CN112488949A - 一种低剂量pet图像还原方法、系统、设备和介质 - Google Patents
一种低剂量pet图像还原方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN112488949A CN112488949A CN202011425193.7A CN202011425193A CN112488949A CN 112488949 A CN112488949 A CN 112488949A CN 202011425193 A CN202011425193 A CN 202011425193A CN 112488949 A CN112488949 A CN 112488949A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- patch
- image
- dose pet
- low
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000000903 blocking effect Effects 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000003384 imaging method Methods 0.000 claims description 18
- 230000014509 gene expression Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 4
- 238000002600 positron emission tomography Methods 0.000 description 187
- 230000009467 reduction Effects 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011946 reduction process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种低剂量PET图像还原方法、系统、设备和介质。其中,方法包括:S1、对包括低剂量PET图像、MR图像和标准剂量PET图像在内的训练图像进行分块处理获取第一补丁,并对第一补丁进行第一预处理获取第二补丁;S2、根据第二补丁,利用稀疏编码和字典更新获取第一联合字典;S3、根据第一联合字典将低剂量PET图像还原成标准剂量PET的还原图像。本发明解决了现有技术中低剂量PET图像还原效果差、图像还原过程复杂,图像还原准确度低等缺陷,能够解决低剂量PET图像噪声严重和细节丢失的问题,同时提高图像还原效率和图像还原准确度。
Description
技术领域
本发明涉及PET图像处理领域,具体而言,涉及一种低剂量PET图像还原方法、系统、设备和介质。
背景技术
正电子发射计算机断层显像(positronemissiontomography,PET)与核磁共振成像(magneticresonanceimaging,MRI)相结合的PET/MR大型功能代谢与分子影像诊断设备,同时具有PET和MR的检查功能,具有灵敏度搞、准确性好、辐射量少等优势,在诸多疾病的诊断尤其是肿瘤和心脑血管等疾病的诊断上效果显著。PET显影剂量范围为4.43-7.35mSv,平均5.89mSv,标准剂量的PET显影剂仍然对人体存在一定量的辐射,在累计效应下会增加各种疾病发生的可能性,影响人体健康。因此,合理降低PET的剂量,使其低于PET显影剂量范围,可减少对人体辐射的影响。实现从低剂量PET图像到标准剂量PET图像的还原,对PET/MR技术的应用和医疗诊断具有重要的意义。
低剂量PET图像由于在成像时降低了显影剂剂量,导致图像成像后存在大量噪声,同时会丢失图像细节,严重影响PET/MR设备对患者病灶的影像诊断效果。此外,PET图像由于分辨率较高,导致图像还原过程计算量大,还原过程复杂,还原时间长,严重影响诊断效率。
现有技术针对低剂量PET图像的还原普遍存在还原效果不好、还原过程复杂,还原准确度不高等问题,导致还原图像质量差、还原时间冗长、还原图像内容缺失等问题。因此,需要一种针对低剂量PET图像的还原方法,能够解决其噪声严重和细节丢失的问题,同时能提高图像还原的效率,提高还原图像的准确度。
发明内容
基于现有技术存在的问题,本发明提供了一种低剂量PET图像还原方法,具体方案如下:
一种低剂量PET图像还原方法,包括如下步骤:S1、对包括低剂量PET图像、MR图像和标准剂量PET图像在内的训练图像进行分块处理获取第一补丁,并对所述第一补丁进行第一预处理获取第二补丁;S2、根据所述第二补丁,利用稀疏编码和字典更新获取第一联合字典;S3、根据所述第一联合字典将所述低剂量PET图像还原成标准剂量PET的还原图像。
进一步,在所述S2中还包括如下步骤:S21、以所述第二补丁为样本获取包括低剂量PET字典、MR字典和标准剂量PET字典在内的初始化字典;S22、根据所述初始化字典构建初始化联合字典,根据所述第二补丁构建目标矩阵;S23、根据所述目标矩阵获取稀疏编码,对所述稀疏编码和所述初始化联合字典进行迭代更新至满足迭代停止条件后,获取包括第一低剂量PET字典、第一MR字典和第一标准剂量PET字典在内的第一联合字典。
更进一步,在所述S23中,每次迭代包括先固定字典更新稀疏编码,再固定稀疏编码更新字典。
更进一步,在所述S23中,每次迭代通过随机选取部分样本用于稀疏编码和字典更新。
进一步,在所述S3中,还包括以下步骤:S31、对低剂量PET图像和MR图像进行分块处理获取第三补丁,并对所述第三补丁进行第二预处理获取第四补丁;S32、将所述S2获取的所述第一低剂量PET字典和所述第一MR字典合并成第二联合字典,根据所述第四补丁和所述第二联合字典获取第二稀疏编码;S33、根据所述S2获取的所述第一标准剂量PET字典和所述第二稀疏编码获取预测补丁,将所述预测补丁还原成二维点阵,得到标准剂量PET的还原图像。
特别地,所述第一补丁为从多帧图像中随机选取图像块并延展成的一维向量,包括所述低剂量PET图像的第一补丁、所述MR图像的第一补丁和所述标准剂量PET图像的第一补丁;所述第一补丁在多帧图像中处于同一位置。
特别地,所述第三补丁在选取位置时,按照多帧图像的顺序覆盖整个一帧图像。
特别地,在所述S1中,所述第一预处理包括通过预设矩阵将所述低剂量PET图像的第一补丁和所述MR图像的第一补丁映射到所述标准剂量PET图像的成像空间得到所述低剂量PET图像的第二补丁和所述MR图像的第二补丁。
特别地,在所述S31中,所述第二预处理包括通过预设矩阵将所述低剂量PET图像的第三补丁和所述MR图像的第三补丁映射到所述标准剂量PET图像的成像空间得到所述低剂量PET图像的第四补丁和所述MR图像的第四补丁。
特别地,在所述S21中包括采用K-means聚类算法,以所述第二补丁为样本,获取K个聚类中心作为初始化字典,并对所述初始化字典做归一化处理。
更进一步,在所述S22中,所述初始化联合字典和所述目标矩阵的表达式分别为:
其中,D表示初始化联合字典,Y表示目标矩阵,Dl表示低剂量PET字典,Dr表示MR字典,Ds表示标准剂量PET字典,Yl表示低剂量PET图像的第二补丁,Yr表示MR图像的第二补丁,Ys表示标准剂量PET图像的第二补丁。
更进一步,在所述S23中,所述稀疏编码表达式包括:
其中,X表示稀疏编码,Λ是一个对角矩阵,其对角元素为Λq=dq-yi,这里dq为字典D的第q个原子,yi为Y的第i个元素,λ表示稀疏约束系数。
更进一步,在所述S23中,所述字典更新表达式包括:
特别地,通过梯度下降法求解所述字典更新表达式,所述梯度下降法表达式为:
一种低剂量PET图像还原系统,包括:样本获取单元,用于对包括低剂量PET图像、MR图像和标准剂量PET图像在内的训练图像进行分块处理获取第一补丁,并对所述第一补丁进行第一预处理获取第二补丁;联合字典获取单元,用于根据所述第二补丁,通过稀疏编码和字典更新获取第一联合字典;图像还原单元,用于根据所述第一联合字典将所述低剂量PET图像还原成标准剂量PET的还原图像。
进一步,所述联合字典获取单元还包括:初始化单元:用于以所述第二补丁为样本获取包括低剂量PET字典、MR字典和标准剂量PET字典在内的初始化字典;构建单元:用于根据所述初始化字典构建初始化联合字典,根据所述第二补丁构建目标矩阵;迭代单元:用于根据所述目标矩阵获取稀疏编码,对所述稀疏编码和所述初始化联合字典进行迭代更新至满足迭代停止条件后,获取包括第一低剂量PET字典、第一MR字典和第一标准剂量PET字典在内的所述第一联合字典。
特别地,所述迭代单元还包括:迭代更新单元:用于在每次迭代包括先固定字典更新稀疏编码,再固定稀疏编码更新字典;样本选取单元:用于在每次迭代时随机选取部分样本进行稀疏编码和字典更新。
一种计算机设备,所述计算机设备包括:一个或多个处理器;存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述所述的低剂量PET图像还原方法。
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如上述所述的低剂量PET图像还原方法。
本发明具有如下有益效果:
针对低剂量PET图像噪声严重和细节丢失的问题,本发明提出一种低剂量PET图像还原方法、系统、设备和介质,解决了现有技术普遍存在的图像还原效果差、图像还原过程复杂,图像还原准确度低等缺陷,能够有效解决低剂量PET图像噪声严重和细节丢失的问题,同时能提高图像还原的效率,提高还原图像的准确度。将低剂量PET还原方法应用到具体的系统、计算机设备和计算机存储介质中,将该方法具体化,对医学影响领域的发展具有重要意义。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1是本发明的低剂量PET图像还原方法流程图;
图2是本发明的低剂量PET图像还原方法的S2具体流程图;
图3是本发明的低剂量PET图像还原系统框图;
图4是本发明的低剂量PET图像还原系统的具体框图;
图5是本发明的低剂量PET图像还原方法应用到一种计算机设备的示意图。
具体实施方式
实施例1
针对低剂量PET图像噪声严重和细节丢失的问题,本实施例提出了一种低剂量PET图像还原方法,具体的方法步骤如说明书附图1所示,具体方案如下:
S1、图像预处理:针对包括低剂量PET图像、MR图像和标准剂量PET图像的训练图像进行分块处理获取第一补丁,并对第一补丁进行第一预处理获取第二补丁;
S2、获取第一联合字典:根据第二补丁,利用稀疏编码和字典更新获取第一联合字典;
S3、获取还原图像:根据第一联合字典将低剂量PET图像还原成标准剂量PET的还原图像。
具体地,S1是从训练样本中获取第一补丁,并对第一补丁进行第一预处理获取第二补丁。本实施例针对的训练图像包括低剂量PET图像、MR图像和标准剂量PET图像,其中,低剂量PET图像为待还原图像。PET图像为一组连续的人体断层图像,多个单帧图像构成多帧图像。本实施例是从训练图像中先获取第一补丁,第一补丁是从多帧图像中随机选取图像块并延展成的一维向量。由于第一补丁是在多帧图像中随机选取的,会存在重复,因此需要将重复的部分去除,再作为样本参与训练。特别地,低剂量PET图像的第一补丁、MR图像的第一补丁和标准剂量PET图像的第一补丁是在多帧图像上的同一个位置取得的。由于低剂量PET图像、MR图像的成像空间与标准剂量PET图像的成像空间不同,不能直接用于后续的字典学习,需要对第一补丁进行第一预处理,第一预处理包括获取映射矩阵M将低剂量PET图像的第一补丁和MR图像的第一补丁映射到标准剂量PET图像的成像空间,得到映射后的第一补丁,即第二补丁。映射矩阵在可以按照点对点、边对边等方式使得映射兼具准确性和一般性。具体的映射矩阵表达为:
f(Y)=M*Y
其中,Y是第一补丁向量矩阵,M是映射矩阵。
具体地,S2主要获取第一联合字典。S2包含两个主要模块:稀疏编码和字典更新,通过稀疏编码和字典更新交替进行的方法实现字典的获取。S2具体包括如下步骤:S21、获取初始化字典:以第二补丁为样本获取包括低剂量PET字典、MR字典和标准剂量PET字典在内的初始化字典;S22、构建初始化字典和目标矩阵:根据初始化字典构建初始化联合字典,根据第二补丁构建目标矩阵;S23、获取第一联合字典:根据目标矩阵获取稀疏编码,根据K-SVD思想对稀疏编码和初始化联合字典进行迭代更新,直到满足迭代停止条件,每次迭代包括先固定字典更新稀疏编码,再固定稀疏编码更新字典。获取的第一联合字典包括第一低剂量PET字典、第一MR字典和第一标准剂量PET字典。S2具体步骤如说明书附图2所示。优选地,本实施例针对字典学习采用LocalCoordinateCoding(局部坐标编码),具体表达式为:
其中,X表示稀疏编码,D表示特征矩阵(字典),xi表示第i个样本的稀疏系数,d表示特征字典的特征维度,q表示字典的第q列,字典学习的主要目的是获取求取D。
S21以第二补丁为样本获取包括低剂量PET字典、MR字典和标准剂量PET字典在内的初始化字典。具体包括,通过K-means聚类算法,以第二补丁作为样本,获取K个聚类中心作为初始化字典,初始化字典包括低剂量PET字典、MR字典和标准剂量PET字典。此外,需对初始化字典进行normalize处理,即归一化处理。
S22根据初始化字典构建初始化联合字典,根据第二补丁构建目标矩阵。初始化联合字典D和目标矩阵Y的表达式为:
其中,Dl表示低剂量PET字典,Dr表示MR字典,Ds表示标准剂量PET字典,Yl表示低剂量PET图像的第二补丁,Yr表示MR图像的第二补丁,Ys表示标准剂量PET图像的第二补丁。
S23根据K-SVD思想对稀疏编码和字典进行迭代更新,直到满足迭代停止条件,每次迭代包括先固定字典更新稀疏编码,再固定稀疏编码更新字典。
针对稀疏编码部分,关于字典D和目标矩阵Y的稀疏编码表达式为:
其中,X表示稀疏编码,Λ是一个对角矩阵,其对角元素为Λq=dq-yi,这里dq为D的第q个原子,yi为Y的第i个元素,λ表示稀疏约束系数。针对上式,本实施例选择用MP(Matching Pursuits)算法、OMP(Orthogonal Matching Pursuit)算法或LASSO(Leastabsolute shrinkage and selection operator)算法进行求解。
针对字典更新部分,关于字典D和目标矩阵Y的字典更新表达式为:
本实施例基于K-SVD思想对稀疏编码和字典进行迭代更新,直到满足迭代停止条件,每次迭代包括先固定字典D更新稀疏编码X,再固定稀疏编码X更新字典D。K-SVD思想是一种经典的字典训练算法,依据误差最小原则,对误差项进行SVD分解,选择使误差最小的分解项作为更新的字典原子和对应的原子系数,经过不断的迭代从而得到优化的解。
特别地,本实施例选用在线学习的方式,即每次迭代时随机选取N个样本进行训练。与现有技术中将所有训练样本同时进行迭代的方式不同,本实施例通过随机选取部分样本进行迭代,在保证训练精度的基础上极大的提高了训练速度,进而缩短了整个低剂量图像还原的时间。随机选取样本进行训练,保证了训练精度不会因为偶然性而产生差异,选取部分样本进行训练,避免了样本的重复训练,大大缩短了迭代的时间,提高了训练效率。
具体地,S3根据联合字典将低剂量PET图像还原成标准剂量PET的还原图像。S3的具体步骤包括:S31对低剂量PET图像和MR图像进行分块处理获取第三补丁,并对第三补丁进行第二预处理获取第四补丁;S32将S2获取的第一低剂量PET字典和第一MR字典合并成第二联合字典,根据第四补丁和第二联合字典获取第二稀疏编码;S33根据S2获取的第一标准剂量PET字典和第二稀疏编码获取预测补丁,将预测补丁还原成二维点阵,得到标准剂量PET的还原图像。
其中,S31对低剂量PET图像和MR图像进行分块处理获取第三补丁,并对第三补丁进行第二预处理获取第四补丁。分块方法与S1相同,从多帧图像中随机选取图像块并延展成一维向量,得到第三补丁。第三补丁包括低剂量PET图像的第三补丁和MR图像的第三补丁。特别地,第三补丁的选取位置需要按照多帧图像的排列顺序,使其能够覆盖整个一帧图像。特别地,第三补丁之间可以有重叠部分,可减小结果的块效应。同样地,由于低剂量PET图像、MR图像的成像空间与标准剂量PET图像的成像空间不同,不能直接用于后续的字典学习,需要对第三补丁进行第二预处理,第二预处理包括获取映射矩阵M将低剂量PET图像的第三补丁和MR图像的第三补丁映射到标准剂量PET图像的成像空间,得到映射后的第三补丁,即第四补丁。映射矩阵在可以按照点对点、边对边等方式使得映射兼具准确性和一般性。
其中,S32将S2中获取的第一低剂量PET字典和第一MR字典合并成第二联合字典,根据第二联合字典D和第四补丁获取相应的第二稀疏编码,具体表达式如下:
Dl表示第一低剂量PET字典,Dr表示第一MR字典,Yl表示低剂量PET图像的第四补丁,Yr表示MR图像的第四补丁。
最终,S33根据第一标准剂量PET字典和第二稀疏编码获取预测补丁,将预测补丁还原成二维点阵,得到标准剂量PET的还原图像。通过S2获得的第一标准剂量PET字典和得到的第二稀疏编码预测出相应的预测补丁,将预测补丁重新还原成二维点阵,得到最终的标准剂量PET的还原图像。最终的标准剂量PET的还原图像即为低剂量PET图像的还原图像。
本实施例提出的方法具有兼容性还可应用于其它类型的医学图像重建领域,如CT图像等,结合深度学习相关方法能提高图像的重建效果。此外,本实施例提出的方法在降噪方面具有极强的优势,还可应用于图像去噪相关领域。
本实施例提供了一种低剂量PET图像还原方法。通过字典学习和稀疏矩阵对低剂量PET图像进行还原。在构建字典之后,采用相应算法对字典进行更新,得到更适用于还原标准剂量图像的联合字典,同时结合MR图像提高还原的准确度。同时采用在线学习相关方法应用在稀疏字典更新以加快收敛速度,使得整个图像还原过程所需的时间大大缩短,提高了图像还原的效率。
实施例2
在实施例1的基础上,本实施例提供了一种低剂量PET图像还原系统,将实施例1的低剂量PET图像还原方法模块化。具体方案如下:
一种低剂量PET图像还原系统,包括:样本获取单元、联合字典获取单元和图像还原单元,联合字典获取单元分别连接样本获取单元和图像还原单元,系统如说明书附图3所示。
具体地,样本获取单元用于对包括低剂量PET图像、MR图像和标准剂量PET图像在内的训练图像进行分块处理获取第一补丁,并对第一补丁进行第一预处理获取第二补丁。用户通过样本获取单元输入低剂量PET图像作为样本,样本获取单元根据训练图像获取第一补丁,并对第一补丁进行映射处理,通过映射矩阵M将低剂量PET图像的第一补丁和MR图像的第一补丁映射到标准剂量PET图像的成像空间,得到映射后的第一补丁,即第二补丁。并将第二补丁传递到联合字典获取单元。
具体地,联合字典获取单元用于根据稀疏编码和字典更新获取第一联合字典。联合字典获取单元主要包括初始化单元、构建单元和迭代单元。构建单元分别连接初始化单元和迭代单元,具体如说明书附图4所示。
具体地,初始化单元用于以第二补丁为样本获取包括低剂量PET字典、MR字典和标准剂量PET字典在内的初始化字典。初始化单元接收来自样本获取单元传递的第二补丁,采用K-means聚类算法,以第二补丁为样本,获取K个聚类中心作为初始化字典,并对初始化字典做归一化处理。构建单元用于根据初始化字典构建初始化联合字典,根据第二补丁构建目标矩阵,其中初始化联合字典包括低剂量PET字典、MR字典和标准剂量PET字典,目标矩阵包括低剂量PET图像的第二补丁、MR图像的第二补丁和标准剂量PET图像的第二补丁;迭代单元用于根据目标矩阵获取稀疏编码,根据K-SVD思想对稀疏编码和初始化联合字典进行迭代更新,直到满足迭代停止条件,获取包括第一低剂量PET字典、第一MR字典和第一标准剂量PET字典在内的第一联合字典。迭代单元还包括迭代更新单元和样本选取单元。迭代更新单元用于在每次迭代时先固定字典更新稀疏编码,再固定稀疏编码更新字典。样本选取单元用于在每次迭代时随机选取部分样本进行稀疏编码和字典更新。迭代单元是核心的处理单元,采用K-SVD思想对稀疏编码和字典进行迭代更新,保证图像还原的准确性。此外,迭代单元还设置有样本选取单元,用于在每次迭代时随机选取部分样本进行稀疏编码和字典更新,在保障训练精度的同时提高训练效率。
具体地,图像还原单元用于根据联合字典获取单元获取的第一联合字典将低剂量PET图像还原成标准剂量PET的还原图像。图像还原单元是最后的还原模块。首先,图像还原单元对低剂量PET图像和MR图像进行分块处理,获取第三补丁,再通过映射矩阵M将低剂量PET图像的第三补丁和MR图像的第三补丁映射到标准剂量PET图像的成像空间,得到映射后的第三补丁,即第四补丁。其次,用联合字典获取单元中获取的低剂量PET字典和MR字典合并成联合字典,结合第四补丁,获取第二稀疏编码。最后,通过标准剂量PET字典和得到的第二稀疏编码预测出相应的预测补丁,将预测补丁重新还原成二维点阵,得到最终的标准剂量PET的还原图像。最终的标准剂量PET的还原图像即为低剂量PET图像的还原图像。
本实施例根据实施例1提出的一种低剂量PET图像还原方法,提出了一种低剂量PET图像还原系统,采用实施例1的方法,能有效解决低剂量PET图像噪声严重和细节丢失的问题,同时能提高图像还原的效率,提高还原图像的准确度。
实施例3
图5为本发明实施例3提供的一种计算机设备的结构示意图。图5显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备计算机12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。系统存储器28可以包括易失性存储器形式的计算机系统可读介质。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备通信。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例1所提供的一种低剂量PET图像还原方法,该方法包括:
S1、针对包括低剂量PET图像、MR图像和标准剂量PET图像在内的训练图像进行分块处理获取第一补丁,并对第一补丁进行第一预处理获取第二补丁;S2、根据第二补丁,利用稀疏编码和字典更新获取第一联合字典;S3、根据第一联合字典将低剂量PET图像还原成标准剂量PET的还原图像。
其中,S2具体包括:S21、以第二补丁为样本获取包括低剂量PET字典、MR字典和标准剂量PET字典在内的初始化字典;S22、根据初始化字典构建初始化联合字典,根据第二补丁构建目标矩阵;S23、根据目标矩阵获取稀疏编码,对稀疏编码和初始化联合字典进行迭代更新至满足迭代停止条件后,获取包括第一低剂量PET字典、第一MR字典和第一标准剂量PET字典在内的第一联合字典。其中,每次迭代包括先固定字典更新稀疏编码,再固定稀疏编码更新字典,每次迭代通过随机选取部分样本用于稀疏编码和字典更新。
其中,S3具体包括:S31、对低剂量PET图像和MR图像进行分块处理获取第三补丁,并对第三补丁进行第二预处理获取第四补丁;S32、将S2获取的第一低剂量PET字典和第一MR字典合并成第二联合字典,根据第四补丁和第二联合字典获取第二稀疏编码;S33、根据S2获取的第一标准剂量PET字典和第二稀疏编码获取预测补丁,将预测补丁还原成二维点阵,得到标准剂量PET的还原图像。
本实施例将一种低剂量PET图像还原方法应用到具体的计算机设备中,将该方法存储到存储器中,当执行器执行该存储器时,会运行该方法进行低剂量PET图像还原,使用快捷方便,适用范围广。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的PET图像还原方法的技术方案。
实施例4
本实施例4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如本发明任意实施例所提供的低剂量PET图像还原方法步骤,该方法包括:
S1、针对包括低剂量PET图像、MR图像和标准剂量PET图像在内的训练图像进行分块处理获取第一补丁,并对第一补丁进行第一预处理获取第二补丁;S2、根据第二补丁,利用稀疏编码和字典更新获取第一联合字典;S3、根据第一联合字典将低剂量PET图像还原成标准剂量PET的还原图像。
其中,S2具体包括:S21、以第二补丁为样本获取包括低剂量PET字典、MR字典和标准剂量PET字典在内的初始化字典;S22、根据初始化字典构建初始化联合字典,根据第二补丁构建目标矩阵;S23、根据目标矩阵获取稀疏编码,对稀疏编码和初始化联合字典进行迭代更新至满足迭代停止条件后,获取包括第一低剂量PET字典、第一MR字典和第一标准剂量PET字典在内的第一联合字典。其中,每次迭代包括先固定字典更新稀疏编码,再固定稀疏编码更新字典,每次迭代通过随机选取部分样本用于稀疏编码和字典更新。
其中,S3具体包括:S31、对低剂量PET图像和MR图像进行分块处理获取第三补丁,并对第三补丁进行第二预处理获取第四补丁;S32、将S2获取的第一低剂量PET字典和第一MR字典合并成第二联合字典,根据第四补丁和第二联合字典获取第二稀疏编码;S33、根据S2获取的第一标准剂量PET字典和第二稀疏编码获取预测补丁,将预测补丁还原成二维点阵,得到标准剂量PET的还原图像。
本实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
本实施例将一种低剂量PET图像还原方法应用到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本发明提供的低剂量PET图像还原方法的步骤,简便快捷,易于存储,不易丢失。
现有技术针对低剂量PET图像普遍存在还原效果不好、还原过程复杂,还原准确度不高等问题,导致还原图像质量差、还原时间冗长、还原图像内容缺失等问题。因此,需要一种针对低剂量PET图像的还原方法,能够解决其噪声严重和细节丢失的问题,同时能提高图像还原的效率,提高还原图像的准确度。
综上,本发明提出一种低剂量PET图像还原方法、系统、设备和介质,解决了现有技术普遍存在图像还原效果差、图像还原过程复杂,图像还原准确度低等缺陷,能够解决低剂量PET图像噪声严重和细节丢失的问题,同时能提高图像还原的效率,提高还原图像的准确度。通过于字典学习和稀疏矩阵实现从低剂量PET图像还原标准剂量PET图像,克服了传统方法去噪无法保留细节的缺点;采用在线学习相关概念,在学习过程中随机获取较小的训练样本,相较于传统技术,在保证准确率的情况下加快了收敛速度。将低剂量PET还原方法应用到具体的系统、计算机设备和计算机存储介质中,将该方法具体化,对医学影响领域的发展具有重要意义。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
以上公开的仅为本发明的几个具体实施场景,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (19)
1.一种低剂量PET图像还原方法,其特征在于,包括如下步骤:
S1、对包括低剂量PET图像、MR图像和标准剂量PET图像在内的训练图像进行分块处理获取第一补丁,并对所述第一补丁进行第一预处理获取第二补丁;
S2、根据所述第二补丁,利用稀疏编码和字典更新获取第一联合字典;
S3、根据所述第一联合字典将所述低剂量PET图像还原成标准剂量PET的还原图像。
2.根据权利要求1所述的方法,其特征在于,在所述S2中还包括如下步骤:
S21、以所述第二补丁为样本获取包括低剂量PET字典、MR字典和标准剂量PET字典在内的初始化字典;
S22、根据所述初始化字典构建初始化联合字典,根据所述第二补丁构建目标矩阵;
S23、根据所述目标矩阵获取稀疏编码,对所述稀疏编码和所述初始化联合字典进行迭代更新至满足迭代停止条件后,获取包括第一低剂量PET字典、第一MR字典和第一标准剂量PET字典在内的第一联合字典。
3.根据权利要求2所述的方法,其特征在于,在所述S23中,每次迭代包括先固定字典更新稀疏编码,再固定稀疏编码更新字典。
4.根据权利要求2或3所述的方法,其特征在于,在所述S23中,每次迭代通过随机选取部分样本用于稀疏编码和字典更新。
5.根据权利要求2所述的方法,其特征在于,在所述S3中,还包括以下步骤:
S31、对低剂量PET图像和MR图像进行分块处理获取第三补丁,并对所述第三补丁进行第二预处理获取第四补丁;
S32、将所述S2获取的所述第一低剂量PET字典和所述第一MR字典合并成第二联合字典,根据所述第四补丁和所述第二联合字典获取第二稀疏编码;
S33、根据所述S2获取的所述第一标准剂量PET字典和所述第二稀疏编码获取预测补丁,将所述预测补丁还原成二维点阵,得到标准剂量PET的还原图像。
6.根据权利要求1所述的方法,其特征在于,所述第一补丁为从多帧图像中随机选取图像块并延展成的一维向量,包括所述低剂量PET图像的第一补丁、所述MR图像的第一补丁和所述标准剂量PET图像的第一补丁;
所述第一补丁在多帧图像中处于同一位置。
7.根据权利要求5所述的方法,其特征在于,所述第三补丁在选取位置时,按照多帧图像的顺序覆盖整个一帧图像。
8.根据权利要求1所述的方法,其特征在于,在所述S1中,所述第一预处理包括通过预设矩阵将所述低剂量PET图像的第一补丁和所述MR图像的第一补丁映射到所述标准剂量PET图像的成像空间得到所述低剂量PET图像的第二补丁和所述MR图像的第二补丁。
9.根据权利要求5所述的方法,其特征在于,在所述S31中,所述第二预处理包括通过预设矩阵将所述低剂量PET图像的第三补丁和所述MR图像的第三补丁映射到所述标准剂量PET图像的成像空间得到所述低剂量PET图像的第四补丁和所述MR图像的第四补丁。
10.根据权利要求2所述的方法,其特征在于,在所述S21中包括采用K-means聚类算法,以所述第二补丁为样本,获取K个聚类中心作为初始化字典,并对所述初始化字典做归一化处理。
15.一种低剂量PET图像还原系统,其特征在于,包括:
样本获取单元,用于对包括低剂量PET图像、MR图像和标准剂量PET图像在内的训练图像进行分块处理获取第一补丁,并对所述第一补丁进行第一预处理获取第二补丁;
联合字典获取单元,用于根据所述第二补丁,通过稀疏编码和字典更新获取第一联合字典;
图像还原单元,用于根据所述第一联合字典将所述低剂量PET图像还原成标准剂量PET的还原图像。
16.根据权利要求15所述的系统,其特征在于,所述联合字典获取单元还包括:
初始化单元:用于以所述第二补丁为样本获取包括低剂量PET字典、MR字典和标准剂量PET字典在内的初始化字典;
构建单元:用于根据所述初始化字典构建初始化联合字典,根据所述第二补丁构建目标矩阵;
迭代单元:用于根据所述目标矩阵获取稀疏编码,对所述稀疏编码和所述初始化联合字典进行迭代更新至满足迭代停止条件后,获取包括第一低剂量PET字典、第一MR字典和第一标准剂量PET字典在内的所述第一联合字典。
17.根据权利要求16所述的系统,其特征在于,所述迭代单元还包括:
迭代更新单元:用于在每次迭代包括先固定字典更新稀疏编码,再固定稀疏编码更新字典;
样本选取单元:用于在每次迭代时随机选取部分样本进行稀疏编码和字典更新。
18.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-14中任一项所述的低剂量PET图像还原方法。
19.一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1-14中任一项所述的低剂量PET图像还原方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011425193.7A CN112488949A (zh) | 2020-12-08 | 2020-12-08 | 一种低剂量pet图像还原方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011425193.7A CN112488949A (zh) | 2020-12-08 | 2020-12-08 | 一种低剂量pet图像还原方法、系统、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112488949A true CN112488949A (zh) | 2021-03-12 |
Family
ID=74940848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011425193.7A Pending CN112488949A (zh) | 2020-12-08 | 2020-12-08 | 一种低剂量pet图像还原方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488949A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450427A (zh) * | 2021-06-29 | 2021-09-28 | 深圳高性能医疗器械国家研究院有限公司 | 基于联合字典学习和深度网络的pet图像重建方法 |
WO2023272491A1 (zh) * | 2021-06-29 | 2023-01-05 | 深圳高性能医疗器械国家研究院有限公司 | 基于联合字典学习和深度网络的pet图像重建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563968A (zh) * | 2017-07-26 | 2018-01-09 | 昆明理工大学 | 一种基于判别字典学习的联合医学图像融合去噪的方法 |
CN108491868A (zh) * | 2018-03-12 | 2018-09-04 | 广东工业大学 | 一种基于k-means聚类和字典学习的图像处理方法及装置 |
CN111311704A (zh) * | 2020-01-21 | 2020-06-19 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-08 CN CN202011425193.7A patent/CN112488949A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563968A (zh) * | 2017-07-26 | 2018-01-09 | 昆明理工大学 | 一种基于判别字典学习的联合医学图像融合去噪的方法 |
CN108491868A (zh) * | 2018-03-12 | 2018-09-04 | 广东工业大学 | 一种基于k-means聚类和字典学习的图像处理方法及装置 |
CN111311704A (zh) * | 2020-01-21 | 2020-06-19 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
YAN WANG等: "Semisupervised Tripled Dictionary Learning for Standard-Dose PET Image Prediction Using Low-Dose PET and Multimodal MRI", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》, vol. 64, no. 3, 31 March 2017 (2017-03-31), pages 569 - 579, XP055940777, DOI: 10.1109/TBME.2016.2564440 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450427A (zh) * | 2021-06-29 | 2021-09-28 | 深圳高性能医疗器械国家研究院有限公司 | 基于联合字典学习和深度网络的pet图像重建方法 |
WO2023272491A1 (zh) * | 2021-06-29 | 2023-01-05 | 深圳高性能医疗器械国家研究院有限公司 | 基于联合字典学习和深度网络的pet图像重建方法 |
CN113450427B (zh) * | 2021-06-29 | 2023-09-01 | 深圳高性能医疗器械国家研究院有限公司 | 基于联合字典学习和深度网络的pet图像重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133996B (zh) | 产生用于pet数据重建的衰减图的方法及pet/ct系统 | |
CN107516330B (zh) | 模型生成方法、图像处理方法及医学成像设备 | |
Wang et al. | Review and prospect: artificial intelligence in advanced medical imaging | |
CN106491151B (zh) | Pet图像获取方法及系统 | |
CN110338795B (zh) | 一种径向黄金角磁共振心脏电影成像方法、装置和设备 | |
CN107133946B (zh) | 医学图像处理方法、装置及设备 | |
Liu et al. | Deep learning with noise‐to‐noise training for denoising in SPECT myocardial perfusion imaging | |
CN106846430B (zh) | 一种图像重建方法 | |
Cheng et al. | Applications of artificial intelligence in nuclear medicine image generation | |
US10867375B2 (en) | Forecasting images for image processing | |
CN111462020A (zh) | 心脏图像的运动伪影校正方法、系统、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 | |
JP2023133132A (ja) | トランスフォーマ特徴共有に基づくpet画像再構成方法、装置、デバイス及び媒体 | |
Fu et al. | A two-branch neural network for short-axis PET image quality enhancement | |
CN113989110A (zh) | 肺部图像配准方法、装置、计算机设备和存储介质 | |
CN115965837A (zh) | 图像重建模型训练方法、图像重建方法及相关设备 | |
CN110473241A (zh) | 图像配准方法、存储介质及计算机设备 | |
WO2022120588A1 (zh) | 一种低剂量pet图像还原方法、系统、设备和介质 | |
CN115908610A (zh) | 一种基于单模态pet图像获取衰减校正系数图像的方法 | |
JP7459243B2 (ja) | 1以上のニューラルネットワークとしての画像形成のモデル化による画像再構成 | |
CN113744356B (zh) | 一种低剂量spect弦图恢复和散射校正的方法 | |
US20240029324A1 (en) | Method for image reconstruction, computer device and storage medium | |
CN113450427B (zh) | 基于联合字典学习和深度网络的pet图像重建方法 | |
CN112991482B (zh) | 基于gpu的快速重建成像方法、设备及可读存储介质 | |
WO2023131061A1 (en) | Systems and methods for positron emission computed tomography image reconstruction |
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 |