CN113096210A - 图像重建方法、装置、电子设备和存储介质 - Google Patents
图像重建方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113096210A CN113096210A CN202110407680.9A CN202110407680A CN113096210A CN 113096210 A CN113096210 A CN 113096210A CN 202110407680 A CN202110407680 A CN 202110407680A CN 113096210 A CN113096210 A CN 113096210A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- computed tomography
- neural network
- dose
- 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
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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- 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
Abstract
本公开涉及一种图像重建方法、图像重建装置、电子设备、计算机可读存储介质以及计算机程序产品。图像重建方法包括:获取计算机断层扫描的图像数据;基于图像数据,采用经训练的神经网络模型计算出输出图像,其中,经训练的神经网络模型被配置为经由包括至少一个由第一图像和第二图像构成的训练图像对的图像数据库训练,以及其中,训练图像对中的第一图像和第二图像分别作为训练输入图像和训练输出图像,并且第一图像和第二图像被配置为在同一时间点经由计算机断层扫描同一生物组织获得。根据本公开的图像重建方法,可以计算出更加准确、可靠的高质量图像。
Description
技术领域
本公开涉及医疗器械技术领域,特别是一种图像重建方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
医疗图像成像和重建技术广泛应用于医疗检测中,其中,基于计算机断层扫描术(CT)的图像成像和重建,以记录时间积分的方式检测病患的身体结构的局部X射线衰减,具有扫描时间快,图像清晰等特点,广受人们关注。
CT使用量的增加导致人们普遍关注CT检查相对于其他X射线检查的高辐射剂量。几项研究集中在如何减少患者剂量和在ALARA原则下操作。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
根据本公开实施例的一方面,提出了一种图像重建方法,包括:获取计算机断层扫描的图像数据;以及基于所述图像数据,采用经训练的神经网络模型计算出输出图像,其中,所述经训练的神经网络模型被配置为经由包括至少一个由第一图像和第二图像构成的训练图像对的图像数据库训练,以及其中,所述训练图像对中的所述第一图像和所述第二图像分别作为训练输入图像和训练输出图像,并且所述第一图像和所述第二图像被配置为在同一时间点经由计算机断层扫描同一生物组织获得。
根据本公开实施例的另一方面,提出了一种图像重建装置,包括:获取单元,被配置用于获取计算机断层扫描的图像数据;以及,处理单元,被配置用于基于所述图像数据,采用经训练的神经网络模型进行处理以获得输出图像,其中,所述经训练的神经网络模型被配置成经由包括至少一个由第一图像和第二图像构成的训练图像对的图像数据库训练,以及其中,所述训练图像对中的所述第一图像和所述第二图像分别作为训练输入图像和训练输出图像,并且所述第一图像和所述第二图像被配置为在同一时间点经由计算机断层扫描获得的关于同一生物组织的图像。
根据本公开实施例的另一方面,提出了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有计算机程序,所述计算机程序在被所述至少一个处理器执行时实现根据本公开实施例的方法。
根据本公开实施例的另一方面,提出了一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被处理器执行时实现根据本公开实施例的方法。
根据本公开实施例的另一方面,提出了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据本公开实施例的方法。
根据本公开的一个或多个实施例,通过基于同一时间点对同一生物组织进行计算机断层扫描获得的图像对作为训练神经网络的训练图像,使扫描得到的图像位置一致,同时避免引入多余的噪声,基于该训练图像训练的神经网络,能够计算出更加准确、可靠的高质量图像。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
下面将通过参照附图详细描述本公开的实施例,使本领域的普通技术人员更清楚本公开的上述及其它特征和优点,附图中:
图1为根据本公开实施例的图像重建方法的示例性流程图;
图2为根据本公开实施例中获取计算机断层扫描的图像数据的方法的示例性流程图;
图3为根据本公开实施例中经由双源-计算机断层扫描获取训练图像对的示意图;
图4为根据本公开实施例的图像重建装置的示意性框图。
具体实施方式
为了对本公开的技术特征、目的和效果有更加清楚的理解,现对照附图说明本公开的具体实施方式,在各图中相同的标号表示相同的部分。
在本文中,“示意性”表示“充当实例、例子或说明”,不应将在本文中被描述为“示意性”的任何图示、实施方式解释为一种更优选的或更具优点的技术方案。
为使图面简洁,各图中只示意性地表示出了与本公开相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。
在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。在本文中,“第一”、“第二”等仅用于彼此的区分,而非表示它们的重要程度及顺序、以及互为存在的前提等。
计算机断层扫描(CT)是通过精确准直的X射线束围绕人体的某一部位作一个接一个的断面扫描的过程。实施计算机断层扫描的计算机断层扫描(CT)系统基于容积数据采集,其中X射线管和接收器围绕患者旋转,从一个容积的组织中收集传输数据。CT系统主要包括:数据采集单元、图像重建单元、图像显示单元、存储和通信单元。数据采集单元包括使用与特殊电子接收器耦合的X射线管,以病人投影轮廓的形式系统地收集衰减数据。图像重建单元基于终端计算机,用于执行复杂的计算机算法,对经由数据采集单元采集的图像,使用投影轮廓创建图像。存储和通信单元,又称“影像归档和通信系统(Picture Archivingand Communication Systems,PACS)”,对经由图像重建单元创建的图像进行存储和与远程位置的通信。
图像重建单元对图像进行重建的算法包括滤波反投影(FBP)算法、迭代重建算法。
基于滤波反投影算法对图像进行重建的过程包括:在反投影之前对每组投影数据应用卷积滤波器,再对滤波后的投影进行反投影,生成重建后的图像。滤波反投影算法获得重建图像,具有重建时间短、图像纹理适应于放射科医生在图像解释过程中的需求等优势。然而,由于卷积滤波器会在图像中引入噪声和伪影,导致其在低剂量下获得图像难以满足图像质量要求。
基于迭代重建算法对图像进行重建的过程是使用一系列重复多次操作的计算过程。迭代重建算法基于获得的计算机断层扫描的数据,以更好定义的数学估计(系统模型)和多次迭代来构建图像。其中,每经过一次迭代过程,经历一次噪声减小。迭代重建算法在减少图像噪声的同时保持空间分辨率和图像对比度。特别是在低剂量CT检查中较低管电流的情况下,通过引入迭代重建算法,可以解决低剂量CT扫描情况下基于FBP算法重建图像容易引入噪声和伪影的问题,即使在剂量较低的情况下也能保持空间分辨率和低对比度的可检测性。但是迭代重建算法获取的迭代重建图像也具有一些问题,例如,包括重建时间过长和出现斑点、塑料外观或不自然的噪声纹理,这些问题都给放射科医生在图像解释过程中带来了不利影响。而且,相较于基于滤波反投影算法得到的CT重建图像,基于迭代重建算法获得的重建图像纹理不能适应于放射科医生的诊疗习惯和临床经验,给医生诊断过程的准确性带来严重影响。
基于此,提出基于机器学习的图像重建方法。在基于机器学习的图像重建方法中,通常采用神经网络对已经重建的图像进行学习。神经网络的训练需要大量的数据,其中,训练方法采用提供低剂量CT重建图像作为输入,提供同一患者的高剂量CT重建图像作为输出,从而训练出适合于通过低剂量CT重建图像计算输出高剂量CT重建图像的经训练的神经网络。为了获得低剂量CT重建图像和高剂量CT重建图像,可在高剂量下扫描从而获得高剂量的数据,并通过在高剂量的原始数据(虚拟数据)中人为添加噪声获得低剂量的模拟数据;或者通过先后两次重复扫描分别收集低剂量和高剂量CT重建图像来得到训练图像。然而,通过人为添加噪声得到低剂量的模拟图像的方法,往往引入多余的不可控的噪声,导致训练的神经网络具有不同的噪声;而通过两次扫描分别收集低剂量和高剂量的图像的方法除可能引入多余的噪声外还可能导致图像位置不匹配或伪影。
根据本公开实施例的一个方面,提供了一种基于机器学习的神经网络对图像进行重建的方法。下面将结合附图详细描述本公开的实施例。
参看图1对根据本公开实施例的图像重建方法100进行示例性说明。如图1所示,图像重建方法100包括:
步骤110:获取计算机断层扫描的图像数据;
步骤120:基于所述图像数据,采用经训练的神经网络模型计算出输出图像,其中,所述经训练的神经网络模型被配置为经由包括至少一个由第一图像和第二图像构成的训练图像对的图像数据库训练,以及其中,所述训练图像对中的所述第一图像和所述第二图像分别作为训练输入图像和训练输出图像,并且所述第一图像和所述第二图像被配置为在同一时间点经由计算机断层扫描同一生物组织获得。
神经网络模型包括例如卷积神经网络(Convolutional Neural Networks-CNN)。卷积神经网络首先执行一系列的卷积步骤和池化步骤,以后对由此获得的数据再次反卷积和执行“反池化”步骤。卷积和反卷积借助矩阵执行,所述矩阵也称作为“核”。在卷积和反卷积之间能够存在近似一维的值域,所述值域通常称作为全连接层。利用卷积神经网络通过作为训练图像的第二图像计算输出图像,例如借助最后的池化之后获得的值能够赋予用于分类物体的概率值,并且要以与要输入的第一图像相应的方式,将反卷积过程分配给分类对象重组,以计算输出图像。
在步骤110中,采用计算机断层扫描(CT)系统采集图像数据。在一些实施例中,在步骤110中获取的图像数据包括重建图像。
下面参看图2,根据本公开的示例性实施例,对步骤110获取计算机断层扫描的图像数据进行示例性介绍。根据一些实施例,获取计算机断层扫描的图像数据包括:
步骤210:采集计算机断层扫描的数据;
步骤220:基于采集的所述计算机断层扫描的数据进行计算,以获得所述重建图像。
示例性地,计算机断层扫描的数据包括在计算机断层扫描过程中由接收器收集到的X射线转换而来的数据。具体地,在计算机断层扫描过程中,计算机断层扫描系统对生物体组织进行断层扫描后透过的X射线经过光电转换变为电信号,电信号再经过模拟/数字转换器转为数字信号,数字信号输入计算机处理。其中,计算机断层扫描的数据包括上述经由接收器收集到的X射线转换而来的电信号、数字信号等。
需要说明的是,在步骤110中,采用计算机断层扫描系统获得的图像数据可以是任何类型的计算机扫描系统,例如,单元-、双源-、多源-计算机断层扫描系统等,在此不作限制。
在一些示例中,重建图像包括基于滤波反投影(FBP)算法获得的滤波反投影重建图像。在这些示例中,采用滤波反投影重建图像作为计算机断层扫描的图像数据,其可以是在低剂量条件下获得的低剂量计算机断层扫描的基于滤波反投影算法的重建图像。
通过根据本公开实施例的方法,采用经训练的神经网络模型以低剂量的滤波反投影重建图像作为输入图像计算出的输出图像,输出图像模拟在高剂量的计算机断层扫描获得的滤波反投影重建图像,从而可以实现在低剂量扫描条件下获得图像清晰度与高剂量计算机断层扫描图像的图像质量可比拟的高质量图像。一方面可以在计算机断层扫描检查中对患者采用更低剂量的计算机断层扫描过程,减少对患者的辐射剂量,另一方面也帮助医生获得更清晰的计算机断层扫描的重建图像,辅助医生进行更准确的分析和判断。
在另一些实施例中,重建图像包括基于迭代重建算法获得的迭代重建图像。在这些示例中,采用迭代重建图像作为计算机断层扫描的图像数据,其可以是在低剂量条件下获得的低剂量计算机断层扫描的基于迭代重建算法的迭代重建图像。
通过本公开实施例的方法,采用经训练的神经网络模型以低剂量的迭代重建图像计算出输出图像,输出图像模拟在高剂量的计算机断层扫描获得的滤波反投影重建图像,从而可以实现在低剂量扫描条件下获得图像纹理与高剂量计算机断层扫描图像的图像质量可比拟的高质量图像。一方面以在计算机断层扫描检查中对患者采用更低剂量的计算机断层扫查过程,减少对患者的辐射剂量,另一方面也帮助医生获得纹理上更适于其辨认、识别和判断的重建图像,辅助医生进行更准确的分析和判断。
在步骤120中,基于所述图像数据,采用经训练的神经网络模型计算出输出图像。其中,所述经训练的神经网络模型被配置为经由包括至少一个由第一图像和第二图像构成的训练图像对的图像数据库训练,以及其中,所述训练图像对中的所述第一图像和所述第二图像分别作为训练输入图像和训练输出图像,并且所述第一图像和所述第二图像被配置为在同一时间点经由计算机断层扫描同一生物组织获得。
需要理解的是,在本公开的描述中,生物组织可以是计算机断层扫描所针对要扫查的病患的器官、身体部分,或者感兴趣的区域等,在此不作限制。
在根据本公开示例性实施例的方法中,采用包括至少一个由第一图像和第二图像构成的训练图像对的图像数据库训练神经网络,其中,第一图像和第二图像分别作为训练输入图像和训练输出图像,并且第一图像和第二图像均为计算机断层扫描获得的图像,并且第一图像和第二图像为在同一时间点经由计算机断层扫描同一生物组织获得,使得计算机断层扫描获得的第一图像和第二图像具有同样的噪声,相对于通过添加噪声获得训练图像,可以避免引入新的噪声。同时,在同一时间经由计算机断层扫描同一生物组织获得第一图像和第二图像,生物组织在第一图像和第二图像中的位置一致,避免经过两次扫描生物组织获得扫描图像引入多余的噪声和带来的生物组织在图像中位置不一致,导致在训练神经网络的过程中引入新的变量。
由于采用在同一时间点经由计算机断层扫描同一生物组织获得的第一图像和第二图像作为训练图像训练神经网络的过程中不会引入新的噪声或新的变量,经训练的神经网络可靠性高,在将计算机断层扫描的图像数据作为输入数据通过该经训练的神经网络计算出输出数据时能够计算出更准确的输出结果。
在一些实施例中,训练图像对包括在不同剂量下获得的第一图像和第二图像,其中,获取第一图像时的剂量低于获取第二图像时的剂量。
采用同一时间点对同一生物组织进行计算机断层扫描获得的第一图像和第二图像分别作为输入图像和输出图像训练神经网络,其中第一图像为低剂量条件下计算机断层扫描获得的图像,第二图像为高剂量条件下计算机断层扫描获得的图像,使得经训练的神经网络可以通过将低剂量条件下计算机断层扫描获得的图像作为输入图像计算出更清晰、噪声更小的图像,该更清晰、噪声更小的图像相当于高剂量条件下的计算机断层扫描获得的图像,使得在计算机断层扫描中可以减少对病患的辐射剂量,而获得低剂量的计算机断层扫描的图像,通过该神经网络的计算,获得能辅助医生做出判断的图像。
需要理解的是,在本公开的实施例中,采用同一时间点对同一生物组织进行计算机断层扫描获得的第一图像和第二图像分别作为输入图像和输出图像训练的神经网络,该经训练的神经网络可以应用于任何计算机断层扫描系统中,例如,单元-、双源-、多源-计算机断层扫描系统等。
在一些实施例中,训练图像对包括在相同能量下获得的第一图像和第二图像。其中,计算机断层扫描的能量,是指计算机断层扫描系统中的球管的管电压,其决定了被扫查对象的CT值。通过分析CT值,医生可以诊断病患的生物体组织是否具有病灶。
由于X射线束对人体具有辐射,计算机断层扫描中,往往需要找到辐射剂量和准确分析CT值的权衡。辐射剂量是由计算机断层扫描系统中的球管的管电压和管电流决定的参数,当管电流和管电压中任意一个参数增加时,使得辐射剂量增加。而管电流对计算机断层扫描的噪声又有显著的影像。当管电流较小时,噪声较大,影响最终形成的计算机断层扫描重建图像中CT值的分析过程。
在上述实施例中,在能量相同的情况下在不同剂量下,例如在计算机断层扫描系统X射线球管的管电压(kV)相同的情况下在不同的管电流(mAs)下,获得第一图像和第二图像,第一图像和第二图像是在相同噪声背景下具有不同的噪声水平的图像。
通过第一图像和第二图像训练的神经网络可以对低剂量下获得的图像进行降噪处理,从而输出等同于高剂量下获得的噪声水平低的输出图像,作为医生诊断依据。从而,可以减少在计算机断层扫描中对患者的辐射剂量,同时能够获得足够清晰、准确和噪声水平低的图像。
需要理解的是,相同的噪声背景是指,来自生物组织本身的噪声背景相同,其与生物组织和生物组织本身的在进行计算机扫描时的状态相关,不同的生物组织在进行计算机扫描时的噪声背景不同,同一生物组织在不同时刻进行计算机断层扫描时的噪声背景也不相同。相同噪声背景下具有不同的噪声水平是指,由于计算机断层扫描时管电流参数的设置不同,使图像具有不同强度的噪声。
在本公开的实施例,在不同剂量下针,采用相同的管电压和不同的管电流设置计算机断层扫描参数对同一生物组织在同一时间点进行计算机断层扫描,获得第一图像和第二图像,由于第一图像和第二图像是针对同一生物组织在同一时间点进行计算机断层扫描获得,因而具有相同的噪声背景;而由于第一图像和第二图像是在不同的管电流参数下的计算机断层扫描获得,因而具有不同强度的噪声。
由于该第一图像和第二图像是在同一时间点经由计算机断层扫描同一生物体组织而获得,其具有相同的噪声背景,并且没有引入额外的噪声,在训练神经网络的过程中,通过神经网络处理的仅仅是在扫描过程中由于扫描参数设置带来的噪声,提升神经网络训练的准确度。在一些实施例中,训练图像对包括经由多源计算机断层扫描(CT)系统获得的第一图像和第二图像。例如,训练图像经由双源-计算机断层扫描获得的第一图像和第二图像。参看图3对根据本公开实施例的经由双源-计算机断层扫描获得第一图像和第二图像进行示例性介绍。如图3所示,示出了根据本公开实施例的双源-计算机断层扫描系统的示意图。
其中,双源-计算机断层扫描系统包括用以同时产生X射线束进行断层扫描的第一探头301和第二探头302,以及与第一探头301相对以用于接收第一探头301发出的X射线束的第一接收器303和与第二探头302相对以用于接收第二探头302发出的X射线束的第一接收器304。
在双源-计算机断层扫描过程中,经由第一探头301发出的X射线束对被测生物体组织进行扫描,第一接收器303接收透过该生物体组织的由该第一探头301发出的X射线束,同时,第二探头302发出X射线束对被测生物体组织进行扫描,第二接收器304接收透过该生物体组织的由该第二探头302发出的X射线束。由于第一探头301和第二探头302两者在同一时间对同一生物体组织发出X射线束进行扫描,其扫描后由各自相对的接收器接收到的透过该生物体组织的X射线束的差异仅仅与该第一探头301和第二探头302发出X射线束的参数有关。因此,基于该第一接收器303和该第二接收器304接收的X射线束的能量中由生物体组织带来的噪声相同,基于两者接收的X射线束的能量重建的重建图像的噪声差别仅仅源于第一探头301和第二探头302发出X射线的参数差异。因此,可以根据基于其中一个探头发出的X射线被接收后的能量重建的重建图像对另一个基于另一个探头发出的X射线被接收后的能量重建的重建图像进行降噪处理。
继续参看图3,对经由双源-计算机断层扫描获得在不同剂量下的第一图像和第二图像进行示例性介绍。
如图3所示,在不同剂量参数下设置第一探头301和第二探头302发出X射线束的参数。在一个示例中,将第一探头301中的管电压和第二探头302中的管电压设置为相同,将第二探头302中的管电流设置为较第一探头301中的管电流大,从而使第二探头302发出X射线对被测生物体组织进行较高的剂量的扫描,而第一探头301发出X射线对被测生物体组织进行较低的剂量的扫描。从而获得基于第一接收器303接收的能量进行重建的第一图像305和基于第二接收器304接收的能量进行重建的第二图像306。其中,如图3所示,第一图像305较第二图像306噪声更多而更不清晰。
由于第一探头301和第二探头302两者在同一时间对同一生物体组织发出X射线束进行分别扫描获得第一图像305和第二图像306,第一图像305和第二图像306中的噪声差异仅仅与第一探头301和第二探头302中剂量参数设置有关,因此,在基于第一图像305和第二图像306训练的神经网络可以对低剂量的重建图像进行降噪处理,而不会引入与剂量参数无关的噪声(如生物体组织的噪声等)。
需要理解的是,在上述实施例中,经由双源-计算机断层扫描获得在不同剂量下的第一图像和第二图像,仅仅是示例性的,还可以经由多源-计算机断层扫描获得,在此并不受限制。同时需要理解的是,在上述实施例中,经由双源-计算机断层扫描获得在不同剂量下的第一图像和第二图像,其仅仅是作为训练图像训练神经网络,而在该经训练的神经网络的具体应用过程中,其输入图像可以是任何计算机断层扫描系统获得的图像数据,例如,单元-、双源-、多源-计算机断层扫描系统等。例如,采用该经训练的神经网络,可以对单源-计算机断层扫描系统在低剂量下获得的图像进行降噪处理,获得更清晰的、噪声更小的图像,该更清晰、噪声更小的图像相当于采用单源-计算机断层扫描系统在高剂量下获得的图像。
在一些实施例中,用于训练的图像数据对中的第一图像被配置为滤波反投影重建图像,第二图像被配置为滤波反投影重建图像。
在另一些实施例中,用于训练的图像数据对中的第一图像被配置为迭代重建图像,第二图像被配置为滤波反投影重建图像。将迭代重建图像作为训练神经网络的输入图像,将滤波反投影重建图像作为训练神经网络的输出图像,使得经训练的神经网络基于迭代重建图像,能够计算出具有与滤波反投影重建图像相同纹理的输出图像,输出图像具有采用滤波反投影重建图像的纹理,符合医生分析判断习惯,从而帮助医生基于纹理上更适于其辨认、识别和判断的重建图像,辅助医生进行更准确的分析和判断。
根据本公开实施例的另一方面,提供了一种图像重建装置。如图4所示,图像重建装置400可以包括:获取单元410,被配置用于获取计算机断层扫描的图像数据;处理单元420,被配置用于基于图像数据,采用经训练的神经网络模型进行处理以获得输出图像,其中,经训练的神经网络模型被配置成经由包括至少一个由第一图像和第二图像构成的训练图像对的图像数据库训练,以及其中,训练图像对中的第一图像和第二图像分别作为训练输入图像和训练输出图像,并且第一图像和第二图像被配置为在同一时间点经由计算机断层扫描获得的关于同一生物组织的图像。
在一些实施例中,训练图像对包括在不同剂量下获得的第一图像和第二图像,其中,获取第一图像时的剂量低于获取第二图像时的剂量。在一些示例中,第一图像和第二图像经由例如图3所示的双源-计算机断层扫描系统获得。
在一些实施例中,图像重建装置400可以为单源-计算机断层扫描系统或双源-计算机断层扫描系统。
根据本公开实施例的另一方面,提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中存储器存储有计算机程序,计算机程序在被至少一个处理器执行时实现上述图像重建方法。
在一些实施例中,电子设备可以包括计算机断层扫描系统。
根据本公开实施例的另一方面,提供一种存储有计算机程序的非瞬时计算机可读存储介质,其中,计算机程序在被处理器执行时实现上述方法。
根据本公开实施例的另一方面,提供一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现上述方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (14)
1.一种图像重建方法,包括:
获取计算机断层扫描的图像数据;
基于所述图像数据,采用经训练的神经网络模型计算出输出图像,其中,所述经训练的神经网络模型被配置为经由包括至少一个由第一图像和第二图像构成的训练图像对的图像数据库训练,以及其中,所述训练图像对中的所述第一图像和所述第二图像分别作为训练输入图像和训练输出图像,并且所述第一图像和所述第二图像被配置为在同一时间点经由计算机断层扫描同一生物组织获得。
2.根据权利要求1所述的图像重建方法,其中,所述训练图像对包括在不同剂量下获得的所述第一图像和所述第二图像,其中,获取所述第一图像时的剂量低于获取所述第二图像时的剂量。
3.根据权利要求2所述的图像重建方法,其中,所述训练图像对包括在相同能量下获得的所述第一图像和所述第二图像。
4.根据权利要求1所述的图像重建方法,其中,所述训练图像对包括经由双源-计算机断层扫描获得的所述第一图像和所述第二图像。
5.根据权利要求1所述的图像重建方法,其中,所述训练图像对包括被配置为滤波反投影重建图像的所述第一图像和被配置为滤波反投影重建图像的所述第二图像。
6.根据权利要求1所述的图像重建方法,其中,所述训练图像对包括被配置为迭代重建图像的所述第一图像和被配置为滤波反投影重建图像的所述第二图像。
7.根据权利要求1所述的图像重建方法,其中,所述图像数据包括重建图像,其中,基于所述重建图像,采用经训练的神经网络模型计算出输出图像。
8.根据权利要求5所述的图像重建方法,其中,获取计算机断层扫描的图像数据包括:
采集计算机断层扫描数据;
基于所述计算机断层扫描数据进行计算,以获得所述重建图像。
9.根据权利要求1所述的图像重建方法,其中,所述重建图像包括以下两种形式中的任何一种:
基于滤波反投影算法获得的滤波反投影重建图像;和
基于迭代重建算法获得的迭代重建图像。
10.一种图像重建装置,包括:
获取单元,被配置用于获取计算机断层扫描的图像数据;
处理单元,被配置用于基于所述图像数据,采用经训练的神经网络模型进行处理以获得输出图像,其中,所述经训练的神经网络模型被配置成经由包括至少一个由第一图像和第二图像构成的训练图像对的图像数据库训练,以及其中,所述训练图像对中的所述第一图像和所述第二图像分别作为训练输入图像和训练输出图像,并且所述第一图像和所述第二图像被配置为在同一时间点经由计算机断层扫描获得的关于同一生物组织的图像。
11.根据权利要求10所述的图像重建装置,其中,所述训练图像对包括在不同剂量下获得的所述第一图像和所述第二图像,其中,获取所述第一图像时的剂量低于获取所述第二图像时的剂量。
12.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有计算机程序,所述计算机程序在被所述至少一个处理器执行时实现根据权利要求1-9中任一项所述的方法。
13.一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
14.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407680.9A CN113096210A (zh) | 2021-04-15 | 2021-04-15 | 图像重建方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407680.9A CN113096210A (zh) | 2021-04-15 | 2021-04-15 | 图像重建方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113096210A true CN113096210A (zh) | 2021-07-09 |
Family
ID=76677977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110407680.9A Pending CN113096210A (zh) | 2021-04-15 | 2021-04-15 | 图像重建方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096210A (zh) |
-
2021
- 2021-04-15 CN CN202110407680.9A patent/CN113096210A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035284B (zh) | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 | |
US20220117570A1 (en) | Systems and methods for contrast flow modeling with deep learning | |
US20130051516A1 (en) | Noise suppression for low x-ray dose cone-beam image reconstruction | |
US20230063828A1 (en) | Methods and systems for image acquisition, image quality evaluation, and medical image acquisition | |
US10085698B2 (en) | Methods and systems for automated tube current modulation | |
JP2020168353A (ja) | 医用装置及びプログラム | |
JP2020099662A (ja) | X線ctシステム及び方法 | |
CN111540025B (zh) | 预测用于图像处理的图像 | |
JP7059298B6 (ja) | 心筋ct灌流画像合成 | |
CN111513737A (zh) | X射线图像处理方法和x射线图像处理装置 | |
CN110378982B (zh) | 重建图像处理方法、装置、设备及存储介质 | |
JP2021013725A (ja) | 医用装置 | |
JPWO2013094186A1 (ja) | 動き追従x線ct画像処理方法および動き追従x線ct画像処理装置 | |
US11039807B2 (en) | System and method for dark-field-imaging | |
KR20170087320A (ko) | 단층 영상 생성 장치 및 그에 따른 단층 영상 복원 방법 | |
US20240070862A1 (en) | Medical information processing method and medical information processing apparatus | |
CN111968167B (zh) | Ct三维定位像的图像处理方法、装置和计算机设备 | |
US9858688B2 (en) | Methods and systems for computed tomography motion compensation | |
EP4123572A2 (en) | An apparatus and a method for x-ray image restoration | |
CN111968112B (zh) | Ct三维定位图像的获取方法、装置和计算机设备 | |
CN113096210A (zh) | 图像重建方法、装置、电子设备和存储介质 | |
WO2020209826A1 (en) | Deep reinforcement learning for computer assisted reading and analysis | |
US20240046534A1 (en) | Systems and methods for imaging | |
CN110730977A (zh) | 低剂量成像方法及装置 | |
US20230342974A1 (en) | Imaging systems and methods |
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 |