CN112037299A - 一种影像重建的方法及装置、电子设备和存储介质 - Google Patents
一种影像重建的方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112037299A CN112037299A CN202010844267.4A CN202010844267A CN112037299A CN 112037299 A CN112037299 A CN 112037299A CN 202010844267 A CN202010844267 A CN 202010844267A CN 112037299 A CN112037299 A CN 112037299A
- Authority
- CN
- China
- Prior art keywords
- sequence
- image
- projection
- vector
- decoding
- 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 77
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000002123 temporal effect Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 189
- 230000009467 reduction Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 abstract description 19
- 239000000523 sample Substances 0.000 description 97
- 238000002591 computed tomography Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000013170 computed tomography imaging Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 210000004885 white matter Anatomy 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种影像重建的方法及装置、电子设备和存储介质，其中，影像重建的方法包括：根据按照空间和时间的顺序关系采集到的投影数据，生成对应的投影序列；将投影序列输入至影像重建模型中进行处理，生成影像序列，并基于影像序列生成影像，其中，所述影像重建模型是基于互相对应的投影样本序列和影像标签序列进行训练后得到。本发明提供的影像重建的方法，充分利用投影数据在生成的过程中就具有空间和时间的相关性和顺序性，将投影数据输入至影像重建模型中进行处理，生成影像序列实现可以满足质量需求的影像重建，在影像序列生成的过程中有效利用投影数据的空间和时间的相关性和顺序性，无需迭代重建影像，速度快、耗时短。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种影像重建的方法及装置、电子设备和存储介质。
背景技术
图像重建，是图像处理中的一个重要技术分支，是根据对物体的探测获取的投影数据来重新建立影像，从而获取被检测物体内部结构的影像而不对物体造成任何物理上的损伤。图像重建技术在多个领域有着重要的应用，例如医疗放射学、光显微学、全息成像学、CT学等等。
以电子计算机断层扫描(Computed Tomography，CT)技术为例，它是利用精确准直的X射线、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作多个断面的扫描，具有扫描时间快、图像清晰等特点，可用于多种疾病的检查。图像重建为CT技术中的重要应用，其实质是按照采集后的投影数据，求解图像矩阵中的像素，然后重新构造影像的过程。
现有技术中，对于低剂量的CT图像，一般用迭代重建的方法实现。以投影数据为例，即每次计算以初始图像投影数据开始，即给一幅图像一个任意初始的投影数据，然后计算射线穿过物体可能的投影数据，并将计算的投影数据与实际投影数据相比较，根据差值获得一个修正值，再用该修正值修正计算的投影数据，从而实现逐步减小重建图像的投影数据与实际投影数据的误差(数据一致性条件)，进而得到高质量的重建图像。
现有基于深度学习的迭代重建方法为使用卷积网络提取投影数据或影像数据，并压制噪声作为迭代重建的初始投影数据或初始影像数据，以提升迭代过程中的成像质量，减少迭代次数。
现有的迭代重建方法耗时长、运算量大，并不适用于实时性要求高的应用场合。
发明内容
针对现有技术中存在的技术问题，本发明实施例提供了一种影像重建的方法及装置、电子设备和存储介质，以解决现有技术中存在的技术缺陷。
本发明实施例公开了一种影像重建的方法，所述方法包括：
根据按照空间和时间的顺序关系采集到的投影数据，生成对应的投影序列；
将所述投影序列输入至如上所述的影像重建模型的训练方法得到的影像重建模型中进行处理，生成影像序列，并基于所述影像序列生成影像；
其中，所述影像重建模型是基于互相对应的投影样本序列和影像标签序列进行训练后得到。
可选地，根据按照空间和时间的顺序关系采集到的投影数据，生成对应的投影序列，包括：
将所述投影数据生成初始投影序列；
将所述初始投影序列输入至自编码器进行降维处理，得到降维后的投影序列。
可选地，所述初始投影序列包括至少一帧初始投影数据，每帧初始投影数据包括多个初始投影数据单元；
将所述初始投影序列输入至自编码器进行降维处理，得到降维后的投影序列，包括：
将多个初始投影数据单元依次输入至自编码器进行降维处理，得到对应的多个降维后的投影数据单元；
基于多个所述降维后的投影数据单元生成至少一帧投影数据作为所述投影序列。
可选地，所述影像重建模型包括编码器和解码器，所述投影序列包括多帧投影数据；
将所述投影序列输入至所述影像重建模型中进行处理，生成影像序列，包括：
将所述多帧投影数据划分为多个输入序列，其中每个输入序列包括至少一帧投影数据；
将每个所述输入序列输入至所述编码器中进行编码，得到对应的编码向量；
将所述编码向量以及解码参考向量输入至所述解码器中进行解码，得到输出的解码向量，并基于所述解码向量生成每个所述输入序列对应的影像序列，其中所述影像序列包括至少一帧影像数据。
可选地，所述编码器包括多个顺次连接的编码层；
将每个所述输入序列输入至所述编码器中进行编码，得到对应的编码向量，包括：
将每个输入序列对应的至少一帧投影数据进行嵌入处理，得到第三嵌入向量；
将所述第三嵌入向量输入至第1个编码层，生成第1个编码层输出的编码向量；
将第i个编码层输出的编码向量作为第i+1个编码层的输入向量进行迭代处理，直至最后一个编码层输出的编码向量作为所述输入序列对应的编码向量，其中，i为大于1的整数。
可选地，所述解码器包括多个顺次连接的解码层；
将所述编码向量以及解码参考向量输入至所述解码器中进行解码，得到输出的解码向量，包括：
将所述解码参考向量和所述编码向量输入至第1个解码层，生成第1个解码层输出的解码向量；
将第j个解码层输出的解码向量和所述编码向量作为第j+1个解码层的输入向量进行迭代处理，直至得到最后一个解码层输出的解码向量，其中，j为大于1的整数。
本发明实施例公开了一种影像重建的装置，包括：
投影序列生成模块，用于根据按照空间和时间的顺序关系采集到的投影数据，生成对应的投影序列；
影像序列生成模块，用于将所述投影序列输入至前述实施例的训练方法得到的影像重建模型中进行处理，生成影像序列，并基于所述影像序列生成影像；
其中，所述影像重建模型是基于互相对应的投影样本序列和影像标签序列进行训练后得到。
可选地，所述投影序列生成模块包括：
初始投影序列生成单元，用于将所述投影数据生成初始投影序列；
降维处理单元，用于将所述初始投影序列输入至自编码器进行降维处理，得到降维后的投影序列。
本发明实施例公开了一种电子设备，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计算机程序，所述处理器执行所述程序时实现影像重建的方法的步骤。
本发明实施例公开了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现影像重建的方法的步骤。
本发明实施例提供的影像重建的方法及装置，按照空间和时间的顺序关系采集投影数据，充分利用投影数据在生成的过程中就具有空间和时间的相关性和顺序性，将投影数据输入至影像重建模型中进行处理，生成影像序列实现可以满足质量需求的影像重建，在影像序列生成的过程中有效利用投影数据的空间和时间的相关性和顺序性，无需迭代重建影像，速度快、耗时短。
附图说明
图1是本发明一实施例提供的影像重建模型的训练方法的流程示意图；
图2是本发明一实施例提供的影像重建模型的结构示意图；
图3是本发明另一实施例提供的影像重建的方法的流程示意图；
图4是本发明又一实施例提供的一种影像重建的方法的处理过程示意图；
图5是本发明又一实施例提供的影像重建的方法的流程示意图；
图6是本发明一实施例提供的影像重建模型的训练装置的结构示意图；
图7是本发明一实施例提供的影像重建的装置的结构示意图；
图8是本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本发明保护的范围。
在本发明一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明一个或多个实施例。在本发明一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本发明一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先，对本发明一个或多个实施例涉及的名词术语进行解释。
投影序列：包括多帧投影数据，每帧投影数据包括多个投影数据单元。对于CT成像来说，探头会沿物体纵轴直线运动多个位置，每个位置采集多个角度的投影数据，其中，1个位置多个角度的投影数据组成1帧投影数据，每个角度生成512维投影数据作为一个投影数据单元。
影像序列：包括多帧影像数据，每帧影像数据包括多个影像数据单元。根据影像序列拼接可以生成影像。
自编码器：是一种能够通过无监督学习，学到输入数据高效表示的人工神经网络。输入数据的这一高效表示称为编码(codings)，其维度一般远小于输入数据，使得自编码器可用于降维。即输入的特征X1、X2、Xn之间存在某种特殊的联系，但是这些联系不需要人为的进行特征提取，而是放到网络里面进行学习，最终浓缩为更精炼、数量更少的特征h1、h2、hm。其中，m<n。
Transformer模型：其本质上是一个编码器(Encoder)-解码器(Decoder)的结构，编码器由6个编码层依次连接组成，解码器是6个解码层依次连接组成。与所有的生成模型相同的是，编码器接收原始输入的数据，并输出编码向量至解码器，解码器生成解码向量并得到最终的输出数据。
编码器(encoder)：将多帧投影数据转化为编码向量。
解码器(decoder)：将编码向量生成解码向量，并将解码向量转换为多帧影像数据。
灰度：灰度使用黑色调表示物体,即用黑色为基准色，不同的饱和度的黑色来显示图像。每个灰度对象都具有从0％(白色)到灰度条100％(黑色)的亮度值。
在本发明实施例中，提供了一种影像重建模型的训练方法及装置、影像重建的方法及装置、电子设备及非暂态计算机可读存储介质，在下面的实施例中逐一进行详细说明。
本发明实施例公开了一种影像重建模型的训练方法，训练数据包括互相对应的投影样本序列和影像标签序列，以对影像重建模型进行有监督训练。
其中，投影样本序列包括多帧投影样本数据A1、A2、……Am，影像标签序列包括多帧影像标签数据B1、B2、……Bm。对于每帧投影样本数据包括多个投影样本数据单元，对于每帧影像标签数据包括多个影像标签数据单元。投影样本数据单元和影像标签数据单元的维度可以相同，也可以不同。
本发明实施例示例性的示出了一组投影样本数据和影像标签数据的对应关系，如下表1所示：
表1
如表1可见，每个投影样本数据单元的维度为512维，每个影像标签数据单元的维度为256维。
参见图1，本发明实施例的影像重建模型的训练方法包括下述步骤102～104：
102、将所述投影样本序列和影像标签序列输入至影像重建模型，生成预处理影像序列。
具体地，本实施例中的影像重建模型为端到端的模型结构，其包括编码器和解码器。
步骤102包括：
S122、将训练样本中的投影样本序列输入至影像重建模型的编码器进行编码，生成样本编码向量。
S124、将样本编码向量以及影像标签序列输入至影像重建模型的解码器进行解码，生成预处理影像序列。
具体地，步骤S122包括：将所述投影样本序列划分为多个样本输入序列，其中，每个所述样本输入序列包括至少一帧投影样本数据；将每个样本输入序列输入至所述编码器进行编码，生成对应的样本编码向量。
在一种具体实施方案中，投影样本序列包括多帧投影样本数据A1、A2、……Am，将上述多帧投影样本数据A1、A2、……Am划分为m/2个样本输入序列，每个样本输入序列包括2帧投影样本数据。
当然，每个样本输入序列包括的投影样本数据的帧数可以彼此相同，也可以彼此不同，根据实际需求而选择。
具体地，步骤S124包括：将所述样本编码向量以及所述至少一帧投影样本数据对应的至少一帧影像标签数据输入至所述解码器进行解码，得到每个样本输入序列对应的至少一帧预处理影像数据；基于多个样本输入序列对应的预处理影像数据，生成预处理影像序列。
对应上述具体实施方案中，如果每个样本输入序列包括2帧投影样本数据，则输入至解码器的影像标签数据也包括2帧。
参见图2，图2以影像重建模型是Transformer模型为例，来对本实施例的训练阶段的编码和解码的过程进行更为详尽的说明。
具体的，所述编码器包括多个顺次连接的编码层，解码器包括多个顺次连接的解码层。本实施例以Transformer模型包括6个编码层和6个解码层为例进行说明。
编码过程如下：
步骤S122中，将每个样本输入序列输入至所述编码器进行编码，生成对应的样本编码向量，包括下述步骤S1222～S1226：
S1222、将至少一帧投影样本数据进行嵌入处理，得到第一嵌入向量。
如图2所示，在第1个编码层之前，还连接有第一嵌入层(embedding)，以对输入至编码器的投影样本数据进行嵌入处理。
S1224、将所述第一嵌入向量输入至第1个编码层，生成第1个编码层输出的编码向量。
S1226、将第i个编码层输出的编码向量作为第i+1个编码层的输入向量进行迭代处理，直至最后一个编码层输出的编码向量作为所述样本输入序列对应的样本编码向量，其中，i为大于1的整数。
如图2所示，第1个编码层接收第一嵌入向量进行编码处理，得到第1个编码层输出的编码向量；将第1个编码层输出的编码向量输入至第2个编码层，得到第2个编码层输出的编码向量；将第2个编码层输出的编码向量输入至第3个编码层……直至第6个编码层输出的编码向量作为样本编码向量。
解码过程如下：
步骤S124中，将所述样本编码向量以及所述至少一帧投影样本数据对应的至少一帧影像标签数据输入至所述解码器进行解码，得到每个样本输入序列对应的至少一帧预处理影像数据，包括下述步骤S1242～S1246：
S1242、将所述至少一帧投影样本数据对应的至少一帧影像标签数据进行嵌入处理，得到第二嵌入向量。
如图2所示，在第1个解码层之前，还连接有第二嵌入层(embedding)，以对输入至解码器的影像标签数据进行嵌入处理。
S1244、将所述第二嵌入向量和所述样本编码向量输入至第1个解码层，生成第1个解码层输出的解码向量。
S1246、将第j个解码层输出的解码向量和所述样本编码向量作为第j+1个解码层的输入向量进行迭代处理，直至最后一个解码层输出的解码向量作为样本解码向量，基于所述样本解码向量生成每个样本输入序列对应的至少一帧预处理影像数据，其中，j为大于1的整数。
如图2所示，第1个解码层输出的解码向量以及样本编码向量输入至第2个解码层，得到第2个解码层输出的解码向量；将第2个解码层输出的解码向量以及样本编码向量输入至第3个解码层，得到第3个解码层输出的解码向量……直至第6个解码层输出的解码向量作为样本解码向量。
然后，再基于样本解码向量生成对应的至少一帧预处理影像数据。例如，如果当前的样本输入序列包括2帧投影样本数据，那么对应的生成2帧预处理影像数据。
相对应的，预处理影像数据也包括多个预处理影像单元。例如，投影样本序列包括多帧投影样本数据A1、A2、……Am，预处理影像数据包括多个预处理影像单元C1、C2、……Cm。
104、确定所述预处理影像序列与所述影像标签序列之间的误差，并基于所述误差反向调整所述影像重建模型的参数，以训练所述影像重建模型。
具体地，可以分别计算每一帧投影样本数据对应的预处理影像数据以及每一帧对应的影像标签序列中的影像标签数据的误差，并基于误差反向调整所述影像重建模型的参数。
参见表2，表2示出了投影样本数据、影像标签数据以及预处理影像数据的对应关系。
表2
需要注意的是，影像标签数据单元和预处理影像单元的维度数应当相同。通过分别计算影像标签数据B1和预处理影像数据C1的误差、影像标签数据B2和预处理影像数据C2的误差……调整所述影像重建模型的参数。
其中，影像重建模型的训练停止条件可以为多种，例如可以为：所述预处理影像序列与所述影像标签序列的误差小于阈值。
具体地，应当是每一组影像标签数据Bi和预处理影像数据Ci的误差小于阈值。阈值大小可以根据实际需求而设置，例如0.75、0.68等。
或者也可以为：所述预处理影像序列与所述影像标签序列的误差的变化率小于阈值。
需要说明的是，变化率表征的是误差的变化大小，与误差值本身有所区别，误差的变化率小，意味着误差的变化相对稳定，则认为模型训练完毕。
其中，阈值可以根据实际情况而设置，例如设置误差的变化率阈值为0.3、0.25等等。
本发明实施例提供的影像重建模型的训练方法，通过将投影样本序列和影像标签序列输入至影像重建模型，生成预处理影像序列，并基于预处理影像序列与影像标签序列的误差调整影像重建模型的参数，从而得到具有根据投影域数据生成对应的影像域数据的能力的影像重建模型。
本发明实施例公开了一种影像重建的方法，参见图3，包括下述步骤302～304：
302、根据按照空间和时间的顺序关系采集到的投影数据，生成对应的投影序列。
需要说明的是，由于在实际使用时，投影数据的产生会依照空间和时间的顺序而生成，那么，本实施例中，生成的投影序列应当利用生成投影数据的空间和时间的顺序关系，以使投影序列中的投影数据保留原有的内在关联性。
以CT成像为例，其探头会沿物体旋转多个角度，每个角度采集一次投影数据，形成一个投影数据单元，多个角度的投影列的序列形成一帧投影数据。进一步探头沿物体纵轴直线运动，在每个位置采集一帧投影数据，最终得到多帧投影数据，得到3D的投影序列。
因此，投影数据可看作是投影列构成的序列。与自然语言处理任务中的词序列类似，投影序列也是顺序的，其先后关系由投影角度的位置关系决定。
例如，探头在每个位置沿物体转动180度，每间隔1度采集一次投影数据，作为一个512维的投影数据单元。那么，得到的一帧投影数据包括180*512维向量。探头沿物体纵轴直线运动的位置为100个，那么最终得到的投影序列为100*180*512维向量。
304、将所述投影序列输入至影像重建模型中进行处理，生成影像序列，并基于所述影像序列生成影像。
本实施例中，投影序列包括多帧投影数据，影像序列包括多帧影像数据。
本实施例中的影像重建模型为前述实施例的训练方法中基于互相对应的投影样本序列和影像标签序列进行训练后得到的模型。参照图2，影像重建模型包括编码器和解码器。编码器包括多个顺次连接的编码层，解码器包括多个顺次连接的解码层。
步骤304中将所述投影序列输入至影像重建模型中进行处理，生成影像序列，包括下述步骤S342～S346：
S342、将所述多帧投影数据划分为多个输入序列，其中每个输入序列包括至少一帧投影数据。
在一种具体实施方案中，投影序列包括多帧投影数据D1、D2、……Dm，每帧投影数据包括多个投影数据单元。将上述多帧投影数据D1、D2、……Dm划分为m/3个输入序列，每个输入序列包括3帧投影数据。
当然，每个输入序列包括的投影数据的帧数可以彼此相同，也可以彼此不同，根据实际需求而选择。
S344、将每个所述输入序列输入至所述编码器中进行编码，得到对应的编码向量。
S346、将所述编码向量以及解码参考向量输入至所述解码器中进行解码，得到输出的解码向量，并基于所述解码向量生成每个所述输入序列对应的影像序列，其中所述影像序列包括至少一帧影像数据。
需要解释的是，对于每帧投影数据的解码过程，其实质是对每帧投影数据包括的多个投影数据单元依次解码。对于第1次的解码，解码参考向量为预设的初始参考向量；对于第2次的解码，解码参考向量为第1次的解码生成的解码向量；对于第3次的解码，解码参考向量为第2次的解码生成的解码向量……以此类推。
参见图2，图2以影像重建模型是Transformer模型为例，来对本实施例的影像重建阶段的编码和解码的过程进行更为详尽的说明。
具体的，所述编码器包括多个顺次连接的编码层，解码器包括多个顺次连接的解码层。本实施例以Transformer模型包括6个编码层和6个解码层为例进行说明。
编码过程如下：
步骤S344中，将每个所述输入序列输入至所述编码器中进行编码，得到对应的编码向量，包括下述步骤S3442～S3446：
S3442、将每个输入序列对应的至少一帧投影数据进行嵌入处理，得到第三嵌入向量。
如图2所示，在第1个编码层之前，还连接有第一嵌入层(embedding)，以对输入至编码器的投影数据进行嵌入处理。
S3444、将所述第三嵌入向量输入至第1个编码层，生成第1个编码层输出的编码向量。
S3446、将第i个编码层输出的编码向量作为第i+1个编码层的输入向量进行迭代处理，直至最后一个编码层输出的编码向量作为所述输入序列对应的编码向量，其中，i为大于1的整数。
如图2所示，第1个编码层接收第三嵌入向量进行编码处理，得到第1个编码层输出的编码向量；将第1个编码层输出的编码向量输入至第2个编码层，得到第2个编码层输出的编码向量；将第2个编码层输出的编码向量输入至第3个编码层……直至第6个编码层输出的编码向量作为输入序列对应的编码向量。
解码过程如下：
步骤S346中，将所述编码向量以及解码参考向量输入至所述解码器中进行解码，得到输出的解码向量，包括下述步骤S3462～S3464：
S3462、将所述解码参考向量和所述编码向量输入至第1个解码层，生成第1个解码层输出的解码向量。
S3464、将第j个解码层输出的解码向量和所述编码向量作为第j+1个解码层的输入向量进行迭代处理，直至得到最后一个解码层输出的解码向量，其中，j为大于1的整数。
如图2所示，第1个解码层输出的解码向量以及编码向量输入至第2个解码层，得到第2个解码层输出的解码向量；将第2个解码层输出的解码向量以及编码向量输入至第3个解码层，得到第3个解码层输出的解码向量……直至第6个解码层输出的解码向量作为输入序列对应的解码向量。
基于每个输入序列对应的解码向量，生成该输入序列对应的至少一帧影像数据。根据多个输入序列对应的影像数据，得到影像序列。
如表3所示，表3示出了本实施例中的一种使用场景下投影数据和影像数据的对应关系。
表3
最终，得到的影像序列为{E1，E2，E3，……Em}。
本发明实施例提供的影像重建的方法，按照空间和时间的顺序关系采集投影数据，充分利用投影数据在生成的过程中就具有空间和时间的相关性和顺序性，将投影数据输入至影像重建模型中进行处理，生成影像序列实现可以满足质量需求的影像重建，在影像序列生成的过程中有效利用投影数据的空间和时间的相关性和顺序性，无需迭代重建影像，速度快、耗时短。
为了更进一步地理解本发明的技术方案，本发明实施例还公开了一种影像重建的方法，用于CT成像，参见图4，图4为本发明一实施例的CT成像的示意图。本实施例的方法参见图5，包括下述步骤502～506：
502、根据CT成像中按照空间和时间的顺序关系采集到的投影数据，将所述投影数据生成初始投影序列。
对于投影数据和投影序列的解释，参见前述实施例，在此便不再赘述。
以X射线为例，传统的CT的X射线都是扇形的，探测器都是线状的阵列，每一次投影的投影数据只是该截面上所有物质对X光的吸收结果，相当于图像上沿方向求和的结果。为了获取人体内部截面的情况，CT机器要围绕人旋转，这样旋转就是朝着各个方向投影，利用所得到投影数据重建出截面的影像，就可以实现断层扫描。为了获得横向的数据，就得从头到脚地横向移动。所以，CT技术在应用时，需要人躺在那里，慢慢往里面前进的同时，机器也在围绕人进行旋转，以实现螺旋式前进。
通常，投影数据用CT值来表示。CT值是测定人体某一局部组织或器官密度大小的一种计量单位，通常称亨氏单位(hounsfield unit，HU)。常见物质的CT值如表4所示。
表4
| 物质 | CT值 | 物质 | CT值 |
| 水 | 0 | 脂肪 | -100 |
| 致密骨 | +1000 | 凝固血 | 56～76 |
| 脑灰质 | 36～46 | 脑白质 | 22～32 |
| 血液 | 12 | 空气 | -1000 |
参见图4，图4中，CT成像时，其探头会沿物体旋转多个角度，每个角度采集一次投影数据作为投影数据单元，多个角度的投影数据单元的序列形成一帧二维的投影数据。例如，每个角度采集的投影数据为512维向量，探头在每个截面的旋转角度为180度，则对于该截面，对应的投影数据为180*512维向量。
进一步，探头沿物体的纵轴直线运动，在每个截面处采集一帧二维的投影数据，最终形成3D的投影序列。因此，CT的投影数据可看作是多个角度的投影矩阵构成的序列。截面的多少可以根据实际需求而设置。例如设置CT的探头会沿物体纵轴直线运动100个位置，则对应的截面为100个，最终生成的投影序列为100*180*512维向量矩阵。
图4中示例性的示出了3个位置的3帧投影数据F1、F2和F3，每帧投影数据包括180*512维向量。
504、将所述初始投影序列输入至自编码器进行降维处理，得到降维后的投影序列。
对于自编码器，是一个以多层全连接层为主体的深度模型，中间层的隐单元的数量少于输入数据的维度。
本实施例中，在自编码器的训练阶段，可以利用自编码器构建端到端模型，该模型包括编码器和解码器两部分。训练时，将训练数据的样本和标签分别输入至端到端模型的输入和输出部分，使得端到端模型学习到样本压缩过的隐含特征。应用时，仅使用作为编码器部分的自编码器，将中间层的隐单元输出的压缩特征作为目标数据。
比如，一个投影数据单元的维度为512维，经过自编码器可减少为128维，这样降低了输入影像重建模型的数据维度，进而缩减影像重建模型的规模和运算量。
仍以图4为例，得到降维后的投影序列包括100帧降维后的投影数据。图4中示例性的示出了3个位置的3帧投影数据F1’、F2’和F3’，每帧降维后的投影数据包括180*128维向量。
在实际操作中，通过自编码器的处理，可以将相邻的多个投影点的投影数据合并为一个投影数据，从而使得自编码器的输出数据的长度适配影像重建模型的输入数据的长度。
506、将所述投影序列输入至影像重建模型中进行处理，生成影像序列，并基于所述影像序列生成影像。
对于影像重建模型的处理过程，参见前述实施例的具体解释，在此便不再赘述。
本实施例中的影像序列包括100帧影像数据，每帧影像数据包括多个影像数据单元。本实施例中，经过影像重建模型处理后的影像数据单元为120*64维向量的灰度值，作为表征影像数据的数据值。
根据影像序列拼接，可以生成100*120*64维的影像，作为重建后的影像。
图4中示例性的示出了3帧影像数据G1’、G2’和G3’，每帧影像数据包括120*64维向量。
另外，Transformer模型的解码器(decoder)的最后一层输出可再连接一层或数层全连接(FC)层，将解码器(decoder)输出的影像数据变为64x1维或者更高维，这样最终影像数据的分辨率可为512维或更高，从而可提升最终输出图像的分辨率，可以降低自注意力层的尺寸，减小整体的模型尺寸和运算量。
本发明实施例提供的影像重建的方法，按照空间和时间的顺序关系采集投影数据，充分利用投影数据在生成的过程中就具有空间和时间的相关性和顺序性，然后将投影数据降维后得到降维后的投影序列输入至影像重建模型中进行处理，生成影像序列实现可以满足质量需求的影像重建，在影像序列生成的过程中有效利用投影数据的空间和时间的相关性和顺序性，无需迭代重建影像，速度快、耗时短。
由于无需迭代，本发明实施例的方法速度快，产生的CT影像可用于实时初筛。后期如果需要更清晰的影像，可在本发明实施例生成的影像的基础上进一步结合迭代的方法重建。
下面对本发明实施例提供的影像重建模型的训练装置进行描述，下文描述的影像重建模型的训练装置与上文描述的影像重建模型的训练方法可相互对应参照。
本发明实施例公开了一种影像重建模型的训练装置，参见图6，训练数据包括互相对应的投影样本序列和影像标签序列，所述装置包括：
生成模块602，用于将所述投影样本序列和影像标签序列输入至影像重建模型，生成预处理影像序列；
调整模块604，用于确定所述预处理影像序列与所述影像标签序列之间的误差，并基于所述误差反向调整所述影像重建模型的参数，以训练所述影像重建模型。
可选地，所述影像重建模型包括编码器和解码器，生成模块602包括：
第一编码单元，用于将训练样本中的投影样本序列输入至影像重建模型的编码器进行编码，生成样本编码向量，其中，所述训练样本包括互相对应的投影样本序列和影像标签序列；
第一解码单元，用于将样本编码向量以及影像标签序列输入至影像重建模型的解码器进行解码，生成预处理影像序列。
可选地，所述投影样本序列包括多帧投影样本数据，所述影像标签序列包括多帧影像标签数据；
第一编码单元，具体用于：
将所述投影样本序列划分为多个样本输入序列，其中，每个所述样本输入序列包括至少一帧投影样本数据；
将每个样本输入序列输入至所述编码器进行编码，生成对应的样本编码向量；
第一解码单元，具体用于：
将所述样本编码向量以及所述至少一帧投影样本数据对应的至少一帧影像标签数据输入至所述解码器进行解码，得到每个样本输入序列对应的至少一帧预处理影像数据；
基于多个样本输入序列对应的预处理影像数据，生成预处理影像序列。
可选地，所述编码器包括多个顺次连接的编码层；
所述第一编码单元，具体用于：
将至少一帧投影样本数据进行嵌入处理，得到第一嵌入向量；
将所述第一嵌入向量输入至第1个编码层，生成第1个编码层输出的编码向量；
将第i个编码层输出的编码向量作为第i+1个编码层的输入向量进行迭代处理，直至最后一个编码层输出的编码向量作为所述样本输入序列对应的样本编码向量，其中，i为大于1的整数。
可选地，所述解码器包括多个顺次连接的解码层；
所述第一解码单元，具体用于：
将所述至少一帧投影样本数据对应的至少一帧影像标签数据进行嵌入处理，得到第二嵌入向量；
将所述第二嵌入向量和所述样本编码向量输入至第1个解码层，生成第1个解码层输出的解码向量；
将第j个解码层输出的解码向量和所述样本编码向量作为第j+1个解码层的输入向量进行迭代处理，直至最后一个解码层输出的解码向量作为样本解码向量，基于所述样本解码向量生成每个样本输入序列对应的至少一帧预处理影像数据，其中，j为大于1的整数。
本发明实施例提供的影像重建模型的训练装置，通过将投影样本序列和影像标签序列输入至影像重建模型，生成预处理影像序列，并基于预处理影像序列与影像标签序列的误差调整影像重建模型的参数，从而得到具有根据投影域数据生成对应的影像域数据的能力的影像重建模型。
下面对本发明实施例提供的影像重建的装置进行描述，下文描述的影像重建的装置与上文描述的影像重建的方法可相互对应参照。
本发明实施例公开了一种影像重建的装置，参见图7，包括：
投影序列生成模块702，用于根据按照空间和时间的顺序关系采集到的投影数据，生成对应的投影序列；
影像序列生成模块704，用于将所述投影序列输入至前述实施例的训练方法得到的影像重建模型中进行处理，生成影像序列，并基于所述影像序列生成影像；
其中，所述影像重建模型是基于互相对应的投影样本序列和影像标签序列进行训练后得到。
可选地，投影序列生成模块702，包括：
初始投影序列生成单元，用于将所述投影数据生成初始投影序列；
降维处理单元，用于将所述初始投影序列输入至自编码器进行降维处理，得到降维后的投影序列。
可选地，所述初始投影序列包括至少一帧初始投影数据，每帧初始投影数据包括多个初始投影数据单元；
所述降维处理单元，具体用于：
将多个初始投影数据单元依次输入至自编码器进行降维处理，得到对应的多个降维后的投影数据单元；
基于多个所述降维后的投影数据单元生成至少一帧投影数据作为所述投影序列。
可选地，所述影像重建模型包括编码器和解码器，所述投影序列包括多帧投影数据；
影像序列生成模块704，包括：
划分单元，用于将所述多帧投影数据划分为多个输入序列，其中每个输入序列包括至少一帧投影数据；
第二编码单元，用于将每个所述输入序列输入至所述编码器中进行编码，得到对应的编码向量；
第二解码单元，用于将所述编码向量以及解码参考向量输入至所述解码器中进行解码，得到输出的解码向量，并基于所述解码向量生成每个所述输入序列对应的影像序列，其中所述影像序列包括至少一帧影像数据。
可选地，所述编码器包括多个顺次连接的编码层；
所述第二编码单元，具体用于：
将每个输入序列对应的至少一帧投影数据进行嵌入处理，得到第三嵌入向量；
将所述第三嵌入向量输入至第1个编码层，生成第1个编码层输出的编码向量；
将第i个编码层输出的编码向量作为第i+1个编码层的输入向量进行迭代处理，直至最后一个编码层输出的编码向量作为所述输入序列对应的编码向量，其中，i为大于1的整数。
可选地，所述解码器包括多个顺次连接的解码层；
所述第二解码单元，具体用于：
将所述解码参考向量和所述编码向量输入至第1个解码层，生成第1个解码层输出的解码向量；
将第j个解码层输出的解码向量和所述编码向量作为第j+1个解码层的输入向量进行迭代处理，直至得到最后一个解码层输出的解码向量，其中，j为大于1的整数。
本发明实施例提供的影像重建的装置，按照空间和时间的顺序关系采集投影数据，充分利用投影数据在生成的过程中就具有空间和时间的相关性和顺序性，将投影数据输入至影像重建模型中进行处理，生成影像序列实现可以满足质量需求的影像重建，在影像序列生成的过程中有效利用投影数据的空间和时间的相关性和顺序性，无需迭代重建影像，速度快、耗时短。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行影像重建的方法，包括：
根据按照空间和时间的顺序关系采集到的投影数据，生成对应的投影序列；
将所述投影序列输入至影像重建模型中进行处理，生成影像序列，并基于所述影像序列生成影像；
其中，所述影像重建模型是基于互相对应的投影样本序列和影像标签序列进行训练后得到。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的影像重建的方法，包括：
根据按照空间和时间的顺序关系采集到的投影数据，生成对应的投影序列；
将所述投影序列输入至影像重建模型中进行处理，生成影像序列，并基于所述影像序列生成影像；
其中，所述影像重建模型是基于互相对应的投影样本序列和影像标签序列进行训练后得到。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例所提供的影像重建的方法，包括：
根据按照空间和时间的顺序关系采集到的投影数据，生成对应的投影序列；
将所述投影序列输入至影像重建模型中进行处理，生成影像序列，并基于所述影像序列生成影像；
其中，所述影像重建模型是基于互相对应的投影样本序列和影像标签序列进行训练后得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种影像重建的方法，其特征在于，所述方法包括：
根据按照空间和时间的顺序关系采集到的投影数据，生成对应的投影序列；
将所述投影序列输入至影像重建模型中进行处理，生成影像序列，并基于所述影像序列生成影像；
其中，所述影像重建模型是基于互相对应的投影样本序列和影像标签序列进行训练后得到。
2.根据权利要求1所述的影像重建的方法，其特征在于，根据按照空间和时间的顺序关系采集到的投影数据，生成对应的投影序列，包括：
将所述投影数据生成初始投影序列；
将所述初始投影序列输入至自编码器进行降维处理，得到降维后的投影序列。
3.根据权利要求2所述的影像重建的方法，其特征在于，所述初始投影序列包括至少一帧初始投影数据，每帧初始投影数据包括多个初始投影数据单元；
将所述初始投影序列输入至自编码器进行降维处理，得到降维后的投影序列，包括：
将多个初始投影数据单元依次输入至自编码器进行降维处理，得到对应的多个降维后的投影数据单元；
基于多个所述降维后的投影数据单元生成至少一帧投影数据作为所述投影序列。
4.根据权利要求1所述的影像重建的方法，其特征在于，所述影像重建模型包括编码器和解码器，所述投影序列包括多帧投影数据；
将所述投影序列输入至所述影像重建模型中进行处理，生成影像序列，包括：
将所述多帧投影数据划分为多个输入序列，其中每个输入序列包括至少一帧投影数据；
将每个所述输入序列输入至所述编码器中进行编码，得到对应的编码向量；
将所述编码向量以及解码参考向量输入至所述解码器中进行解码，得到输出的解码向量，并基于所述解码向量生成每个所述输入序列对应的影像序列，其中所述影像序列包括至少一帧影像数据。
5.根据权利要求4所述的影像重建的方法，其特征在于，所述编码器包括多个顺次连接的编码层；
将每个所述输入序列输入至所述编码器中进行编码，得到对应的编码向量，包括：
将每个输入序列对应的至少一帧投影数据进行嵌入处理，得到第三嵌入向量；
将所述第三嵌入向量输入至第1个编码层，生成第1个编码层输出的编码向量；
将第i个编码层输出的编码向量作为第i+1个编码层的输入向量进行迭代处理，直至最后一个编码层输出的编码向量作为所述输入序列对应的编码向量，其中，i为大于1的整数。
6.根据权利要求4所述的影像重建的方法，其特征在于，所述解码器包括多个顺次连接的解码层；
将所述编码向量以及解码参考向量输入至所述解码器中进行解码，得到输出的解码向量，包括：
将所述解码参考向量和所述编码向量输入至第1个解码层，生成第1个解码层输出的解码向量；
将第j个解码层输出的解码向量和所述编码向量作为第j+1个解码层的输入向量进行迭代处理，直至得到最后一个解码层输出的解码向量，其中，j为大于1的整数。
7.一种影像重建的装置，其特征在于，包括：
投影序列生成模块，用于根据按照空间和时间的顺序关系采集到的投影数据，生成对应的投影序列；
影像序列生成模块，用于将所述投影序列输入影像重建模型中进行处理，生成影像序列，并基于所述影像序列生成影像；
其中，所述影像重建模型是基于互相对应的投影样本序列和影像标签序列进行训练后得到。
8.根据权利要求7所述的影像重建的装置，其特征在于，所述投影序列生成模块包括：
初始投影序列生成单元，用于将所述投影数据生成初始投影序列；
降维处理单元，用于将所述初始投影序列输入至自编码器进行降维处理，得到降维后的投影序列。
9.一种电子设备，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计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述影像重建的方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述影像重建的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010844267.4A CN112037299B (zh) | 2020-08-20 | 2020-08-20 | 一种影像重建的方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010844267.4A CN112037299B (zh) | 2020-08-20 | 2020-08-20 | 一种影像重建的方法及装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112037299A true CN112037299A (zh) | 2020-12-04 |
| CN112037299B CN112037299B (zh) | 2024-04-19 |
Family
ID=73581019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010844267.4A Active CN112037299B (zh) | 2020-08-20 | 2020-08-20 | 一种影像重建的方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112037299B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808106A (zh) * | 2021-09-17 | 2021-12-17 | 浙江大学 | 一种基于深度学习的超低剂量pet图像重建系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102012112952A1 (de) * | 2012-12-21 | 2014-07-10 | PRIMAVISION Technologies GbR (vertretungsberechtigte Gesellschafter: Prof. Dr. rer.nat. Christoph Schnörr, 68526 Ladenburg; Prof. Dr.-Ing. Claudius Schnörr, 68219 Mannheim) | Verfahren und Vorrichtung zur rechnergestützten, zerstörungsfreien Prüfung eines dreidimensionalen Objekts |
| CN107221015A (zh) * | 2017-07-27 | 2017-09-29 | 东北大学 | 一种基于时空标签技术的医学成像方法及系统 |
| US20180060727A1 (en) * | 2016-08-30 | 2018-03-01 | American Software Safety Reliability Company | Recurrent encoder and decoder |
| CN108898642A (zh) * | 2018-06-01 | 2018-11-27 | 安徽工程大学 | 一种基于卷积神经网络的稀疏角度ct成像方法 |
| US20190220977A1 (en) * | 2018-01-16 | 2019-07-18 | Siemens Healthcare Gmbh | Cross-Domain Image Analysis and Cross-Domain Image Synthesis Using Deep Image-to-Image Networks and Adversarial Networks |
| WO2019183584A1 (en) * | 2018-03-23 | 2019-09-26 | Memorial Sloan Kettering Cancer Center | Deep encoder-decoder models for reconstructing biomedical images |
| CN110874855A (zh) * | 2019-10-29 | 2020-03-10 | 中国科学院深圳先进技术研究院 | 一种协同成像方法、装置、存储介质和协同成像设备 |
| CN111462264A (zh) * | 2020-03-17 | 2020-07-28 | 中国科学院深圳先进技术研究院 | 医学图像重建方法、医学图像重建网络训练方法和装置 |
-
2020
- 2020-08-20 CN CN202010844267.4A patent/CN112037299B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102012112952A1 (de) * | 2012-12-21 | 2014-07-10 | PRIMAVISION Technologies GbR (vertretungsberechtigte Gesellschafter: Prof. Dr. rer.nat. Christoph Schnörr, 68526 Ladenburg; Prof. Dr.-Ing. Claudius Schnörr, 68219 Mannheim) | Verfahren und Vorrichtung zur rechnergestützten, zerstörungsfreien Prüfung eines dreidimensionalen Objekts |
| US20180060727A1 (en) * | 2016-08-30 | 2018-03-01 | American Software Safety Reliability Company | Recurrent encoder and decoder |
| CN107221015A (zh) * | 2017-07-27 | 2017-09-29 | 东北大学 | 一种基于时空标签技术的医学成像方法及系统 |
| US20190220977A1 (en) * | 2018-01-16 | 2019-07-18 | Siemens Healthcare Gmbh | Cross-Domain Image Analysis and Cross-Domain Image Synthesis Using Deep Image-to-Image Networks and Adversarial Networks |
| WO2019183584A1 (en) * | 2018-03-23 | 2019-09-26 | Memorial Sloan Kettering Cancer Center | Deep encoder-decoder models for reconstructing biomedical images |
| CN108898642A (zh) * | 2018-06-01 | 2018-11-27 | 安徽工程大学 | 一种基于卷积神经网络的稀疏角度ct成像方法 |
| CN110874855A (zh) * | 2019-10-29 | 2020-03-10 | 中国科学院深圳先进技术研究院 | 一种协同成像方法、装置、存储介质和协同成像设备 |
| CN111462264A (zh) * | 2020-03-17 | 2020-07-28 | 中国科学院深圳先进技术研究院 | 医学图像重建方法、医学图像重建网络训练方法和装置 |
Non-Patent Citations (6)
| Title |
|---|
| ANDREAS KOFLER ET AL.: "Spatio-Temporal Deep Learning-Based Undersampling Artefact Reduction for 2D Radial Cine MRI With Limited Training Data", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》, vol. 39, no. 3, pages 703, XP011775603, DOI: 10.1109/TMI.2019.2930318 * |
| KUANG GONG ET AL.: "PET Image Reconstruction Using Deep Image Prior", 《IEEE TRANSACTIONS ON MEDICAL IMAGING 》, vol. 38, no. 7, pages 1655, XP011732645, DOI: 10.1109/TMI.2018.2888491 * |
| 吴清江等: "基于卷积神经网络的有限视角CT重建", 《电脑知识与技术》, vol. 13, no. 35, pages 204 - 207 * |
| 孙长建: "医学影像的四维重建和分割中的关键技术研究", 《中国博士学位论文全文数据库医药卫生科技辑》, no. 2, pages 060 - 2 * |
| 熊倩倩: "基于多模态磁共振成像影像组学在预测新辅助化疗不敏感乳腺癌中的价值", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 9, pages 060 - 140 * |
| 王祎乐: "于自编码器的高时空分辨PET图像重建", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 3, pages 030 - 192 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808106A (zh) * | 2021-09-17 | 2021-12-17 | 浙江大学 | 一种基于深度学习的超低剂量pet图像重建系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112037299B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109745062B (zh) | Ct图像的生成方法、装置、设备及存储介质 | |
| Chen et al. | Low-dose CT with a residual encoder-decoder convolutional neural network | |
| US10891762B2 (en) | Apparatus and method for medical image denoising based on deep learning | |
| CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
| EP3673457A1 (en) | A method of generating an enhanced tomographic image of an object | |
| Shiri et al. | Deep-fill: Deep learning based sinogram domain gap filling in positron emission tomography | |
| Xue et al. | LCPR-Net: low-count PET image reconstruction using the domain transform and cycle-consistent generative adversarial networks | |
| EP3847623A1 (en) | A method of generating an enhanced tomographic image of an object | |
| CN112819914A (zh) | 一种pet图像处理方法 | |
| CN112102251B (zh) | 一种分割影像的方法及装置、电子设备和存储介质 | |
| He et al. | Downsampled imaging geometric modeling for accurate CT reconstruction via deep learning | |
| Chen et al. | Low-dose CT image denoising model based on sparse representation by stationarily classified sub-dictionaries | |
| CN112037299B (zh) | 一种影像重建的方法及装置、电子设备和存储介质 | |
| CN111798535B (zh) | Ct图像增强显示方法及计算机可读存储介质 | |
| Shi et al. | Conversion of the Mayo LDCT data to synthetic equivalent through the diffusion model for training denoising networks with a theoretically perfect privacy | |
| Yang et al. | X‐Ray Breast Images Denoising Method Based on the Convolutional Autoencoder | |
| CN113902912A (zh) | Cbct影像的处理方法、神经网络系统的创建方法、以及装置 | |
| Bai et al. | Deep High-Resolution Network for Low Dose X-ray CT Denoising | |
| CN113052840A (zh) | 一种基于低信噪比pet图像的处理方法 | |
| CN113689454A (zh) | 基于卷积神经网络的3d ct椎体分割算法 | |
| Liu et al. | Medical CT image super-resolution via cyclic feature concentration network | |
| Xue et al. | PET Synthesis via Self-supervised Adaptive Residual Estimation Generative Adversarial Network | |
| Selim et al. | CT Image Standardization Using Deep Image Synthesis Models | |
| Bai et al. | XctDiff: Reconstruction of CT Images with Consistent Anatomical Structures from a Single Radiographic Projection Image | |
| Khaleghi et al. | Neural network performance evaluation of simulated and genuine head-and-neck computed tomography images to reduce metal artifacts |
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 | ||
| CP03 | Change of name, title or address |
Address after: 201114 room 1302, 13 / F, building 16, 2388 Chenhang Road, Minhang District, Shanghai Patentee after: Shanghai Bi Ren Technology Co.,Ltd. Country or region after: China Address before: 201114 room 1302, 13 / F, building 16, 2388 Chenhang Road, Minhang District, Shanghai Patentee before: Shanghai Bilin Intelligent Technology Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |