CN113269847A - 基于短扫描的ct图像重建方法、装置、设备及存储介质 - Google Patents
基于短扫描的ct图像重建方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113269847A CN113269847A CN202110570308.XA CN202110570308A CN113269847A CN 113269847 A CN113269847 A CN 113269847A CN 202110570308 A CN202110570308 A CN 202110570308A CN 113269847 A CN113269847 A CN 113269847A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- neural network
- real part
- imaginary part
- 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 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 8
- 238000002591 computed tomography Methods 0.000 description 76
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 6
- 230000000747 cardiac effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 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
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供一种基于短扫描的CT图像重建方法、装置、设备及存储介质，涉及图像处理技术领域。该基于短扫描的CT图像重建方法包括：获取CT短扫描采集的投影数据；构建非对称斜坡滤波器；根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像；处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像。该基于短扫描的CT图像重建方法可以实现提高图像重建质量的技术效果。
Description
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种基于短扫描的CT图像重建方法、装置、设备及存储介质。
背景技术
目前，CT(Computed Tomography，电子计算机断层扫描)医学成像系统自20世纪70年代发明了之后经过了长足的进步，扫描速度从开始要几分钟到现在的0.2秒。探测器排数也从开始的单排双排，到现在的64排，128排，甚至256排。对于扫描部位来说也从开始仅仅能够满足常规的头部扫描，到现在的心脏CT扫描。心脏的冠脉CTA(CT angiography，CT血管造影)技术也成为了一项重要的心脏检查方法之一。
现有技术中，由于心脏运动的周期性，且运动的不规则性，通常需要对心脏进行门控扫描。也就是根据心脏的心电波形，扫描心脏的固定的心动时间区间的图像，才能保证心脏的运动最少，得到最优的心脏CT图像。时间区间的长度即为时间窗，代表了该心脏图像的时间分辨率。为了从理论上降低心脏的重建图像的时间分辨率，应尽量选用少的时间窗的投影数据。目前重建算法采用传统的滤波反投影类算法，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，传统的重建算法会产生严重的锥束伪影，影响图像诊断。CT系统通过特定的轨道，比如短扫描，经过N个角度扫描物体，采集得到完整的扫描数据。
对于锥束short-scan(短扫描)轴扫，有三类原因产生伪影：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；三是冗余数据处理不当。目前短扫描图像存在难以克服的问题，短扫描图像的一些区域伪影严重。
发明内容
本申请实施例的目的在于提供一种基于短扫描的CT图像重建方法、装置、设备及存储介质，可以实现提高图像重建质量的技术效果。
第一方面，本申请实施例提供了一种基于短扫描的CT图像重建方法，包括：
获取CT短扫描采集的投影数据；
构建非对称斜坡滤波器；
根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像；
处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像。
在上述实现过程中，该基于短扫描的CT图像重建方法通过构建非对称斜坡滤波器的方式，来对CT短扫描采集的投影数据进行滤波，通过对滤波后的投影数据处理得到实部图像和虚部图像，然后利用基于深度学习的图像重建神经网络来重建图像，最终获得得到最终CT重建图像；该基于短扫描的CT图像重建方法不同于常规的基于深度学习的图像处理方法(输入只有原始图像，这个图像经过神经网络处理之后，就是输出的图像)，投影数据根据实部和虚部分别滤波，再将实部图像和虚部图像经过图像重建，作为神经网络的输入，能够达到更好的重建效果，从而实现提高图像重建质量的技术效果。
进一步地，所述根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像的步骤，包括：
将所述投影数据输入至所述非对称斜坡滤波器，获得实部投影数据和虚部投影数据；
将所述实部投影数据输入至反投影处理模型，获得所述实部图像；
将所述虚部投影数据输入至所述反投影处理模型，获得所述虚部图像。
在上述实现过程中，通过非对称斜坡滤波器同时获得实部投影数据和虚部数据，提取更多信息，从而利于对于伪影的抑制。
进一步地，所述处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像的步骤之前，还包括：
获取CT不同扫描部位的训练投影数据；
重建所述训练投影数据，获得网络输入图像和网络目标图像；
构建神经网络，比如U-net；
将网络输入图像和网络目标图像输入至所述U-Net神经网络，训练并获得所述U-Net神经网络的参数；
根据所述U-Net神经网络的参数，获得所述图像重建神经网络。
进一步地，所述U-Net神经网络的损失函数包括像素的MSE loss函数和图像的feature loss函数，所述MSE loss函数为：
所述feature loss函数为：
其中，j表示网络的第j层，CjHjWj为feature_map的尺寸，
为网络预测图像，y为网络目标图像，
为预测图中像素n的值，yn为目标图中像素n的值，N为图像像素的总数。Φ为预训练好的VGG16网络。
进一步地，所述U-Net神经网络总的损失函数为：
ltotal＝Wd(α×lmse+β×lfeat)；
其中，α和β为权重参数，wd为距离相关权重，d为图像距离中心层面的距离。
进一步地，所述训练投影数据包括高排数扫描数据和单排数扫描数据，所述网络输入图像包括实部图像和虚部图像，所述重建所述训练投影数据，获得网络输入图像和网络目标图像的步骤，包括：
将所述高排数扫描数据输入至所述非对称斜坡滤波器，获得高排数实部扫描数据和高排数虚部扫描数据；
对所述高排数实部扫描数据进行卷积反投影处理，获得所述网络输入图像的实部图像；
对所述高排数虚部扫描数据进行卷积反投影处理，获得所述网络输入图像的虚部图像；
对所述单排数扫描数据进行平滑权重处理，获得所述网络目标图像。
第二方面，本申请实施例提供了一种基于短扫描的CT图像重建装置，包括：
获取模块，用于获取CT短扫描采集的投影数据；
滤波器构建模块，用于构建非对称斜坡滤波器；
投影图像模块，用于根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像；
神经网络模块，用于处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像。
进一步地，所述投影图像模块包括：
第一滤波单元，用于将所述投影数据输入至所述非对称斜坡滤波器，获得实部投影数据和虚部投影数据；
第一实部投影单元，用于将所述实部投影数据输入至反投影处理模型，获得所述实部图像；
第一虚部投影单元，用于将所述虚部投影数据输入至所述反投影处理模型，获得所述虚部图像。
进一步地，所述装置还包括：
收集模块，用于获取CT不同扫描部位的训练投影数据；
重建模块，用于重建所述训练投影数据，获得网络输入图像和网络目标图像；
神经网络构建模块，用于构建U-Net神经网络。
训练模块，用于将网络输入图像和网络目标图像输入至所述U-Net神经网络，训练并获得所述U-Net神经网络的参数；
神经网络获得模块，用于根据所述U-Net神经网络的参数，获得所述图像重建神经网络。
进一步地，重建模块包括：
第二滤波单元，用于将所述高排数扫描数据输入至所述非对称斜坡滤波器，获得高排数实部扫描数据和高排数虚部扫描数据；
第二实部投影单元，用于对所述高排数实部扫描数据进行卷积反投影处理，获得所述网络输入图像的实部图像；
第二虚部投影单元，用于对所述高排数虚部扫描数据进行卷积反投影处理，获得所述网络输入图像的虚部图像；
平滑权重单元，用于对所述单排数扫描数据进行平滑权重处理，获得所述网络目标图像。
第三方面，本申请实施例提供的一种设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
第四方面，本申请实施例提供的一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
第五方面，本申请实施例提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。
本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。
为使本申请的上述目的、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申请实施例的技术方案，下面将对本申请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为本申请实施例提供的一种基于短扫描的CT图像重建方法的流程示意图；
图2为本申请实施例提供的另一种基于短扫描的CT图像重建方法的流程示意图；
图3为本申请实施例提供的训练图像重建神经网络的流程示意图；
图4为本申请实施例提供的一种基于短扫描的CT图像重建装置的结构示意图；
图5为本申请实施例提供的投影图像模块的结构示意图；
图6为本申请实施例提供的另一种基于短扫描的CT图像重建装置的结构示意图；
图7为本申请实施例提供的一种设备的结构框图。
图标：100-获取模块；200-滤波器构建模块；300-投影图像模块；400-神经网络模块；500-收集模块；600-重建模块；700-神经网络构建模块；800-训练模块；900-神经网络获得模块；310-第一滤波单元；320-第一实部投影单元；330-第一虚部投影单元；510-处理器；520-通信接口；530-存储器；540-通信总线。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请实施例提供了一种基于短扫描的CT图像重建方法、装置、设备及存储介质，可以应用于CT扫描数据的图像处理中；该基于短扫描的CT图像重建方法通过构建非对称斜坡滤波器的方式，来对CT短扫描采集的投影数据进行滤波，通过对滤波后的投影数据处理得到实部图像和虚部图像，然后利用基于深度学习的图像重建神经网络来重建图像，最终获得得到最终CT重建图像；该基于短扫描的CT图像重建方法不同于常规的基于深度学习的图像处理方法(输入只有原始图像，这个图像经过神经网络处理之后，就是输出的图像)，投影数据根据实部和虚部分别滤波，再将实部图像和虚部图像分别进行反投影得到实部虚部图像对，作为神经网络的输入，能够达到更好的重建效果，从而实现提高图像重建质量的技术效果。
请参见图1，图1为本申请实施例提供的一种基于短扫描的CT图像重建方法的流程示意图，该基于短扫描的CT图像重建方法包括如下步骤：
S100：获取CT短扫描采集的投影数据。
示例性地，通常的CT扫描的图像重建过程，一般利用的是滤波反投影算法。这类算法已经经历了几十年的发展历程，有了很多衍生方法。一般的，CT扫描的几何结构中X射线源和探测器相对，围绕着物体沿着一定的轨道旋转，一般可以是螺旋和圆形扫描轨道。在扫描的过程中，在每个角度位置，X射线穿过物体，不同形状及组成的物体对射线的衰减强度不一样，衰减之后的信号到达探测器，探测器采集一个角度的投影数据。CT系统通过特定的轨道，比如短扫描，经过N个角度扫描物体，采集得到完整的扫描数据，即CT短扫描采集的投影数据。
S200：构建非对称斜坡滤波器。
示例性地，传统算法采用对称的斜坡滤波器进行重建，输入的信号是实数信号，输出的也是实数信号。对称滤波器的好处是输入和输出都是实数，处理更简单，但是会使得最终图像中只有实数，缺少了虚数图像的信息，不利于对于伪影的抑制。因此，本申请实施例采用了基于非对称斜坡滤波器的滤波方式。通过非对称斜坡滤波器提取更多信息，然后再利用人工智能的方式来训练神经网络，利用训练好的神经网络来整合实部和虚部图像，来得到优质的重建图像。
S300：根据投影数据和非对称斜坡滤波器，获得实部图像和虚部图像。
示例性地，通过新型的非对称滤波器的方式，对CT短扫描获得的投影数据进行滤波反投影的图像重建，从而通过上述方式得到实部图像和虚部图像。
S400：处理实部图像和虚部图像得到相应的实部虚部图像对，再把实部虚部图像对输入到神经网络，获得最终CT重建图像。
示例性地，该基于短扫描的CT图像重建方法通过构建非对称斜坡滤波器的方式，来对CT短扫描采集的投影数据进行滤波，通过对滤波后的投影数据处理得到实部图像和虚部图像，然后利用基于深度学习的图像重建神经网络来重建图像，最终获得得到最终CT重建图像；该基于短扫描的CT图像重建方法不同于常规的基于深度学习的图像处理方法，投影数据根据实部和虚部分别滤波，再将实部图像和虚部图像作为神经网络的输入，能够达到更好的重建效果，从而实现提高图像重建质量的技术效果。
请参见图2，图2为本申请实施例提供的另一种基于短扫描的CT图像重建方法的流程示意图。
示例性地，S300：根据投影数据和非对称斜坡滤波器，获得实部图像和虚部图像的步骤，包括：
S310：将投影数据输入至非对称斜坡滤波器，获得实部投影数据和虚部投影数据；
S320：将实部投影数据输入至反投影处理模型，获得实部图像；
S330：将虚部投影数据输入至反投影处理模型，获得虚部图像。
示例性地，构建非对称斜坡滤波器并将投影数据输入至非对称斜坡滤波器，得到实部投影数据h_real和虚部投影数据h_image，非对称斜坡滤波器的处理式如下：
其中，C为给定参数，如C＝1时，就是相当于传统的对称斜坡滤波器，当C≠1得到复数投影数据h_real和虚部投影数据h_image。
示例性地，将将投影数据输入至非对称斜坡滤波器，利用非对称斜坡滤波器的滤波方式，通过非对称斜坡滤波器同时获得实部投影数据和虚部投影数据，提取更多信息，从而利于对于伪影的抑制；然后将实部投影数据和虚部投影数据分别进行反投影处理，获得实部重建图像和虚部重建图像。
请参见图3，图3为本申请实施例提供的训练图像重建神经网络的流程示意图。
示例性地，S400：将处理实部图像和虚部图像得到相应的实部虚部图像对，再把实部虚部图像对输入到神经网络，获得最终CT重建图像的步骤之前，还包括：
S401：获取CT不同扫描部位的训练投影数据；
S402：重建训练投影数据，获得网络输入图像和网络目标图像；
S403：构建U-Net神经网络；
S404：将网络输入图像和网络目标图像输入至U-Net神经网络，训练并获得U-Net神经网络的参数；
S405：根据U-Net神经网络的参数，获得图像重建神经网络(即本申请实施例所使用的神经网络)。
在一些实施场景中，对于图像重建神经网络的训练可以采用如下的流程：
在图像重建神经网络的训练前，创建CT扫描数据集，CT扫描数据集包括各个部位的常规CT扫描数据，可分别用单排CT和高排数(比如256排)CT对同一部位进行扫描，此外，也可以是通过数值模拟仿真的方式，分别用单排CT系统和高排数CT系统，对数字体膜进行CT投影仿真，得到对比数据集。
步骤1，数据预处理生成训练集：在CT扫描数据集中收集m例不同扫描部位的投影数据，分别利用高排数CT和单排数CT的投影数据重建出卷积神经网络的输入图像和目标图像。高排数CT的投影数据的实部和虚部分别滤波，滤波后的投影数据分别进行反投影，得到两类网络输入图像作为神经网络的输入，网络目标图像为其对应位置的单排数CT的投影数据通过parker-weighting处理后的重建结果。
步骤2，设计图像重建神经网络的网络结构和损失函数：构建U-Net的神经网络作为图像重建网络，输入是两类网络输入图像，经过下采样的编码，得到一串比原先图像更小的特征，相当于压缩，然后再经过一个解码，理想状况就是能还原到原来的图像。其中，神经网络的输入两类网络输入图像为：第一个输入为高排数CT的投影数据实部的重建图像，第二个输入为高排数CT的投影数据虚部的重建图像，输出为单排数CT的投影数据的重建图像，两个输入、一个输出的大小保持一致。该神经网络采用的损失函数包含两部分，像素的MSE loss函数和图像的feature loss函数。其中，MSE loss函数作为优化目标，以取得更高的信噪比，feature loss函数可以保留更多细节信息，保证图像更清晰。同时可以引入位置权重信息，距离中心平面越远，权重越小。高排数CT的投影数据实部的重建图像和虚部的重建图像作为训练集，单排数CT的投影数据的重建图像作为测试集。
步骤3，网络训练：将训练集和测试集数据输入到网络中，网络使用Adam优化器、初始学习率为0.001进行训练，训练过程中，使用仿射变换和弹性变换进行数据增广，最后训练完成得到网络的网络参数。
步骤4，训练好的网络。从数据集中选取某个扫描部位重建出高排数实部和虚部图像，输入到网络中，得到目标图像，并部署到实际的系统中。
示例性地，U-Net神经网络的损失函数包括像素的MSE loss函数和图像的featureloss函数，MSE loss函数为：
feature loss函数为：
其中，j表示网络的第j层，CjHjWj为feature_map的尺寸，
为网络预测图像，y为网络目标图像，
为预测图中像素n的值，yn为目标图中像素n的值，N为图像像素的总数。Φ为预训练好的VGG16网络。
示例性地，U-Net神经网络总的损失函数为：
ltotal＝Wd(α×lmse+β×lfeat)；
其中，α和β为权重参数，wd为距离相关权重，d为图像距离中心层面的距离；其中，wd可表示为：
其中d为图像距离中心层面的距离，dmax为最大锥角探测器覆盖范围。
示例性地，训练投影数据包括高排数扫描数据和单排数扫描数据，网络输入图像包括实部图像和虚部图像，S402：重建训练投影数据，获得网络输入图像和网络目标图像的步骤，包括：
将高排数扫描数据输入至非对称斜坡滤波器，获得高排数实部扫描数据和高排数虚部扫描数据；
对高排数实部扫描数据进行卷积反投影处理，获得网络输入图像的实部图像；
对高排数虚部扫描数据进行卷积反投影处理，获得网络输入图像的虚部图像；
对单排数扫描数据进行平滑权重处理，获得网络目标图像。
示例性地，高排数实部扫描数据和高排数虚部扫描数据分别为高排数CT的投影数据的实部和虚部，分别进行卷积反投影处理后，获得网络输入图像的实部图像、虚部图像；将网络输入图像的实部图像、虚部图像和网络目标图像输入至神经网络中进行训练，其中神经网络根据网络输入图像的实部图像、虚部图像生成网络预测图像。
请参见图4，图4为本申请实施例提供的一种基于短扫描的CT图像重建装置的结构示意图，该基于短扫描的CT图像重建装置包括：
获取模块100，用于获取CT短扫描采集的投影数据；
滤波器构建模块200，用于构建非对称斜坡滤波器；
投影图像模块300，用于根据投影数据和非对称斜坡滤波器，获得实部图像和虚部图像；
神经网络模块400，用于处理实部图像和虚部图像得到相应的实部虚部图像对，再把实部虚部图像对输入到神经网络，获得最终CT重建图像。
请参见图5，图5为本申请实施例提供的投影图像模块的结构示意图。
示例性地，投影图像模块300包括：
第一滤波单元310，用于将投影数据输入至非对称斜坡滤波器，获得实部投影数据和虚部投影数据；
第一实部投影单元320，用于将实部投影数据输入至反投影处理模型，获得实部图像；
第一虚部投影单元330，用于将虚部投影数据输入至反投影处理模型，获得虚部图像。
请参见图6，图6为本申请实施例提供的另一种基于短扫描的CT图像重建装置的结构示意图。
示例性地，该基于短扫描的CT图像重建装置还包括：
收集模块500，用于获取CT不同扫描部位的训练投影数据；
重建模块600，用于重建训练投影数据，获得网络输入图像和网络目标图像；
神经网络构建模块700，用于构建U-Net神经网络。
训练模块800，用于将网络输入图像和网络目标图像输入至U-Net神经网络，训练并获得U-Net神经网络的参数；
神经网络获得模块900，用于根据U-Net神经网络的参数，获得图像重建神经网络(即本申请实施例所使用的神经网络)。
示例性地，重建模块600包括：
第二滤波单元，用于将高排数扫描数据输入至非对称斜坡滤波器，获得高排数实部扫描数据和高排数虚部扫描数据；
第二实部投影单元，用于对高排数实部扫描数据进行卷积反投影处理，获得网络输入图像的实部图像；
第二虚部投影单元，用于对高排数虚部扫描数据进行卷积反投影处理，获得网络输入图像的虚部图像；
平滑权重单元，用于对单排数扫描数据进行平滑权重处理，获得网络目标图像。
应理解，图4至图6所示的基于短扫描的CT图像重建装置与图1至图3所示的基于短扫描的CT图像重建方法相对应，为避免重复，此处不再赘述。
本申请还提供一种设备，请参见图7，图7为本申请实施例提供的一种设备的结构框图。设备可以包括处理器510、通信接口520、存储器530和至少一个通信总线540。其中，通信总线540用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口520用于与其他节点设备进行信令或数据的通信。处理器510可以是一种集成电路芯片，具有信号的处理能力。
上述的处理器510可以是通用处理器，包括中央处理器(CPU，Central ProcessingUnit)、网络处理器(NP，Network Processor)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
存储器530可以是，但不限于，随机存取存储器(RAM，Random Access Memory)，只读存储器(ROM，Read Only Memory)，可编程只读存储器(PROM，Programmable Read-OnlyMemory)，可擦除只读存储器(EPROM，Erasable Programmable Read-Only Memory)，电可擦除只读存储器(EEPROM，Electric Erasable Programmable Read-Only Memory)等。存储器530中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器510执行时，设备可以执行上述图1至图3方法实施例涉及的各个步骤。
可选地，设备还可以包括存储控制器、输入输出单元。
所述存储器530、存储控制器、处理器510、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器530中存储的可执行模块，例如设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是，但不限于，鼠标和键盘等。
可以理解，图7所示的结构仅为示意，所述设备还可包括比图7中所示更多或者更少的组件，或者具有与图7所示不同的配置。图7中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，所述计算机程序被处理器执行时实现方法实施例所述的方法，为避免重复，此处不再赘述。
本申请还提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。
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，附图中的流程图和框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，在有些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，框图和/或流程图中的每个方框、以及框图和/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，也可以两个或两个以上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实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
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。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种基于短扫描的CT图像重建方法，其特征在于，包括：
获取CT短扫描采集的投影数据；
构建非对称斜坡滤波器；
根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像；
处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像。
2.根据权利要求1所述基于短扫描的CT图像重建方法，其特征在于，所述根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像的步骤，包括：
将所述投影数据输入至所述非对称斜坡滤波器，获得实部投影数据和虚部投影数据；
将所述实部投影数据输入至反投影处理模型，获得所述实部图像；
将所述虚部投影数据输入至所述反投影处理模型，获得所述虚部图像。
3.根据权利要求1所述基于短扫描的CT图像重建方法，其特征在于，所述处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像的步骤之前，还包括：
获取CT不同扫描部位的训练投影数据；
重建所述训练投影数据，获得网络输入图像和网络目标图像；
构建U-Net神经网络；
将网络输入图像和网络目标图像输入至所述U-Net神经网络，训练并获得所述U-Net神经网络的参数；
根据所述U-Net神经网络的参数，获得所述神经网络。
4.根据权利要求3所述基于短扫描的CT图像重建方法，其特征在于，所述U-Net神经网络的损失函数包括像素的MSE loss函数和图像的feature loss函数，所述MSE loss函数为：
所述feature loss函数为：
其中，j表示网络的第j层，CjHjWj为feature_map的尺寸，
为网络预测图像，y为网络目标图像，
为预测图中像素n的值，yn为目标图中像素n的值，N为图像像素的总数，Φ为预训练好的VGG16网络。
5.根据权利要求4所述基于短扫描的CT图像重建方法，其特征在于，所述U-Net神经网络总的损失函数为：
ltotal＝wd(α×lmse+β×lfeat)；
其中，α和β为权重参数，wd为距离相关权重，d为图像距离中心层面的距离。
6.根据权利要求3所述基于短扫描的CT图像重建方法，其特征在于，所述训练投影数据包括高排数扫描数据和单排数扫描数据，所述网络输入图像包括实部图像和虚部图像，所述重建所述训练投影数据，获得网络输入图像和网络目标图像的步骤，包括：
将所述高排数扫描数据输入至所述非对称斜坡滤波器，获得高排数实部扫描数据和高排数虚部扫描数据；
对所述高排数实部扫描数据进行卷积反投影处理，获得所述网络输入图像的实部图像；
对所述高排数虚部扫描数据进行卷积反投影处理，获得所述网络输入图像的虚部图像；
对所述单排数扫描数据进行平滑权重处理，获得所述网络目标图像。
7.一种基于短扫描的CT图像重建装置，其特征在于，包括：
获取模块，用于获取CT短扫描采集的投影数据；
滤波器构建模块，用于构建非对称斜坡滤波器；
投影图像模块，用于根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像；
神经网络模块，用于处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像。
8.根据权利要求7所述的基于短扫描的CT图像重建装置，其特征在于，所述装置还包括：
收集模块，用于获取CT不同扫描部位的训练投影数据；
重建模块，用于重建所述训练投影数据，获得网络输入图像和网络目标图像；
神经网络构建模块，用于构建U-Net神经网络；
训练模块，用于将网络输入图像和网络目标图像输入至所述U-Net神经网络，训练并获得所述U-Net神经网络的参数；
神经网络获得模块，用于根据所述U-Net神经网络的参数，获得所述神经网络。
9.一种设备，其特征在于，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于短扫描的CT图像重建方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如权利要求1至6任一项所述的基于短扫描的CT图像重建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110570308.XA CN113269847B (zh) | 2021-05-24 | 2021-05-24 | 基于短扫描的ct图像重建方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110570308.XA CN113269847B (zh) | 2021-05-24 | 2021-05-24 | 基于短扫描的ct图像重建方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113269847A true CN113269847A (zh) | 2021-08-17 |
| CN113269847B CN113269847B (zh) | 2024-08-02 |
Family
ID=77232723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110570308.XA Active CN113269847B (zh) | 2021-05-24 | 2021-05-24 | 基于短扫描的ct图像重建方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113269847B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114298920A (zh) * | 2021-12-06 | 2022-04-08 | 北京朗视仪器股份有限公司 | 一种超视野ct图像重建模型训练和超视野ct图像重建方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20160253818A1 (en) * | 2015-02-26 | 2016-09-01 | Kabushiki Kaisha Toshiba | Method and apparatus for computed tomography using asymetric filter for volume half reconstruction |
| CN107767408A (zh) * | 2017-11-09 | 2018-03-06 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
| CN110517330A (zh) * | 2019-08-07 | 2019-11-29 | 北京航空航天大学 | 一种偏置扫描模式下的工业锥束ct重建方法 |
| CN111242947A (zh) * | 2020-03-12 | 2020-06-05 | 南京安科医疗科技有限公司 | 一种ct扫描图像质量评价方法、计算机可读存储介质、ct扫描装置 |
| 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 CN202110570308.XA patent/CN113269847B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160253818A1 (en) * | 2015-02-26 | 2016-09-01 | Kabushiki Kaisha Toshiba | Method and apparatus for computed tomography using asymetric filter for volume half reconstruction |
| 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 |
| CN107767408A (zh) * | 2017-11-09 | 2018-03-06 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
| CN110517330A (zh) * | 2019-08-07 | 2019-11-29 | 北京航空航天大学 | 一种偏置扫描模式下的工业锥束ct重建方法 |
| CN111242947A (zh) * | 2020-03-12 | 2020-06-05 | 南京安科医疗科技有限公司 | 一种ct扫描图像质量评价方法、计算机可读存储介质、ct扫描装置 |
| 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 (2)
| Title |
|---|
| 彭杨: "单像素成像系统快速成像方法研究", 中国博士学位论文全文数据集 信息科技集（月刊）, no. 2020, 15 February 2020 (2020-02-15), pages 138 - 108 * |
| 王永振等: "多层螺旋CT扫描及三维重建技术在肋软骨组织量评估中的应用研究", 中国修复重建外科杂志, vol. 28, no. 10, 19 September 2014 (2014-09-19), pages 1266 - 1269 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114298920A (zh) * | 2021-12-06 | 2022-04-08 | 北京朗视仪器股份有限公司 | 一种超视野ct图像重建模型训练和超视野ct图像重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113269847B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7234064B2 (ja) | 反復的画像再構成フレームワーク | |
| US11727569B2 (en) | Training a CNN with pseudo ground truth for CT artifact reduction | |
| US11120582B2 (en) | Unified dual-domain network for medical image formation, recovery, and analysis | |
| RU2568321C2 (ru) | Реконструкция изображения изучаемой области | |
| CN102013089B (zh) | 用于噪声减少的迭代ct图像滤波器 | |
| JP2020099662A (ja) | Ｘ線ｃｔシステム及び方法 | |
| RU2541860C2 (ru) | Устройство и способ для обработки проекционных данных | |
| JP2021013725A (ja) | 医用装置 | |
| CN105118039B (zh) | 实现锥束ct图像重建的方法及系统 | |
| JP6044046B2 (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 | |
| CN111462020A (zh) | 心脏图像的运动伪影校正方法、系统、存储介质和设备 | |
| JP2016152916A (ja) | Ｘ線コンピュータ断層撮像装置及び医用画像処理装置 | |
| AU2019271915A1 (en) | Method and system for motion correction in CT imaging | |
| Zhang et al. | Accurate and robust sparse‐view angle CT image reconstruction using deep learning and prior image constrained compressed sensing (DL‐PICCS) | |
| JP2023004941A (ja) | Ｘ線診断装置、医用画像処理方法及び学習済みモデルの生成方法 | |
| CN113269847B (zh) | 基于短扫描的ct图像重建方法、装置、设备及存储介质 | |
| CN102232842A (zh) | 用于心脏计算机断层造影拍摄的改进的多片段图像重建 | |
| CN111340904A (zh) | 图像处理方法、装置及计算机可读存储介质 | |
| CN110073412B (zh) | 使用交替否定的图像噪声估计 | |
| US20230363724A1 (en) | X-ray ct apparatus and high-quality image generation device | |
| CN117830449A (zh) | 基于生成对抗网络的神经辐射场实现从单张医学x光图像重建新视角图像的方法 | |
| JP2021065707A (ja) | 医用画像処理装置、学習済みモデルおよび医用画像処理方法 | |
| CN112419175A (zh) | 一种共享权重的双区域生成对抗网络及其图像生成方法 | |
| CN113592968B (zh) | 断层扫描图像中金属伪影的消减方法和装置 | |
| JP2022027382A (ja) | 情報処理方法、医用画像診断装置及び情報処理システム |
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 |