CN112581553A - 一种相衬成像方法、装置、存储介质及医学成像系统 - Google Patents

一种相衬成像方法、装置、存储介质及医学成像系统 Download PDF

Info

Publication number
CN112581553A
CN112581553A CN201910941728.7A CN201910941728A CN112581553A CN 112581553 A CN112581553 A CN 112581553A CN 201910941728 A CN201910941728 A CN 201910941728A CN 112581553 A CN112581553 A CN 112581553A
Authority
CN
China
Prior art keywords
image
phase contrast
noise
reconstruction model
phase
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
CN201910941728.7A
Other languages
English (en)
Other versions
CN112581553B (zh
Inventor
葛永帅
梁栋
朱炯滔
刘新
郑海荣
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910941728.7A priority Critical patent/CN112581553B/zh
Publication of CN112581553A publication Critical patent/CN112581553A/zh
Application granted granted Critical
Publication of CN112581553B publication Critical patent/CN112581553B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种相衬成像方法、装置、存储介质及医学成像系统，其中方法包括：获取目标对象的相称CT图像；将所述相称CT图像发送至预先训练的相衬CT图像重建模型，将所述相衬CT图像重建模型的输出图像确定为所述目标对象的相衬图像，其中，所述CT图像重建模型由标准图像和包含噪声的样本数据训练得到。基于上述技术方案，设置相衬CT图像重建模型，对采集的目标对象的相称CT图像进行降噪和重建处理，生成不含噪声的相衬CT图像，无需对每一组相称CT图像进行迭代运算，降低了相衬CT图像重建的计算量和难度，提高了相衬CT图像重建效率，同时，相衬CT图像重建模型对相称CT图像进行降噪处理，提高了相衬CT图像的图像清晰度。

Description

一种相衬成像方法、装置、存储介质及医学成像系统
技术领域
本发明实施例涉及图像重建技术，尤其涉及一种相衬成像方法、装置、存储介质及医学成像系统。
背景技术
X射线光栅相衬成像技术是一种基于X射线衍射效应的成像方法。通过光栅后的X光波把物体的折射信息编码在衍射条纹中,通过探测衍射条纹的相对偏移，可以分别得到物体的吸收信号、折射信号和散射信号。
由于受普通X光机多色性和光栅制作精度的影响，光栅干涉仪产生的衍射条纹反衬度一般都会低于计算得到的理论值。伴随着衍射条纹对比度的降低，随之带来的直接影响是相位衬度图像噪声水平的显著提高。
目前，对相衬图像进行降噪一般是基于迭代算法，定义一个目标函数，通过构建适当的正则项来达到降低最终重建得到的相衬图像噪声水平的目的。在求解这个优化问题的过程当中，通常采用的是数学迭代近似求解的方法。通过不断更新得到的目标，在满足数据保真的前提条件下，得到噪声降低的相衬图像。但是迭代相衬图像重建过程十分耗时，很难实现在线重建。
发明内容
本发明提供一种相衬成像方法、装置、存储介质及医学成像系统，以实现提高相衬图像重建效率和质量。
第一方面，本发明实施例提供了一种相衬成像方法，包括：
获取目标对象的相称CT图像；
将所述相称CT图像发送至预先训练的相衬CT图像重建模型，将所述相衬CT图像重建模型的输出图像确定为所述目标对象的相衬图像，其中，所述CT图像重建模型由标准图像和包含噪声的样本数据训练得到。
第二方面，本发明实施例还提供了一种相衬成像装置，包括：
数据获取模块，用于获取目标对象的相称CT图像；
CT图像重建模块，用于将所述相称CT图像发送至预先训练的相衬CT图像重建模型，将所述相衬CT图像重建模型的输出图像确定为所述目标对象的相衬图像，其中，所述CT图像重建模型由标准图像和包含噪声的样本数据训练得到。
第三方面，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如本发明任一实施例提供的相衬成像方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，一种医学成像系统，包括医学成像设备和计算机设备，其中所述计算机设备包括存储器、一个或多个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，该程序被处理器执行时实现如本发明任一实施例提供的相衬成像方法。
本发明提供的技术方案，通过设置相衬CT图像重建模型，对采集的目标对象的相称CT图像进行降噪和重建处理，生成不含噪声的相衬CT图像，无需对每一组相称CT图像进行迭代运算，降低了相衬CT图像重建的计算量和难度，提高了相衬CT图像重建效率，同时，相衬CT图像重建模型对相称CT图像进行降噪处理，提高了相衬CT图像的图像清晰度。
附图说明
图1为本发明实施例一提供的一种相衬成像方法的流程示意图；
图2是本发明实施例一中的一种相衬CT图像重建模型的结构示意图；
图3是本发明实施例一中的另一种相衬CT图像重建模型的结构示意图；
图4是本发明实施例二提供的一种相衬成像装置的结构示意图；
图5是本发明实施例三提供的一种医学成像系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种相衬成像方法的流程示意图，本实施例可适用于基于相衬CT图像重建模型快速生成高质量的相衬图像的情况，该方法可以由本发明实施例提供的相衬成像装置来执行，具体包括如下步骤：
S110、获取目标对象的相称CT图像。
S120、将所述相称CT图像发送至预先训练的相衬CT图像重建模型，将所述相衬CT图像重建模型的输出图像确定为所述目标对象的相衬图像，其中，所述CT图像重建模型由标准图像和包含噪声的样本数据训练得到。
本实施例中，通过相衬CT设备对目标对象进行检测，并采集目标对象的相称CT图像，其中，目标对象可以是人或者动物。相衬CT图像重建模型是预先训练的，具有对相称CT图像进行重建的功能和对相称CT图像中的噪声信号进行降噪处理的功能。将采集的目标对象的相称CT图像，对相称CT图像进行降噪和重建处理，生成不含噪声的相衬CT图像，无需对每一组相称CT图像进行迭代运算，降低了相衬CT图像重建的计算量和难度，提高了相衬CT图像重建效率，同时，相衬CT图像重建模型对相称CT图像进行降噪处理，提高了相衬CT图像的图像清晰度。
其中，相衬CT图像重建模型基于标准图像和包含噪声的样本数据训练得到，其中，标准图像为不包含噪声的图像，包含噪声的样本数据可以是向标准图像中添加噪声信号生成的。可选的，所述相衬CT图像重建模型的训练方法，包括：获取标准图像，对所述标准图像添加噪声信号，生成包含噪声的样本数据；基于所述包含噪声的样本数据和所述标准图像对待训练的相衬CT图像重建模型进行训练，得到相衬CT图像重建模型。可选的，包含噪声的样本数据可以是基于如下方式得到：获取标准图像，将所述标准图像转换为灰度图像；对所述灰度图像进行投影处理，生成所述灰度图像的投影图像；根据预设角度对所述投影图像进行差分处理，生成差分图像，对所述差分图像添加噪声信号，生成包含噪声的样本数据。其中，标准图像可以是本地存储的自然图像，或者通过网络爬取的自然图像，或者还可以是历史存储的CT图像。由于通过CT设备对目标对象进行检测，采集到的相称CT图像是灰度图像数据，当标准图像为彩色图像时，将标准图像转换为灰度图像。基于预设投影角度对灰度图像进行投影处理，生成投影数据，具体的，可以是基于Radon操作对灰度图像进行投影处理，其中，预设投影角度可以是预先设置，例如可以是沿水平方向。对得到的投影图像进行差分处理，以得到差分图像。可选的，在根据预设角度对所述投影图像进行差分处理之后，还包括：对所述差分图像中各像素点的像素值进行归一化处理，其中，归一化处理后的差分图像中各像素点的像素值的范围为[-π,π]。
可选的，对所述差分图像添加噪声信号，生成包含噪声的样本数据，包括：生成至少两个等级的噪声信号；将所述至少两个等级的噪声信号添加至所述标准图像，生成至少两个包含噪声的样本数据。可选的，所述噪声信号包括泊松噪声信号和莫尔条纹噪声信号中的至少一种。示例性的，以泊松噪声信号为例，将差分图像记为A，通过如下方式生成包含噪声的样本投影数据，A_ps＝(poissend(exp(-A).*I1,[del_num,angle_num])+1)./I1,其中，A_ps为包含噪声的样本投影数据，del_num为探测器数量，angle_num为投影总角度数，I1＝I0×k，k为噪声强度系数，I0为基础光子数，I0＝1×106。其中，k≤1，例如可以是1、0.1、0.2、0.5或者0.05等，对此不做限定，通过k值调节添加的噪声等级，k越小噪声越强。同理，当噪声信号为莫尔条纹噪声信号时，不同等级的莫尔条纹噪声信号，将不同等级的莫尔条纹噪声信号添加到差分图像中，生成多个包含不同噪声的样本数据。可选的，生成第一等级的泊松噪声信号和第二等级的莫尔条纹噪声信号，将第一等级的泊松噪声信号和第二等级的莫尔条纹噪声信号添加到差分图像中，生成包含两种噪声信号的样本数据，其中，第一等级和第二等级可以相同或不同。本实施例中，通过在差分图像添加不同等级、不同类型的噪声信号，形成具有不同等级、不同类型噪声的样本数据。基于包括不同等级、不同类型的噪声的样本数据对初始CT图像重建模型进行降噪训练，提高CT图像重建模型对不同量级的噪声的降噪效果。
在一些实施例中，可以直接基于包含噪声的样本数据和对应的标准图像对待训练的相称CT图像重建模型进行训练，得到具有降噪和图像重建功能的相称CT图像重建模型。在另一些实施例中，还可以是基于不含噪声的样本数据和对应的标准图像对待训练的相称CT图像重建模型进行训练，得到具有图像重建功能的第一相称CT图像重建模型，再基于包含噪声的样本数据和对应的标准图像对第一相称CT图像重建模型进行训练，得到具有降噪和图像重建功能的第二相称CT图像重建模型。
可选的，基于所述包含噪声的样本数据和所述标准图像对待训练的相衬CT图像重建模型进行训练，得到相衬CT图像重建模型，包括：建立初始相称CT图像重建模型，将包含噪声的样本数据输入至损失初始CT图像重建模型中，得到重建图像，根据所述重建图像和所述样本数据对应的标准图像确定损失函数，根据所述损失函数调节所述初始相称CT图像重建模型中的网络参数，生成相称CT图像重建模型。
在上述实施例的基础上，所述相衬CT图像重建模型包括第一子网络处理模块、第二子网络处理模块和第三子网络处理模块，所述第一子网络处理模块用于对投影域的投影数据进行降噪处理，所述第二子网络处理模块用于对处理后的投影数据进行变换，生成CT域数据，所述第三子网络处理模块用于对所述CT域数据进行降噪处理，生成所述目标对象的CT图像。示例性的，参见图2，图2是本发明实施例一提供的一种相称CT图像重建模型的结构示意图。第一子网络处理模块用于对投影域的样本数据进行卷积滤波处理，其中，投影域为所有投影图像构成的域。第一子网络处理模块可以是包括依次连接的第一预设数量的卷积模块，所述卷积模块包括卷积层和激活函数层，第一子网络处理模块可对相称CT图像进行降噪和滤波处理，其中，第一预设数量可以是5、6、10等。可选的，所述第一子网络处理模块中的卷积层的卷积核为a×b，其中，a和b分别为大于或等于1的正整数，b＞a；示例性的，第一子网络处理模块中的卷积层的卷积核可以是1×30、3×30、5×30、3×33、5×33等，通过采用b＞a形式的卷积核可同时达到对投影数据的降噪和滤波功能。示例性的，激活函数层可以是leaky_relu或者tanh。
第二子卷积模型用于将投影域的相称CT图像转换为CT域数据，其中，CT域为所有CT图像构成的域。可选的，第二子网络处理模块可以是一层常数变量组成的神经网络，具体的，所述第二子网络处理模块根据如下公式对处理后的投影数据进行变换：
Figure BDA0002223092110000071
其中，f(x,y)为第二子网络处理模块输出的CT域图像，x和y分别为CT域图像中的横坐标和纵坐标，p(r,θ)为第二子网络处理模块输入的相称CT图像，r为相称CT图像与原点的距离，δ为投影X射线，θ为投影角度。第二子网络处理模块根据上述公式对第一子网络处理模块输入的投影数据进行重建，输出与期望尺寸相同的CT域图像，该CT域图像满足CT图像属性。
第三子网络处理模块用于对CT域图像进行卷积滤波操作，同时对得到的CT域图像进行图像还原处理和进一步的降噪处理。其中，对图像进行还原可以是包括依次连接的第二预设数量的卷积模块，所述卷积模块包括卷积层和激活函数层，其中，第二预设数量可以是与第一预设数量相同或不同，第二预设数量例如可以是5、6或者10等，第二预设数量第一预设数量可以是分别根据功能精度确定。示例性的，激活函数层可以是leaky_relu或者tanh，第三子网络处理模块中的卷积层的卷积核为m×m，其中，所述m为大于或等于1的正整数，例如，第三子网络处理模块中的卷积层的卷积核可以是3×3、5×5或者7×7等。
示例性的，参见图3，图3是本发明实施例一提供的另一种相称CT图像重建模型的结构示意图。其中，图3中的第一子网络处理模块包括6个卷积模块，卷积模块中卷积层的卷积核为3×30，步长为1，第三子网络处理模块包括6个卷积模块，卷积模块中卷积层的卷积核为3×3，步长为1。
在上述实施例的基础上，所述第一子网络处理模块的输入端与输出端短接，所述第三子网络处理模块的输入端与输出端短接。通过将第一子网络处理模块和第三子网络处理模块的网络层进行短接，其一，对于任一子网络处理模块，通过短接将输入信息传输至输出端，避免在处理过程中的信息丢失，其二，在训练过程中，避免反向训练过程中，梯度下降导致的训练失败，提高了训练效率和质量。
本实施例提供的技术方案，通过设置包括三个子网络处理模块的相称CT图像重建模型，分别在图像重建过程中，对投影域数据和CT域数据进行去噪处理，实现在图像重建过程中的双重去噪，提高了去噪效果，得到高质量的相称CT图像。同时三个子网络处理模块相互连接，彼此独立，可根据成像需求对任一子网络处理模块进行更新和置换，提高了相称CT图像重建模型的可配置性和适用性。
图4是本发明实施例提供的一种相衬成像装置的结构示意图，该装置包括：
数据获取模块410，用于获取目标对象的相称CT图像；
CT图像重建模块420，用于将所述相称CT图像发送至预先训练的相衬CT图像重建模型，将所述相衬CT图像重建模型的输出图像确定为所述目标对象的相衬图像，其中，所述CT图像重建模型由标准图像和包含噪声的样本数据训练得到。
可选的，所述装置还包括：
样本生成模块，用于获取标准图像，对所述标准图像添加噪声信号，生成包含噪声的样本数据；
模型训练模块，用于基于所述包含噪声的样本数据和所述标准图像对待训练的相衬CT图像重建模型进行训练，得到相衬CT图像重建模型。
可选的，样本生成模块包括：
灰度图像生成模块，用于获取标准图像，将所述标准图像转换为灰度图像；
投影图像生成单元，用于对所述灰度图像进行投影处理，生成所述灰度图像的投影图像；
差分图像生成单元，用于根据预设角度对所述投影图像进行差分处理，生成差分图像；
样本数据生成单元，用于对所述差分图像添加噪声信号，生成包含噪声的样本数据。
可选的，样本生成模块还包括：
归一化处理单元，用于对所述差分图像添加噪声信号之前，对所述差分处理得到图像中各像素点的像素值进行归一化处理，其中，生成的标准图像中各像素点的像素值的范围为[-π,π]
可选的，样本数据生成单元用于：
生成至少两个等级的噪声信号；
将所述至少两个等级的噪声信号添加至所述差分图像，生成至少两个包含噪声的样本数据。
可选的，所述噪声信号包括泊松噪声信号和莫尔条纹噪声信号中的至少一种。
可选的，所述相衬CT图像重建模型包括第一子网络处理模块、第二子网络处理模块和第三子网络处理模块，所述第一子网络处理模块用于对投影域的投影数据进行降噪处理，所述第二子网络处理模块用于对处理后的投影数据进行变换，生成CT域数据，所述第三子网络处理模块用于对所述CT域数据进行降噪处理，生成所述目标对象的CT图像。
本申请实施例提供的相衬成像装置可执行本发明任意实施例所提供的相衬成像方法，具备执行相衬成像方法相应的功能模块和有益效果。
实施例三
图5是本发明实施例三提供的一种医学成像系统的结构示意图，图5示出了适于用来实现本发明实施方式的示例性医学成像系统的框图，图5显示的医学成像系统仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
医学成像系统包括医学成像设备500和计算机600。
计算机600可以被用于实现实施本发明一些实施例中披露的特定方法和装置。本实施例中的特定装置利用功能框图展示了一个包含显示模块的硬件平台。在一些实施例中，计算机600可以通过其硬件设备、软件程序、固件以及它们的组合来实现本发明一些实施例的具体实施。在一些实施例中，计算机600可以是一个通用目的的计算机，或一个有特定目的的计算机。
如图5所示，计算机600可以包括内部通信总线601，处理器(processor)602，只读存储器(ROM)603，随机存取存储器(RAM)604，通信端口605，输入/输出组件606，硬盘607，以及用户界面608。内部通信总线601可以实现计算机600组件间的数据通信。处理器602可以进行判断和发出提示。在一些实施例中，处理器602可以由一个或多个处理器组成。通信端口605可以实现计算机600与其他部件(图中未示出)例如：外接设备、图像采集设备、数据库、外部存储以及图像处理工作站等之间进行数据通信。在一些实施例中，计算机600可以通过通信端口605从网络发送和接受信息及数据。输入/输出组件606支持计算机600与其他部件之间的输入/输出数据流。用户界面608可以实现计算机600和用户之间的交互和信息交换。计算机600还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘607，只读存储器(ROM)603，随机存取存储器(RAM)604，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器602所执行的可能的程序指令。
所述处理器执行程序时可用于执行一种CT成像，所述方法包括：
获取目标对象的投影数据，其中，所述投影数据为基于预设剂量的X射线光子对所述目标对象进行检测时采集得到，所述预设剂量小于CT标准剂量；
将所述待处理的投影数据发送至预先训练的CT图像重建模型，将所述CT图像重建模型的输出图像确定为所述目标对象的CT图像，其中，所述CT图像重建模型由标准剂量的CT图像和包含噪声的样本投影数据训练得到，所述CT图像重建模型包括第一子网络处理模块、第二子网络处理模块和第三子网络处理模块，所述第一子网络处理模块用于对投影域的投影数据进行降噪处理，所述第二子网络处理模块用于对处理后的投影数据进行变换，生成CT域数据，所述第三子网络处理模块用于对所述CT域数据进行降噪处理，生成所述目标对象的CT图像。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“子网络处理模块”、“引擎”、“单元”、“子单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
实施例四
本发明实施例四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申请所有发明实施例提供的CT成像，所述方法包括：
获取目标对象的投影数据，其中，所述投影数据为基于预设剂量的X射线光子对所述目标对象进行检测时采集得到，所述预设剂量小于CT标准剂量；
将所述待处理的投影数据发送至预先训练的CT图像重建模型，将所述CT图像重建模型的输出图像确定为所述目标对象的CT图像，其中，所述CT图像重建模型由标准剂量的CT图像和包含噪声的样本投影数据训练得到，所述CT图像重建模型包括第一子网络处理模块、第二子网络处理模块和第三子网络处理模块，所述第一子网络处理模块用于对投影域的投影数据进行降噪处理，所述第二子网络处理模块用于对处理后的投影数据进行变换，生成CT域数据，所述第三子网络处理模块用于对所述CT域数据进行降噪处理，生成所述目标对象的CT图像。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
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，本发明不限于这里所述的特定实施例，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。

Claims (10)

1.一种相衬成像方法，其特征在于，包括：
获取目标对象的相称CT图像；
将所述相称CT图像发送至预先训练的相衬CT图像重建模型，将所述相衬CT图像重建模型的输出图像确定为所述目标对象的相衬图像，其中，所述CT图像重建模型由标准图像和包含噪声的样本数据训练得到。
2.根据权利要求1所述的方法，其特征在于，所述相衬CT图像重建模型的训练方法，包括：
获取标准图像，对所述标准图像添加噪声信号，生成包含噪声的样本数据；
基于所述包含噪声的样本数据和所述标准图像对待训练的相衬CT图像重建模型进行训练，得到相衬CT图像重建模型。
3.根据权利要求2所述的方法，其特征在于，对所述标准图像添加噪声信号，生成包含噪声的样本数据，包括：
获取标准图像，将所述标准图像转换为灰度图像；
对所述灰度图像进行投影处理，生成所述灰度图像的投影图像；
根据预设角度对所述投影图像进行差分处理，生成差分图像；
对所述差分图像添加噪声信号，生成包含噪声的样本数据。
4.根据权利要求3所述的方法，其特征在于，在对所述差分图像添加噪声信号之前，还包括：
对所述差分图像中各像素点的像素值进行归一化处理，其中，归一化处理的差分图像中各像素点的像素值的范围为[-π,π]。
5.根据权利要求3所述的方法，其特征在于，对所述差分图像添加噪声信号，生成包含噪声的样本数据，包括：
生成至少两个等级的噪声信号；
将所述至少两个等级的噪声信号添加至所述差分图像，生成至少两个包含噪声的样本数据。
6.根据权利要求5所述的方法，其特征在于，所述噪声信号包括泊松噪声信号和莫尔条纹噪声信号中的至少一种。
7.根据权利要求1-6任一所述的方法，其特征在于，所述相衬CT图像重建模型包括第一子网络处理模块、第二子网络处理模块和第三子网络处理模块，所述第一子网络处理模块用于对投影域的投影数据进行降噪处理，所述第二子网络处理模块用于对处理后的投影数据进行变换，生成CT域数据，所述第三子网络处理模块用于对所述CT域数据进行降噪处理，生成所述目标对象的CT图像。
8.一种相衬成像装置，其特征在于，包括：
数据获取模块，用于获取目标对象的相称CT图像；
CT图像重建模块，用于将所述相称CT图像发送至预先训练的相衬CT图像重建模型，将所述相衬CT图像重建模型的输出图像确定为所述目标对象的相衬图像，其中，所述CT图像重建模型由标准图像和包含噪声的样本数据训练得到。
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1-7中任一所述的相衬成像方法。
10.一种医学成像系统，包括医学成像设备和计算机设备，其中所述计算机设备包括存储器、一个或多个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可用于执行权利要求1-7任一所述的相衬成像方法。
CN201910941728.7A 2019-09-30 2019-09-30 一种相衬成像方法、装置、存储介质及医学成像系统 Active CN112581553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910941728.7A CN112581553B (zh) 2019-09-30 2019-09-30 一种相衬成像方法、装置、存储介质及医学成像系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910941728.7A CN112581553B (zh) 2019-09-30 2019-09-30 一种相衬成像方法、装置、存储介质及医学成像系统

Publications (2)

Publication Number Publication Date
CN112581553A true CN112581553A (zh) 2021-03-30
CN112581553B CN112581553B (zh) 2024-05-28

Family

ID=75116331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910941728.7A Active CN112581553B (zh) 2019-09-30 2019-09-30 一种相衬成像方法、装置、存储介质及医学成像系统

Country Status (1)

Country Link
CN (1) CN112581553B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180197314A1 (en) * 2017-01-06 2018-07-12 General Electric Company Hierarchical tomographic reconstruction
CN109377533A (zh) * 2018-09-21 2019-02-22 上海交通大学 X射线光栅相衬成像重建方法及其系统
US20190090832A1 (en) * 2017-09-22 2019-03-28 Shanghai United Imaging Healthcare Co., Ltd. Method and system for generating a phase contrast image
CN110163827A (zh) * 2019-05-28 2019-08-23 腾讯科技（深圳）有限公司 图像去噪模型的训练方法、图像去噪方法、装置及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180197314A1 (en) * 2017-01-06 2018-07-12 General Electric Company Hierarchical tomographic reconstruction
US20190090832A1 (en) * 2017-09-22 2019-03-28 Shanghai United Imaging Healthcare Co., Ltd. Method and system for generating a phase contrast image
CN109377533A (zh) * 2018-09-21 2019-02-22 上海交通大学 X射线光栅相衬成像重建方法及其系统
CN110163827A (zh) * 2019-05-28 2019-08-23 腾讯科技（深圳）有限公司 图像去噪模型的训练方法、图像去噪方法、装置及介质

Also Published As

Publication number Publication date
CN112581553B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
US10475214B2 (en) Tomographic reconstruction based on deep learning
US20170061246A1 (en) Training method and apparatus for neutral network for image recognition
Kollem et al. Improved partial differential equation-based total variation approach to non-subsampled contourlet transform for medical image denoising
CN111709897B (zh) 一种基于域变换的正电子发射断层图像的重建方法
CN110766768A (zh) 一种磁共振图像重建方法、装置、设备和介质
CN112581554B (zh) 一种ct成像方法、装置、存储设备及医学成像系统
CN114936979B (zh) 一种模型训练方法、图像去噪方法、装置、设备及存储介质
Ye et al. A gray scale correction method for side-scan sonar images based on retinex
CN110807821A (zh) 一种图像重建方法和系统
CN111325675B (zh) 图像处理方法、装置、设备和存储介质
CN116503507A (zh) 基于预训练模型的磁粒子图像重建方法
Kollem et al. Image denoising for magnetic resonance imaging medical images using improved generalized cross‐validation based on the diffusivity function
CN111325695A (zh) 基于多剂量等级的低剂量图像增强方法、系统及存储介质
Si et al. Image enhancement for surveillance video of coal mining face based on single-scale retinex algorithm combined with bilateral filtering
Yu et al. GLAGC: Adaptive dual-gamma function for image illumination perception and correction in the wavelet domain
WO2022045210A1 (ja) 画像処理装置、画像処理方法、学習装置、学習方法、及びプログラム
Liu et al. A new x-ray medical-image-enhancement method based on multiscale shannon–cosine wavelet
Almalki et al. Enhancement of medical images through an iterative McCann Retinex algorithm: a case of detecting brain tumor and retinal vessel segmentation
Yu et al. Self-supervised blind2unblind deep learning scheme for oct speckle reductions
CN111462004B (zh) 图像增强方法和装置、计算机设备、存储介质
CN112991205A (zh) 一种日冕图像增强方法、系统、介质、设备及应用
Huo et al. Removing ring artefacts in CT images via unidirectional relative variation model
CN112581553B (zh) 一种相衬成像方法、装置、存储介质及医学成像系统
Siddiqi et al. [Retracted] An Ensembled Spatial Enhancement Method for Image Enhancement in Healthcare
CN115689947B (zh) 一种图像锐化的方法、系统、电子装置和存储介质

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