CN111968167B - Ct三维定位像的图像处理方法、装置和计算机设备 - Google Patents

Ct三维定位像的图像处理方法、装置和计算机设备 Download PDF

Info

Publication number
CN111968167B
CN111968167B CN202010910776.2A CN202010910776A CN111968167B CN 111968167 B CN111968167 B CN 111968167B CN 202010910776 A CN202010910776 A CN 202010910776A CN 111968167 B CN111968167 B CN 111968167B
Authority
CN
China
Prior art keywords
image
dimensional positioning
parameters
artifact
positioning image
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.)
Active
Application number
CN202010910776.2A
Other languages
English (en)
Other versions
CN111968167A (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 CN202010910776.2A priority Critical patent/CN111968167B/zh
Publication of CN111968167A publication Critical patent/CN111968167A/zh
Application granted granted Critical
Publication of CN111968167B publication Critical patent/CN111968167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • 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
    • G06T15/00—3D [Three Dimensional] image rendering
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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]

Landscapes

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

Abstract

本发明涉及一种CT三维定位像的图像处理方法、装置、计算机设备和存储介质，所述方法包括：获取红外扫描得到的深度图像；从所述深度图像中提取目标脏器区域的体位信息和深度信息；根据所述体位信息和深度信息确定X‑ray扫描的成像参数；基于所述X‑ray扫描的成像参数对所述X‑ray扫描进行射线束自动调节，得到CT三维定位像；对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，以得到优化后的CT三维定位像。上述方法可以提高CT三维定位像的成像质量。

Description

CT三维定位像的图像处理方法、装置和计算机设备
技术领域
本发明涉及医学图像理技术领域，特别是涉及一种CT三维定位像的图像处理方法、装置、计算机设备和存储介质。
背景技术
近年来随着CT检查数量大增，更低辐射剂量、更高成像质量以及更精准辨识目标区域用以辅助医生分析显得更加重要。在目前的CT扫描成像装置中，X射线源通过围绕成像中心旋转一周计算衰减值从而调整下一次扫描时的成像参数。但是，该方法无法估计X-ray扫描的第一次扫描时的成像参数，并且在各角度成像时，X-ray扫描的射线束不能自适应受检者在不同角度下的射线宽度，从而影响CT三维定位像的成像质量。
发明内容
本发明的目的在于克服现有技术的不足，提供了一种CT三维定位像的图像处理方法、装置、计算机设备和存储介质，可以提高CT三维定位像的成像质量。
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CT三维定位像的图像处理方法、装置、计算机设备和存储介质，所述方法包括：
获取红外扫描得到的深度图像；
从所述深度图像中提取目标脏器区域的体位信息和深度信息；
根据所述体位信息和深度信息确定X-ray扫描的成像参数；
基于所述X-ray扫描的成像参数对所述X-ray扫描进行射线束自动调节，得到CT三维定位像；
对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，以得到优化后的CT三维定位像。
可选的，所述X-ray扫描的成像参数包括管电流、管电压、曝光时间以及扫描范围；所述基于所述X-ray扫描的成像参数对所述X-ray扫描进行射线束自动调节，得到CT三维定位像，包括：
根据所述管电流、管电压、曝光时间以及扫描范围调节所述射线束的形状以及所述射线束的曝光量；
根据所述射线束的形状以及所述射线束的曝光量调整所述X-ray扫描中X射线光子数及所述X射线光子分布，以使得所述X-ray扫描自适应患者解剖结构，得到所述CT三维定位像。
可选的，所述对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，包括：
基于残差学习网络的多参数估计模块对所述CT三维定位像进行伪影估计与噪声估计，得到伪影参数和噪声参数；
根据所述伪影参数和所述噪声参数基于所述残差学习网络的图像滤波模块对所述CT三维定位像进行去噪以及去伪影的图像滤波处理。
可选的，所述多参数估计模块包括多尺度小波变换单元和残差网络单元；所述基于残差学习网络的多参数估计模块对所述CT三维定位像进行伪影估计与噪声估计，得到伪影参数和噪声参数，包括：
基于所述多尺度小波变换单元对所述CT三维定位像进行伪影估计，得到所述伪影参数；
基于所述残差网络单元对所述CT三维定位像进行噪声估计，得到所述噪声参数。
可选的，所述根据所述伪影参数和所述噪声参数基于所述残差学习网络的图像滤波模块对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，包括：
根据所述伪影参数和所述噪声参数基于基于所述图像滤波模块中的卷积层对所述CT三维定位像进行迭代更新处理，以对所述CT三维定位像进行去噪以及去伪影的图像滤波处理。
可选的，所述对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，包括：
基于神经网络模型对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，所述神经网络模型用于对输入的所述CT三维定位像进行去噪以及去伪影处理，得到所述优化后的CT三维定位像；
其中，通过样本CT三维定位像对待定神经网络模型的深度残差网络进行端对端训练，以优化所述待定神经网络模型的网络模型超参数和网络层参数，并更新所述待定神经网络模型的网络权重值，得到所述神经网络模型。
可选的，所述通过样本CT三维定位像对待定神经网络模型的深度残差网络进行端对端训练，包括：
对所述待定神经网络模型的深度残差网络的正则化参数或数据保真项参数进行参数调整；
采用Adam优化算法对参数调整后的所述深度残差网络的收敛方式进行优化，以进行所述端对端训练。
另外，本发明实施例还提供了一种CT三维定位像的图像处理装置，所述装置包括：
获取模块，用于获取红外扫描得到的深度图像；
提取模块，用于从所述深度图像中提取目标脏器区域的体位信息和深度信息；
确定模块，用于根据所述体位信息和深度信息确定X-ray扫描的成像参数；
调节模块，用于基于所述X-ray扫描的成像参数对所述X-ray扫描进行射线束自动调节，得到CT三维定位像；
优化模块，用于对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，以得到优化后的CT三维定位像。
另外，本发明实施例还提供了一种计算机设备，其包括：存储器、处理器及存储在存储器上并可在处理器上运行的应用程序，处理器执行应用程序时实现上述任一实施例方法的步骤。
另外，本发明实施例还提供了一种计算机可读存储介质，其上存储有应用程序，应用程序被处理器执行时实现上述任一实施例方法的步骤。
在本发明实施例中，通过实施上述方法通过获取红外扫描得到的深度图像，从深度图像中提取目标脏器区域的体位信息和深度信息，根据体位信息和深度信息确定X-ray扫描的成像参数，基于X-ray扫描的成像参数对X-ray扫描进行射线束自动调节，得到CT三维定位像，对CT三维定位像进行去噪以及去伪影的图像滤波处理，以得到优化后的CT三维定位像。因此，提高CT三维定位像的成像质量。
附图说明
图1是本发明实施例中的一种CT三维定位像的图像处理方法的流程示意图；
图2是本发明实施例中计算机优化CT三维定位像的流程示意图；
图3是本发明实施例中的一种CT三维定位像的图像处理装置的结构组成示意图；
图4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。
本发明实施例中的一种CT三维定位像的图像处理方法，该CT三维定位像的图像处理方法应用于CT成像装置为例。CT成像装置包括红外光源、深度传感器、X射线源、探测器、计算机。其中计算机包括存储单元、显示单元、控制单元以及处理部分。上述CT成像装置可以实现基于射线束自动调节的CT三维定位像成像。
在操作中，红外光源绕受检者旋转一周并发射红外光线，一个或多个深度传感器接收红外光线，并且提取受检者体位、深度信息。利用人工智能技术（例如深度学习，神经网络）的模型将深度信息反馈给成像装置以用于自动调节不同角度下的射线束宽度。探测器收集经过人体衰减后的X射线，从而获得微辐射剂量CT三维定位像。
基于上述射线束自动调节过程，其对横断面为非圆形的脏器有极大优势，用以降低各扫描角度射线衰减差异，并减少图像噪声同时降低人体不必要的辐射。
计算机用于处理优化CT成像质量并调节成像过程中一个或多个参数或设置，其包括：存储单元，用于存储CT成像；显示单元，用于显示CT成像；控制单元，用于操作控制CT扫描相关参数；处理部分，用于在基于CT成像技术的CT扫描期间自动确定用于三维定位像成像射线束宽度的一个或多个成像参数或设置，以及基于确定的一个或多个成像参数或设置来配置装置中的成像相关功能，和基于对经由扫描部件采集的医学成像数据集的处理生成预期的微辐射剂量高分辨CT定位像。此外，CT成像装置还包括准直器，其将发散射线转换成平行射线，可以用于调整探测射线宽度。
请参阅图1，图1是本发明实施例中的一种CT三维定位像的图像处理方法的流程示意图。如图1所示，一种CT三维定位像的图像处理方法，所述方法包括：
步骤S102，获取红外扫描得到的深度图像。
在本实施中，深度图像为红外光源绕扫描目标进行多角度采集得到。红外扫描得到的深度图像为后续X-ray扫描提供扫描目标的体位、深度信息、脏器位置、脏器深度等信息。
具体地，在操作中，红外光源绕受检者旋转一周并发射红外光线，采用一个或多个深度传感器接收红外光源发射的红外光线，从而得到包含受检者的体位以及深度信息的深度图像。
步骤S104，从所述深度图像中提取目标脏器区域的体位信息和深度信息。
在本实施例中，设备确定出目标脏器，进而从红外扫描得到的深度图像中提取目标脏器区域的体位信息和深度信息。
步骤S106，根据所述体位信息和深度信息确定X-ray扫描的成像参数。
在本实施例中，根据得到的体位信息和深度信息确定X-ray扫描的成像参数。其中，X-ray扫描的成像参数包括球管电压、球管电流、扫描时间以及扫描范围等。
步骤S108，基于所述X-ray扫描的成像参数对所述X-ray扫描进行射线束自动调节，得到CT三维定位像。
在本实施例中，基于X-ray扫描的成像参数对X-ray扫描进行射线束自动调节。具体可以是调节不同角度下的射线束的宽度。其中，射线束自动调节对于横断面为非圆形的脏器有极大优势，用以降低各扫描角度射线衰减差异，并减少图像噪声同时降低人体不必要的辐射。
可选地，所述X-ray扫描的成像参数包括管电流、管电压、曝光时间以及扫描范围；所述基于所述X-ray扫描的成像参数对所述X-ray扫描进行射线束自动调节，得到CT三维定位像，包括：根据所述管电流、管电压、曝光时间以及扫描范围调节所述射线束的形状以及所述射线束的曝光量；根据所述射线束的形状以及所述射线束的曝光量调整所述X-ray扫描中X射线光子数及所述X射线光子分布，以使得所述X-ray扫描自适应患者解剖结构，得到所述CT三维定位像。
具体地，X-ray扫描中一个或多个参数包括管电流、管电压、曝光时间、扫描范围等，用于改变X射线束形状和曝光量从而调整X射线光子数及分布以自适应患者解剖结构，实现降低整体辐射剂量的目的。
步骤S110，对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，以得到优化后的CT三维定位像。
在本实施例中，经过成像参数调整后的X-ray扫描得到CT三维定位像。进一步地，对CT三维定位像进行去噪以及去伪影的图像滤波处理，以得到优化后的CT三维定位像。
可选地，所述对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，包括：基于残差学习网络的多参数估计模块对所述CT三维定位像进行伪影估计与噪声估计，得到伪影参数和噪声参数；根据所述伪影参数和所述噪声参数基于所述残差学习网络的图像滤波模块对所述CT三维定位像进行去噪以及去伪影的图像滤波处理。
具体地，基于残差学习网络实现对CT三维定位像进行去噪以及去伪影的图像滤波处理。该网络包括多个阶段：多参数估计模块和图像滤波模块。通过多参数估计模块对CT三维定位像进行伪影估计与噪声估计，得到伪影参数和噪声参数。进一步地，根据伪影参数和噪声参数基于图像滤波模块对CT三维定位像进行去噪以及去伪影的图像滤波处理。
优选地，多参数估计模块包括多尺度小波变换单元和残差网络单元；所述基于残差学习网络的多参数估计模块对所述CT三维定位像进行伪影估计与噪声估计，得到伪影参数和噪声参数，包括：基于所述多尺度小波变换单元对所述CT三维定位像进行伪影估计，得到所述伪影参数；基于所述残差网络单元对所述CT三维定位像进行噪声估计，得到所述噪声参数。
具体地，多参数估计模块基于人工智能技术（例如深度学习，神经网络）进行伪影估计与噪声估计。人工智能技术可以是深度学习技术或神经网络技术。噪声估计可以是估计噪声强度、分布特征，伪影估计可以是结构伪影类型和区域。其中，伪影估计与噪声估计用于指导图像滤波，获得高质量定位图像。具体地，伪影估计噪声估计分别通过多尺度小波变换和残差网络实现。
可选地，所述根据所述伪影参数和所述噪声参数基于所述残差学习网络的图像滤波模块对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，包括：根据所述伪影参数和所述噪声参数基于基于所述图像滤波模块中的卷积层对所述CT三维定位像进行迭代更新处理，以对所述CT三维定位像进行去噪以及去伪影的图像滤波处理。
具体地，图像滤波模块用于利用卷积层迭代更新以提高微剂量定位像的图像质量，最终获得高质量的三维定位像。
可选地，所述对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，包括：基于神经网络模型对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，所述神经网络模型用于对输入的所述CT三维定位像进行去噪以及去伪影处理，得到所述优化后的CT三维定位像；其中，通过样本CT三维定位像对待定神经网络模型的深度残差网络进行端对端训练，以优化所述待定神经网络模型的网络模型超参数和网络层参数，并更新所述待定神经网络模型的网络权重值，得到所述神经网络模型。
具体地，图像滤波模块训练的方式为：对输入的定位像数据进行迭代计算，通过深度残差网络进行端对端训练，优化网络模型超参数和网络层参数，更新网络权重值。
可选地，所述通过样本CT三维定位像对待定神经网络模型的深度残差网络进行端对端训练，包括：对所述待定神经网络模型的深度残差网络的正则化参数或数据保真项参数进行参数调整；采用Adam优化算法对参数调整后的所述深度残差网络的收敛方式进行优化，以进行所述端对端训练。
具体地，基于人工智能技术的模型训练包括改变网络模型超参数。其中，改变网络模型超参数包括调整正则化参数或数据保真项参数。结合Adam优化算法对深度残差网络的收敛方式进行优化，从而降低残差网络的损失函数，进而提升深度残差网络的训练精度。经过多个CT训练图像数据训练后的神经网络，该神经网络能够进行噪声评估和伪影评估并进行相关操作。
通过实施上述方法通过获取红外扫描得到的深度图像，从深度图像中提取目标脏器区域的体位信息和深度信息，根据体位信息和深度信息确定X-ray扫描的成像参数，基于X-ray扫描的成像参数对X-ray扫描进行射线束自动调节，得到CT三维定位像，对CT三维定位像进行去噪以及去伪影的图像滤波处理，以得到优化后的CT三维定位像。因此，提高CT三维定位像的成像质量。
基于上述计算机优化CT三维定位像的相关操作，例如去除CT三维定位像的噪声、伪影，其更详细地解释如图2所示。
图2示出了示例性流程图，所述步骤被执行用于基于微辐射剂量的CT三维定位像的优化。
在开始步骤中，录入病人年龄等基本信息、进行扫描参数设置，并且可以启动操作。
在步骤中，利用上述CT成像装置获取在0°、90°、180°、270°角度下的CT三维定位像。
基于所述的CT成像装置，受检者先进行红外扫描，获取深度信息，并利用人工智能技术（例如深度学习，神经网络）的模型将深度图像信息反馈给X射线扫描装置，用于在不同扫描角度下射线束自动调节以获取多张多视角下的微辐射CT三维定位像。
将成像装置中获得的多张CT三维定位像利用三维定位像成像子网络优化图像质量，其中包括：利用人工智能技术（例如深度学习，神经网络）的模型进行噪声估计，该网络是基于残差学习网络构建的；并且引入基于多尺度小波变换的处理流程进行伪影估计。随后，通过卷积神经网络进行图像滤波，用以进一步提高微剂量图像的图像质量，最终获取高质量的CT三维定位像。
本发明还提供一种CT三维定位像的图像处理装置。如图3所示，所述装置包括：获取模块12，用于获取红外扫描得到的深度图像。
在本实施中，深度图像为红外光源绕扫描目标进行多角度采集得到。红外扫描得到的深度图像为后续X-ray扫描提供扫描目标的体位、深度信息、脏器位置、脏器深度等信息。
具体地，在操作中，红外光源绕受检者旋转一周并发射红外光线，采用一个或多个深度传感器接收红外光源发射的红外光线，从而得到包含受检者的体位以及深度信息的深度图像。
提取模块14，用于从所述深度图像中提取目标脏器区域的体位信息和深度信息。
在本实施例中，设备确定出目标脏器，进而从红外扫描得到的深度图像中提取目标脏器区域的体位信息和深度信息。
在一个实施例中，还包括确定模块16，用于根据所述体位信息和深度信息确定X-ray扫描的成像参数。
在本实施例中，根据得到的体位信息和深度信息确定X-ray扫描的成像参数。其中，X-ray扫描的成像参数包括球管电压、球管电流、扫描时间以及扫描范围等。
在一个实施例中，还包括调节模块18，用于基于所述X-ray扫描的成像参数对所述X-ray扫描进行射线束自动调节，得到CT三维定位像。
在本实施例中，基于X-ray扫描的成像参数对X-ray扫描进行射线束自动调节。具体可以是调节不同角度下的射线束的宽度。其中，射线束自动调节对于横断面为非圆形的脏器有极大优势，用以降低各扫描角度射线衰减差异，并减少图像噪声同时降低人体不必要的辐射。
可选地，所述X-ray扫描的成像参数包括管电流、管电压、曝光时间以及扫描范围；所述基于所述X-ray扫描的成像参数对所述X-ray扫描进行射线束自动调节，得到CT三维定位像，包括：根据所述管电流、管电压、曝光时间以及扫描范围调节所述射线束的形状以及所述射线束的曝光量；根据所述射线束的形状以及所述射线束的曝光量调整所述X-ray扫描中X射线光子数及所述X射线光子分布，以使得所述X-ray扫描自适应患者解剖结构，得到所述CT三维定位像。
具体地，X-ray扫描中一个或多个参数包括管电流、管电压、曝光时间、扫描范围等，用于改变X射线束形状和曝光量从而调整X射线光子数及分布以自适应患者解剖结构，实现降低整体辐射剂量的目的。
在一个实施例中，还包括优化模块20，用于对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，以得到优化后的CT三维定位像。
在本实施例中，经过成像参数调整后的X-ray扫描得到CT三维定位像。进一步地，对CT三维定位像进行去噪以及去伪影的图像滤波处理，以得到优化后的CT三维定位像。
可选地，所述对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，包括：基于残差学习网络的多参数估计模块对所述CT三维定位像进行伪影估计与噪声估计，得到伪影参数和噪声参数；根据所述伪影参数和所述噪声参数基于所述残差学习网络的图像滤波模块对所述CT三维定位像进行去噪以及去伪影的图像滤波处理。
具体地，基于残差学习网络实现对CT三维定位像进行去噪以及去伪影的图像滤波处理。该网络包括多个阶段：多参数估计模块和图像滤波模块。通过多参数估计模块对CT三维定位像进行伪影估计与噪声估计，得到伪影参数和噪声参数。进一步地，根据伪影参数和噪声参数基于图像滤波模块对CT三维定位像进行去噪以及去伪影的图像滤波处理。
优选地，多参数估计模块包括多尺度小波变换单元和残差网络单元；所述基于残差学习网络的多参数估计模块对所述CT三维定位像进行伪影估计与噪声估计，得到伪影参数和噪声参数，包括：基于所述多尺度小波变换单元对所述CT三维定位像进行伪影估计，得到所述伪影参数；基于所述残差网络单元对所述CT三维定位像进行噪声估计，得到所述噪声参数。
具体地，多参数估计模块基于人工智能技术（例如深度学习，神经网络）进行伪影估计与噪声估计。人工智能技术可以是深度学习技术或神经网络技术。噪声估计可以是估计噪声强度、分布特征，伪影估计可以是结构伪影类型和区域。其中，伪影估计与噪声估计用于指导图像滤波，获得高质量定位图像。具体地，伪影估计噪声估计分别通过多尺度小波变换和残差网络实现。
可选地，所述根据所述伪影参数和所述噪声参数基于所述残差学习网络的图像滤波模块对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，包括：根据所述伪影参数和所述噪声参数基于基于所述图像滤波模块中的卷积层对所述CT三维定位像进行迭代更新处理，以对所述CT三维定位像进行去噪以及去伪影的图像滤波处理。
具体地，图像滤波模块用于利用卷积层迭代更新以提高微剂量定位像的图像质量，最终获得高质量的三维定位像。
可选地，所述对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，包括：基于神经网络模型对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，所述神经网络模型用于对输入的所述CT三维定位像进行去噪以及去伪影处理，得到所述优化后的CT三维定位像；其中，通过样本CT三维定位像对待定神经网络模型的深度残差网络进行端对端训练，以优化所述待定神经网络模型的网络模型超参数和网络层参数，并更新所述待定神经网络模型的网络权重值，得到所述神经网络模型。
具体地，图像滤波模块训练的方式为：对输入的定位像数据进行迭代计算，通过深度残差网络进行端对端训练，优化网络模型超参数和网络层参数，更新网络权重值。
可选地，所述通过样本CT三维定位像对待定神经网络模型的深度残差网络进行端对端训练，包括：对所述待定神经网络模型的深度残差网络的正则化参数或数据保真项参数进行参数调整；采用Adam优化算法对参数调整后的所述深度残差网络的收敛方式进行优化，以进行所述端对端训练。
具体地，基于人工智能技术的模型训练包括改变网络模型超参数。其中，改变网络模型超参数包括调整正则化参数或数据保真项参数。结合Adam优化算法对深度残差网络的收敛方式进行优化，从而降低残差网络的损失函数，进而提升深度残差网络的训练精度。经过多个CT训练图像数据训练后的神经网络，该神经网络能够进行噪声评估和伪影评估并进行相关操作。
在本发明实施例中，上述装置通过获取红外扫描得到的深度图像，从深度图像中提取目标脏器区域的体位信息和深度信息，根据体位信息和深度信息确定X-ray扫描的成像参数，基于X-ray扫描的成像参数对X-ray扫描进行射线束自动调节，得到CT三维定位像，对CT三维定位像进行去噪以及去伪影的图像滤波处理，以得到优化后的CT三维定位像。因此，提高CT三维定位像的成像质量。
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应用程序，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三维定位像的图像处理方法。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 AcceSSMemory，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三维定位像的图像处理方法。
此外，图4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4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4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303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的CT三维定位像的图像处理方法。
在本发明实施例中，通过实施上述方法可以提高CT三维定位像的成像质量。
另外，以上对本发明实施例所提供的一种CT三维定位像的图像处理方法、装置、计算机设备和存储介质进行了详细介绍，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 (8)

1.一种CT三维定位像的图像处理方法，其特征在于，所述方法包括：
获取红外扫描得到的深度图像；
从所述深度图像中提取目标脏器区域的体位信息和深度信息；
根据所述体位信息和深度信息确定X-ray扫描的成像参数；
基于所述X-ray扫描的成像参数对所述X-ray扫描进行射线束自动调节，得到CT三维定位像；
对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，以得到优化后的CT三维定位像；
所述对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，包括：基于残差学习网络的多参数估计模块对所述CT三维定位像进行伪影估计与噪声估计，得到伪影参数和噪声参数；根据所述伪影参数和所述噪声参数基于所述残差学习网络的图像滤波模块对所述CT三维定位像进行去噪以及去伪影的图像滤波处理；
所述多参数估计模块包括多尺度小波变换单元和残差网络单元；所述基于残差学习网络的多参数估计模块对所述CT三维定位像进行伪影估计与噪声估计，得到伪影参数和噪声参数，包括：基于所述多尺度小波变换单元对所述CT三维定位像进行伪影估计，得到所述伪影参数；基于所述残差网络单元对所述CT三维定位像进行噪声估计，得到所述噪声参数。
2.根据权利要求1所述的方法，其特征在于，所述X-ray扫描的成像参数包括管电流、管电压、曝光时间以及扫描范围；所述基于所述X-ray扫描的成像参数对所述X-ray扫描进行射线束自动调节，得到CT三维定位像，包括：
根据所述管电流、管电压、曝光时间以及扫描范围调节所述射线束的形状以及所述射线束的曝光量；
根据所述射线束的形状以及所述射线束的曝光量调整所述X-ray扫描中X射线光子数及所述X射线光子分布，以使得所述X-ray扫描自适应患者解剖结构，得到所述CT三维定位像。
3.根据权利要求1所述的方法，其特征在于，所述根据所述伪影参数和所述噪声参数基于所述残差学习网络的图像滤波模块对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，包括：
根据所述伪影参数和所述噪声参数基于所述图像滤波模块中的卷积层对所述CT三维定位像进行迭代更新处理，以对所述CT三维定位像进行去噪以及去伪影的图像滤波处理。
4.根据权利要求1所述的方法，其特征在于，所述对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，包括：
基于神经网络模型对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，所述神经网络模型用于对输入的所述CT三维定位像进行去噪以及去伪影处理，得到所述优化后的CT三维定位像；
其中，通过样本CT三维定位像对待定神经网络模型的深度残差网络进行端对端训练，以优化所述待定神经网络模型的网络模型超参数和网络层参数，并更新所述待定神经网络模型的网络权重值，得到所述神经网络模型。
5.根据权利要求4所述的方法，其特征在于，所述通过样本CT三维定位像对待定神经网络模型的深度残差网络进行端对端训练，包括：
对所述待定神经网络模型的深度残差网络的正则化参数或数据保真项参数进行参数调整；
采用Adam优化算法对参数调整后的所述深度残差网络的收敛方式进行优化，以进行所述端对端训练。
6.一种CT三维定位像的图像处理装置，其特征在于，所述装置包括：
获取模块，用于获取红外扫描得到的深度图像；
提取模块，用于从所述深度图像中提取目标脏器区域的体位信息和深度信息；
确定模块，用于根据所述体位信息和深度信息确定X-ray扫描的成像参数；
调节模块，用于基于所述X-ray扫描的成像参数对所述X-ray扫描进行射线束自动调节，得到CT三维定位像；
优化模块，用于对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，以得到优化后的CT三维定位像；
所述对所述CT三维定位像进行去噪以及去伪影的图像滤波处理，包括：基于残差学习网络的多参数估计模块对所述CT三维定位像进行伪影估计与噪声估计，得到伪影参数和噪声参数；根据所述伪影参数和所述噪声参数基于所述残差学习网络的图像滤波模块对所述CT三维定位像进行去噪以及去伪影的图像滤波处理；
所述多参数估计模块包括多尺度小波变换单元和残差网络单元；所述基于残差学习网络的多参数估计模块对所述CT三维定位像进行伪影估计与噪声估计，得到伪影参数和噪声参数，包括：基于所述多尺度小波变换单元对所述CT三维定位像进行伪影估计，得到所述伪影参数；基于所述残差网络单元对所述CT三维定位像进行噪声估计，得到所述噪声参数。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的应用程序，其特征在于，所述处理器执行所述应用程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有应用程序，其特征在于，所述应用程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202010910776.2A 2020-09-02 2020-09-02 Ct三维定位像的图像处理方法、装置和计算机设备 Active CN111968167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010910776.2A CN111968167B (zh) 2020-09-02 2020-09-02 Ct三维定位像的图像处理方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010910776.2A CN111968167B (zh) 2020-09-02 2020-09-02 Ct三维定位像的图像处理方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN111968167A CN111968167A (zh) 2020-11-20
CN111968167B true CN111968167B (zh) 2023-12-26

Family

ID=73393198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010910776.2A Active CN111968167B (zh) 2020-09-02 2020-09-02 Ct三维定位像的图像处理方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN111968167B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112932522A (zh) * 2021-02-03 2021-06-11 上海联影医疗科技股份有限公司 医学图像获取方法、装置和计算机设备
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

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024267A (zh) * 2010-12-20 2011-04-20 东南大学 基于小波空间方向性滤波的低剂量ct图像处理方法
CN102469973A (zh) * 2009-07-27 2012-05-23 株式会社岛津制作所 放射线摄影装置
CN103344656A (zh) * 2013-07-01 2013-10-09 江苏大学 基于x射线成像的块冻虾中虾的含量测定方法及其装置
CN107334485A (zh) * 2016-04-29 2017-11-10 西门子医疗有限公司 使用外部图像捕获来限定ct扫描的扫描参数
CN108564553A (zh) * 2018-05-07 2018-09-21 南方医科大学 基于卷积神经网络的低剂量ct图像噪声抑制方法
CN108848320A (zh) * 2018-07-06 2018-11-20 京东方科技集团股份有限公司 深度检测系统及其曝光时间调整方法
CN109060849A (zh) * 2018-06-29 2018-12-21 上海联影医疗科技有限公司 一种确定辐射剂量调制线的方法、系统和装置
CN109419521A (zh) * 2017-08-24 2019-03-05 通用电气公司 用于对受检者成像的系统和方法
CN110090039A (zh) * 2019-05-10 2019-08-06 中国科学院深圳先进技术研究院 一种ct成像系统及ct成像方法
CN110660123A (zh) * 2018-06-29 2020-01-07 清华大学 基于神经网络的三维ct图像重建方法和设备以及存储介质
CN111047524A (zh) * 2019-11-13 2020-04-21 浙江工业大学 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10685429B2 (en) * 2017-02-22 2020-06-16 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102469973A (zh) * 2009-07-27 2012-05-23 株式会社岛津制作所 放射线摄影装置
CN102024267A (zh) * 2010-12-20 2011-04-20 东南大学 基于小波空间方向性滤波的低剂量ct图像处理方法
CN103344656A (zh) * 2013-07-01 2013-10-09 江苏大学 基于x射线成像的块冻虾中虾的含量测定方法及其装置
CN107334485A (zh) * 2016-04-29 2017-11-10 西门子医疗有限公司 使用外部图像捕获来限定ct扫描的扫描参数
CN109419521A (zh) * 2017-08-24 2019-03-05 通用电气公司 用于对受检者成像的系统和方法
CN108564553A (zh) * 2018-05-07 2018-09-21 南方医科大学 基于卷积神经网络的低剂量ct图像噪声抑制方法
CN109060849A (zh) * 2018-06-29 2018-12-21 上海联影医疗科技有限公司 一种确定辐射剂量调制线的方法、系统和装置
CN110660123A (zh) * 2018-06-29 2020-01-07 清华大学 基于神经网络的三维ct图像重建方法和设备以及存储介质
CN108848320A (zh) * 2018-07-06 2018-11-20 京东方科技集团股份有限公司 深度检测系统及其曝光时间调整方法
CN110090039A (zh) * 2019-05-10 2019-08-06 中国科学院深圳先进技术研究院 一种ct成像系统及ct成像方法
CN111047524A (zh) * 2019-11-13 2020-04-21 浙江工业大学 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Deep Convolutional Framelet Denosing for Low-Dose CT via Wavelet Residual Network;Eunhee Kang等;《arXiv》;1-12 *
Multi-Scale Wavelet Domain Residual Learning for Limited-Angle CT Reconstruction;Jawook Gu等;《arXiv》;1-5 *
Wavelet Domain Residual Network (WavResNet) for Low-Dose X-ray CT Reconstruction;Eunhee Kang KAIST等;《arXiv》;1-5 *
基于多尺度小波残差网络的稀疏角度CT图像恢复;韦子权等;《J South Med Univ》;第39卷(第11期);1320-1328 *
基于小波收缩减小磁共振图像截断伪影的方法;黄世亮等;《中北大学学报(自然科学版)》;第28卷(第1期);74-78 *

Also Published As

Publication number Publication date
CN111968167A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
AU2019449137B2 (en) sCT image generation using cyclegan with deformable layers
CN107203741B (zh) 血管提取方法、装置及其系统
CN109567843B (zh) 一种成像扫描自动定位方法、装置、设备及介质
CN112508965B (zh) 医学影像中正常器官的轮廓线自动勾画系统
CN110751702B (zh) 图像重建方法、系统、装置及存储介质
CN109308728B (zh) 正电子发射型计算机断层扫描图像处理方法及装置
JP5968316B2 (ja) 画像再構成装置及び画像再構成方法
EP3338636B1 (en) An apparatus and associated method for imaging
CN110298447B (zh) 用于处理机器学习方法的参数的方法以及重建方法
CN115605915A (zh) 一种图像重建系统和方法
CN111968110B (zh) Ct成像方法、装置、存储介质及计算机设备
EP2240906A1 (en) Method for prior image constrained progressive image reconstruction
CN110378982B (zh) 重建图像处理方法、装置、设备及存储介质
CN111968167B (zh) Ct三维定位像的图像处理方法、装置和计算机设备
CN110335325B (zh) 一种ct图像重建方法及其系统
CN102846333A (zh) 用于x射线成像中的散射校正的方法和系统
JP6446361B2 (ja) Ｘ線ｃｔ装置および補正処理装置
JP2016152916A (ja) Ｘ線コンピュータ断層撮像装置及び医用画像処理装置
CN110866959B (zh) 图像重建方法、系统、装置及存储介质
CN111968112B (zh) Ct三维定位图像的获取方法、装置和计算机设备
CN113096210A (zh) 图像重建方法、装置、电子设备和存储介质
CN112529977B (zh) 一种pet图像重建的方法和系统
CN113811917A (zh) 图像重建
CN113168721A (zh) 用于重建对象的图像的系统
US20220414832A1 (en) X-ray imaging restoration using deep learning algorithms

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