CN113838161A - 一种基于图学习的稀疏投影重建方法 - Google Patents

一种基于图学习的稀疏投影重建方法 Download PDF

Info

Publication number
CN113838161A
CN113838161A CN202111413375.7A CN202111413375A CN113838161A CN 113838161 A CN113838161 A CN 113838161A CN 202111413375 A CN202111413375 A CN 202111413375A CN 113838161 A CN113838161 A CN 113838161A
Authority
CN
China
Prior art keywords
projection
pixel
random
point
image
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
Application number
CN202111413375.7A
Other languages
English (en)
Other versions
CN113838161B (zh
Inventor
朱闻韬
杨德富
黄海亮
杨宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202111413375.7A priority Critical patent/CN113838161B/zh
Publication of CN113838161A publication Critical patent/CN113838161A/zh
Application granted granted Critical
Publication of CN113838161B publication Critical patent/CN113838161B/zh
Priority to JP2022162854A priority patent/JP7430232B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Nuclear Medicine (AREA)

Abstract

本发明公开了一种基于图学习的稀疏投影重建方法，属于医学影像领域。该方法通过在投影重建方法中每次迭代的过程中进行一次全局随机采样，获取每个像素点的全局随机采样点；再根据门函数进行随机点的相似筛选；最后利用这些相似的随机点通过图学习的方法修正每个像素点的像素值。以此来消除因为硬件原因或者稀疏重建方法本身所导致的形状伪影。通过本发明，可以在传统的投影重建方法中直接引入该方法，用于修复稀疏角度导致的重建后图像中的形状伪影，大大的提升成像质量。

Description

一种基于图学习的稀疏投影重建方法
技术领域
本发明涉及医学影像领域，具体涉及一种基于图学习的稀疏投影重建方法。
背景技术
随着医学技术的不断发展，对于成像设备的成像质量以及重建速度的要求也越来越高，有时由于系统设计需求、为了降低对样本的伤害或者对于快速成像的要求，往往会导致整个成像设备的采集系统或重建方法采用稀疏角度，而采用稀疏角度进行投影重建又会导致形状伪影的产生，这大大降低了影像的成像质量，影响后续临床医生的诊疗工作。因此解决稀疏投影重建过程所带来的形状伪影可以大大的提升成像质量，具有重要意义。
发明内容
本发明的目的在于针对现有技术的不足，提出一种基于图学习的稀疏投影重建方法，通过图学习的方法校正稀疏投影重建得到的每个像素点，以达到消除稀疏重建所导致的形状伪影的目的。
本发明的目的是通过以下技术方案来实现的：
一种基于图学习的稀疏投影重建方法，该方法具体为：
将投影成像仪器采集到的原始数据结合对应的系统响应矩阵进行稀疏投影并基于图学习修正后迭代重建，直至满足迭代收敛条件，或达到固定的迭代次数，得到最终的无形状伪影的重建图像；其中，基于图学习修正具体如下：
对每次稀释投影获得的图像中每个像素点j以点为中心选取l×l×l个像素点的像素值组成对应像素点的特征向量；
对每个像素点j进行全局随机采样，选取若干个随机点作为对应像素点j的随机点集Ω j ；
获取每个像素点j的特征向量与其对应随机点集Ω j 中每个随机点的特征向量的欧氏距离d j,r , rϵΩ j ；
根据欧式距离利用非线性门函数对每个像素点j的随机点集进行相似度筛选，保留n j 个最相似的随机点；
根据保留的随机点利用图学习的方法获取每个像素点新的像素值：
Figure 519726DEST_PATH_IMAGE001
其中，I j , m 表示第j个像素点对应随机点集筛选保留的第m个像素点的像素值，n j 为最终保留的随机像素点个数，I j 表示更新后该点的像素值，g j,m 为第j个像素点与对应随机点集筛选保留的第m个像素点的非线性门函数的输出。
进一步地，投影成像仪器采集到的原始数据为PET或CT数据。
进一步地，将投影成像仪器采集到的原始数据结合对应的系统响应矩阵进行稀疏投影的过程具体为：
通过系统响应矩阵对当前图像
Figure 764763DEST_PATH_IMAGE002
进行投影运算，获得投影数据；其中，上标k表示 迭代次数，下标i表示投影成像仪器的第i个探测器，当前图像的初始值为全为1的矩阵；
将获得的投影数据与采集到的原始数据进行比较，得到反投影因子；并利用反投 影因子，将投影数据反投影到图像空间中，得到反投影图像
Figure 747762DEST_PATH_IMAGE003
；
根据反投影图像与系统响应矩阵的比值获得反投影的修正因子α，结合修正因子α 与当前图像
Figure 470867DEST_PATH_IMAGE002
得到重新投影的图像
Figure 126319DEST_PATH_IMAGE004
。
进一步地，所述非线性门函数为Sigmoid、tahn或ReLU。
进一步地，所述非线性门函数具体为：
Figure 276678DEST_PATH_IMAGE005
其中，
Figure 12553DEST_PATH_IMAGE006
为调节门函数参数的变量，为实数，g j,r 为第j个像素点与对应随机点集中 第r个像素点的非线性门函数的输出，根据设置g j,r 的阈值对每个像素点的随机点集进行相 似度筛选，阈值越小，相似度越大。
本发明的有益效果是，本发明使用基于图学习的稀疏投影重建方法，通过在传统的投影重建方法中引入本发明所设计的图学习方法有效筛选出最优的符合条件的像素点，通过这些像素点的灰度值，重新计算当前点的像素值，修正稀疏投影重建时带来的结构伪影，从而获得更好的伪影校正图像，从而提高成像质量。
附图说明
图1是基于图学习的稀疏投影重建方法的流程图；
图2是根据门函数构造的图网络；
图3是本发明重建方法与传统重建方法效果的对比图。
具体实施方式
本发明提出了一种基于图学习的稀疏投影重建方法，通过利用相同组织/结构在成像灰度值上的表现往往是相近似的特性，来构造门函数用于筛选各个点的非伪影的相同组织/结构的像素点，通过图学习的方法利用这些点重新构造该点修正后的像素值，从而得到修正后无形状伪影的重建图像。通过本发明所提出的非线性门函数的筛选可以有效的筛选出最优的符合条件的像素点，通过这些像素点的灰度值，再结合图学习的方法可以得到当前点最优的一个修正值，从而获得更好的伪影校正图像。
下面以PET重建为例，根据具体实施例和附图详细说明本发明。
根据图1所绘制的基于图学习的稀疏投影重建方法的流程图进行稀疏投影重建， 输入为PET设备采集到的原始数据P=[p j ]，以及设备的响应矩阵
Figure 804928DEST_PATH_IMAGE007
，输出为无形状伪影的高 质量PET影像。具体重建步骤如下：
步骤一：通过系统响应矩阵
Figure 677069DEST_PATH_IMAGE007
对当前图像进行投影运算，获得投影数据为
Figure 998329DEST_PATH_IMAGE008
，则：
Figure 847599DEST_PATH_IMAGE009
(1)
其中，系统响应矩阵为
Figure 53452DEST_PATH_IMAGE007
，表示第j个像素点被PET设备的第i个探测器检测到的概 率，对于固定的硬件采集设备，是常值；
Figure 170313DEST_PATH_IMAGE010
表示第
Figure 68999DEST_PATH_IMAGE011
次迭代后得到的第i个探测器检测的重 建影像数据，其初始值f 0为全为1的矩阵。
步骤二：将步骤一中的投影数据与传感器采集的真实的原始数据P=[p j ]进行比 较，得到反投影因子
Figure 904100DEST_PATH_IMAGE012
。
步骤三：根据步骤二得到的反投影因子以及系统响应矩阵，将投影数据再反投影 到图像空间中，得到反投影图像
Figure 648065DEST_PATH_IMAGE013
，其中k表示迭代次数，则
Figure 619432DEST_PATH_IMAGE014
(2)
步骤四：根据反投影图像获得，反投影的修正因子
Figure 423440DEST_PATH_IMAGE015
，则：
Figure 247301DEST_PATH_IMAGE016
(3)
步骤五：根据反投影的修正因子
Figure 794957DEST_PATH_IMAGE015
，即可获得新的真实影像
Figure 886410DEST_PATH_IMAGE017
，则：
Figure 985953DEST_PATH_IMAGE018
(4)
步骤六：基于图学习的稀疏投影重建方法来修正每次稀释投影获得的图像
Figure 405433DEST_PATH_IMAGE017
中每个像素点的像素值，具体步骤如下：
（6.1）针对
Figure 881414DEST_PATH_IMAGE017
中每个像素点以点为中心选取l×l×l个像素点的像素值组成 该点的特征向量X j =[x j,1, x j,2,…, x j,k ,…, x j,l×l×l ]。l为正整数，本实施例推荐选取3。
（6.2）针对
Figure 702739DEST_PATH_IMAGE017
中每个像素点进行全局随机采样，选取若干个随机点作为该点 的随机点集Ω j ，本实施例推荐选取100个随机点；获取每个像素点的特征向量
Figure 740228DEST_PATH_IMAGE019
与其对应 随机点特征向量
Figure 647004DEST_PATH_IMAGE020
的欧氏距离，则：
Figure 395517DEST_PATH_IMAGE021
(5)
其中，d j,r 表示第j个像素点与其对应随机点集中第r个像素点的欧式距离。
（6.3）将每个像素点所获得的欧式距离，带入到非线性门函数中进行相似度筛选。本发明所使用的非线性门函数如下：
Figure 336928DEST_PATH_IMAGE022
(6)
其中，
Figure 43853DEST_PATH_IMAGE006
为调节门函数参数的变量，为实数，推荐取值为3；g j,r 为第j个像素点与对 应随机点集中第r个像素点的非线性门函数的输出，设置函数
Figure 437925DEST_PATH_IMAGE023
的阈值为门函数的阈值，则
Figure 255709DEST_PATH_IMAGE006
越大窗口越小，反之窗口越大；根据阈值依次验证随机点是否符合条件，符合条件的随机 点保留用于构造图，如图2所示，用于后续步骤（6.4）中的图学习。此处推荐选择函数
Figure 146567DEST_PATH_IMAGE023
的阈 值为0.5，即：保留 g值小于0.5的随机点。
（6.4）根据图学习的方法获取当前点新的像素值，即：
Figure 899759DEST_PATH_IMAGE024
其中，I j , m 表示第j个像素点对应随机点集筛选保留的第m个像素点的像素值，n j 为最终保留的随机像素点个数，I j 表示更新后该点的像素值。g j,m 为第j个像素点与对应随机点集筛选保留的第m个像素点的非线性门函数的输出。
循环扫描完成整张图像中所有像素点即可得到修正的真实影像
Figure 905761DEST_PATH_IMAGE025
；
步骤七：重复步骤一到步骤六，不停的迭代修正图像，直至满足迭代收敛条件，或达到固定的迭代次数即可停止迭代，得到最终的无形状伪影的重建图像f。
图3所示为基于本发明重建方法与传统重建方法（未加入图学习修正）重建后的结果，可以看出，本发明所提出的方法，相较于传统的投影重建方法再形状伪影的校正上有明显的改善，更接近于实际样本，有效提升了成像质量。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (5)

1.一种基于图学习的稀疏投影重建方法，其特征在于，该方法具体为：
将投影成像仪器采集到的原始数据结合对应的系统响应矩阵进行稀疏投影并基于图学习修正后迭代重建，直至满足迭代收敛条件，或达到固定的迭代次数，得到最终的无形状伪影的重建图像；其中，基于图学习修正具体如下：
对每次稀释投影获得的图像中每个像素点j以点为中心选取l×l×l个像素点的像素值组成对应像素点的特征向量；
对每个像素点j进行全局随机采样，选取若干个随机点作为对应像素点j的随机点集Ω j ；
获取每个像素点j的特征向量与其对应随机点集Ω j 中每个随机点的特征向量的欧氏距离d j,r , rϵΩ j ；
根据欧式距离利用非线性门函数对每个像素点j的随机点集进行相似度筛选，保留n j 个最相似的随机点；
根据保留的随机点利用图学习的方法获取每个像素点新的像素值：
Figure DEST_PATH_IMAGE001
其中，I j , m 表示第j个像素点对应随机点集筛选保留的第m个像素点的像素值，n j 为最终保留的随机像素点个数，I j 表示更新后该点的像素值，g j,m 为第j个像素点与对应随机点集筛选保留的第m个像素点的非线性门函数的输出。
2.根据权利要求1所述的稀疏投影重建方法，其特征在于，投影成像仪器采集到的原始数据为PET或CT数据。
3.根据权利要求1所述的稀疏投影重建方法，其特征在于，将投影成像仪器采集到的原始数据结合对应的系统响应矩阵进行稀疏投影的过程具体为：
通过系统响应矩阵对当前图像
Figure 351607DEST_PATH_IMAGE002
进行投影运算，获得投影数据；其中，上标k表示迭代 次数，下标i表示投影成像仪器的第i个探测器，当前图像的初始值为全为1的矩阵；
将获得的投影数据与采集到的原始数据进行比较，得到反投影因子；并利用反投影因 子，将投影数据反投影到图像空间中，得到反投影图像
Figure 2031DEST_PATH_IMAGE003
；
根据反投影图像与系统响应矩阵的比值获得反投影的修正因子α，结合修正因子α与当 前图像得到重新投影的图像
Figure 32783DEST_PATH_IMAGE004
。
4.根据权利要求1所述的稀疏投影重建方法，其特征在于，所述非线性门函数为Sigmoid、tahn或ReLU。
5.根据权利要求4所述的稀疏投影重建方法，其特征在于，所述非线性门函数具体为：
Figure 260502DEST_PATH_IMAGE005
其中，
Figure 295455DEST_PATH_IMAGE006
为调节门函数参数的变量，为实数，g j,r 为第j个像素点与对应随机点集中第r个 像素点的非线性门函数的输出，根据设置g j,r 的阈值对每个像素点的随机点集进行相似度 筛选。
CN202111413375.7A 2021-11-25 2021-11-25 一种基于图学习的稀疏投影重建方法 Active CN113838161B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111413375.7A CN113838161B (zh) 2021-11-25 2021-11-25 一种基于图学习的稀疏投影重建方法
JP2022162854A JP7430232B2 (ja) 2021-11-25 2022-10-10 グラフ学習に基づくスパース投影再構成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111413375.7A CN113838161B (zh) 2021-11-25 2021-11-25 一种基于图学习的稀疏投影重建方法

Publications (2)

Publication Number Publication Date
CN113838161A true CN113838161A (zh) 2021-12-24
CN113838161B CN113838161B (zh) 2022-02-22

Family

ID=78971441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111413375.7A Active CN113838161B (zh) 2021-11-25 2021-11-25 一种基于图学习的稀疏投影重建方法

Country Status (2)

Country Link
JP (1) JP7430232B2 (zh)
CN (1) CN113838161B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723842A (zh) * 2022-05-24 2022-07-08 之江实验室 基于深度融合神经网络的稀疏视角ct成像方法和设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136773A (zh) * 2013-02-05 2013-06-05 南方医科大学 一种稀疏角度x射线ct成像方法
CN107958472A (zh) * 2017-10-30 2018-04-24 深圳先进技术研究院 基于稀疏投影数据的pet成像方法、装置、设备及存储介质
CN109523458A (zh) * 2018-05-24 2019-03-26 湖北科技学院 一种结合稀疏诱导动态引导滤波的高精度稀疏角度ct重建方法
CN111325686A (zh) * 2020-02-11 2020-06-23 之江实验室 一种基于深度学习的低剂量pet三维重建方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7212201B1 (en) * 1999-09-23 2007-05-01 New York University Method and apparatus for segmenting an image in order to locate a part thereof
US8103068B2 (en) * 2006-09-29 2012-01-24 Cornell Research Foundation, Inc. Methods and systems for reconstruction of objects
WO2017044433A1 (en) * 2015-09-07 2017-03-16 The Regents Of The University Of California Ultra-dense electrode-based brain imaging system
CN111260583A (zh) * 2020-01-17 2020-06-09 南京邮电大学 基于多判别器的多重解析网络缺失ct投影数据估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136773A (zh) * 2013-02-05 2013-06-05 南方医科大学 一种稀疏角度x射线ct成像方法
CN107958472A (zh) * 2017-10-30 2018-04-24 深圳先进技术研究院 基于稀疏投影数据的pet成像方法、装置、设备及存储介质
CN109523458A (zh) * 2018-05-24 2019-03-26 湖北科技学院 一种结合稀疏诱导动态引导滤波的高精度稀疏角度ct重建方法
CN111325686A (zh) * 2020-02-11 2020-06-23 之江实验室 一种基于深度学习的低剂量pet三维重建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
J.MIAO等: "A practical sparse-view ultra-low dose CT acquisition scheme for PET attenuation correction", 《NUCLEAR SCIENCE SYMPOSIUM & MEDICAL IMAGING CONFERENCE IEEE》 *
PUHUA CHEN等: "Dimensionality Reduction of Hyperspectral Imagery Using Sparse Graph Learning", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 *
易传亮等: "基于区域相似性测量的CT/PET图像配准", 《研究与论著》 *
陈舒杭: "稀疏约束的PET图像重建算法研究", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723842A (zh) * 2022-05-24 2022-07-08 之江实验室 基于深度融合神经网络的稀疏视角ct成像方法和设备
CN114723842B (zh) * 2022-05-24 2022-08-23 之江实验室 基于深度融合神经网络的稀疏视角ct成像方法和设备

Also Published As

Publication number Publication date
JP2023078074A (ja) 2023-06-06
JP7430232B2 (ja) 2024-02-09
CN113838161B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN110461228B (zh) 使用多对比度和深度学习改进医学图像的质量
CN109146988B (zh) 基于vaegan的非完全投影ct图像重建方法
US20240037732A1 (en) Method for enhancing quality and resolution of ct images based on deep learning
CN112348936B (zh) 一种基于深度学习的低剂量锥束ct图像重建方法
CN107481297B (zh) 一种基于卷积神经网络的ct图像重建方法
CN111932461B (zh) 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统
CN112396672B (zh) 一种基于深度学习的稀疏角度锥束ct图像重建方法
CN110378982B (zh) 重建图像处理方法、装置、设备及存储介质
CN105321155A (zh) 一种cbct图像环形伪影消除方法
CN110717956A (zh) 一种有限角投影超像素引导的l0范数最优化重建方法
WO2024032098A1 (zh) 伪影去除模型的训练方法、装置、设备、介质及程序产品
CN111178499B (zh) 一种基于生成对抗网络改进的医学图像超分辨率方法
US11631160B2 (en) Image processing apparatus, image processing method, and X-ray CT apparatus
Xue et al. LCPR-Net: low-count PET image reconstruction using the domain transform and cycle-consistent generative adversarial networks
US20220414832A1 (en) X-ray imaging restoration using deep learning algorithms
CN109461192B (zh) 图像迭代重建方法、装置、设备及存储介质
CN114219719A (zh) 基于双重注意力和多尺度特征的cnn医学ct图像去噪方法
CN113838161B (zh) 一种基于图学习的稀疏投影重建方法
CN111161182B (zh) Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法
CN110458908B (zh) 基于有限角度迭代重建超视野ct图像的方法
US20230032472A1 (en) Method and apparatus for reconstructing medical image
CN109741254A (zh) 字典训练及图像超分辨重建方法、系统、设备及存储介质
CN114187181B (zh) 基于残差信息精炼的双路径肺部ct图像超分辨率方法
CN113436118B (zh) 一种基于多尺度卷积编码网络的低剂量ct图像复原方法
CN112233030B (zh) 一种基于深度学习的ct投影几何校正方法

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