。

Description

CT成像方法、装置、存储介质及计算机设备
技术领域
本发明涉及医疗图像处理技术领域，尤其涉及一种目标脏器导向扫描协议最优化的CT成像方法、装置、存储介质及计算机设备。
背景技术
在CT诊断扫描中，为了减少受检者的辐射剂量，通常采用管电流调制的方法来降低剂量；研究表明，当毫安秒降低至常规剂量的三分之一时，CT图像数据会不可避免地引入大量噪声，继而严重影响CT影像分析，导致误诊；管电压的降低则会因X射线的穿透力下降而造成CT图像中射束硬化伪影的产生；传统的管电流调制策略一般都是针对滤波反投影重建算法进行设计的，虽然降低了辐射剂量，但只能满足基于噪声的简单图像质量要求，缺少病人目标成像区域的解剖特征，不能保证特定解剖特征区域的成像质量，无法有效地提高剂量利用率。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种目标脏器导向扫描协议最优化的CT成像方法、装置、存储介质及计算机设备，可以降低CT图像数据中的噪音并且得到感兴趣区域的高质量CT图像，有效的提高了剂量利用率。
为了解决上述中至少一个技术问题，本发明实施例提供了一种目标脏器导向扫描协议最优化的CT成像方法，所述方法包括：
获得三维CT定位像，并基于所述三维CT定位像确定目标脏器解剖模型和成像任务；
基于所述目标脏器解剖模型建立成像系统模型；
结合所述成像任务和所述成像系统模型建立性能预测模型；
基于所述性能预测模型确定目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数；
根据所述最优扫描协议参数进行CT扫描，获得投影数据；
结合所述投影数据和所述图像重建参数进行CT图像重建，获得CT图像。
可选的，所述获得三维CT定位像，包括：
通过低剂量CT扫描重建获得低剂量CT扫描重建图像；
基于成像网络对所述低剂量CT扫描重建图像进行恢复，获得三维CT定位像；
所述低剂量CT扫描为低于临床CT检查设定剂量或CT设备厂商设定的参考剂量；
所述成像网络为采用配对的高低剂量三维定位像数据集以端到端的方式进行训练，并采用Adam算法对均方误差损失函数和网络权重参数进行优化而获得。
可选的，所述基于所述三维CT定位像确定目标脏器解剖模型和成像任务，包括：
基于所述三维CT定位像和脏器区域辨识网络建立所述目标脏器解剖模型；
基于所述三维CT定位像、成像网络和脏器区域辨识网络建立所述成像任务；
所述脏器区域辨识网络为采用配对标注的三维定位像数据集以端到端的方式进行训，并采用Adam算法对交叉熵损失函数和网络权重参数进行优化获得；
所述成像任务包括图像对比度、图像空间分辨率和解剖脏器定位；
所述图像对比度和所述图像空间分辨率由所述成像网络实现，所述解剖脏器定位由所述脏器区域辨识网络实现。
可选的，所述基于所述目标脏器解剖模型建立成像系统模型，包括：
基于所述目标脏器解剖模型利用模型迭代重建算法进行重建，并在所述模型迭代重建算法中的管电流调制和正则化的成像任务驱动进行所述成像系统模型的构建；
所述成像系统模型为基于任务驱动和病人驱动的多目标优化，且所述成像系统模型包括扫描范围、管电流、管电压；
所述模型迭代重建算法中的目标函数为
Figure BDA0002662545460000031
其中，ΩA为待求解的自适应扫描参数；ΩR表示待求解的自适应重建参数；S表示局部噪声功率谱的估计；T表示局部调制传递函数的估计；
Figure BDA0002662545460000032
表示基于成像任务驱动的参数估计；j表示成像任务索引序号；fx、fy、fz分别表示沿待重建三维图像f的x轴、y轴、z轴的方向分量。
可选的，所述结合所述成像任务和所述成像系统模型建立性能预测模型，包括：
基于所述成像任务对所述成像系统的参数进行优化处理来建立所述性能预测模型。
可选的，所述基于所述性能预测模型确定目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数，包括：
所述性能预测模型以实现所述成像任务中的高图像对比度、高图像空间分辨率和精确解剖脏器定位为目标，采用ADMM-Net网络对成像系统模型中目标方程中的自适应扫描参数和自适应重建参数进行优化处理，以获得目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数；
所述最优扫描协议参数包括扫描管电流参数、扫描管电压参数、扫描角度中的一个或多个组合；
所述图像重建参数包括图像大小参数、重建视野参数、正则化超参数中的一个或多个组合。
可选的，所述结合所述投影数据和所述图像重建参数进行CT图像重建，包括：
基于CT迭代重建算法和所述图像重建参数对所述投影数据进行CT图像迭代重建。
另外，本发明实施例还提供了一种目标脏器导向扫描协议最优化的CT成像装置，所述装置包括：
第一确定模块：用于获得三维CT定位像，并基于所述三维CT定位像确定目标脏器解剖模型和成像任务；
第一建立模块：用于基于所述目标脏器解剖模型建立成像系统模型；
第二建立模块：用于结合所述成像任务和所述成像系统模型建立性能预测模型；
第二确定模块：用于基于所述性能预测模型确定目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数；
CT扫描模块：用于根据所述最优扫描协议参数进行CT扫描，获得投影数据；
CT图像重建模块：用于结合所述投影数据和所述图像重建参数进行CT图像重建，获得CT图像。
另外，本发明实施例还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上述中任意一项所述的CT成像方法。
另外，本发明实施例还提供了一种计算机设备，其包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于：执行上述中任意一项所述的CT成像方法。
在本发明实施例中，通过实施上述方法可以降低CT图像数据中的噪音并且得到感兴趣区域的高质量CT图像，有效的提高了剂量利用率。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的目标脏器导向扫描协议最优化的CT成像方法的流程示意图；
图2是本发明实施例中的目标脏器导向扫描协议最优化的CT成像装置的结构组成示意图；
图3是本发明实施例中的计算机设备的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例
请参阅图1，图1是本发明实施例中的目标脏器导向扫描协议最优化的CT成像方法的流程示意图。
如图1所示，一种目标脏器导向扫描协议最优化的CT成像方法，所述方法包括：
S11：获得三维CT定位像，并基于所述三维CT定位像确定目标脏器解剖模型和成像任务；
在本发明实施例中，所述获得三维CT定位像，包括：通过低剂量CT扫描重建获得低剂量CT扫描重建图像；基于成像网络对所述低剂量CT扫描重建图像进行恢复，获得三维CT定位像；所述低剂量CT扫描为低于临床CT检查设定剂量或CT设备厂商设定的参考剂量；所述成像网络为采用配对的高低剂量三维定位像数据集以端到端的方式进行训练，并采用Adam算法对均方误差损失函数和网络权重参数进行优化而获得。
进一步的，所述基于所述三维CT定位像确定目标脏器解剖模型和成像任务，包括：基于所述三维CT定位像和脏器区域辨识网络建立所述目标脏器解剖模型；基于所述三维CT定位像、成像网络和脏器区域辨识网络建立所述成像任务；所述脏器区域辨识网络为采用配对标注的三维定位像数据集以端到端的方式进行训，并采用Adam算法对交叉熵损失函数和网络权重参数进行优化获得；所述成像任务包括图像对比度、图像空间分辨率和解剖脏器定位；所述图像对比度和所述图像空间分辨率由所述成像网络实现，所述解剖脏器定位由所述脏器区域辨识网络实现。
具体的，首先进行低剂量的CT扫描并且重建，从而得到低剂量CT扫描重建图像，然后通过成像网络对该低剂量CT扫描重建图像进行恢复，得到三维定位图像；其中，低剂量CT扫描为低于临床CT检查设定剂量或CT设备厂商设定的参考剂量；成像网络为采用配对的高低剂量三维定位像数据集以端到端的方式进行训练，并采用Adam算法对均方误差损失函数和网络权重参数进行优化而获得；通过上述方式得到的三维CT定位像可以实现低剂量三维定位像中的噪声伪影的去除。
在得到三维CT定位像之后，根据三维CT定位像和脏器区域辨识网络建立目标脏器解剖模型；在本发明实施例中，脏器区域辨识网络是采用配对标注的三维CT定位像数据集以端对端的方式进行训练，并采用Adam算法对交叉熵损失函数和网络权重参数进行优化得到的，从而实现对三维CT定位像中脏器的识别分割。
通过三维CT定位像、成像网络和脏器区域表示网络建立成像任务，并且该成像任务包括了图像对比度、图像空间分辨率和解剖脏器定位；该成像任务中的图像对比度和图像空间分辨率是由上述的程序网络实现的，该解剖脏器定位是由脏器区域辨识网络实现的。
S12：基于所述目标脏器解剖模型建立成像系统模型；
在本发明具体实施过程中，所述基于所述目标脏器解剖模型建立成像系统模型，包括：
基于所述目标脏器解剖模型利用模型迭代重建算法进行重建，并在所述模型迭代重建算法中的管电流调制和正则化的成像任务驱动进行所述成像系统模型的构建；
所述成像系统模型为基于任务驱动和病人驱动的多目标优化，且所述成像系统模型包括扫描范围、管电流、管电压；
所述模型迭代重建算法中的目标函数为
Figure BDA0002662545460000071
其中，ΩA为待求解的自适应扫描参数；ΩR表示待求解的自适应重建参数；S表示局部噪声功率谱的估计；T表示局部调制传递函数的估计；
Figure BDA0002662545460000072
表示基于成像任务驱动的参数估计；j表示成像任务索引序号；fx、fy、fz分别表示沿待重建三维图像f的x轴、y轴、z轴的方向分量。
具体的，通过该目标脏器解剖模型利用模型迭代算法进行重建迭代，并在该模型迭代重建算法中的管电流调制和正则化的成像认为驱动进行该成像系统模型的构建，从而得到成像系统模型，并且该成像系统模型是根据任务驱动和病人驱动的多目标优化的模型，该成像系统模型中包括了扫描范围、管电流和管电压；模型迭代重建算法中的目标函数为
Figure BDA0002662545460000073
其中，ΩA为待求解的自适应扫描参数；ΩR表示待求解的自适应重建参数；S表示局部噪声功率谱的估计；T表示局部调制传递函数的估计；
Figure BDA0002662545460000074
表示基于成像任务驱动的参数估计；j表示成像任务索引序号；fx、fy、fz分别表示沿待重建三维图像f的x轴、y轴、z轴的方向分量。
S13：结合所述成像任务和所述成像系统模型建立性能预测模型；
在本发明具体实施过程中，所述结合所述成像任务和所述成像系统模型建立性能预测模型，包括：基于所述成像任务对所述成像系统的参数进行优化处理来建立所述性能预测模型。
具体的，该性能预测模型是利用成像任务对成像系统模型中的参数进行优化来构建的。
S14：基于所述性能预测模型确定目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数；
在本发明具体实施过程中，所述基于所述性能预测模型确定目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数，包括：
所述性能预测模型以实现所述成像任务中的高图像对比度、高图像空间分辨率和精确解剖脏器定位为目标，采用ADMM-Net网络对成像系统模型中目标方程中的自适应扫描参数和自适应重建参数进行优化处理，以获得目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数；所述最优扫描协议参数包括扫描管电流参数、扫描管电压参数、扫描角度中的一个或多个组合；所述图像重建参数包括图像大小参数、重建视野参数、正则化超参数中的一个或多个组合。
具体的，该性能预测模型确定目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数的具体实现是以成像任务中高图像对比度、高图像空间分辨率、精确解剖脏器定位为目标，利用ADMM-Net网络对成像系统模型中的目标方程Φ(ΩA,ΩR)中的自适应扫描参数ΩA和自适应重建参数ΩR进行优化，以获得目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数。
该最优扫描协议参数包括扫描管电流参数、扫描管电压参数、扫描角度中的一个或多个组合；该图像重建参数包括图像大小参数、重建视野参数、正则化超参数中的一个或多个组合。
S15：根据所述最优扫描协议参数进行CT扫描，获得投影数据；
在本发明具体实施过程中，根据该最优扫描协议参数对对应的病人进行CT扫描，从而得到对应病人的投影数据。
S16：结合所述投影数据和所述图像重建参数进行CT图像重建，获得CT图像。
在本发明具体实施过程中，所述结合所述投影数据和所述图像重建参数进行CT图像重建，包括：基于CT迭代重建算法和所述图像重建参数对所述投影数据进行CT图像迭代重建。
具体的，该投影数据是CT成像装置根据最优扫描协议参数设置对对应的病人进行扫描得到的，该CT图像是根据CT迭代重建算法和图像重建参数对该投影数据进行CT图像迭代重建得到的。
在本发明实施例中，通过实施上述方法可以降低CT图像数据中的噪音并且得到感兴趣区域的高质量CT图像，有效的提高了剂量利用率。
实施例
请参阅图2，图2是本发明实施例中的目标脏器导向扫描协议最优化的CT成像装置的结构组成示意图。
如图2所示，一种目标脏器导向扫描协议最优化的CT成像装置，所述装置包括：
第一确定模块21：用于获得三维CT定位像，并基于所述三维CT定位像确定目标脏器解剖模型和成像任务；
在本发明实施例中，所述获得三维CT定位像，包括：通过低剂量CT扫描重建获得低剂量CT扫描重建图像；基于成像网络对所述低剂量CT扫描重建图像进行恢复，获得三维CT定位像；所述低剂量CT扫描为低于临床CT检查设定剂量或CT设备厂商设定的参考剂量；所述成像网络为采用配对的高低剂量三维定位像数据集以端到端的方式进行训练，并采用Adam算法对均方误差损失函数和网络权重参数进行优化而获得。
进一步的，所述基于所述三维CT定位像确定目标脏器解剖模型和成像任务，包括：基于所述三维CT定位像和脏器区域辨识网络建立所述目标脏器解剖模型；基于所述三维CT定位像、成像网络和脏器区域辨识网络建立所述成像任务；所述脏器区域辨识网络为采用配对标注的三维定位像数据集以端到端的方式进行训，并采用Adam算法对交叉熵损失函数和网络权重参数进行优化获得；所述成像任务包括图像对比度、图像空间分辨率和解剖脏器定位；所述图像对比度和所述图像空间分辨率由所述成像网络实现，所述解剖脏器定位由所述脏器区域辨识网络实现。
具体的，首先进行低剂量的CT扫描并且重建，从而得到低剂量CT扫描重建图像，然后通过成像网络对该低剂量CT扫描重建图像进行恢复，得到三维定位图像；其中，低剂量CT扫描为低于临床CT检查设定剂量或CT设备厂商设定的参考剂量；成像网络为采用配对的高低剂量三维定位像数据集以端到端的方式进行训练，并采用Adam算法对均方误差损失函数和网络权重参数进行优化而获得；通过上述方式得到的三维CT定位像可以实现低剂量三维定位像中的噪声伪影的去除。
在得到三维CT定位像之后，根据三维CT定位像和脏器区域辨识网络建立目标脏器解剖模型；在本发明实施例中，脏器区域辨识网络是采用配对标注的三维CT定位像数据集以端对端的方式进行训练，并采用Adam算法对交叉熵损失函数和网络权重参数进行优化得到的，从而实现对三维CT定位像中脏器的识别分割。
通过三维CT定位像、成像网络和脏器区域表示网络建立成像任务，并且该成像任务包括了图像对比度、图像空间分辨率和解剖脏器定位；该成像任务中的图像对比度和图像空间分辨率是由上述的程序网络实现的，该解剖脏器定位是由脏器区域辨识网络实现的。
第一建立模块22：用于基于所述目标脏器解剖模型建立成像系统模型；
基于所述目标脏器解剖模型利用模型迭代重建算法进行重建，并在所述模型迭代重建算法中的管电流调制和正则化的成像任务驱动进行所述成像系统模型的构建；
所述成像系统模型为基于任务驱动和病人驱动的多目标优化，且所述成像系统模型包括扫描范围、管电流、管电压；
所述模型迭代重建算法中的目标函数为
Figure BDA0002662545460000101
其中，ΩA为待求解的自适应扫描参数；ΩR表示待求解的自适应重建参数；S表示局部噪声功率谱的估计；T表示局部调制传递函数的估计；
Figure BDA0002662545460000102
表示基于成像任务驱动的参数估计；j表示成像任务索引序号；fx、fy、fz分别表示沿待重建三维图像f的x轴、y轴、z轴的方向分量。
具体的，通过该目标脏器解剖模型利用模型迭代算法进行重建迭代，并在该模型迭代重建算法中的管电流调制和正则化的成像认为驱动进行该成像系统模型的构建，从而得到成像系统模型，并且该成像系统模型是根据任务驱动和病人驱动的多目标优化的模型，该成像系统模型中包括了扫描范围、管电流和管电压；模型迭代重建算法中的目标函数为
Figure BDA0002662545460000103
其中，ΩA为待求解的自适应扫描参数；ΩR表示待求解的自适应重建参数；S表示局部噪声功率谱的估计；T表示局部调制传递函数的估计；
Figure BDA0002662545460000104
表示基于成像任务驱动的参数估计；j表示成像任务索引序号；fx、fy、fz分别表示沿待重建三维图像f的x轴、y轴、z轴的方向分量。
第二建立模块23：用于结合所述成像任务和所述成像系统模型建立性能预测模型；
在本发明具体实施过程中，所述结合所述成像任务和所述成像系统模型建立性能预测模型，包括：基于所述成像任务对所述成像系统的参数进行优化处理来建立所述性能预测模型。
具体的，该性能预测模型是利用成像任务对成像系统模型中的参数进行优化来构建的。
第二确定模块24：用于基于所述性能预测模型确定目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数；
在本发明具体实施过程中，所述基于所述性能预测模型确定目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数，包括：
所述性能预测模型以实现所述成像任务中的高图像对比度、高图像空间分辨率和精确解剖脏器定位为目标，采用ADMM-Net网络对成像系统模型中目标方程中的自适应扫描参数和自适应重建参数进行优化处理，以获得目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数；所述最优扫描协议参数包括扫描管电流参数、扫描管电压参数、扫描角度中的一个或多个组合；所述图像重建参数包括图像大小参数、重建视野参数、正则化超参数中的一个或多个组合。
具体的，该性能预测模型确定目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数的具体实现是以成像任务中高图像对比度、高图像空间分辨率、精确解剖脏器定位为目标，利用ADMM-Net网络对成像系统模型中的目标方程Φ(ΩA,ΩR)中的自适应扫描参数ΩA和自适应重建参数ΩR进行优化，以获得目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数。
该最优扫描协议参数包括扫描管电流参数、扫描管电压参数、扫描角度中的一个或多个组合；该图像重建参数包括图像大小参数、重建视野参数、正则化超参数中的一个或多个组合。
CT扫描模块25：用于根据所述最优扫描协议参数进行CT扫描，获得投影数据；
在本发明具体实施过程中，根据该最优扫描协议参数对对应的病人进行CT扫描，从而得到对应病人的投影数据。
CT图像重建模块26：用于结合所述投影数据和所述图像重建参数进行CT图像重建，获得CT图像。
在本发明具体实施过程中，所述结合所述投影数据和所述图像重建参数进行CT图像重建，包括：基于CT迭代重建算法和所述图像重建参数对所述投影数据进行CT图像迭代重建。
具体的，该投影数据是CT成像装置根据最优扫描协议参数设置对对应的病人进行扫描得到的，该CT图像是根据CT迭代重建算法和图像重建参数对该投影数据进行CT图像迭代重建得到的。
在本发明实施例中，通过实施上述方法可以降低CT图像数据中的噪音并且得到感兴趣区域的高质量CT图像，有效的提高了剂量利用率。
本发明实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例中任意一个实施例的CT成像方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random AcceSS Memory，随即存储器)、EPROM(EraSable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically EraSable ProgrammableRead-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，存储设备包括由设备(例如，计算机、手机)以能够读的形式存储或传输信息的任何介质，可以是只读存储器，磁盘或光盘等。
本发明实施例还提供了一种计算机应用程序，其运行在计算机上，该计算机应用程序用于执行上述中任意一个实施例的CT成像方法。
此外，图3是本发明实施例中的计算机设备的结构组成示意图。
本发明实施例还提供了一种计算机设备，如图3所示。所述计算机设备包括处理器302、存储器303、输入单元304以及显示单元305等器件。本领域技术人员可以理解，图3示出的设备结构器件并不构成对所有设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件。存储器303可用于存储应用程序301以及各功能模块，处理器302运行存储在存储器303的应用程序301，从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器，或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
输入单元304用于接收信号的输入，以及接收用户输入的关键字。输入单元304可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元305可用于显示用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元305可采用液晶显示器、有机发光二极管等形式。处理器302是终端设备的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器302内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。
作为一个实施例，所述计算机设备包括：一个或多个处理器302，存储器303，一个或多个应用程序301，其中所述一个或多个应用程序301被存储在存储器303中并被配置为由所述一个或多个处理器302执行，所述一个或多个应用程序301配置用于执行上述实施例中的任意一实施例中对的CT成像方法。
在本发明实施例中，通过实施上述方法可以降低CT图像数据中的噪音并且得到感兴趣区域的高质量CT图像，有效的提高了剂量利用率。
另外，以上对本发明实施例所提供的一种目标脏器导向扫描协议最优化的CT成像方法、装置、存储介质及计算机设备进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种目标脏器导向扫描协议最优化的CT成像方法，其特征在于，所述方法包括：
获得三维CT定位像，并基于所述三维CT定位像确定目标脏器解剖模型和成像任务；
基于所述目标脏器解剖模型建立成像系统模型；
结合所述成像任务和所述成像系统模型建立性能预测模型；
基于所述性能预测模型确定目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数；
根据所述最优扫描协议参数进行CT扫描，获得投影数据；
结合所述投影数据和所述图像重建参数进行CT图像重建，获得CT图像。
2.根据权利要求1所述的CT成像方法，其特征在于，所述获得三维CT定位像，包括：
通过低剂量CT扫描重建获得低剂量CT扫描重建图像；
基于成像网络对所述低剂量CT扫描重建图像进行恢复，获得三维CT定位像；
所述低剂量CT扫描为低于临床CT检查设定剂量或CT设备厂商设定的参考剂量；
所述成像网络为采用配对的高低剂量三维定位像数据集以端到端的方式进行训练，并采用Adam算法对均方误差损失函数和网络权重参数进行优化而获得。
3.根据权利要求1所述的CT成像方法，其特征在于，所述基于所述三维CT定位像确定目标脏器解剖模型和成像任务，包括：
基于所述三维CT定位像和脏器区域辨识网络建立所述目标脏器解剖模型；
基于所述三维CT定位像、成像网络和脏器区域辨识网络建立所述成像任务；
所述脏器区域辨识网络为采用配对标注的三维定位像数据集以端到端的方式进行训，并采用Adam算法对交叉熵损失函数和网络权重参数进行优化获得；
所述成像任务包括图像对比度、图像空间分辨率和解剖脏器定位；
所述图像对比度和所述图像空间分辨率由所述成像网络实现，所述解剖脏器定位由所述脏器区域辨识网络实现。
4.根据权利要求1所述的CT成像方法，其特征在于，所述基于所述目标脏器解剖模型建立成像系统模型，包括：
基于所述目标脏器解剖模型利用模型迭代重建算法进行重建，并在所述模型迭代重建算法中的管电流调制和正则化的成像任务驱动进行所述成像系统模型的构建；
所述成像系统模型为基于任务驱动和病人驱动的多目标优化，且所述成像系统模型包括扫描范围、管电流、管电压；
所述模型迭代重建算法中的目标函数为
Figure FDA0002662545450000021
其中，ΩA为待求解的自适应扫描参数；ΩR表示待求解的自适应重建参数；S表示局部噪声功率谱的估计；T表示局部调制传递函数的估计；
Figure FDA0002662545450000022
表示基于成像任务驱动的参数估计；j表示成像任务索引序号；fx、fy、fz分别表示沿待重建三维图像f的x轴、y轴、z轴的方向分量。
5.根据权利要求1所述的CT成像方法，其特征在于，所述结合所述成像任务和所述成像系统模型建立性能预测模型，包括：
基于所述成像任务对所述成像系统的参数进行优化处理来建立所述性能预测模型。
6.根据权利要求1所述的CT成像方法，其特征在于，所述基于所述性能预测模型确定目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数，包括：
所述性能预测模型以实现所述成像任务中的高图像对比度、高图像空间分辨率和精确解剖脏器定位为目标，采用ADMM-Net网络对成像系统模型中目标方程中的自适应扫描参数和自适应重建参数进行优化处理，以获得目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数；
所述最优扫描协议参数包括扫描管电流参数、扫描管电压参数、扫描角度中的一个或多个组合；
所述图像重建参数包括图像大小参数、重建视野参数、正则化超参数中的一个或多个组合。
7.根据权利要求1所述的CT成像方法，其特征在于，所述结合所述投影数据和所述图像重建参数进行CT图像重建，包括：
基于CT迭代重建算法和所述图像重建参数对所述投影数据进行CT图像迭代重建。
8.一种目标脏器导向扫描协议最优化的CT成像装置，其特征在于，所述装置包括：
第一确定模块：用于获得三维CT定位像，并基于所述三维CT定位像确定目标脏器解剖模型和成像任务；
第一建立模块：用于基于所述目标脏器解剖模型建立成像系统模型；
第二建立模块：用于结合所述成像任务和所述成像系统模型建立性能预测模型；
第二确定模块：用于基于所述性能预测模型确定目标成像质量的各个投影角度下的最优扫描协议参数和图像重建参数；
CT扫描模块：用于根据所述最优扫描协议参数进行CT扫描，获得投影数据；
CT图像重建模块：用于结合所述投影数据和所述图像重建参数进行CT图像重建，获得CT图像。
9.一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7中任意一项所述的CT成像方法。
10.一种计算机设备，其特征在于，其包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于：执行根据权利要求1至7中任意一项所述的CT成像方法。
CN202010909027.8A 2020-09-02 2020-09-02 Ct成像方法、装置、存储介质及计算机设备 Active CN111968110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010909027.8A CN111968110B (zh) 2020-09-02 2020-09-02 Ct成像方法、装置、存储介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010909027.8A CN111968110B (zh) 2020-09-02 2020-09-02 Ct成像方法、装置、存储介质及计算机设备

Publications (2)

Publication Number Publication Date
CN111968110A true CN111968110A (zh) 2020-11-20
CN111968110B CN111968110B (zh) 2023-12-22

Family

ID=73392384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010909027.8A Active CN111968110B (zh) 2020-09-02 2020-09-02 Ct成像方法、装置、存储介质及计算机设备

Country Status (1)

Country Link
CN (1) CN111968110B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767395A (zh) * 2021-04-07 2021-05-07 上海市东方医院（同济大学附属东方医院） 图像性能检测方法及装置
CN113781461A (zh) * 2021-09-16 2021-12-10 人工智能与数字经济广东省实验室(广州) 一种病人智能监控排序方法
CN113827262A (zh) * 2021-09-29 2021-12-24 纳米维景(上海)医疗科技有限公司 一种新型ct扫描区域重建方法、存储介质及终端设备
CN114782566A (zh) * 2021-12-21 2022-07-22 首都医科大学附属北京友谊医院 Ct数据重建方法和装置、电子设备和计算机可读存储介质
WO2022198553A1 (zh) * 2021-03-25 2022-09-29 中国科学院近代物理研究所 三维图像引导摆位的方法、系统及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599316A (zh) * 2014-12-18 2015-05-06 天津三英精密仪器有限公司 一种锥形束ct的断层方向可调整的三维图像重建方法及系统
US20190035118A1 (en) * 2017-07-28 2019-01-31 Shenzhen United Imaging Healthcare Co., Ltd. System and method for image conversion
CN109544655A (zh) * 2018-11-19 2019-03-29 山东科技大学 一种海水管线的x射线ct重建方法
CN110009613A (zh) * 2019-03-28 2019-07-12 东南大学 基于深度稠密网络的低剂量ct成像方法、装置及系统
US20190231296A1 (en) * 2018-01-26 2019-08-01 General Electric Company Methods and system for optimizing an imaging scan based on a prior scan
CN110288671A (zh) * 2019-06-25 2019-09-27 南京邮电大学 基于三维对抗性生成网络的低剂量cbct图像重建方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599316A (zh) * 2014-12-18 2015-05-06 天津三英精密仪器有限公司 一种锥形束ct的断层方向可调整的三维图像重建方法及系统
US20190035118A1 (en) * 2017-07-28 2019-01-31 Shenzhen United Imaging Healthcare Co., Ltd. System and method for image conversion
US20190231296A1 (en) * 2018-01-26 2019-08-01 General Electric Company Methods and system for optimizing an imaging scan based on a prior scan
CN109544655A (zh) * 2018-11-19 2019-03-29 山东科技大学 一种海水管线的x射线ct重建方法
CN110009613A (zh) * 2019-03-28 2019-07-12 东南大学 基于深度稠密网络的低剂量ct成像方法、装置及系统
CN110288671A (zh) * 2019-06-25 2019-09-27 南京邮电大学 基于三维对抗性生成网络的低剂量cbct图像重建方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
H. CHEN等: "Low-dose CT denoising with convolutional neural network", 《 2017 IEEE 14TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2017)》, pages 143 - 146 *
YAN LIU等: "Low-dose CT restoration via stacked sparse denoising autoencoders", 《NEUROCOMPUTING》, vol. 284, pages 80 - 89 *
杨春林: "锥束CT迭代重建及阴影伪影修正技术研究", 《中国优秀硕士学位论文全文数据库：医药卫生科技辑》, no. 3, pages 1 - 78 *
王爽: "低剂量CT去噪方法研究", 《中国优秀硕士学位论文全文数据库：信息科技辑》, no. 1, pages 1 - 87 *
谌高峰等: "基于张量广义全变分最小的稀疏角度螺旋CT重建", 《南方医科大学学报》, vol. 39, no. 10, pages 1213 - 1220 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022198553A1 (zh) * 2021-03-25 2022-09-29 中国科学院近代物理研究所 三维图像引导摆位的方法、系统及存储介质
CN112767395A (zh) * 2021-04-07 2021-05-07 上海市东方医院（同济大学附属东方医院） 图像性能检测方法及装置
CN113781461A (zh) * 2021-09-16 2021-12-10 人工智能与数字经济广东省实验室(广州) 一种病人智能监控排序方法
CN113827262A (zh) * 2021-09-29 2021-12-24 纳米维景(上海)医疗科技有限公司 一种新型ct扫描区域重建方法、存储介质及终端设备
CN114782566A (zh) * 2021-12-21 2022-07-22 首都医科大学附属北京友谊医院 Ct数据重建方法和装置、电子设备和计算机可读存储介质
CN114782566B (zh) * 2021-12-21 2023-03-10 首都医科大学附属北京友谊医院 Ct数据重建方法和装置、电子设备和计算机可读存储介质

Also Published As

Publication number Publication date
CN111968110B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN111968110A (zh) Ct成像方法、装置、存储介质及计算机设备
CN109697741B (zh) 一种pet图像重建方法、装置、设备及介质
CN111462020B (zh) 心脏图像的运动伪影校正方法、系统、存储介质和设备
CN107638188B (zh) 图像衰减校正方法及装置
CN113256753B (zh) 基于多任务学习约束的pet图像感兴趣区域增强重建方法
US20200402204A1 (en) Medical imaging using neural networks
Banerjee et al. A completely automated pipeline for 3D reconstruction of human heart from 2D cine magnetic resonance slices
CN110400298B (zh) 心脏临床指标的检测方法、装置、设备及介质
CN115605915A (zh) 一种图像重建系统和方法
CN109523605A (zh) 一种ct图像重建的方法、装置、设备及介质
CN110991636A (zh) 生成式对抗网络的训练方法及装置、图像增强方法及设备
CN110415310A (zh) 医学扫描成像方法、装置、存储介质及计算机设备
CN112150571A (zh) 一种图像运动伪影消除方法、装置、设备及存储介质
Su et al. A deep learning method for eliminating head motion artifacts in computed tomography
CN113888566B (zh) 目标轮廓曲线确定方法、装置、电子设备以及存储介质
CN111243052A (zh) 图像重建方法、装置、计算机设备和存储介质
CN111968112B (zh) Ct三维定位图像的获取方法、装置和计算机设备
CN111968167B (zh) Ct三维定位像的图像处理方法、装置和计算机设备
CN112649773B (zh) 磁共振扫描方法、装置、设备及存储介质
CN112529977B (zh) 一种pet图像重建的方法和系统
CN111476854B (zh) 图像重建方法、装置、终端及存储介质
CN111862255A (zh) 正则化图像重建方法、系统、可读存储介质和设备
CN112488949A (zh) 一种低剂量pet图像还原方法、系统、设备和介质
CN112330640A (zh) 医学图像中结节区域的分割方法、装置及设备
CN108320793B (zh) 确定扫描时长的方法和装置

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