CN113393551A - 一种基于云服务器的影像系统 - Google Patents
一种基于云服务器的影像系统 Download PDFInfo
- Publication number
- CN113393551A CN113393551A CN202110736673.3A CN202110736673A CN113393551A CN 113393551 A CN113393551 A CN 113393551A CN 202110736673 A CN202110736673 A CN 202110736673A CN 113393551 A CN113393551 A CN 113393551A
- Authority
- CN
- China
- Prior art keywords
- data
- scanning
- image
- data processing
- host
- 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
- 238000012545 processing Methods 0.000 claims abstract description 128
- 238000013500 data storage Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 58
- 238000000034 method Methods 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 32
- 230000005540 biological transmission Effects 0.000 claims description 31
- 238000013523 data management Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000003672 processing method Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000002600 positron emission tomography Methods 0.000 description 61
- 238000009826 distribution Methods 0.000 description 41
- 230000006870 function Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 19
- 230000000694 effects Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 7
- 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 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000013598 vector Substances 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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于云服务器的影像系统，包括：本地端设备和云服务器；本地端设备包括：扫描床、扫描主机和显示装置；云服务器包括：数据处理设备和数据存储装置；扫描主机和数据处理设备、数据存储装置通信连接；扫描主机将采集的扫描数据传输至数据处理设备，数据处理设备基于扫描数据重建图像，并将重建的结果发送至显示装置以显示；数据存储装置，用于存储扫描数据和图像重建的结果。上述影像系统解决了现有PET‑CT计算设备中显卡配置、硬盘配置和/或CPU配置占用空间大、成本高的缺陷，以及解决现有PET‑CT计算设备无法升级的问题。
Description
技术领域
本发明涉及医疗影像设备，尤其涉及一种基于云服务器的影像系统。
背景技术
PET(Positron Emission Tomography)全称正电子发射断层成像系统，利用能够发射正电子的核素标记到能够参与人体组织血流或代谢过程的化合物上，得到人体横断面、冠状断面和矢状断面标记核素的分布信息影像。CT(Computed Tomography)是电子计算机断层成像系统，利用X线束，与灵敏度极高的探测器一同对人体做断面扫描，得到人体横断面、冠状断面和矢状断面的解剖影像。PET-CT是通过两种技术结合，对PET和CT产生的医学图像进行融合，作为临床生理和病理方面的诊断。
PET-CT设备在工作的时候，需要分别进行CT数据的采集，PET数据的采集，CT采集数据的处理，PET采集数据的处理，然后CT图像重建，PET图像重建，PET-CT图像的融合，PET-CT图像的显示。随着技术的发展，CT采集的数据量和PET采集的原始数据量越来越大，对采集计算机和数据处理计算的资源要求越来越高，普通的计算机已经很难满足需求，目前的主流PET-CT设备都是采用1台或者2台的高端配置的服务器来进行数据的采集和后续处理，高端配置的服务器价格贵，占用医院的空间大，同时还面临的一个问题，就是随着算法的升级，尤其是人工智能算法的升级，原有的计算机的固定配置会成为瓶颈，无法实现更先进的算法。
为此，如何解决现有的PET-CT设备配置无法升级，且成本高、占用空间大的问题成为当前亟需解决的技术问题。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足，本发明提供一种基于云服务器的影像系统。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明实施例提供一种基于云服务器的影像系统，包括：本地端设备和云服务器；
所述本地端设备包括：扫描床、与扫描床对应的至少一个扫描主机、显示装置；
所述云服务器包括：数据处理设备和数据存储装置；
每一个扫描主机和所述数据处理设备、数据存储装置通信连接；至少一个扫描主机按照数据传输策略将采集的扫描数据传输至所述数据处理设备，所述数据处理设备根据扫描主机上传的扫描数据进行图像重建；
所述数据处理设备与显示装置交互，将图像重建的结果发送所述显示装置以显示；
所述数据存储装置，用于存储所述扫描主机采集的扫描数据和所述图像重建的结果。
可选地，所述云服务器还包括：数据管理装置；
所述数据管理装置与所述数据处理设备、数据存储装置集成在一个设备中，用于确认本地端设备的权限、本地端设备的升级信息。
可选地，所述扫描主机包括下述的一种或多种：PET-CT主机、CT主机、MRI主机、PET-MRI主机和PET主机；
所述显示装置包括多个用于显示图像的计算机，所述显示装置独立所述扫描主机设置。
可选地，所述数据管理装置还用于借助于每一个扫描主机的机器指纹对该扫描主机分配权限，以使所述扫描主机基于分配的权限与扫描床、云服务器交互；
和/或，数据处理设备选择至少一个数据重建算法重建图像，所述数据重建算法为扫描主机确定的，或者数据处理设备根据扫描主机发送的数据描述信息和重建策略选择最优的数据重建算法；
和/或，数据处理设备选择至少一个数据重建算法重建图像，并对重建的图像进行翻译/图像转换，获取高信噪比的图像，所述数据重建算法为扫描主机确定的，或者数据处理设备根据扫描主机发送的数据描述信息和重建策略选择最优的数据重建算法。
第二方面，本发明实施例还提供一种基于云服务器的影像系统的数据处理方法，所述方法包括：
云服务器的数据处理设备通过控制通道接收本地端设备中扫描主机传输的控制信息；所述控制信息包括：用于传输扫描数据的数据传输策略信息；
数据处理设备通过数据通道接收扫描主机按照数据传输策略信息传输的扫描数据；
所述数据处理设备确定所述扫描数据传输完成后，根据数据重建算法对所述扫描数据进行重建，获取用于在显示装置中显示的重建的图像；
所述数据处理设备接收所述显示装置发送的获取重建图像的请求，将重建的图像发送所述显示装置以显示；
所述基于云服务器的影像系统为上述第一方面任一所述的影像系统。
可选地，云服务器的数据处理设备通过控制通道接收本地端设备中扫描主机传输的控制信息之前，所述扫描主机基于TCP通信协议与所述数据处理设备交互，建立所述数据通道和所述控制通道。
可选地，所述数据重建算法为所述数据处理设备与所述扫描主机借助于控制通道交互确定的，或者所述数据重建算法为所述数据处理设备根据控制信息中数据描述信息和重建策略选择的最优的数据重建算法；
所述数据描述信息包括：用于描述当前数据属性和数据特性、数据用途的信息。所述扫描主机借助于控制通道向数据处理设备传输数据描述信息，即在数据通道的数据传输完成之后进行传输数据描述信息，或者数据传输完成之前传输数据描述信息。
可选地，所述数据通道传输的扫描数据包括：可编辑的数据帧，所述数据帧包括：帧头和数据块；
所述帧头用于存储数据块中数据的基础属性和序号，所述帧头包括数据帧长度标识、所有字段序号；
和/或，所述帧头还包括：数据块的CRC32校验值。
可选地，所述数据处理设备根据数据重建算法对所述扫描数据进行重建，获取用于在显示装置中显示的重建的图像；包括：
所述数据处理设备根据预设的数据重建算法对所述低信噪比的扫描数据进行重建获得第一图像，并对第一图像进行图像转换处理，获得高信噪比的用于在显示装置中显示的第二图像；
所述第一图像为数据处理设备基于低信噪比的扫描数据重建的图像；本实施例中的低信噪比的扫描数据可为患者使用低剂量的示踪剂时，获取的扫描数据。
或者，
数据处理设备根据扫描主机发送的数据描述信息和重建策略选择的最优的数据重建算法，基于选择的数据重建算法对扫描数据进行重建获得第一图像，并对第一图像进行图像转换处理，获得高信噪比的用于在显示装置中显示的第二图像；
所述第一图像为数据处理设备基于低信噪比的扫描数据重建的图像；
或者，
数据处理设备根据扫描主机发送的数据描述信息和重建策略选择的最优的数据重建算法，基于选择的数据重建算法对探测数据进行重建获得用于在显示装置中显示的第一图像。
可选地，所述方法还包括：
所述数据处理设备接收所有扫描数据后，查看所述扫描数据的完整性；
若扫描数据存在缺失，则通过控制通道向扫描主机发送数据缺失的信息；
所述扫描主机根据所述数据缺失的信息，通过数据通道将缺失的扫描数据重新发送所述数据处理设备。
在本发明中，云服务器的划分可不限定数据处理设备、数据存储装置和数据管理装置三部分，其根据实际功能或用途划分，本实施例中仅仅是划分三部分进行说明，在医疗影像处理领域，其他能够在云服务器中实现的功能均可集成在云服务器中，均属于本发明的技术构思。
本发明的影像系统及其数据处理方法适用的是医疗领域的图像重建的方案，将需要高配置的重建算法设置在云端即云服务器内实现，进而较好的降低本地端配置的成本，且能够快速获取重建的图像，同时便于集中式管理。在本发明实施例中，云服务器的数据存储装置中存储有多个数据重建算法或图像处理算法。
(三)有益效果
本发明的有益效果是：本发明实施例中云服务器的数据处理设备可以实现对图像重建的处理，此时，本地端设备仅布置一台低成本的计算机作为扫描主机能够实现数据采集即可，采集的数据传输到云服务器实现数据的处理和图像的重建，进而较好的降低了成本，节省了现场的空间，更重要的是解决了现有技术中扫描主机需要配置较复杂的系统算法和在软件升级时需要较高配置的缺陷。
本地端的扫描主机可实现如扫描开始，扫描结束的控制；显示装置可实现如图像的预览和显示等，由此，可便于在各区域布置多个显示装置，便于医生从云服务器中下载查看，有效降低了成本，提高了便携性。
附图说明
图1是现有技术中PET-CT系统的架构示意图；
图2是本发明一实施例提供的基于云服务器的影像系统的架构示意图；
图3是本发明一实施例提供的采用云服务器的PET-CT系统的流程示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
如图1所示，现有的PET-CT系统组成架构，PET-CT系统由以下组成：第一部分，CT主机，PET主机，CT主机和PET主机通常有一个共同的外罩，两者的组合体有时候会被称为PET-CT主机；第二部分：支撑扫描者的扫描床，系统工作的时候，扫描者躺着扫描床上；第三部分：数据采集和处理系统，通常由至少两台计算机，至少一台显示器和一个控制盒组成。当前最新配置的系统当中，包括三台计算机，其中一台是系统控制和展示图像使用的即作为控制及显示计算机，第二台是PET的数据处理计算机，采用的是商用服务器，配置很高，第三台是CT的数据处理计算机，采用的是商用的服务器；PET数据处理计算机和CT数据处理计算机的配置是尤其处理的数据量和需要处理的速度决定的，两台计算机的配置如下表，下表为2019年的服务器基本配置。
即使是这样的高端配置，也会面临将来显卡淘汰，处理器落后的问题。
实际中，PET-CT系统中各类主机的使用寿命通常为8年或者10年，而一般的商用服务器的升级换代周期为3年，所以到PET-CT系统的各主机设备一般都会面临计算机配置陈旧，设备内部系统软件无法升级到最新的算法或者软件的问题。
为此，针对现有技术中PET-CT数据采集和处理计算机配置高，成本贵、占用空间大且无法升级的问题。
本发明实施例提供一种可选的实现方案：将PET-CT的数据处理和图像重建功能放置在云服务器中实现，扫描床的现场只放置一台计算机，用于数据基本的操作。例如扫描主机可实现如扫描开始，扫描结束等的基本控制功能。医生端可根据需求布置显示装置，该显示装置可实现图像的预览和显示等。采集的扫描数据传输到云服务器进行数据的处理和图像的重建，然后将重建的图像发送到本地端设备的显示装置。或者，本地端设备根据需要登录到云服务器中下载或在线查看图像。
本发明实施例的方案不但降低了本地端设备的成本，节省了现有高配置的处理设备的占用空间，更重要的是解决了现有技术中PET-CT系统需要定期更换高配置设备的问题，同时解决了现有技术中PET-CT系统升级困难的问题。云服务器中可以引入更大数据量的算法，对图像进行更高质量的处理。
另外，本发明实施例还提供一种可选的实现方案，如一种基于云服务器的影像系统，该影像系统包括：本地端设备和云服务器；
所述本地端设备包括：扫描床、与扫描床对应的至少一个扫描主机、显示装置；所述云服务器包括：数据处理设备和数据存储装置；
每一个扫描主机和所述数据处理设备、数据存储装置通信连接；至少一个扫描主机按照数据传输策略将采集的扫描数据传输至所述数据处理设备，所述数据处理设备根据扫描主机上传的扫描数据进行图像重建；所述数据处理设备与显示装置交互，将图像重建的结果发送所述显示装置以显示；所述数据存储装置，用于存储所述扫描主机采集的扫描数据和所述图像重建的结果。
另外，本实施例中的云服务器还包括：数据管理装置；所述数据管理装置与所述数据处理设备、数据存储装置集成在一个设备中，用于确认本地端设备的权限、本地端设备的升级信息。在其他实施例中，数据管理装置还可用于确定所述数据处理设备进行图像重建的重建方式如图像重建算法等。所述数据管理装置还用于借助于每一个扫描主机的机器指纹(如硬盘、CPU、显卡、网卡等标识作为机器指纹)对该扫描主机分配权限，以使所述扫描主机基于分配的权限与扫描床、云服务器交互。数据管理装置验证每一扫描主机的机器指纹是否和存储的该扫描主机的机器指纹一致，若一致，则与扫描床、扫描主机交互。当然在分配权限时，若扫描床对应两个扫描主机，则可对每一台扫描主机分配不同的管理权限，以实现与云端设备的交互。
当然，本实施例中的扫描主机可包括：PET-CT主机、CT主机、MRI主机、PET-MRI主机和PET主机等，本实施例不对其限定，根据实际需要进行布置；本地端设备的显示装置可包括多个位于不同区域的用于显示图像的计算机，所述显示装置独立所述扫描主机设置。本实施例的显示装置可以是任意一台计算机，其能够实现连接云服务器并查看图像即可。在本实施例中，将图像重建的功能配置在云服务器中，进而减少本地端设备的成本，使得本地端设备可以根据需要进行灵活布置。
本实施例中的数据处理设备中集成有多个图像重建算法，以在接收扫描主机上传的图像序列即扫描数据之后进行图像的重建。
实施例一
如图2所示，图2示出了本发明一实施例提供的基于云服务器的影像系统的架构示意图，在本实施例中，将PET和CT的处理算法集成在云服务器中实现，即对云服务器进行配置实现多种图像重建的算法。本实施例中，云服务器可以采用商用的云服务器，选择很多，云服务器主要的配置重点在于服务器CPU和带宽，服务器硬盘的大小可以根据实际需要进行选择，初期选择2T的服务器硬盘，CPU选择高性能的CPU。
例如，可将本地设备的CT主机和PET主机移动到云服务器中，使得云服务器中的CT主机的数据处理板上集成了5G网卡，支持大带宽与5G相适配的传输速度，本地端设备不再设置CT主机和PET主机。
结合图3所示，采用云服务器的PET-CT系统从扫描的流程来看，与患者相关的流程完全相同，数据处理的流程与传统的设备有不同，但是这并不影响病人和扫描操作人员的体验，在实际的测试中，基于云服务器的设备取得了与传统设备相同的图像效果。
这种方法不但适用于PET-CT设备，同样适用于CT，MRI，PET、MRI等影像设备。
实施例二
为了更好的理解本发明实施例中影像系统的数据处理过程，以下进行详细说明。
基于云服务器方案其核心问题是要保障扫描主机和云端中的数据处理设备之间数据传输的实时性、可靠性和数据的完整性。因此，在5G网络的基础上，以扫描主机为本地端的PET-CT主机为例，本实施例的数据处理方法说明如下。
1)PET-CT主机和云服务器间的通讯，按传输数据的类型，拆分为两个通道：控制通道(Control Channel)和数据通道(Data Channel)。控制通道用于传输控制信息，如更新扫描状态、数据属性、数据描述信息、重建算法的类型以及其他扫描信息等，其特点是传输数据量少，调用频率低，占用网络带宽小。数据通道用于传输采集得到的原始数据(或称为探测数据)，其特点是传输数据量大，采集过程中占用网络带宽高。在数据传输之前，PET-CT主机和云服务器可基于TCP通信协议建立控制通道和数据通道，以保证传输的可靠性。
由于原始数据的数据量非常大，以PET扫描为例，一个患者床位的数据量可能会达到500MB以上，因此PET-CT主机先将采集到的原始数据封装为若干个数据帧，再通过数据通道进行传输。本实施例中可以是实时传输或者周期性传输，本实施例中不对其限定，根据需要选择。
考虑到不同影像设备的原始数据，其关联的字段信息会有所不同，本实施例提供一种灵活可扩展的数据帧结构以兼容各种影像设备。数据帧由帧头和数据块两部分组成。原始数据存储于数据块中，帧头用来存储描述该原始数据块的重要属性，如Study ID，ScanID，帧序号等等。
数据帧的结构
| 帧头 | 数据块 |
帧头由数据帧长度标识和字段列表组成。数据帧长度标识固定为4个字节，数据类型为无符号整形，它表示包含帧头和数据块在内的数据帧总长度，因此理论上一个数据帧最大长度为4294967295。字段列表由一个或多个字段组成。
帧头的结构
| 数据帧长度标识 |
| 字段1 |
| 字段2 |
| ... |
| 字段N |
其中，一个字段由字段ID、字段长度、字段值三个部分组成。字段ID是字段的唯一标识，通过ID可以得知该字段含义，固定占用1字节，ID范围为0x0～0xFF；字段长度表示该字段的总长度，固定占用1字节，长度范围为0～256；字段值是字段的具体内容，类型在定义该字段时确定，长度可变。
字段的结构
| 字段ID | 字段长度 | 字段值 |
| 1字节 | 1字节 | 可变 |
本实施例中还举例一些常用的字段。
常用的帧头字段
| 字段ID | 数据类型 | 字段含义 |
| 0x1 | int | 检查ID(Study ID) |
| 0x2 | int | 扫描ID(Scan ID) |
| 0x3 | int | 数据帧序号(Frame Index) |
| 0x4 | bool | 数据块是否压缩 |
| 0x5 | uint | 数据块CRC32校验值 |
为进一步提升数据通道的传输效率，将原始数据先进行压缩，再封装为数据帧进行传输。由于原始数据通常具有稀疏性，压缩可以获得很高的压缩比，大大降低原始数据的尺寸，从而提升传输效率。
特别地，PET-CT主机对数据帧中的数据块计算CRC32校验值，并添加到帧头中。云服务器在收到数据帧后，解析出数据块并计算CRC32校验值，和帧头中的CRC32值进行对比，保证数据的完整性。
数据帧序号(Frame Index)标识每个数据帧的顺序编号，由PET-CT主机按原始数据块排列的先后顺序进行编号，云服务器在收到数据帧后，根据Frame Index将原始数据块进行排序和拼接。
扫描完成后，PET-CT主机通过控制通道将数据帧的总数量发送至云服务器，由云服务器核对数据通道收到的数据帧数量和序号，确定数据帧是否全部收到。如果存在数据帧丢失，云服务器根据总数和序号，计算出丢失的数据帧序号，并通过控制通道告知PET-CT主机。PET-CT主机收到信息后，重新通过数据通道发送，直到云服务器确认收到全部数据帧。
本实施例中将现有的PET-CT系统中数据处理和图像重建的功能放置在云服务器中，可有效解决现有技术中的成本高、升级困难且占用空间大的问题。上述方案节省了本地端设备的成本，提高了数据重建的速度和效率，同时保证了图像重建的质量。
采用云服务器的PET-CT从扫描的流程来看，与患者相关的流程完全相同，数据处理的流程与传统的设备有不同，但是这并不影响病人和扫描操作人员的体验，在测试中，基于云服务器的设备取得了与传统设备相同的图像效果。本实施例的方案不但适用于PET-CT设备，同样适用于CT，MRI，PETMRI等影像设备。
实施例三
本发明实施例中提供一种云服务器的影像系统的数据处理方法，本实施例的云服务器的影像系统为上述实施例一所述的影像系统。该方法包括下述步骤：
100、本地端的扫描主机启动之后，该扫描主机可基于TCP通信协议与云服务器的数据处理设备交互，建立所述数据通道和所述控制通道。
101、在建立数据通道和控制通道之后，数据处理设备通过控制通道接收扫描主机传输的控制信息。
本实施例中，所述控制信息中携带用于数据传输的数据传输策略的信息。例如断点传输方式、加密传输方式、关键帧序列传输方式、指定部位图数据传输方式等数据传输策略。
或者，其他实施例中，数据处理设备可与扫描主机借助于控制通道交互，确定数据传输策略、图像重建算法等信息。
102、数据处理设备通过数据通道接收扫描主机按照数据传输策略实时传输的扫描数据。
本实施例的数据通道传输的扫描数据包括：可编辑的数据帧结构，所述数据帧包括：帧头和数据块；帧头包括：数据块的CRC32校验值。
所述帧头用于存储数据块中数据的基础属性和序号，包括数据帧长度标识、所有字段序号。
本实施例中，扫描主机可实时传输，如边扫描边传输，也可以周期性传输，在扫描完成后传输数据，本实施例不对其限定。
103、数据处理设备确定扫描数据传输完成后，根据数据重建算法对所述扫描数据进行重建，获取用于在显示装置中显示的重建的图像。
在实际应用中，数据处理设备接收所有扫描数据后，可查看扫描数据的完整性；若扫描数据存在缺失，则通过控制通道向扫描主机发送数据缺失的信息；扫描主机可根据所述数据缺失的信息，通过数据通道将缺失的扫描数据重新发送数据处理设备。
104、数据处理设备接收所述显示装置发送的获取重建图像的请求，将重建的图像发送所述显示装置以显示。在一种实现方式中，数据处理设备接收所述显示装置通过所述控制通道发送的获取重建图像的请求时，所述数据处理设备在验证所述显示装置的权限后，将重建后的至少一个图像通过所述数据通道发送所述显示装置，以使显示装置接收并展示。
在步骤103中，数据重建算法可为所述数据处理设备与所述扫描主机借助于控制通道交互确定的，或者为所述数据处理设备根据控制信息中数据描述信息和重建策略选择的最优的数据重建算法。该处的数据描述信息包括：用于描述当前数据属性(如CT数据、PET数据等)和数据特性(低剂量、高剂量、低信噪比或高信噪比等特性)、数据用途(重建、比对、附加说明等)的信息。
实施例四
在一种可选的实现方式中，数据处理设备可依据如下的第一种数据重建算法建立PET图像，可包括下述步骤：
A01、数据处理设备接收PET扫描主机扫描时的带有飞行时间信息的PET探测数据(即上述的扫描数据)和其它模态的图像，所述其它模态图像包括：CT图像或MR图像；应说明的是，其他模态的图像可为预先存储在数据处理设备中的，或者为数据处理设备根据其他模态的探测数据重建的图像，或者为扫描主机发送的其他模态的图像，本实施例不对其限定，根据实际需要选择。
A02、基于所述PET探测数据服从泊松分布，则对所述PET探测数据进行建模处理，得到公式(A1)的对数似然函数L(x,μ,y)；
其中，y＝[y1t,y2t,…,yNT]T表示探测数据，N表示为探测数据正弦图的大小，T表示飞行时间TOF的维度；x＝[x1,x2,…,xM]T表示未知PET放射性活度分布，M表示为PET图像空间的大小；μ＝[μ1,μ2,…,μK]T表示未知的线性衰减系数分布，衰减系数的维度与飞行时间无关；A＝[Aijt]为系统矩阵；l＝[lik]为线性衰减系数矩阵，r＝[r1t,r2t,…,rNT]T表示随机噪声和散射噪声的平均值；
为衰减校正参数；
A03、根据所述其它模态图像，获取线性衰减系数分布图像μ0；
当其它模态图像为CT图像时，采用双线性法将CT图像的数据转化成511KeV能量下的光子线性衰减系数分布图像，获得线性衰减系数分布图像μ0；
当其它模态图像为MR图像时，线性衰减系数分布图像μ0为根据先验知识直接赋予的理论线性衰减系数值；
A04、若线性衰减系数分布图像存在伪影或截断，或者所述线性衰减系数分布图像与PET图像不匹配，则获取完整的线性衰减系数分布R(μ)；
其中，PET图像为依据所述PET探测数据直接生成的；
A05、基于线性衰减系数分布图像μ0，采用迭代算法对对数似然函数L(x,μ,y)进行优化，且在优化过程中，采用R(μ)更新每一次迭代的μ值，迭代过程中引入先验知识对迭代过程进行调节，在满足迭代终止条件时获取x和作为校正信息的μ的估计值；
所述R(μ)为根据先验条件确定的线性衰减系数分布图像中无伪影且与PET图像匹配区域的掩码矩阵和μ0、每次迭代的μ确定的，以用于对每次迭代的μ进行更新。
R(μ)＝gW+μ(E-S)＝μ0SW+μ(E-S)； 公式(A2)
其中，E表示K阶单位矩阵，W为先验衰减系数分布的权重值矩阵，用来调节迭代过程中先验衰减系数分布的权重；g为确定的没有伪影的线性衰减系数分布区域，g＝μ0S；
S为根据先验条件确定的线性衰减系数分布图像中无伪影且与PET图像匹配区域的掩码矩阵。
K阶对角阵W为：
对于不同的组织器官或区域所需先验衰减系数分布的权重不同时wk赋值不同。
对于不同的组织器官或区域所需先验衰减系数分布的权重相同时，wk为相同的权重值或采用标量表示的数值。
云服务器可通过CT或MR图像计算得到的线性衰减系数分布图像中无伪影区域且与PET图像匹配的区域为利用阈值自动确定的，或者为采用人工智能识别技术确定的。
上述A05可包括：A051、保持初始值μ0固定，用MLEM迭代重建算法优化对数似然函数L(x,μ,y)，即通过下述公式(A3)得到未知数x的第一估计值；
A052、保持x的第一估计值固定，用MLTR算法优化对数似然函数L(x,μ,y)，即通过下述公式(A4)得到未知数μ的第一估计值；
A053、根据未知数μ的第一估计值采用公式(A2)获取R(μ)，并采用R(μ)更新μ的第一估计值，得到更新后的μ值；
A054、基于更新后的μ值，重复上述步骤S41至步骤S43的过程，进而在满足迭代终止条件时，将最后的未知数x和μ的估计值作为最终输出值。
A06、基于获取的PET放射性活度分布x和线性衰减系数分布μ的输出值；重建PET活度分布图像(该PET活度分布图像即为重建后的图像)。本实施例的x和μ的输出值是采用一个数组进行表示的，其用于表示PET放射性活度分布和线性衰减系数分布各个像素点的数值；
例如，所述PET活度分布图像重建的方法对单个床位进行图像重建，再拼接成整个扫描空间的PET活度分布图像；
或者，将所有床位的待重建的PET活度分布图像进行拼接，并采用PET活度分布图像重建的方法对拼接的图像进行图像重建，获得整个扫描空间的PET活度分布图像。
在具体实现过程中，若PET扫描主机扫描时采用的是低信噪比的序列帧重建的PET活度分布图像，则该PET活度分布图像还需要进行图像转换处理即翻译，例如可采用下述的方式进行图像转换处理：
B01、数据处理设备将上述重建的的低信噪比的PET活度分布图像(作为第一图像)，输入至训练的生成器G中，并输出与高信噪比匹配的第二图像；则第二图像可为图像转换处理之后的可具有较高图像质量的图像，该图像可输出至显示装置展示。当然，若不对第一图像进行图像转换处理，则该第一图像也可输出至显示装置。
所述生成器G包括：合成网络和映射网络；所述映射网络对输入的第一图像进行编码调制处理，获取第一图像的样式表达；
所述合成网络借助于映射网络的仿射变换将所述样式表达仿射为各层结构对应的样式，以使得各层结构对输入的第一图像进行卷积输出实现自适应性调整，获得第二图像。此处的第二图像可为用于发送到显示装置并展示的图像。
本实施例中的合成网络可包括：第一卷积层、四层基本模块和最后一个卷积层；
所述第一卷积层用于接收输入的第一图像并进行卷积处理，获得卷积特征；
所有基本模块包括：批归一化、激活、卷积、噪声模块和实例归一化AdaIN；
所述第一层基本模块的批归一化、激活、卷积和噪声模块依序对输入的卷积特征进行处理，并结合仿射变换后的第一层的样式输入至AdaIN，获得第一层的输出；
第二层基本模块的输入为卷积特征，其输出为第二层的输出，
第三层基本模块的输入为卷积特征和第一层的输出，其输出为第三层的输出；
第四层基本模块的输入为卷积特征、第一层的输出和第二层的输出，其输出为第四层的输出；
所述最后一个卷积层用于对卷积特征、第一层的输出、第二层的输出、第三层的输出和第四层的输出进行卷积处理，输出第二图像。
具体地，
其中，xi表示一个特征图，(γi,βi)是一组样式调整参数，μ(xi)为第i层特征图通道维度的均值，σ(xi)为第i层特征图通道维度的标准差，i表示通道的索引。本实施例中的通道是指卷积时对应的通道。
生成器中密集连接网络逐渐编码的过程中，加入样式表达进行调整，实现对每一级样式进行精准的调整，利用映射网络首先学出样式表达，然后通过仿射变换将样式表达仿射为样式对各层卷积输出进行调整。为了提高模型鲁棒性，在训练过程中加入噪声模块，对网络训练施以较小的扰动，而在测试阶段即使用阶段，噪声设置为0。所述映射网络用于对输入的第一图像依次进行样式表达编码和仿射变换处理；
所述映射网络用于接收输入的第一图像，并生成具有输入的第一图像的低频信息的样式表达编码，以及将样式表达编码进行映射处理形成对应到每一层基本模块中AdaIN的调整参数，所述调整参数为带有输入图像的特征信息。
云服务器中的生成器G在训练阶段，噪声模块的随机噪声为符合高斯正态分布的随机噪声；生成器G在使用阶段，噪声模块的随机噪声为0。
特别说明的是，生成器G在使用之前，还需要进行训练处理，例如采用鉴别器D对生成器G进行训练。例如，数据处理设备从扫描主机之前上传的高信噪比的数据序列中提取部分序列图像并对生成器G进行训练，获得训练后的G。
上述对应的生成器的主体是一个密集连接网络，该生成器中加入了样式调整模块。密集连接网络的卷积核全为3*3卷积核，并加入批归一化层加快生成器的收敛，LeakyReLU激活函数增加生成器的非线性性。每一个卷积操作的输入均为来自之前卷积输出的特征的拼接，这样的密集连接操作大大减少了生成器模型的参数，但又为信息流增加了更多的路径。
云服务器中训练后的生成器可以将低信噪比的图像翻译成高信噪比的图像，同时利用分割网络对生成器输出的图像进行重要部位的分割。
在第二种可选的实现方式中，数据处理设备可依据如下的第二种数据重建算法建立PET图像，可包括下述步骤：
步骤S01、数据处理设备接收PET扫描主机扫描的探测数据；
步骤S02、数据处理设备根据所述探测数据，获取用于重建图像的正则化目标函数Φ(x,y)＝L(x,y)-β·R(x)；其中，L(x,y)为探测数据对应的似然函数项，R(x)为先验知识项，β为正则化参数，用于调节L(x,y)和R(x)的权重；
举例来说，数据处理设备可构建下述公式(2)；
PET采集过程可以被建模为公式(2)，即为：
探测数据的log-likelihood函数：
R(x)为Huber先验、Geman先验或Nuyts先验知识项；用以选择性地惩罚特定不受欢迎的特征，并且计算此带惩罚项的最大似然解。对应的正则化目标函数为Φ(x,y)＝L(x,y)-β·R(x)。即对公式一进行正则化处理并优化，获得正则化目标函数Φ(x,y)＝L(x,y)-β·R(x) (4)。
β为正则化参数，用来控制正则化的程度，调节基于探测数据的似然函数项L(x,y)和基于先验知识项R(x)的权重。β与真实符合事件率、计数率、采集物体实际放射性活度分布、感兴趣区域等多个因素相关，综合上述各种因素自适应地计算得到该参数β，以达到保持图像对比度的同时降低图像噪声的目的。
y＝[y1,y2,…,yN]T表示探测数据，N表示探测数据的维度即探测到的事例数；x＝[x1,x2,…,xM]T表示未知PET放射性浓度分布图像，M表示PET图像离散空间的大小；A＝[Aij]为系统矩阵，r＝[r1,r2,…,rN]T表示随机噪声和散射噪声的平均值。
步骤S03、数据处理设备根据所述探测数据的信噪比信息和输入参数，确定正则化目标函数中的参数β；即根据采集的探测数据信噪比水平自适应选取所需的β。
也就是说，β不再是固定某一数值，而是根据采集数据信噪比水平及用户需求自适应选取所需的β，可以是一个数值，也可为一组多个正则化参数。该参数由多个因素控制，每个影响因素均对应相应的关系，通过实时评估信噪比控制正则化参数的选择。
步骤S04、数据处理设备依据确定的参数β和所述正则化目标函数，重建PET图像。
由此，在显示装置请求最后重建的PET图像时，可将数据处理设备重建的PET图像发送。
在具体应用中，该步骤S03可包括下述子步骤：
子步骤S031、数据处理设备基于其他模态的图像，对所述探测数据预处理，去除非扫描物体区域的探测数据；该处的其他模态的图像可为从扫描主机发送的图像，或者从扫描主机发送的图像标识获取的。
其他模态的图像包括：CT图像和/或MR图像；
即对探测数据进行预处理，去除探测信号中的无效信号，得到与扫描物体对应的投影空间掩码矩阵。
探测数据中与扫描物体相关区域以外的区域充满着随机噪声和散射符合而无真实符合。为了去除这部分无效信号对正则化参数选择的影响，本实施例中利用其他模态的图像，CT或MR图像获取物体所在范围并提取边缘轮廓信息，将物体内部填充1，物体外部分置0，获取物体内部掩码矩阵Simage＝[Simage 1，Simage 2，...，Simage M]T即：
将物体内部掩码矩阵投影到探测器空间，得到与扫描物体相关的探测器区域范围相量yimage：
以此为基础得到对应的投影空间掩码矩阵SProjectionmask＝[SProjectionmask 1,SProjectionmask 2,…,SProjectionmask N]T
阈值thresholdProjectionmask为常数，可根据物体边缘轮廓信息进行调节，即投影空间掩码矩阵为0的区域为与物体无关的随机和散射信号区域。
子步骤S032、基于其他模态图像呈现的感兴趣区域，基于该感兴趣区域ROI，确定扫描物体对应的探测数据中的至少一个有效区域；
即选取感兴趣的区域的投影空间掩码矩阵。
PET重建图像的有效信号由感兴趣区域ROI来勾划确认，可以是组织、器官或医生需要关注的区域，不同的感兴趣区域可以应用不同的正则化参数以优化对应的图像质量，使图像各区域内噪声尽量减小的同时最大化地保留边缘信息。感兴趣区域可以通过CT，MR等其他模态图像得到，也可通过PET图像经过医生勾画或自动识别算法得到，ROI的选取可以是一个，也可以是多个，可表示为：
生成对应位置的掩码矢量
其定义如下：
H为选取的ROI个数。
SimageROI经过投影得到对应的投影矩阵yROI
对应的各ROI投影空间掩码矩阵
阈值thresholdROI可以为一个值，也可以每个ROI选取不同值，即通过不同ROI边缘轮廓信息进行调节。
子步骤S033、基于探测数据的TOF信息，优化所有的有效区域；
即基于探测数据中的飞行时间TOF信息，获取感兴趣区域TOF投影空间掩码矩阵SROI_TOF。
对于高精度TOF信息的PET系统，可以进一步利用TOF信息得到更精准的ROI位置信息。
PET系统采集时，通常会采集光子对的飞行时间TOF信息，即测量两个光子到达探测器环的时间差，根据光速估计出湮灭事件在符合线上的大致位置。飞行时间信息应用在重建过程中，使定位更加准确，显著提高图像质量，降低噪声。
前述S2032中选取感兴趣区域，为使定位更加准确，尽量降低噪声，获取TOF投影矩阵yROI_TOF：
T表示飞行时间TOF的维度；
利用TOF信息，得到更加精准的感兴趣区域TOF投影空间掩码矩阵SROI_TOF：
阈值thresholdROI_TOF为常数，可根据不同ROI边缘轮廓TOF投影信息进行调节。
子步骤S034、基于优化后所有的有效区域，采用探测数据中真实符合事件的概率信息，获取正则化目标函数中的参数β。
即基于探测数据中的真实符合事件率，确定正则化参数β调节的优化指标/依据。
PET采集数据中既包括真实符合事件，也存在干扰的假符合事件，例如随机或散射事件。真实符合事件率反映了采集数据的质量，可以作为正则化参数β调节的依据。比如采集时间短导致数据噪声偏大，则应该增加正则化参数β，增强平滑效果；反之，数据量足够大，噪声低，应该减小正则化参数β，增强图像边缘对比度。为了刻度有效事件率，使用但不局限于当前采集数据SNR(signal to noise ratio)作为优化指标，SNR越高则表示有用信号越多，噪声比例越小，反之亦然。SNR可表示为：
数据质量评估也可以使用其他优化指标，本实施例不限定。
PET采集数据不仅包含真实符合事件，还包括随机事件和散射事件以及衰减效应和归一化效应的影响，这些都直接影响着真实符合事件率。rand表示随机事件分布，两个不相关的光子在符合时间内被检测，称随机符合；sc表示散射事件分布，在探测过程中，光子对在到达探测器之前有可能与人体组织发生康普顿散射而改变飞行方向。由于探测器的能量分辨率有限，这些散射事件被错误地按照真符合事件记录下来，混淆了核素的位置信息，进而在图像中产生散射伪影，严重影响图像质量。散射通常采用单次散射模拟校正(SSS)的方法进行计算；norm表示归一化校正因子，PET通常是一个包含上万个探测单元的环状探测系统。受几何位置和性能差异的影响，探测单元的探测效率不尽一致，导致其输出并不能准确反映输入光子束强度，这必然会在重建过程中引入伪影。AC表示衰减系数分布，光子在到达PET系统之前，会在人体中进行衰减，较之物体内部，物体表面的符合事件有着更大的探测效率，如果这种衰减因素没有被校正，会产生重建图像中物体边缘影像过亮，物体内部组织影像过暗的伪影，利用CT或MR得到的高信噪比的图像以反映人体的内部组织结构，并将CT或MR图像数值转化成511KeV能量下的光子线性衰减系数，然后通过投影得到投影空间的衰减系数分布。
正则化参数β与真实符合事件率关系，可通过拟合得到，可以利用多项式拟合，样条拟合，指数拟合等，本实施例中以多项式拟合为例进行说明，其表示为：
公式(13)为经验公式，可以通过一次多项式拟合得到a，b，但不限于多项式拟合。
经验公式(13)是通过选取不同扫描主机不同时间段采集数据经过总结分析得到。每个扫描主机采集多组数据，选取不同的β值进行分析，进而选取信噪比最高，最清晰重建图像，得到该组数据的最优β。比如可选取300组数据，每组数据选取100组不同的β值，即从0.01间隔0.01到1将所有选取的最优图像的真实事件符合率与β进行拟合，最后得到经验公式(13)及参数a，b。
公式(13)可以得到每个ROI对应的最优正则化参数，若没有指定的ROI则认为整个图像均为感兴趣区域。然后将这些最优的参数应用于正则化目标函数，进行图像重建，可以自适应的控制正则化程度，得到高信噪比的图像。
本实施例的数据重建算法和图像转换处理均为举例说明，本实施例不对其限定，在数据处理设备中和预先存储有多种数据重建算法和图像转换处理的方式，根据实际需要选择，或者根据扫描主机发送的数据描述信息和重建策略进行选择。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。
Claims (10)
1.一种基于云服务器的影像系统，其特征在于，包括：
本地端设备和云服务器；
所述本地端设备包括：扫描床、与扫描床对应的至少一个扫描主机、显示装置；
所述云服务器包括：数据处理设备和数据存储装置；
每一个扫描主机和所述数据处理设备、数据存储装置通信连接；至少一个扫描主机按照数据传输策略将采集的扫描数据传输至所述数据处理设备，所述数据处理设备根据扫描主机上传的扫描数据进行图像重建；
所述数据处理设备与显示装置交互，将图像重建的结果发送所述显示装置以显示；
所述数据存储装置，用于存储所述扫描主机采集的扫描数据和所述图像重建的结果。
2.根据权利要求1所述的影像系统，其特征在于，所述云服务器还包括：数据管理装置；
所述数据管理装置与所述数据处理设备、数据存储装置集成在一个设备中，用于确认本地端设备的权限和/或本地端设备的升级信息。
3.根据权利要求1所述的影像系统，其特征在于，所述扫描主机包括下述的一种或多种：PET-CT主机、CT主机、MRI主机、PET-MRI主机和PET主机；
所述显示装置包括多个用于显示图像的计算机，所述显示装置独立所述扫描主机设置。
4.根据权利要求2所述的影像系统，其特征在于，所述数据管理装置还用于借助于每一个扫描主机的机器指纹对该扫描主机分配权限，以使所述扫描主机基于分配的权限与扫描床、云服务器交互；
和/或，数据处理设备选择至少一个数据重建算法重建图像，所述数据重建算法为扫描主机确定的，或者数据处理设备根据扫描主机发送的数据描述信息和重建策略选择最优的数据重建算法；
和/或，数据处理设备选择至少一个数据重建算法重建图像，并对重建的图像进行翻译/图像转换，获取高信噪比的图像，所述数据重建算法为扫描主机确定的，或者数据处理设备根据扫描主机发送的数据描述信息和重建策略选择最优的数据重建算法。
5.一种基于云服务器的影像系统的数据处理方法，其特征在于，所述方法包括：
云服务器的数据处理设备通过控制通道接收本地端设备中扫描主机传输的控制信息；所述控制信息包括：用于传输扫描数据的数据传输策略信息；
数据处理设备通过数据通道接收扫描主机按照数据传输策略信息传输的扫描数据；
所述数据处理设备确定所述扫描数据传输完成后，根据数据重建算法对所述扫描数据进行重建，获取用于在显示装置中显示的重建的图像；
所述数据处理设备接收所述显示装置发送的获取重建图像的请求，将重建的图像发送所述显示装置以显示；
所述基于云服务器的影像系统为上述权利要求1至4任一所述的影像系统。
6.根据权利要求5所述的数据处理方法，其特征在于，
云服务器的数据处理设备通过控制通道接收本地端设备中扫描主机传输的控制信息之前，所述扫描主机基于TCP通信协议与所述数据处理设备交互，建立所述数据通道和所述控制通道。
7.根据权利要求5所述的数据处理方法，其特征在于，
所述数据重建算法为所述数据处理设备与所述扫描主机借助于控制通道交互确定的，或者所述数据重建算法为所述数据处理设备根据控制信息中数据描述信息和重建策略选择的最优的数据重建算法；
所述数据描述信息包括：用于描述当前数据属性和数据特性、数据用途的信息。
8.根据权利要求5所述的数据处理方法，其特征在于，
所述数据通道传输的扫描数据包括：可编辑的数据帧，所述数据帧包括：帧头和数据块；
所述帧头用于存储数据块中数据的基础属性和序号，所述帧头包括数据帧长度标识、所有字段序号；
和/或，所述帧头还包括：数据块的CRC32校验值。
9.根据权利要求5所述的数据处理方法，其特征在于，
所述数据处理设备根据数据重建算法对所述扫描数据进行重建，获取用于在显示装置中显示的重建的图像；包括：
所述数据处理设备根据预设的数据重建算法对所述低信噪比的扫描数据进行重建获得第一图像，并对第一图像进行图像转换处理，获得高信噪比的用于在显示装置中显示的第二图像；
所述第一图像为数据处理设备基于低信噪比的扫描数据重建的图像；
或者，
数据处理设备根据扫描主机发送的数据描述信息和重建策略选择的最优的数据重建算法，基于选择的数据重建算法对扫描数据进行重建获得第一图像，并对第一图像进行图像转换处理，获得高信噪比的用于在显示装置中显示的第二图像；
所述第一图像为数据处理设备基于低信噪比的扫描数据重建的图像；
或者，
数据处理设备根据扫描主机发送的数据描述信息和重建策略选择的最优的数据重建算法，基于选择的数据重建算法对探测数据进行重建获得用于在显示装置中显示的第一图像。
10.根据权利要求5所述的数据处理方法，其特征在于，所述方法还包括：
所述数据处理设备接收所有扫描数据后，查看所述扫描数据的完整性；
若扫描数据存在缺失，则通过控制通道向扫描主机发送数据缺失的信息；
所述扫描主机根据所述数据缺失的信息，通过数据通道将缺失的扫描数据重新发送所述数据处理设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110736673.3A CN113393551A (zh) | 2021-06-30 | 2021-06-30 | 一种基于云服务器的影像系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110736673.3A CN113393551A (zh) | 2021-06-30 | 2021-06-30 | 一种基于云服务器的影像系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113393551A true CN113393551A (zh) | 2021-09-14 |
Family
ID=77624634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110736673.3A Pending CN113393551A (zh) | 2021-06-30 | 2021-06-30 | 一种基于云服务器的影像系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113393551A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808051A (zh) * | 2021-09-26 | 2021-12-17 | 武汉联影生命科学仪器有限公司 | 多模态医学影像重建系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107123095A (zh) * | 2017-04-01 | 2017-09-01 | 上海联影医疗科技有限公司 | 一种pet图像重建方法、成像系统 |
| CN107133996A (zh) * | 2017-03-21 | 2017-09-05 | 上海联影医疗科技有限公司 | 产生用于pet数据重建的衰减图的方法及pet/ct系统 |
| CN107510467A (zh) * | 2017-08-02 | 2017-12-26 | 上海联影医疗科技有限公司 | 一种成像系统 |
| CN109191541A (zh) * | 2018-08-06 | 2019-01-11 | 沈阳晟诺科技有限公司 | 一种ct远程图像重建方法 |
| CN109961419A (zh) * | 2019-03-26 | 2019-07-02 | 江苏赛诺格兰医疗科技有限公司 | 对pet活度分布图像进行衰减校正的校正信息获取方法 |
| CN110162936A (zh) * | 2019-05-31 | 2019-08-23 | 北京比特安索信息技术有限公司 | 一种软件内容的使用授权方法 |
| CN111862255A (zh) * | 2020-07-17 | 2020-10-30 | 上海联影医疗科技有限公司 | 正则化图像重建方法、系统、可读存储介质和设备 |
| CN112529977A (zh) * | 2020-12-04 | 2021-03-19 | 江苏赛诺格兰医疗科技有限公司 | 一种pet图像重建的方法和系统 |
| CN112819914A (zh) * | 2021-02-05 | 2021-05-18 | 北京航空航天大学 | 一种pet图像处理方法 |
| CN113052840A (zh) * | 2021-04-30 | 2021-06-29 | 江苏赛诺格兰医疗科技有限公司 | 一种基于低信噪比pet图像的处理方法 |
-
2021
- 2021-06-30 CN CN202110736673.3A patent/CN113393551A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133996A (zh) * | 2017-03-21 | 2017-09-05 | 上海联影医疗科技有限公司 | 产生用于pet数据重建的衰减图的方法及pet/ct系统 |
| CN107123095A (zh) * | 2017-04-01 | 2017-09-01 | 上海联影医疗科技有限公司 | 一种pet图像重建方法、成像系统 |
| CN107510467A (zh) * | 2017-08-02 | 2017-12-26 | 上海联影医疗科技有限公司 | 一种成像系统 |
| CN109191541A (zh) * | 2018-08-06 | 2019-01-11 | 沈阳晟诺科技有限公司 | 一种ct远程图像重建方法 |
| CN109961419A (zh) * | 2019-03-26 | 2019-07-02 | 江苏赛诺格兰医疗科技有限公司 | 对pet活度分布图像进行衰减校正的校正信息获取方法 |
| CN110162936A (zh) * | 2019-05-31 | 2019-08-23 | 北京比特安索信息技术有限公司 | 一种软件内容的使用授权方法 |
| CN111862255A (zh) * | 2020-07-17 | 2020-10-30 | 上海联影医疗科技有限公司 | 正则化图像重建方法、系统、可读存储介质和设备 |
| CN112529977A (zh) * | 2020-12-04 | 2021-03-19 | 江苏赛诺格兰医疗科技有限公司 | 一种pet图像重建的方法和系统 |
| CN112819914A (zh) * | 2021-02-05 | 2021-05-18 | 北京航空航天大学 | 一种pet图像处理方法 |
| CN113052840A (zh) * | 2021-04-30 | 2021-06-29 | 江苏赛诺格兰医疗科技有限公司 | 一种基于低信噪比pet图像的处理方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808051A (zh) * | 2021-09-26 | 2021-12-17 | 武汉联影生命科学仪器有限公司 | 多模态医学影像重建系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109741284B (zh) | 用于校正pet成像中由呼吸运动引起的失配的系统和方法 | |
| Zaidi et al. | Magnetic resonance imaging‐guided attenuation and scatter corrections in three‐dimensional brain positron emission tomography | |
| CN105078495B (zh) | 一种pet-ct扫描成像方法及相关成像方法 | |
| KR20190101905A (ko) | 양전자방출 단층촬영 시스템 및 그것을 이용한 영상 재구성 방법 | |
| RU2589383C2 (ru) | Двухрежимное формирование изображения, включающее в себя метрики качества | |
| US8452064B2 (en) | Apparatus and methods for geometric calibration of positron emission tomography systems | |
| EP1946271B1 (en) | Method and system for pet image reconstruction using portions of event data | |
| Cheng et al. | Applications of artificial intelligence in nuclear medicine image generation | |
| JP2011503570A (ja) | 減衰マップを形成するための装置及び方法 | |
| CN112381741B (zh) | 基于spect数据采样与噪声特性的断层图像重建方法 | |
| CN109961419B (zh) | 对pet活度分布图像进行衰减校正的校正信息获取方法 | |
| CN109978966B (zh) | 对pet活度分布图像进行衰减校正的校正信息获取方法 | |
| US5739539A (en) | Use of body boundary information to perform iterative reconstruction in medical imaging system | |
| US10772582B2 (en) | Multi-modal emission tomography quality based on patient and application | |
| US20190073802A1 (en) | System and computer-implemented method for improving image quality | |
| US20220092755A1 (en) | Systems and methods for image processing | |
| US7653228B2 (en) | Organ-specific backprojection | |
| Ote et al. | Deep-learning-based fast TOF-PET image reconstruction using direction information | |
| CN108596995A (zh) | 一种pet-mri最大后验联合重建方法 | |
| US7569828B2 (en) | Application-driven optimization of acquisition and reconstruction of SPECT/PET projection data | |
| CN112529977B (zh) | 一种pet图像重建的方法和系统 | |
| CN113393551A (zh) | 一种基于云服务器的影像系统 | |
| KR101350496B1 (ko) | 광자감쇠지도 생성 방법 및 ｍｒｉ 융합영상시스템 | |
| CN112669405B (zh) | 图像重建方法、系统、可读存储介质和设备 | |
| CN113313649B (zh) | 图像重建方法及装置 |
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 |