CN113269846A - 一种ct全扫描图像重建方法、装置和终端设备 - Google Patents
一种ct全扫描图像重建方法、装置和终端设备 Download PDFInfo
- Publication number
- CN113269846A CN113269846A CN202110563989.7A CN202110563989A CN113269846A CN 113269846 A CN113269846 A CN 113269846A CN 202110563989 A CN202110563989 A CN 202110563989A CN 113269846 A CN113269846 A CN 113269846A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- projection
- blocks
- image blocks
- 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 55
- 238000002546 full scan Methods 0.000 title claims abstract description 26
- 230000001629 suppression Effects 0.000 claims abstract description 38
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims 1
- 238000002591 computed tomography Methods 0.000 description 50
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请实施例提供一种CT全扫描图像重建方法、装置和终端设备,该方法包括:将获取的CT全扫描的投影数据进行滤波,以得到投影实部数据和投影虚部数据;对投影实部数据和投影虚部数据分别进行反投影处理,以得到实部图像和虚部图像;对实部图像、虚部图像和完备性MAP图像分别进行图像分解,得到各自对应的多个子图像块;将相同图像位置的实部子图像块、虚部子图像块及MAP子图像块输入至伪影抑制网络中,输出对应的子图像块;对所有子图像块进行重构,得到最终的图像。本申请的技术方案可以大大提高伪影抑制效果,从而得到质量更优的CT全扫描的重建图像。
Description
技术领域
本申请涉及医学成像技术领域,尤其涉及一种CT全扫描图像重建方法、装置和终端设备。
背景技术
现有的CT(Computed Tomography,电子计算机断层扫描)扫描的图像重建一般采用的是滤波反投影算法,投影角度的范围为180+扇角或经过数据平行束重排后的180度数据。然而,随着探测器排数的增加,锥角增大,例如,对锥束全扫描(full-scan)轴扫,传统的重建算法会产生严重的锥束伪影,进而影响对CT扫描图像的诊断。
发明内容
本申请实施例提供一种CT全扫描图像重建方法、装置和终端设备,该方法通过利用投影数据对应的实部和虚部图像作为基础,并进行后续的图像分解及输入训练好的网络中等处理,可以大大提高伪影抑制效果,从而得到质量更优的CT全扫描的重建图像。
本申请的实施例提供一种CT全扫描图像重建方法,包括:
将获取的CT全扫描的投影数据进行滤波,以得到投影实部数据和投影虚部数据;
对所述投影实部数据和所述投影虚部数据分别进行反投影处理,以得到对应的实部图像和虚部图像;
根据所述投影数据生成完备性MAP图像;
对所述实部图像、所述虚部图像和所述MAP图像分别进行图像分解,得到数量相同的多个实部子图像块、虚部子图像块和MAP子图像块;
将相同图像位置的所述实部子图像块、所述虚部子图像块及所述MAP子图像块输入至伪影抑制网络中,输出对应图像位置的子图像块;
利用所有图像位置的所述子图像块进行重构,得到最终的重建图像。
在一些实施例中,所述图像分解的过程,包括:
对待分解图像在径向方向上按照第一数值采样,并在切向方向上按照第二数值采样,得到所述第一数值乘以所述第二数值个分解的子图像块;其中,所述待分解图像为所述实部图像、所述虚部图像或所述MAP图像。
在一些实施例中,若所述目标图像分解为M*N个子图像块,每个所述子图像块的像素数目为m*n,则所述子图像块中的像素在原始图像中的坐标位置的计算公式为:
其中,1≤r≤M,1≤t≤N,1≤i≤m,1≤j≤n;patchr,t(i,j)表示第(r,t)个子图像块的第(i,j)个像素对应于原始图像中的坐标位置;img()表示笛卡尔坐标系下的所述原始图像;R为所述原始图像的半径。
在一些实施例中,所述伪影抑制网络的预先训练,包括:
对获取的高排数投影数据样本进行数据预处理,以分别得到对应的多个高排数实部子图像块、高排数虚部子图像块和MAP子图像块;
对扫描相同部位的低排数投影数据样本进行图像重建及图像分解,以得到对应的多个低排数子图像块;
将所述高排数实部子图像块、所述高排数虚部子图像块和对应图像位置的所述MAP子图像块输入至所述伪影抑制网络中,输出得到所述对应图像位置的预测子图像块,并将相同图像位置的所述低排数子图像块作为目标图像;
根据预设损失函数计算所述预测子图像块与所述目标图像之间的损失值,并判断所述损失值是否满足预设条件;
在所述损失值不满足所述预设条件时,调整所述伪影抑制网络中的参数,并利用下一样本对所述伪影抑制网络进行训练,直到得到的损失值满足所述预设条件时,停止训练。
在一些实施例中,所述预设损失函数包括所述预测子图像块与目标图像之间的像素损失函数和内容损失函数;其中,所述预设损失函数的表达式为:
ltotal=wd(α×lmse+β×lfeat);
其中,ltotal表示所述预设损失函数;lmse表示所述像素损失函数;α表示所述像素损失函数的权重;lfeat表示所述内容损失函数;β表示所述内容损失函数的权重;wd表示距离权重;d为当前子图像块到中心平面的距离;dmax为最大锥角探测器覆盖范围。
在一些实施例中,利用非对称斜坡滤波器对所述全扫描的投影数据进行滤波。
在一些实施例中,所述非对称斜坡滤波器的表达式为:
其中,w为角频率;C为预设调节参数。
本申请的实施例还提供一种CT全扫描图像重建装置,包括:
滤波模块,用于将获取的CT全扫描的投影数据进行滤波,以得到投影实部数据和投影虚部数据;
反投影模块,用于对所述投影实部数据和所述投影虚部数据分别进行反投影处理,以得到对应的实部图像和虚部图像;
MAP生成模块,用于根据所述投影数据生成完备性MAP图像;
图像分解模块,用于对所述实部图像、所述虚部图像和所述MAP图像分别进行图像分解,得到数量相同的多个实部子图像块、虚部子图像块和MAP子图像块;
网络处理模块,用于将相同图像位置的所述实部子图像块、所述虚部子图像块及所述MAP子图像块输入至伪影抑制网络中,输出对应图像位置的子图像块;
重构模块,用于利用所有图像位置的所述子图像块进行重构,得到最终的重建图像。
本申请的实施例还提供一种终端设备,所述终端设备包括处理器和存储器,所述存储器存储有计算机程序,所述处理器用于执行所述计算机程序以实施上述的CT全扫描图像重建方法。
本申请的实施例还提供一种可读存储介质,其存储有计算机程序,所述计算机程序在处理器上执行时,实施上述的CT全扫描图像重建方法。
本申请的实施例具有如下有益效果:
本申请实施例的CT全扫描图像重建方法通过利用CT全扫描投影数据对应的实部图像和虚部图像,分别进行各自的图像分解以得到对应的子图像块,然后利用训练好的伪影抑制网络进行实部和虚部的子图像块的融合,最后进行所有子图像块的重构,以得到最终的重建图像,通过上述一系列的处理步骤,可以有效抑制伪影的产生,从而得到较高质量的重建图像。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的某些实施例,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示出了一种存在伪影的CT全扫描的重建图像;
图2示出了本申请实施例的CT全扫描图像重建方法的流程示意图;
图3示出了本申请实施例的CT全扫描图像重建方法的子图像块分解及重构的示意图;
图4示出了本申请实施例的CT全扫描图像重建方法的另一种流程示意图;
图5A-5D示出了基于传统方法和本申请的方法的重建结果对比图;
图6示出了本申请实施例的CT全扫描图像重建方法的伪影抑制网络的训练流程示意图;
图7示出了本申请实施例的CT全扫描图像重建方法的一种基于U-net神经网络的图像重建应用示意图;
图8示出了本申请实施例的CT全扫描图像重建装置的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
对于锥束full-scan(全扫描)轴扫,其产生伪影的原因主要有三类:一是轴扫轨迹不能满足Tuy's数据完备条件,即存在平面不与扫描轨迹相交,导致数据缺失;二是由于数据截断,即对于某些重建像素存在一些角度的投影照射到探测器外面;三是全扫描过程中,由于投影数据的周期性,会采集到较多的冗余数据,对冗余的数据处理不当时,也会产生伪影。
而传统的滤波反投影算法采用的是对称的斜坡滤波器进行图像重建的,其输入的信号是实数信号,输出的也是实数信号,虽然处理更简单,但是图像中的可用信息也仅限于为实数部分的信息,不利用对伪影的抑制。例如,图1所示为一种利用传统的滤波反投影算法得到的重建图像,参见箭头所指示的位置,该重建图像中含有明显的伪影。
为了有效抑制伪影,本申请实施例提出一种CT全扫描图像重建方法,通过采用新的滤波器进行滤波,以用于提取得到更多的图像信息来进行重建,例如,提取投影数据的实部信息和虚部信息;进而,通过利用对应的实部图像和虚部图像,分别进行各自的图像分解等处理,然后利用训练好的伪影抑制网络进行分解得到的实部和虚部的子图像块的融合,最后进行所有子图像块的重构,以得到最终的重建图像,通过上述一系列的处理步骤,可以有效抑制伪影的产生,从而得到较高质量的重建图像。
下面结合具体的实施例对该CT全扫描图像重建方法进行说明。
实施例1
请参照图2,本实施例提出一种CT全扫描图像重建方法,可应用于如锥束CT全扫描等医学成像场合,以保证得到较高质量的CT扫描重建图像,进而有利于医学诊断等。如图2所示,该CT全扫描图像重建方法包括:
步骤S110,将获取的CT全扫描的投影数据进行滤波,以得到投影实部数据和投影虚部数据。
其中,上述的投影数据主要是指利用CT系统进行物体整圈扫描时,采集到的高排数的扫描数据。对于步骤S110,示范性地,当采集到完整的扫描数据后,可将这些扫描数据输入到预先构建的滤波器中,以输出得到投影数据的实部部分和虚部部分。
值得注意的是,与传统的采用对称式斜坡滤波器进行投影数据滤波的方式不同之处在于,本实施例利用新的滤波器进行滤波,以便从投影数据中提取到更多的有用信息进行后续的重建处理。
在一种实施方式中,该滤波器可采用非对称的斜坡滤波器等。例如,该非对称的斜坡滤波器的表达式可为:
其中,w为角频率;C为预设调节参数,具体可根据实际需求来设定。
步骤S120,对所述投影实部数据和所述投影虚部数据分别进行反投影处理,以得到对应的实部图像和虚部图像。
示范性地,在得到投影实部数据和投影虚部数据后,可通过反投影处理来分别处理,以得到对应的实部图像和虚部图像。
步骤S130,根据所述投影数据生成完备性MAP图像。
其中,上述的完备性MAP图像也称数据完备性MAP(MAP,Mzximuma posteriori,最大后验概率),其主要指由CT扫描重建得到的完整图像,在该MAP图像中包含了各投影数据在待获取的目标重建图像中的位置信息等。
示范性地,对于上述的全扫描的投影数据,例如,可采用如滤波反投影法、直接反投影法等多种方式来重建得到本次全扫描对应的重建图像。该扫描重建图像中通常含有伪影。
可以理解,生成的数据完备性MAP在后续进行子图像块的伪影抑制时,可为对应的子图像块提供扫描位置信息,例如,在判断出当前输入的子图像块为一些不会出伪影的扫描区域,则可以直接输出而不进行伪影抑制网络处理,以提高训练网络的处理效率等。
考虑到伪影在原始的图像中的方向是不断变化的,这样的伪影处理会比较困难,为此,本实施例提出将这些图像转换到具有平移不变性的空间中,这样可以更好地利用伪影的平移不变性来进行伪影抑制处理。
本实施例中,通过对实部图像和虚部图像分别进行图像分解处理,并将分解得到的实部图像和虚部图像各自的子图像块作为伪影抑制的基础处理对象,输入至训练好的伪影抑制网络中,以实现对各个子图像块中的伪影抑制,从而提高重构输出的整个图像的伪影抑制效果。
步骤S140,对所述实部图像、所述虚部图像和所述MAP图像分别进行图像分解,得到数量相同的多个实部子图像块、虚部子图像块和MAP子图像块。
示范性地,可通过相应的图像分解法来实现对投影图像的空间转换。例如,在一种实施方式中,可将投影图像在笛卡尔坐标系(直角坐标系)转换到极坐标系下,具体地,可将待分解图像按照如下方式进行分解:
对待分解图像在径向方向上按照第一数值采样,并在切向方向上按照第二数值采样,即得到第一数值乘以第二数值个分解的子图像块。
如图3所示,若r所在的方向表示径向方向,t所在的方向表示切向方向,若第一数值为M,第二数值为N,则此时可将该待分解图像将分解为M*N个子图像块。其中,一个子图像块的索引号可表示为(r,t),也可以理解为第(r,t)个子图像块。例如,在径向方向上采样值为4,切向方向上采样值为1所对应的一个扇环形区域的索引号为(4,1)等。
相应地,若每个子图像块的像素数目表示为m*n,其中,m为长度方向上的最大值;n为宽度方向上的最大值;而一个像素的坐标位置可表示为(i,j),即满足i≤m,j≤n;则对应子图像块的对应像素在原始图像中的坐标位置的计算公式将满足:
其中,1≤r≤M,1≤t≤N,1≤i≤m,1≤j≤n;patchr,t(i,j)表示标号为(r,t)的子图像块中的标号为(i,j)的像素在原始图像中的对应坐标位置;img()表示笛卡尔(直角)坐标系下的原始图像;R为该原始图像的半径。应当明白的是,通过上述公式计算的坐标位置可能不在笛卡尔坐标的网格上,此时需要插值得到对应的子图像块的像素坐标值。
可以理解,上述的待分解图像可以是实部图像、虚部图像或MAP图像,即这三种图像均采用相同的图像分解方式进行分解,以便后续一并输入至伪影抑制网络中进行相应处理。
进一步地,由于各个子图像块与分解前的图像存在相应公式,故可利用这些分解的子图像块来重构出笛卡尔坐标下的图像。示范性地,该图像由子图像块进行重构时,可采用如下公式:
img(x,y)=(r0cosθ0,r0sinθ0);
其中,(x,y)表示当前子图像块的像素在笛卡尔坐标下的坐标;r0为笛卡尔坐标系下对应像素到原点的距离,θ0为该对应像素到原点的连线与坐标轴之间的角度。此时对应的子图像块满足: 其中,表示向下取整,%表示取余。如果对应的像素的坐标没有落在笛卡尔坐标的网格上,同样也需要进行插值处理。
步骤S150,将相同图像位置的实部子图像块、虚部子图像块及MAP子图像块输入至伪影抑制网络中,输出对应图像位置的子图像块。
可以理解,该伪影抑制网络为经过预先训练的网络模型,然后被部署到实际的CT扫描系统中。例如,如图4所示,该伪影抑制网络可基于U-Net等神经网络进行深度学习而构建得到。在一种实施方式中,该伪影抑制网络模型的输入对象为实部子图像块、虚部子图像块和对应图像位置的MAP子图像块,输出对象为经过伪影抑制处理的由实部和虚部融合得到的子图像块。
其中,对应图像位置的MAP子图像块主要用于提供该实部子图像块和虚部子图像块在重建图像中所在的位置信息,例如,对于不会产生伪影的子图像块区域,可快速输出而不经过网络,这样有利于提高整个重建效率。
对于上述步骤S150,示范性地,对于每组不同位置的实部子图像块、虚部子图像块及MAP子图像块,可分别输入到该伪影抑制网络中,以得到若干个不同位置的子图像块。
步骤S160,利用所有图像位置的子图像块进行重构,得到最终的重建图像。
示范性地,利用该伪影抑制网络输出得到多个不同图像位置的子图像块后,可对这些子图像块进行图像重构,例如,可利用与上述的图像分解的逆变换方式来重建得到一个完整的图像,该图像即为最终的经伪影抑制处理的CT全扫描重建图像。
在实际测试过程中,图5A-5D所示为采用传统的方法与采用本申请的方法所得到的图像重建对比结果,其中图5A和图5B分别为采用传统方法和本申请的方法的整体重建效果的比对,其中,图5A中箭头所指的地方存在明显的伪影;而图5C和图5D分别为放大的局部伪影抑制效果比对,其中,图5C中箭头所指示的地方即为伪影。通过比对可知,本申请的CT全扫描图像重建方法具有较好的伪影抑制效果,可以提高图像重建质量等。
本实施例的CT全扫描图像重建方法通过提取投影数据的实部信息和虚部信息,并利用对应的实部图像和虚部图像,分别进行各自的图像分解处理以得到子图像块,然后利用基于深度学习的神经网络进行实部和虚部的子图像块融合,最后进行所有子图像块的重构,以得到最终的重建图像,通过上述一系列的处理步骤,可以有效抑制伪影的产生,从而得到较高质量的重建图像。
实施例2
结合图6和图7,基于上述实施例1的方法,本实施例将对于上述实施例1中的伪影抑制网络的训练过程进行进一步说明。
示范性地,对于上述的伪影抑制网络的获取,主要包括两大部分,一是训练集的获取以及神经网络的构建等,其中,训练集的获取主要包括获取样本数据以及对这些样本的数据预处理等,而神经网络的构建主要包括设计相应的网络结构及构建相应的损失函数等;二是利用这些训练集来对构建的神经网络进行学习训练。
示范性地,对于训练集的获取,可在CT扫描数据集中收集一定数据的不同扫描部位的投影数据,其中包括利用高排数CT和低排数CT分别扫描同一部位的投影数据,例如,该低排数CT可以是单排CT等。可以理解,本实施例将利用高排数CT的投影数据重建出卷积神经网络的输入图像,以进行伪影抑制处理;而由于低排数CT的投影数据一般不会出现伪影问题,故将其作为卷积神经网络的目标图像。
进而,对获取的高排数投影数据样本进行数据预处理。在一种实施方式中,该数据预处理可包括对高排数投影数据进行上述的滤波处理、反投影处理以及图像分解处理等,从而得到对应的多个高排数实部子图像块和高排数虚部子图像块;以及,该数据预处理还包括利用高排数投影数据生成对应的完备性MAP图像,再进行图像分解以得到若干个MAP子图像块等。
而对于扫描相同部位的低排数投影数据样本,可进行图像重建以得到对应的重建图像,之后对重建图像进行图像分解,以得到对应的多个低排数子图像块。可以理解,这些低排数子图像块将作为网络目标图像。
本实施例中,对于该伪影抑制网络,例如,可采用不同的神经网络结构来构建,例如,可采用U-Net神经网络,其中,U-Net神经网络的处理过程主要包括:经过下采样的编码,得到一些比原先图像更小的特征图,然后再经过一个上采样的解码,以还原得到原来的图像。当然,这里也可以采用与U-Net相似的同系列的其他神经网络等,具体可根据实际需求来选取。
本实施例中,该损失函数主要包括两部分,分别是预测子图像块与目标图像之间的像素损失函数MSE loss和以及内容损失函数featureloss。其中,MSE loss函数作为优化目标,可以取得更高的信噪比;而feature loss函数可以保留更多细节信息,以保证图像更清晰。此外,本实施例还将引入位置权重信息,例如,距离中心平面越远,权重越小。
在一种实施方式中,该像素损失函数的表达式为:
在一种实施方式中,该内容损失函数的表达式为:
基于上述两种损失函数,此时总的损失函数的表达式为:
ltotal=wd(α×lmse+β×lfeat);
其中,ltotal表示总的损失函数;lmse表示像素损失函数;α表示像素损失函数的权重;lfeat表示内容损失函数;β表示内容损失函数的权重;wd表示距离权重,d为当前子图像块到中心平面的距离;dmax为最大锥角探测器覆盖范围。
于是,开始网络训练。在一种实施方式中,网络使用Adam优化器、初始学习率为0.001进行训练,在训练过程中,可使用仿射变换和弹性变换等进行数据增广,以保证得到较好的训练结果。
示范性地,如图6所示,该训练过程主要包括如下步骤:
步骤S210,将高排数实部子图像块、高排数虚部子图像块和对应图像位置的MAP子图像块输入至构建的神经网络中,输出得到对应图像位置的预测子图像块,并将相同图像位置的低排数子图像块作为目标图像。
如图7所示,以U-Net神经网络为例,可将三类子图像块分别输入到该U-Net神经网络中,通过该U-Net网络的内部处理,输出得到对应的子图像块。
步骤S220,根据上述的损失函数计算预测子图像块与目标图像之间的损失值,并判断当前的损失值是否满足预设条件。
步骤S230,在所述损失值不满足预设条件时,调整伪影抑制网络中的参数,并利用下一样本对进行网络训练,直到得到的损失值满足上述预设条件时,停止训练。
最后,将训练好的网络部署到实际的CT系统中,以便在后续的CT全扫描图像重建过程中,可根据扫描某个部位重建及分解得到的高排数实部图像和虚部图像的子图像块集,以及完备性MAP图像的子图像块集,作为网络的输入,输出得到目标子图像块集,并通过重构处理,可以得到最终的重建图像。
实施例3
请参照图8,基于上述实施例1的方法,本实施例提出一种CT全扫描图像重建装置100,示范性地,该CT全扫描图像重建装置100包括:
滤波模块110,用于将获取的CT全扫描的投影数据进行滤波,以得到投影实部数据和投影虚部数据。
反投影模块120,用于对所述投影实部数据和所述投影虚部数据分别进行反投影处理,以得到对应的实部图像和虚部图像。
MAP生成模块130,用于根据所述投影数据生成完备性MAP图像。
图像分解模块140,用于对所述实部图像、所述虚部图像和所述MAP图像分别进行图像分解,得到数量相同的多个实部子图像块、虚部子图像块和MAP子图像块。
网络处理模块150,用于将相同图像位置的所述实部子图像块、所述虚部子图像块及所述MAP子图像块输入至伪影抑制网络中,输出对应图像位置的子图像块。
重构模块160,用于利用所有图像位置的所述子图像块进行重构,得到最终的重建图像。
可以理解,本实施例的装置对应于上述实施例1的方法,上述实施例1中的可选项同样适用于本实施例,故在此不再重复描述。
本申请还提供了一种终端设备,示范性地,该终端设备包括处理器和存储器,其中,存储器存储有计算机程序,处理器通过运行所述计算机程序,从而使终端设备执行上述的CT全扫描图像重建方法或者上述CT全扫描图像重建装置中的各个模块的功能。
本申请还提供了一种可读存储介质,用于储存上述终端设备中使用的所述计算机程序。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本申请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。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种CT全扫描图像重建方法,其特征在于,包括:
将获取的CT全扫描的投影数据进行滤波,以得到投影实部数据和投影虚部数据;
对所述投影实部数据和所述投影虚部数据分别进行反投影处理,以得到对应的实部图像和虚部图像;
根据所述投影数据生成完备性MAP图像;
对所述实部图像、所述虚部图像和所述MAP图像分别进行图像分解,得到数量相同的多个实部子图像块、虚部子图像块和MAP子图像块;
将相同图像位置的所述实部子图像块、所述虚部子图像块及所述MAP子图像块输入至伪影抑制网络中,输出对应图像位置的子图像块;
利用所有图像位置的所述子图像块进行重构,得到最终的重建图像。
2.根据权利要求1所述的CT全扫描图像重建方法,其特征在于,所述图像分解的过程,包括:
对待分解图像在径向方向上按照第一数值采样,并在切向方向上按照第二数值采样,得到所述第一数值乘以所述第二数值个分解的子图像块;其中,所述待分解图像为所述实部图像、所述虚部图像或所述MAP图像。
4.根据权利要求1所述的CT全扫描图像重建方法,其特征在于,所述伪影抑制网络的预先训练,包括:
对获取的高排数投影数据样本进行数据预处理,以分别得到对应的多个高排数实部子图像块、高排数虚部子图像块和MAP子图像块;
对扫描相同部位的低排数投影数据样本进行图像重建及图像分解,以得到对应的多个低排数子图像块;
将所述高排数实部子图像块、所述高排数虚部子图像块和对应图像位置的所述MAP子图像块输入至所述伪影抑制网络中,输出得到所述对应图像位置的预测子图像块,并将相同图像位置的所述低排数子图像块作为目标图像;
根据预设损失函数计算所述预测子图像块与所述目标图像之间的损失值,并判断所述损失值是否满足预设条件;
在所述损失值不满足所述预设条件时,调整所述伪影抑制网络中的参数,并利用下一样本对所述伪影抑制网络进行训练,直到得到的损失值满足所述预设条件时,停止训练。
6.根据权利要求1所述的CT全扫描图像重建方法,其特征在于,利用非对称斜坡滤波器对所述全扫描的投影数据进行滤波。
8.一种CT全扫描图像重建装置,其特征在于,包括:
滤波模块,用于将获取的CT全扫描的投影数据进行滤波,以得到投影实部数据和投影虚部数据;
反投影模块,用于对所述投影实部数据和所述投影虚部数据分别进行反投影处理,以得到对应的实部图像和虚部图像;
MAP生成模块,用于根据所述投影数据生成完备性MAP图像;
图像分解模块,用于对所述实部图像、所述虚部图像和所述MAP图像分别进行图像分解,得到数量相同的多个实部子图像块、虚部子图像块和MAP子图像块;
网络处理模块,用于将相同图像位置的所述实部子图像块、所述虚部子图像块及所述MAP子图像块输入至伪影抑制网络中,输出对应图像位置的子图像块;
重构模块,用于利用所有图像位置的所述子图像块进行重构,得到最终的重建图像。
9.一种终端设备,其特征在于,所述终端设备包括处理器和存储器,所述存储器存储有计算机程序,所述处理器用于执行所述计算机程序以实施权利要求1-7中任一项所述的CT全扫描图像重建方法。
10.一种可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序在处理器上执行时,实施根据权利要求1-7中任一项所述的CT全扫描图像重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563989.7A CN113269846B (zh) | 2021-05-24 | 2021-05-24 | 一种ct全扫描图像重建方法、装置和终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563989.7A CN113269846B (zh) | 2021-05-24 | 2021-05-24 | 一种ct全扫描图像重建方法、装置和终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269846A true CN113269846A (zh) | 2021-08-17 |
CN113269846B CN113269846B (zh) | 2023-03-14 |
Family
ID=77232409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110563989.7A Active CN113269846B (zh) | 2021-05-24 | 2021-05-24 | 一种ct全扫描图像重建方法、装置和终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269846B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5400377A (en) * | 1993-07-16 | 1995-03-21 | General Electric Company | Artifact reduction method for tomographic image reconstruction using cross-plane rays |
CN103279929A (zh) * | 2013-05-25 | 2013-09-04 | 北京工业大学 | 一种基于余弦积分的ct图像金属轨迹预测和伪影去除方法 |
CN103714513A (zh) * | 2012-09-29 | 2014-04-09 | 清华大学 | Ct成像中的伪影校正方法以及设备 |
CN104899903A (zh) * | 2015-05-12 | 2015-09-09 | 公安部第一研究所 | 基于cuda架构的gpu并行加速双能谱ct重建方法 |
US20150325012A1 (en) * | 2013-01-28 | 2015-11-12 | Hitachi Medical Corporation | X-ray ct device, and image reconfiguration method |
CN110544282A (zh) * | 2019-08-30 | 2019-12-06 | 清华大学 | 基于神经网络的三维多能谱ct重建方法和设备及存储介质 |
CN112102428A (zh) * | 2020-11-23 | 2020-12-18 | 南京安科医疗科技有限公司 | Ct锥形束扫描图像重建方法、扫描系统计及存储介质 |
-
2021
- 2021-05-24 CN CN202110563989.7A patent/CN113269846B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5400377A (en) * | 1993-07-16 | 1995-03-21 | General Electric Company | Artifact reduction method for tomographic image reconstruction using cross-plane rays |
CN103714513A (zh) * | 2012-09-29 | 2014-04-09 | 清华大学 | Ct成像中的伪影校正方法以及设备 |
US20150325012A1 (en) * | 2013-01-28 | 2015-11-12 | Hitachi Medical Corporation | X-ray ct device, and image reconfiguration method |
CN103279929A (zh) * | 2013-05-25 | 2013-09-04 | 北京工业大学 | 一种基于余弦积分的ct图像金属轨迹预测和伪影去除方法 |
CN104899903A (zh) * | 2015-05-12 | 2015-09-09 | 公安部第一研究所 | 基于cuda架构的gpu并行加速双能谱ct重建方法 |
CN110544282A (zh) * | 2019-08-30 | 2019-12-06 | 清华大学 | 基于神经网络的三维多能谱ct重建方法和设备及存储介质 |
CN112102428A (zh) * | 2020-11-23 | 2020-12-18 | 南京安科医疗科技有限公司 | Ct锥形束扫描图像重建方法、扫描系统计及存储介质 |
Non-Patent Citations (3)
Title |
---|
佟丽霞等: "一种基于引导滤波的CT锥角伪影去除方法研究", 《中国医学装备》 * |
冯初晴等: "能谱CT的标定、重建算法与系统", 《中国体视学与图像分析》 * |
李亮 等: "感兴趣区域CT图像重建方法及模拟实验", 《CT理论与应用研究》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113269846B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109509235B (zh) | Ct图像的重建方法、装置、设备及存储介质 | |
CN110660123B (zh) | 基于神经网络的三维ct图像重建方法和设备以及存储介质 | |
US11120582B2 (en) | Unified dual-domain network for medical image formation, recovery, and analysis | |
Zhang et al. | One-two-one networks for compression artifacts reduction in remote sensing | |
CN112348936B (zh) | 一种基于深度学习的低剂量锥束ct图像重建方法 | |
CN112396672B (zh) | 一种基于深度学习的稀疏角度锥束ct图像重建方法 | |
CN111768340B (zh) | 一种基于密集多路径网络的超分辨图像重构方法和系统 | |
CN112102428B (zh) | Ct锥形束扫描图像重建方法、扫描系统及存储介质 | |
Rivadeneira et al. | Thermal image super-resolution challenge-pbvs 2021 | |
Zhao et al. | Sparse-view CT reconstruction via generative adversarial networks | |
CN113673675A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN116029902A (zh) | 一种基于知识蒸馏的无监督真实世界图像超分辨方法 | |
CN113920212A (zh) | 磁共振重建模型训练方法、计算机装置及存储介质 | |
Yoo et al. | Sinogram image completion for limited angle tomography with generative adversarial networks | |
US20220164927A1 (en) | Method and system of statistical image restoration for low-dose ct image using deep learning | |
CN115937345A (zh) | 一种基于深度学习的光声图像重建方法及装置 | |
CN114187181A (zh) | 基于残差信息精炼的双路径肺部ct图像超分辨率方法 | |
CN113269846B (zh) | 一种ct全扫描图像重建方法、装置和终端设备 | |
CN117011139A (zh) | 基于深度学习的人脸超分辨率图形重建方法及系统 | |
CN117114984A (zh) | 基于生成对抗网络的遥感图像超分辨率重建方法 | |
CN113269847B (zh) | 基于短扫描的ct图像重建方法、装置、设备及存储介质 | |
Albert et al. | Dilated pocs: Minimax convex optimization | |
CN113469882B (zh) | 基于土壤ct图像的超分辨率重建方法及装置 | |
CN115239836A (zh) | 一种基于端到端神经网络的极端稀疏视角ct重建方法 | |
CN115375540A (zh) | 一种基于深度学习算法的太赫兹图像超分辨方法 |
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 |