CN112581554B - 一种ct成像方法、装置、存储设备及医学成像系统 - Google Patents
一种ct成像方法、装置、存储设备及医学成像系统 Download PDFInfo
- Publication number
- CN112581554B CN112581554B CN201910941729.1A CN201910941729A CN112581554B CN 112581554 B CN112581554 B CN 112581554B CN 201910941729 A CN201910941729 A CN 201910941729A CN 112581554 B CN112581554 B CN 112581554B
- Authority
- CN
- China
- Prior art keywords
- projection data
- sub
- image
- network module
- imaging
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013170 computed tomography imaging Methods 0.000 title claims abstract description 29
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 16
- 238000003384 imaging method Methods 0.000 claims abstract description 76
- 230000006870 function Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 27
- 230000009467 reduction Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 229910052704 radon Inorganic materials 0.000 description 2
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种CT成像方法、装置、存储设备及医学成像系统。其中CT成像方法包括：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；将所述投影数据发送至预先训练的成像模型，将所述成像模型的输出图像确定为所述目标对象的CT图像，其中，所述成像模型由标准剂量的CT图像和包含噪声的样本投影数据训练得到。通过设置三个子网络模块，分别对投影域数据和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，使得在低剂量X射线光子进行检测时，得到高质量的CT图像。
Description
技术领域
本发明实施例涉及医学成像技术，尤其涉及一种CT成像方法、装置、存储设备及医学成像系统。
背景技术
基于X射线的CT成像是辅助诊断的常用方式，其中，X摄像具有放射性，会增加被检测对象的患癌风险。
为了减少被检对象所受的辐射剂量，低剂量的CT检测成为CT成像领域的研究方向之一。目前，低剂量的CT重建算法是基于迭代重建技术开发的，将CT图像重建模拟为一种数学优化问题，迭代重建算法是在估计的图像上通过前向投影模拟一个中和投影，该过程中尽量模拟真实CT系统中X射线光子穿过被检测对象到达探测器的过程，将综合投影与探测器采集的真实测量值进行比较，并根据两者之间的差值确定下一次更新，已根据下一次更新对当前估计得到的图像进行校正。
但是上述迭代重建算法存在重建时间长的问题，尤其是复杂的计算无法实现实时重建。
发明内容
本发明提供一种CT成像方法、装置、存储设备及医学成像系统，以实现提高CT图像重建效率和质量。
第一方面，本发明实施例提供了一种CT成像方法，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；
将所述投影数据发送至预先训练的成像模型，将所述成像模型的输出图像确定为所述目标对象的CT图像，其中，所述成像模型由标准剂量的CT图像和包含噪声的样本投影数据训练得到，所述成像模型包括第一子网络模块、第二子网络模块和第三子网络模块，所述第一子网络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。
第二方面，本发明实施例还提供了一种CT成像装置，该装置包括：
投影数据获取模块，用于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；
CT图像重建模块，用于将所述投影数据发送至预先训练的成像模型，将所述成像模型的输出图像确定为所述目标对象的CT图像，其中，所述成像模型由标准剂量的CT图像和包含噪声的样本投影数据训练得到，所述成像模型包括第一子网络模块、第二子网络模块和第三子网络模块，所述第一子网络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。
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CT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CT成像方法。
本发明实施例提供的技术方案，通过设置三个子网络模块，分别对投影域数据和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，使得在低剂量X射线光子进行检测时，得到高质量的CT图像。同时三个子网络模块相互连接，彼此独立，可根据成像需求对任一模块进行更新和置换，提高了成像模型的可配置性和适用性。
附图说明
图1是本发明实施例一提供的一种CT成像方法的流程示意图；
图2是本发明实施例一提供的一种成像模型的结构示意图；
图3是本发明实施例一提供的另一种成像模型的结构示意图；
图4是本发明实施例提供的一种CT成像方法的流程示意图；
图5是本发明实施例提供的一种CT成像装置的结构示意图；
图6是本发明实施例四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CT成像方法的流程示意图，本实施例可适用于基于成像模型快速生成高质量的低剂量CT图像的情况，该方法可以由本发明实施例提供的CT成像装置来执行，具体包括如下步骤：
S110、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。
S120、将所述投影数据发送至预先训练的成像模型，将所述成像模型的输出图像确定为所述目标对象的CT图像。其中，所述成像模型由标准剂量的CT图像和包含噪声的样本投影数据训练得到，所述成像模型包括第一子网络模块、第二子网络模块和第三子网络模块，所述第一子网络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。
在本实施例中，目标对象可以是人或者动物，通过低剂量的X射线光子对目标对象进行检测，可降低检测过程中X射线对目标对象的放射损伤，降低目标对象的患癌风险。其中，成像模型为预先训练的，具有对低剂量投影数据进行重建功能和对低剂量投影数据中的噪声进行降噪处理的功能，将通过低剂量X射线光子对目标对象进行检测，采集得到的投影数据，输入至成像模型，可生成目标对象的降噪后的高质量CT图像。由于成像模型是预先训练的，可自动对输入的投影数据进行处理，输出目标对象的CT图像，无需对每一组投影数据进行迭代运算，降低了CT图像重建的计算量和难度，提高了CT图像重建效率，同时，成像模型对投影数据进行降噪处理，提高了低剂量检测生成图像的清晰度。
本实施例中，成像模型包括第一子网络模块、第二子网络模块和第三子网络模块，示例性的，参见图2，图2是本发明实施例提供的一种成像模型的结构示意图。第一子网络模块用于对输入的投影图像进行卷积滤波处理，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，第一子网络模块可对投影数据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。
第二子卷积模型用于将投影域的投影数据转换为CT域数据，其中，CT域为所有CT图像构成的域。可选的，所述第二子网络模块根据如下公式对处理后的投影数据进行变换：其中，f(x,y)为第二子网络模块输出的CT域图像，x和y分别为所述CT域图像中的横坐标和纵坐标，p(r,θ)为第二子网络模块输入的投影数据，r为投影数据与原点的距离，δ为投影X射线，θ为投影角度。第二子网络模块根据上述公式对第一子网络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，第三子网络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成像模型的结构示意图。其中，图3中的第一子网络模块包括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。图3中输入投影数据的尺寸为900×848，输出CT图像的尺寸为512×512，上述图像尺寸仅为图3示例，输入投影数据的尺寸可根据成像模型的输入层确定，在输入投影数据之前，若采集的投影数据的尺寸与成像模块输入层的处理尺寸不一致时，预先调节该采集的投影数据，使其符合成像模块输入层的处理尺寸。
在上述实施例的基础上，所述第一子网络模块的输入端与输出端短接，所述第三子网络模块的输入端与输出端短接。通过将第一子网络模块和第三子网络模块的网络层进行短接，其一，对于任一子网络模块，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，通过设置三个子网络模块，分别对投影域数据和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，使得在低剂量X射线光子进行检测时，得到高质量的CT图像。同时三个子网络模块相互连接，彼此独立，可根据成像需求对任一模块进行更新和置换，提高了成像模型的可配置性和适用性。
实施例二
图4是本发明实施例提供的一种CT成像方法的流程示意图，在上述实施例的基础上，提供了成像模型的训练方法，具体包括：
S210、建立初始成像模型。
S220、将包含噪声的样本投影数据输入至损失初始成像模型中，得到重建图像。
S230、根据所述重建图像和所述样本投影数据对应的标准剂量的CT图像确定损失函数，根据所述损失函数调节所述初始成像模型中的网络参数，生成所述成像模型。
S240、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。
S250、将所述投影数据发送至预先训练的成像模型，将所述成像模型的输出图像确定为所述目标对象的CT图像。
在本实施例中，基于样本数据对初始成像模型进行训练，以得到具有图像重建功能和去噪功能成像模型。其中，样本数据中包括包含噪声的低剂量投影数据和标准剂量的CT图像。包含噪声的低剂量投影数据可以是通过低剂量的X射线光子对样本对象进行检测时采集的，还可以是基于标准剂量的CT图像进行加噪处理得到的。
可选的，在将包含噪声的样本投影数据输入至损失初始成像模型中之前，获取样本投影数据可以是：获取标准剂量的CT图像，对所述标准剂量的CT图像进行预处理，得到标准投影数据；对所述标准投影数据增加噪声数据，生成包含噪声的样本投影数据。其中，对标准剂量的CT图像进行预处理可以是对标准剂量的CT图像进行Radon操作，生成标准投影数据，对标准投影数据中添加噪声，例如可以是泊松噪声，得到包含噪声的样本投影数据。本实施例中，标准剂量的CT图像可以是临床检测得到的CT图像，通过对标准投影数据添加噪声的方式，生成样本投影数据，避免样本生成过程中对样本对象进行X射线扫描导致样本对象的患癌风险。可选的，对标准投影数据添加不同基本的噪声，生成不同的样本投影数据，增加样本中噪声的多样性，以及增大样本数量。可选的，所述对所述标准投影数据增加噪声，生成包含噪声的样本投影数据，包括：设置至少两个噪声等级的泊松函数；基于所述至少两个噪声等级的泊松函数对所述标准投影数据增加噪声，生成所述标准剂量的CT图像对应的至少两个包含噪声的样本投影数据。具体的，通过Radon操作得到标准剂量的CT图像的正投影数据，即正弦图像(sino图像)，通过如下方式生成包含噪声的样本投影数据，sino_ps＝(poissend(exp(-sino).*I1,[del_num,angle_num])+1)./I1,其中，sino_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。本实施例中，通过在标准投影数据添加不同等级的噪声，形成具有不同等级噪声的样本投影数据。基于不同等级噪声的样本投影数据对初始成像模型进行降噪训练，提高成像模型对不同量级的噪声的降噪效果。
实施例三
图5是本发明实施例提供的一种CT成像装置的结构示意图，该装置包括：
投影数据获取模块310，用于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；
CT图像重建模块320，用于将所述投影数据发送至预先训练的成像模型，将所述成像模型的输出图像确定为所述目标对象的CT图像，其中，所述成像模型由标准剂量的CT图像和包含噪声的样本投影数据训练得到，所述成像模型包括第一子网络模块、第二子网络模块和第三子网络模块，所述第一子网络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。
可选的，所述第一子网络模块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；
所述第三子网络模块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。
可选的，所述第一子网络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；
所述第三子网络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。
可选的，所述第一子网络模块的输入端与输出端短接，所述第三子网络模块的输入端与输出端短接。
可选的，所述第二子网络模块根据如下公式对处理后的投影数据进行变换：
其中，f(x,y)为第二子网络模块输出的CT域图像，x和y分别为所述CT域图像中的横坐标和纵坐标，p(r,θ)为第二子网络模块输入的投影数据，r为投影数据与原点的距离，θ为投影角度。
可选的，所述装置还包括：
初始成像模型建立模块，用于建立初始成像模型；
重建图像生成模块，用于将包含噪声的样本投影数据输入至损失初始成像模型中，得到重建图像；
损失函数确定模块，用于根据所述重建图像和所述样本投影数据对应的标准剂量的CT图像确定损失函数；
成像模型确定模块，用于根据所述损失函数调节所述初始成像模型中的网络参数，生成所述成像模型。
可选的，所述装置还包括：
标准投影数据获取模块，用于在将包含噪声的样本投影数据输入至损失初始成像模型中之前，获取标准剂量的CT图像，对所述标准剂量的CT图像进行预处理，得到标准投影数据；
样本投影数据获取模块，用于对所述标准投影数据增加噪声数据，生成包含噪声的样本投影数据。
可选的，所述样本投影数据获取模块用于：
设置至少两个噪声等级的泊松函数；
基于所述至少两个噪声等级的泊松函数对所述标准投影数据增加噪声，生成所述标准剂量的CT图像对应的至少两个包含噪声的样本投影数据。
本发明实施例提供的CT成像装置可执行本发明任意实施例所提供的CT成像方法，具备执行CT成像方法相应的功能模块和有益效果。
实施例四
图6是本发明实施例四提供的一种医学成像系统的结构示意图，图6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6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6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；
将所述投影数据发送至预先训练的成像模型，将所述成像模型的输出图像确定为所述目标对象的CT图像，其中，所述成像模型由标准剂量的CT图像和包含噪声的样本投影数据训练得到，所述成像模型包括第一子网络模块、第二子网络模块和第三子网络模块，所述第一子网络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。
实施例五
本发明实施例五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；
将所述投影数据发送至预先训练的成像模型，将所述成像模型的输出图像确定为所述目标对象的CT图像，其中，所述成像模型由标准剂量的CT图像和包含噪声的样本投影数据训练得到，所述成像模型包括第一子网络模块、第二子网络模块和第三子网络模块，所述第一子网络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CT成像方法，其特征在于，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；
将所述投影数据发送至预先训练的成像模型，将所述成像模型的输出图像确定为所述目标对象的CT图像，其中，所述成像模型由标准剂量的CT图像和包含噪声的样本投影数据训练得到，所述成像模型包括第一子网络模块、第二子网络模块和第三子网络模块，所述第一子网络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；
所述第二子网络模块根据如下公式对处理后的投影数据进行变换：
其中，f(x,y)为第二子网络模块输出的CT域图像，x和y分别为所述CT域图像中的横坐标和纵坐标，p(r,θ)为第二子网络模块输入的投影数据，r为投影数据与原点的距离，δ为投影X射线函数，θ为投影角度。
2.根据权利要求1所述的方法，其特征在于，所述第一子网络模块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；
所述第三子网络模块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。
3.根据权利要求2所述的方法，其特征在于，所述第一子网络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；
所述第三子网络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。
4.根据权利要求1至3任一所述的方法，其特征在于，所述第一子网络模块的输入端与输出端短接，所述第三子网络模块的输入端与输出端短接。
5.根据权利要求1所述的方法，其特征在于，所述成像模型的训练方法，包括：
建立初始成像模型；
将包含噪声的样本投影数据输入至损失初始成像模型中，得到重建图像；
根据所述重建图像和所述样本投影数据对应的标准剂量的CT图像确定损失函数，根据所述损失函数调节所述初始成像模型中的网络参数，生成所述成像模型。
6.根据权利要求5所述的方法，其特征在于，在将包含噪声的样本投影数据输入至损失初始成像模型中之前，还包括：
获取标准剂量的CT图像，对所述标准剂量的CT图像进行预处理，得到标准投影数据；
对所述标准投影数据增加噪声数据，生成包含噪声的样本投影数据。
7.根据权利要求6所述的方法，其特征在于，所述对所述标准投影数据增加噪声，生成包含噪声的样本投影数据，包括：
设置至少两个噪声等级的泊松函数；
基于所述至少两个噪声等级的泊松函数对所述标准投影数据增加噪声，生成所述标准剂量的CT图像对应的至少两个包含噪声的样本投影数据。
8.一种CT成像装置，其特征在于，包括：
投影数据获取模块，用于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；
CT图像重建模块，用于将所述投影数据发送至预先训练的成像模型，将所述成像模型的输出图像确定为所述目标对象的CT图像，其中，所述成像模型由标准剂量的CT图像和包含噪声的样本投影数据训练得到，所述成像模型包括第一子网络模块、第二子网络模块和第三子网络模块，所述第一子网络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；
所述第二子网络模块根据如下公式对处理后的投影数据进行变换：
其中，f(x,y)为第二子网络模块输出的CT域图像，x和y分别为所述CT域图像中的横坐标和纵坐标，p(r,θ)为第二子网络模块输入的投影数据，r为投影数据与原点的距离，δ为投影X射线函数，θ为投影角度。
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CT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CT成像方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910941729.1A CN112581554B (zh) | 2019-09-30 | 2019-09-30 | 一种ct成像方法、装置、存储设备及医学成像系统 |
| PCT/CN2019/111028 WO2021062885A1 (zh) | 2019-09-30 | 2019-10-14 | Ct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 |
|---|---|---|---|
| CN201910941729.1A CN112581554B (zh) | 2019-09-30 | 2019-09-30 | 一种ct成像方法、装置、存储设备及医学成像系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112581554A CN112581554A (zh) | 2021-03-30 |
| CN112581554B true CN112581554B (zh) | 2024-02-27 |
Family
ID=75116282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910941729.1A Active CN112581554B (zh) | 2019-09-30 | 2019-09-30 | 一种ct成像方法、装置、存储设备及医学成像系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112581554B (zh) |
| WO (1) | WO2021062885A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023279316A1 (zh) * | 2021-07-08 | 2023-01-12 | 深圳高性能医疗器械国家研究院有限公司 | 一种基于去噪打分匹配网络的pet重建方法 |
| CN114972118B (zh) * | 2022-06-30 | 2023-04-28 | 抖音视界有限公司 | 检查图像的降噪方法、装置、可读介质和电子设备 |
| CN116593504B (zh) * | 2023-07-17 | 2023-10-03 | 中国科学院深圳先进技术研究院 | Ct成像方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106373163A (zh) * | 2016-08-29 | 2017-02-01 | 东南大学 | 一种基于三维投影图区别性特征表示的低剂量ct成像方法 |
| CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 |
| CN109272472A (zh) * | 2018-10-15 | 2019-01-25 | 天津大学 | 面向医用能谱ct图像的噪声及伪影消除方法 |
| CN110047113A (zh) * | 2017-12-29 | 2019-07-23 | 清华大学 | 神经网络训练方法和设备、图像处理方法和设备和存储介质 |
| CN110211194A (zh) * | 2019-05-21 | 2019-09-06 | 武汉理工大学 | 一种基于深度学习去除稀疏角度ct成像伪影的方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8472688B2 (en) * | 2008-04-17 | 2013-06-25 | Wisconsin Alumni Research Foundation | Method for image reconstruction employing sparsity-constrained iterative correction |
| US8483463B2 (en) * | 2010-05-19 | 2013-07-09 | Wisconsin Alumni Research Foundation | Method for radiation dose reduction using prior image constrained image reconstruction |
| RU2566281C2 (ru) * | 2010-07-12 | 2015-10-20 | ДжиИ Хелткер АС | Рентгеновская визуализация при низких концентрациях контрастного агента и/или низкой дозе излучения |
| CN102737392B (zh) * | 2012-06-07 | 2013-11-06 | 南方医科大学 | 一种低剂量x线ct图像的非局部正则化先验重建方法 |
| CN106844524B (zh) * | 2016-12-29 | 2019-08-09 | 北京工业大学 | 一种基于深度学习和Radon变换的医学图像检索方法 |
| WO2018200493A1 (en) * | 2017-04-25 | 2018-11-01 | The Board Of Trustees Of The Leland Stanford Junior University | Dose reduction for medical imaging using deep convolutional neural networks |
| US10413256B2 (en) * | 2017-09-13 | 2019-09-17 | LiteRay Medical, LLC | Systems and methods for ultra low dose CT fluoroscopy |
| CN109717886A (zh) * | 2017-10-30 | 2019-05-07 | 上海交通大学 | 一种低辐射剂量的ct扫描方法 |
| CN109509235B (zh) * | 2018-11-12 | 2021-11-30 | 深圳先进技术研究院 | Ct图像的重建方法、装置、设备及存储介质 |
| CN109613462A (zh) * | 2018-11-21 | 2019-04-12 | 河海大学 | 一种ct成像的标定方法 |
-
2019
- 2019-09-30 CN CN201910941729.1A patent/CN112581554B/zh active Active
- 2019-10-14 WO PCT/CN2019/111028 patent/WO2021062885A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106373163A (zh) * | 2016-08-29 | 2017-02-01 | 东南大学 | 一种基于三维投影图区别性特征表示的低剂量ct成像方法 |
| CN110047113A (zh) * | 2017-12-29 | 2019-07-23 | 清华大学 | 神经网络训练方法和设备、图像处理方法和设备和存储介质 |
| CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 |
| CN109272472A (zh) * | 2018-10-15 | 2019-01-25 | 天津大学 | 面向医用能谱ct图像的噪声及伪影消除方法 |
| CN110211194A (zh) * | 2019-05-21 | 2019-09-06 | 武汉理工大学 | 一种基于深度学习去除稀疏角度ct成像伪影的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 低剂量X射线CT重建算法仿真分析;王旭;杨明川;郭庆;;通信技术(第05期);第146-150页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021062885A1 (zh) | 2021-04-08 |
| CN112581554A (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112581554B (zh) | 一种ct成像方法、装置、存储设备及医学成像系统 | |
| CN107516330B (zh) | 模型生成方法、图像处理方法及医学成像设备 | |
| JP4841874B2 (ja) | 断層合成造影における直接再生方法及び装置 | |
| JP6746676B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| Sun et al. | An iterative projection‐based motion estimation and compensation scheme for head x‐ray CT | |
| US11216992B2 (en) | System and method for computed tomography | |
| US10964072B2 (en) | Methods, systems, and media for noise reduction in computed tomography images | |
| KR101697501B1 (ko) | Ct 이미지의 잡음 저감 방법 및 장치 | |
| CN111709897B (zh) | 一种基于域变换的正电子发射断层图像的重建方法 | |
| AU2017203626A1 (en) | A method and apparatus for motion correction in CT imaging | |
| JP6222813B2 (ja) | Ｘ線コンピュータ断層撮影装置、画像処理装置及び画像処理方法 | |
| US10314558B2 (en) | Image processing apparatus, image processing system, image processing method, and recording medium | |
| JPWO2017104700A1 (ja) | 画像処理装置および画像処理方法 | |
| US20230206404A1 (en) | Image processing apparatus, image processing method, and computer-readable medium | |
| CN111080740A (zh) | 一种图像校正方法、装置、设备及介质 | |
| US20160300369A1 (en) | Iterative reconstruction with system optics modeling using filters | |
| CN113592968A (zh) | 断层扫描图像中金属伪影的消减方法和装置 | |
| CN112581553B (zh) | 一种相衬成像方法、装置、存储介质及医学成像系统 | |
| KR101958099B1 (ko) | 양전자 방출 단층 촬영기의 비행시간 정보를 이용한 감쇠보정 방법 | |
| CN113409414B (zh) | X线图像的散射修正方法、装置、电子设备、存储介质 | |
| CN108780573A (zh) | 图像重建 | |
| JP2022039989A (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 | |
| JP2024515698A (ja) | コンピュータ断層撮影スキャナによって生成された投影領域データの処理 | |
| CN117291844A (zh) | 一种医学图像去噪方法、系统、设备以及介质 |
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 |