CN114119790A - 医学成像方法、装置、电子设备和存储介质 - Google Patents

医学成像方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114119790A
CN114119790A CN202010878519.5A CN202010878519A CN114119790A CN 114119790 A CN114119790 A CN 114119790A CN 202010878519 A CN202010878519 A CN 202010878519A CN 114119790 A CN114119790 A CN 114119790A
Authority
CN
China
Prior art keywords
image
data
metal
original
weighting
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
Application number
CN202010878519.5A
Other languages
English (en)
Inventor
郭新路
李俊杰
李山奎
黄灿鸿
高成龙
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202010878519.5A priority Critical patent/CN114119790A/zh
Publication of CN114119790A publication Critical patent/CN114119790A/zh
Pending legal-status Critical Current

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
    • G06T11/008—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
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/416—Exact reconstruction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/421—Filtered back projection [FBP]

Landscapes

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

Abstract

本发明实施例公开了一种医学成像方法、装置、电子设备和存储介质。方法包括：获取目标对象的原始扫描图像，原始扫描图像为对原始数据在数据域重建获得，原始数据为对包含金属的目标对象进行医学扫描获得；根据原始扫描图像，获取金属在数据域对应的第一组数据、原始扫描图像去除金属在数据域对应的第二组数据；对第一组数据、第二组数据以及插值处理的第二组数据进行加权处理和重建，获取第一校正图像；根据第一校正图像在原始扫描图像确定金属在图像域的边界信息，并根据金属在图像域的边界信息对原始图像进行校正，获取第二校正图像；根据原始扫描图像和第二校正图像确定医学图像。本发明的方法能够去除图像中的金属伪影，便于医生诊断。

Description

医学成像方法、装置、电子设备和存储介质
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种医学成像方法、装置、电子设备和存储介质。
背景技术
由于金属物质密度较高，当CT扫描射线通过时会产生包含噪声、射线硬化和散射等各类金属伪影，图像上表现为条状伪影，以及亮带或暗带伪影。
由于现有技术中，通常是在金属植入手术前，对金属植入材料和结构进行选取，或者扫描时尽可能去除金属，以此来减少金属植入物对图像的影响。
但这种方式，只能在扫描前来对伪影进行避免，但是由于关节置换、心脏搭桥等手术原因，无法完全避免金属进入扫描视野，这样就会导致图像中组织信息缺失难以辨认，影响医生诊断。
发明内容
本发明实施例提供一种医学成像方法、装置、电子设备和存储介质，以实现高质量的去除图像中的金属伪影，得到高质量的便于医生诊断的图像。
第一方面，本发明实施例提供了医学成像方法，该方法包括：
获取目标对象的原始扫描图像，所述原始扫描图像通过对原始数据在数据域重建获得，所述原始数据通过对目标对象进行医学扫描获得，所述目标对象的局部包含金属；
根据所述原始扫描图像，获取所述金属在数据域对应的第一组数据、所述原始扫描图像去除所述金属在数据域对应的第二组数据；
联合第一组数据、第二组数据以及插值处理的第二组数据进行加权处理和重建，获取第一校正图像；
根据所述第一校正图像在所述原始扫描图像确定所述金属在图像域的边界信息，并根据所述金属在图像域的边界信息对所述原始图像进行校正，获取第二校正图像；
根据原始扫描图像和第二校正图像确定所述目标对象的医学图像。
第二方面，本发明实施例还提供了医学成像装置，该装置包括：
原始扫描图像获取模块，用于获取目标对象的原始扫描图像，所述原始扫描图像通过对原始数据在数据域重建获得，所述原始数据通过对目标对象进行医学扫描获得，所述目标对象的局部包含金属；
数据获取模块，用于根据所述原始扫描图像，获取所述金属在数据域对应的第一组数据、所述原始扫描图像去除所述金属在数据域对应的第二组数据；
第一校正图像获取模块，用于联合第一组数据、第二组数据以及插值处理的第二组数据进行加权处理和重建，获取第一校正图像；
第二校正图像获取模块，用于根据所述第一校正图像在所述原始扫描图像确定所述金属在图像域的边界信息，并根据所述金属在图像域的边界信息对所述原始图像进行校正，获取第二校正图像；
医学图像获取模块，用于根据所述原始扫描图像和第二校正图像确定所述目标对象的医学图像。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例中任一所述的医学成像方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例中任一所述的医学成像方法。
本发明实施例的技术方案，通过获取目标对象的原始扫描图像，根据原始扫描图像，获取金属在数据域对应的第一组数据、原始扫描图像去除金属在数据域对应的第二组数据，联合第一组数据、第二组数据以及插值处理的第二组数据进行加权处理和重建，获取第一校正图像，根据第一校正图像在原始扫描图像确定金属在图像域的边界信息，并根据金属在图像域的边界信息对原始图像进行校正，获取第二校正图像，基于原始扫描图像和第二校正图像，确定目标对象的医学图像，这样通过图像域和数据域相结合的方式即可去掉金属伪影，实现了高质量的去除图像中的金属伪影，得到高质量的便于医生诊断的图像的效果。
附图说明
图1是本发明实施例一中的医学成像方法的流程图；
图2是本发明实施例一中的医学图像的示意图；
图3是本发明实施例二医学成像方法的流程图；
图4是本发明实施例二中的目标医学图像的示意图；
图5是本发明实施例三中的医学成像装置的结构示意图；
图6是本发明实施例四中的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的医学成像方法的流程图，本实施例可适用于对医学图像中的金属伪影进行有效去除的情况，该方法可以由医学成像装置来执行，该医学成像装置可以由软件和/或硬件来实现，该医学成像装置可以配置在计算设备上，具体包括如下步骤：
S110、获取目标对象的原始扫描图像，原始扫描图像通过对原始数据在数据域重建获得，原始数据通过对目标对象进行医学扫描获得，目标对象的局部包含金属。
示例性的，这里的目标对象可以是需要对其的原始扫描图像中的金属伪影进行去除的对象，例如，可以是人或动物等。
需要说明的是，在目标对象中包含金属。以目标对象为人为例，这里的金属例如可以是植入目标对象体内的植入材料，比如，可以是植入目标对象体内的心脏支架、钢板等。
原始扫描图像可以是通过对原始对原始数据在数据域重建获得，这里的原始数据是通过对目标对象进行医学扫描获得。
这里的原始数据可以是对目标对象进行医学扫描的数据。原始数据例如可以是目标对象执行CT扫描获得的多个层面的CT数据，该CT数据可以通过多层面重建、最大密度投影、容积漫游、曲面重建等多种重建方法中的一种或者多种的组合获得原始扫描图像。
S120、根据原始扫描图像，获取金属在数据域对应的第一组数据、原始扫描图像去除金属在数据域对应的第二组数据。
示例性的，第一组数据可以是在原始扫描图像中，原始扫描图像中的金属在数据域所对应的金属数据。
第二组数据可以是在原始扫描图像中，去除金属后的剩余图像在数据域的数据。
对原始扫描图像进行正向投影计算，具体的例如可以是利用滤波卷积的计算方法，即可得到金属在数据域对应的第一组数据，以及原始扫描图像去除金属后在数据域对应的第二组数据。
需要说明的是，这里的正向投影计算属于现有技术，这里不再详细赘述。
S130、联合第一组数据、第二组数据以及插值处理的第二组数据进行加权处理和重建，获取第一校正图像。
示例性的，第一校正图像可以是对第一组数据、第二组数据以及插值处理后的第二组数据进行加权和重建后获得的图像。
可选的，所述联合第一组数据、第二组数据以及插值处理的第二组数据进行加权处理和重建，获取第一校正图像，具体可以是：基于第一组数据和原始数据，确定第一组数据的权重；对第一组数据、第一组数据的权重和插值处理的第二组数据进行加权处理，得到第一加权结果；对第一加权结果、第二组数据和第一加权结果的权重进行加权处理，得到第二加权结果；将第二加权结果进行滤波反投影得到第一校正图像。
示例性的，基于第一组数据和原始数据，根据如下公式(1)，可得到第一组数据的权重：
Figure BDA0002653380010000061
其中，weight为第一组数据的权重，1W0＜weight＜1W0，W0为基于原始数据决定的第一组数据的系数，W0为常数值，Pmetal为第一组数据中的每个数据单元，在此实施例中，Pmetal的值为金属图像的每个像素所对应的投影数据的CT值；max为取最大值运算，max(Pmetal)为第一组数据中的数据单元的最大值；
Figure BDA0002653380010000062
(1-W0))表示取两者中的最大者。
对第一组数据的权重和插值处理的第二组数据进行加权处理，具体的可以是根据如下公式(2)，得到第一加权结果：
Pcorr1＝ Pmetal*weight+(1-weight)*Pdoff (2)
其中，Pcorr1为第一加权结果对应的数据，weight为第一组数据的权重，Pdoff为插值处理的第二组数据中每个数据单元。
将第一加权结果对应的数据、第二组数据和第一加权结果的权重根据如下公式(3)进行加权处理，得到第二加权结果：
Pcorr2＝Pcorr1*weight1+(1-weight1)*Pdiff (3)
其中，Pcorr2为第二加权结果对应的数据，Pcorr1为第一加权结果对应的数据，weight1为第一加权结果对应的数据的权重，Pdiff为第二组数据中每个数据单元。
需要说明的是，这里的计算第一加权结果的权重的方式，与上述计算第一数据的权重的方式一样，其区别仅在于将公式(1)中的Pmetal替换为Pcorr1。这里不再赘述。
得到第二加权结果后，对第二加权结果进行滤波反投影即可得到第一校正图像。需要说明的是，这里的滤波反投影属于现有技术，这里不再赘述。
S140、根据第一校正图像在原始扫描图像确定金属在图像域的边界信息，并根据金属在图像域的边界信息对原始图像进行校正，获取第二校正图像。
示例性的，第二校正图像可以是根据第一校正图像在原始扫描图像确定的金属在图像域的边界信息，将金属在图像域的边界信息对原始图像进行校正得到的图像。
可选的，所述根据金属在图像域的边界信息对原始图像进行校正，获取第二校正图像，具体可以是：根据金属在图像域的边界信息，确定金属在数据域的边界数据；基于金属在数据域的边界数据和原始数据，确定金属在数据域的边界数据的权重；对金属在数据域的边界数据、金属在数据域的边界数据的权重，以及插值处理后的金属在数据域的边界数据进行加权处理，得到第三加权结果；对第三加权结果、金属在数据域的边界数据和第三加权结果的权重进行加权处理，得到第四加权结果；将第四加权结果进行滤波反投影得到第二校正图像。
示例性的，根据金属在图像域的边界信息，利用正向投影计算，即可得到金属在数据域的边界数据。
根据金属在数据域的边界数据和原始数据，利用如下公式(4)，确定金属在数据域的边界数据的权重：
Figure BDA0002653380010000081
其中，weight2为金属在数据域的边界数据的权重，W1为基于原始数据决定的金属在数据域的边界数据的系数，W1为常数值，P为金属在数据域的边界数据，金属在数据域的边界数据可包含多个且包含对应的边界数据包含多个值，max(P)为金属在数据域的边界数据的最大值；
Figure BDA0002653380010000082
(1-W1))表示取两者中的最大者。
对金属在数据域的边界数据、金属在数据域的边界数据的权重，以及插值处理后的金属在数据域的边界数据按如下公式(5)进行加权处理，得到第三加权结果：
Pcorr3＝P*weight2+(1-weight)*P1 (5)
其中，Pcorr3为第三加权结果对应的数据，P为金属在数据域的边界数据，weight2为金属在数据域的边界数据的权重，P1为插值处理后的金属在数据域的边界数据，金属在数据域的边界数据插值处理具体为线性插值。
对第三加权结果、金属在数据域的边界数据和第三加权结果的权重按如下公式(6)进行加权处理，得到第四加权结果：
Pcorr4＝Pcorr3*weight3+(1-weight3)*P (6)
其中，Pcorr4为第四加权结果对应的数据，Pcorr3为第三加权结果对应的数据，weight3为第三加权结果对应的数据的权重，P为金属在数据域的边界数据。
需要说明的是，这里的计算第三加权结果的权重的方式，与上述计算第一数据的权重的方式一样。这里不再赘述。
需要说明的是，这里的进行加权处理的计算方式，可以统一用同一公式来表示：a*Coeff+b*(1-Coeff)，其中，Coeff为a的权重。
经过上述计算后，即可将原始扫描图像中的金属伪影进行去除，得到如图2所述的图像。上述第一加权结果、第二加权结果、第三加权结果以及第四加权结果的运算采用多核GPU逐像素、逐个数据点并行运算，可明显提高数据处理的效率，并方便金属伪影过程中涉及的大连阿给数据域和图像域的交互计算。
S150、根据原始扫描图像和第二校正图像，确定目标对象的医学图像。
示例性的，得到第二校正图像后，将原始扫描图像和第二校正图像进行高斯滤波和加权计算，即可得到目标对象的医学图像。
插值处理的第二组数据可以通过对第二组数据线性插值、频率域插值等方式得到。在本次实施例中，插值处理的第二组数据通过如下方式获得：
首先，以Ix,y表示原始扫描图像去除金属后的图像，Px,y为对Ix,y进行二维傅里叶变换得到的频率域数据，且Px,y为直角坐标系中的数据；令Px,y的极坐标频域表达式为P’x,y：
其次设置极坐标频域中相邻两个数据点之间的频域间隔，即确定插值点数，在此实施例中，直角坐标的频域间隔为：
Figure BDA0002653380010000091
极坐标的频域间隔为：
Figure BDA0002653380010000092
其中，Fmax表示CT数据重建的最大视野，d为等间距平行束投影的物理间隔大小，NFFT为滤波反投影重建中卷积的长度，而对于极坐标的每个点(p，n)的值P’x,y的值用线性插值。
其中对于每个插值点的投影角度：
Figure BDA0002653380010000101
其中，p表示当前插值点的频率，p＝0，1，…，Npπ-1，
Figure BDA0002653380010000102
为第一个投影的起始角度，Np表示根据Δωp所确定的矩阵大小,n表示频域索引，n＝0，1，…，NFFT-1。
通过上面的插值过程，对于每个投影角度p，得到多个插值点的序列值；
其次，对于获得的插值后的多个序列值进行反卷积操作及傅里叶逆变换计算，获得插值处理的第二组数据在图像域的图像。需要说明的是，这里的高斯滤波和加权计算均属于现有技术，这里不做详细介绍。
这样通过上述图像域和数据域相结合的方式即可去掉金属伪影，实现了高质量的去除图像中的金属伪影，得到高质量的便于医生诊断的图像的效果。
本发明实施例的技术方案，通过获取目标对象的原始扫描图像，根据原始扫描图像，获取金属在数据域对应的第一组数据、原始扫描图像去除金属在数据域对应的第二组数据，联合第一组数据、第二组数据以及插值处理的第二组数据进行加权处理和重建，获取第一校正图像，根据第一校正图像在原始扫描图像确定金属在图像域的边界信息，并根据金属在图像域的边界信息对原始图像进行校正，获取第二校正图像，基于原始扫描图像和第二校正图像，确定目标对象的医学图像，这样通过图像域和数据域相结合的方式即可去掉金属伪影，实现了高质量的去除图像中的金属伪影，得到高质量的便于医生诊断的图像的效果；金属伪影去除的前期提取出金属在数据域对应的第一组数据，并根据第一组数据得到第一校正图像，可有效减小运动伪影、系统伪影等其他非金属伪影对于最终图像的干扰。
实施例二
图3为本发明实施例二提供的医学成像方法的流程图，本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中，可选的，所述方法还包括：对原始扫描图像和第二校正图像进行加权合并计算，得到第三校正图像；对第三校正图像和原始扫描图像进行高斯滤波和加权计算，得到目标对象的目标医学图像。
如图3所示，本发明实施例的方法具体包括如下步骤：
S210、获取目标对象的原始扫描图像，原始扫描图像通过对原始数据在数据域重建获得，原始数据通过对目标对象进行医学扫描获得，目标对象的局部包含金属。
S220、根据原始扫描图像，获取金属在数据域对应的第一组数据、原始扫描图像去除金属在数据域对应的第二组数据。
S230、联合第一组数据、第二组数据以及插值处理的第二组数据进行加权处理和重建，获取第一校正图像。
S240、根据第一校正图像在原始扫描图像确定金属在图像域的边界信息，并根据金属在图像域的边界信息对原始图像进行校正，获取第二校正图像。
S250、对原始扫描图像和第二校正图像进行加权合并计算，得到第三校正图像。
示例性的，第三校正图像可以是对原始扫描图像和第二校正图像进行加权合并计算后得到的图像。
可选的，所述对原始扫描图像和第二校正图像进行加权合并计算，得到第三校正图像，具体可以是：对第二校正图像中的各像素点进行采样分割计算，从分割后的第二校正图像中的各像素点中选取预设像素值的第一目标像素点；对原始扫描图像中的各像素点采样分割计算，基于第一目标像素点，从分割后的原始扫描图像中的各像素点中选取第二目标像素点；基于预设步进数值、与各第一目标像素点对应的第一基准图像和与各第二目标像素点对应的第二基准图像，得到第一目标像素点和第二目标像素点的加权结果；基于加权结果，确定加权结果对应的统计结果；基于统计结果，确定第三校正图像。
示例性的，预设像素值可以是预先设置的需要选取的像素值，例如，这里的预设像素值可以是255。
第一目标像素点可以是从采样分割后的第二校正图像中的各像素点中选取预设像素值的像素点。
第二目标像素点可以是从采样分割后的原始扫描图像中的各像素点中选取预设像素值的与第一目标像素点对应的像素点。
对第二校正图像中的各像素点进行采样分割，具体的可以是进行下采样分割计算，从分割后的第二校正图像中的各像素点中选取像素值为255的第一目标像素点。
采用与第二校正图像中的各像素点的采样分割计算方法相同的采样分割计算方法，对原始扫描图像中的各像素点也进行采样分割计算。从原始扫描图像中选取出像素值为255的，且与第一目标像素点相同位置的第二目标像素点。例如，在第二校正图像中选取出了第一目标像素点，在原始扫描图像中，将与第一目标像素点在第二校正图像中位置相同的像素点选取出来，作为第二目标像素点。
预设步进数值可以是预先设置的步进，例如，这里的预设步进数值可以是0.01。
第一基准图像可以是在基于预设步进数值和第一目标像素点，在第二校正图像中选取的预设尺寸大小的图像。
第二基准图像可以是基于预设步进数值和第二目标像素点，在原始扫描图像中选取的预设尺寸大小的图像。
需要说明的是，这里的各第一目标像素点所对应的第一基准图像的尺寸大小和与第一目标像素点所对应第二目标像素点所对应的第二基准图像的尺寸大小相等。
可选的，所述基于预设步进数值、与各第一目标像素点对应的第一基准图像和与各第二目标像素点对应的第二基准图像，得到第一目标像素点和第二目标像素点的加权结果，具体可以是：对于任一第一目标像素点，以及与第一目标像素点对应的第二目标像素点，执行如下步骤，确定第一目标像素点和第二目标像素点的加权结果：基于预设步进数值和当前第一目标像素点，确定当前第一目标像素点所对应的当前第一基准图像；基于预设步进数据和与当前第一目标像素点对应的当前第二目标像素点，确定与当前第二目标像素点对应的当前第二基准图像；基于当前第一基准图像和当前第二基准图像，确定所述加权结果。
示例性的，基于预设步进数值和第一目标像素点，在第二校正图像中选取的预设尺寸大小的图像，作为第一基准图像。这里的预设尺寸大小可以根据计算性能来自行设定，这里不做限定。
基于预设步进数据和与当前第一目标像素点对应的当前第二目标像素点，在原始扫描图像中选取的预设尺寸大小的图像。这里的预设尺寸大小需与上述第一基准图像的尺寸大小相等。
以计算任一第一基准图像的加权结果为例，将预设步进数值作为各第一目标像素点的权重系数，将各权重系数与其所对应的各第一基准图像相乘，即可得到各第一基准图像所对应的加权结果。
任一第二基准图像的加权结果的计算同上述第一基准图像的加权结果的计算，这里不再赘述。
得到任一第一基准图像的加权结果和任一第二基准图像的加权结果后，将对应的第一基准图像的加权结果和第二基准图像的加权结果进行合并计算，得到第一基准图像和第二基准图像的合并的加权结果。
具体的，以在0-1范围内以预设步进数值为0.01为例，则会有101个权重系数。对于某一个第一基准图像而言，与该第一基准图像对应的会有一个第二基准图像，因为第一基准图像是由第一目标像素点得到的，第二基准图像是由第二目标像素点得到的，而每一个第一目标像素点对应的会有一个第二目标像素点。因此，这里的每一个第一基准图像也会对应的有一个第二基准图像。
对于某一个第一基准图像来讲，将该第一基准图像分别乘以101个权重系数，则会得到该第一基准图像的101个加权结果。
同样的，对每一个第二基准图像也进行上述第一基准图像的加权计算，每一个第二基准图像也会得到101个加权结果。
将该第一基准图像得到的101个加权结果和与该第一基准图像对应的第二基准图像得到的101个加权结果进行合并计算，则得到与该第一基准图像对应的第一目标像素点所对应的加权结果，将各第一基准图像得到的101个加权结果和各第一基准图像对应的各第二基准图像得到的101个加权结果进行合并计算，则可得到各第一目标像素点所对应的101个加权结果。
基于得到的各第一目标像素点所对应的加权结果，确定各加权结果对应的统计结果。
可选的，基于任一第一目标像素点所对应的加权结果，确定加权结果对应的统计结果，具体可以是：对于任一第一目标像素点，以及与第一目标像素点对应的第二目标像素点，执行如下步骤，确定统计结果：基于当前加权结果，确定当前加权结果的直方图，以及当前加权结果的直方图的对数；对当前加权结果的直方图，以及当前加权结果的直方图的对数进行加权计算，得到统计结果。
示例性的，继续上述的例子，根据当前第一目标像素点所对应的101个加权结果，计算当前这101个加权结果的直方图，以及当前这101个加权结果的直方图的对数。具体的计算当前这101个加权结果的直方图，以及当前这101个加权结果的直方图的对数属于现有技术，这里不做详细介绍。
得到当前这101个加权结果的直方图，以及当前这101个加权结果的直方图的对数后，将当前这101个加权结果的直方图，以及当前这101个加权结果的直方图的对数对应进行相乘，得到统计结果。当然，这里的统计结果也为101个。
根据统计结果，可得到第三校正图像，具体的可以是：基于各统计结果，确定各当前加权结果的直方图的熵，以及与各当前加权结果的直方图的熵对应的图像权重；基于各图像权重和预设步进数值，确定第三校正图像。
示例性的，根据这101个统计结果，可确定当前这101个加权结果的直方图的熵，以及与各当前加权结果的直方图的熵对应的图像权重。
这里的确定当前这101个加权结果的直方图的熵可以是将当前这101个加权结果的直方图中，直方图结果最大的直方图结果作为当前第一目标像素点所对应的加权结果的直方图的熵。
这里的确定与各当前加权结果的直方图的熵对应的图像权重可以是将确定的直方图结果最大的直方图所处的位置作为与当前加权结果的直方图的熵对应的图像权重。例如，在101个加权结果的直方图中，其中第5个加权结果的直方图的结果是最大的，则这里的图像权重即为5。
当确定了各像素点的图像权重后，根据图像权重和预设步进数值，即可确定第三校正图像，具体的可以是将图像权重与预设步进数值进行相乘，得到第三校正图像。在此实施例中，多个加权结果的直方图的熵的计算采用多核GPU并行处理，提高金属伪影的去除速度。
S260、对第三校正图像和原始扫描图像进行高斯滤波和加权计算，得到目标对象的目标医学图像。
示例性的，目标医学图像可以是根据原始图像和第三校正图像进行细节增强处理后，得到的图像。
得到第三校正图像后，将原始扫描图像和第三校正图像进行高斯滤波和加权计算，即可得到如图4所述的目标对象的目标医学图像。这里的高斯滤波和加权计算均属于现有技术，这里不做详细介绍。
需要说明的是，经过上述实施例一中的技术方案去除了金属伪影，但上述去除金属伪影后，可能导致金属伪影周围的组织细节也被去除掉，其金属伪影的去除效果没有很乐观，此时，可在上述实施例一中得到的第二校正图像之后，实施本发明实施例的步骤S250和S260，即根据第二校正图像得到第三校正图像，再根据原始扫描图像和第三校正图像，进行细节增强处理，来得到质量更好的便于医生诊断的图像。
需要说明的是，若在利用上述实施例一中的技术方案得到的去除金属伪影后的图像效果较好时，用户不需在进行进一步的细节增强，则可只执行上述实施例一中的技术方案。若在利用上述实施例一中的技术方案得到的去除金属伪影后的图像没有达到用户要求，则可执行本发明实施例二的技术方案，来对实施例一得到的第二校正图像进行后续S250和S260的计算，来得到符合要求的、质量更好的便于医生诊断的图像。具体的是利用实施例一的技术方案还是利用实施例二的技术方案，可根据用户需求，自行选择，这里不做限定。
从图2和图4中可直观的看出，图2和图4中的区域H均为金属伪影区域，图2中去除金属伪影后，金属伪影周围的组织细节也被去掉了，这样就丢失了一部分数据，如图2中圈出来的区域Q内，可看到在该区域Q内，金属伪影周围的组织细节也被去掉了。而图4中的去除金属伪影后，金属伪影周围的组织细节并未被去掉，如图4中圈出来的区域K内，可看到在该区域K内，金属伪影周围的组织细节没有图2中去掉的多，在该区域K内，很多的组织细节保留了下来，且也未引入其他状态的伪影，图像更易于医生诊断，保持了图像的完整性。
本发明实施例的技术方案，通过对原始扫描图像和第二校正图像进行加权合并计算，得到第三校正图像，对第三校正图像和原始扫描图像进行高斯滤波和加权计算，得到目标对象的目标医学图像，这样可对第二校正图像进行细节增强处理，来得到质量更好的便于医生诊断的图像。
实施例三
图5为本发明实施例三提供的医学成像装置的结构示意图，如图5所示，该装置包括：原始扫描图像获取模块31、数据获取模块32、第一校正图像获取模块33、第二校正图像获取模块34和医学图像获取模块35。
原始扫描图像获取模块31，用于获取目标对象的原始扫描图像，所述原始扫描图像通过对原始数据在数据域重建获得，原始数据通过对目标对象进行医学扫描获得，所述目标对象的局部包含金属；
数据获取模块32，用于根据所述原始扫描图像，获取所述金属在数据域对应的第一组数据、所述原始扫描图像去除所述金属在数据域对应的第二组数据；
第一校正图像获取模块33，用于联合第一组数据、第二组数据以及插值处理的第二组数据进行加权处理和重建，获取第一校正图像；
第二校正图像获取模块34，用于根据所述第一校正图像在所述原始扫描图像确定所述金属在图像域的边界信息，并根据所述金属在图像域的边界信息对所述原始图像进行校正，获取第二校正图像；
医学图像获取模块35，用于根据所述原始扫描图像和第二校正图像确定所述目标对象的医学图像。
在上述实施例的技术方案的基础上，第二校正图像获取模块34具体用于：
根据所述第一校正图像在所述原始扫描图像确定所述金属在图像域的边界信息；
根据所述金属在图像域的边界信息，确定所述金属在数据域的边界数据；
基于所述金属在数据域的边界数据和所述原始数据，确定所述金属在数据域的边界数据的权重；
对所述金属在数据域的边界数据、所述金属在数据域的边界数据的权重，以及插值处理后的所述金属在数据域的边界数据进行加权处理，得到第三加权结果；
对所述第三加权结果、所述金属在数据域的边界数据和所述第三加权结果的权重进行加权处理，得到第四加权结果；
将所述第四加权结果进行滤波反投影得到第二校正图像。
在上述实施例的技术方案的基础上，该装置还包括：
第三校正图像获取模块，用于对所述原始扫描图像和所述第二校正图像进行加权合并计算，得到第三校正图像；
目标医学图像获取模块，用于对所述第三校正图像和所述原始扫描图像进行高斯滤波和加权计算，得到所述目标对象的目标医学图像。
在上述实施例的技术方案的基础上，第三校正图像获取模块包括：
第一目标像素点选取单元，用于对所述第二校正图像中的各像素点进行采样分割计算，从分割后的所述第二校正图像中的各像素点中选取预设像素值的第一目标像素点；
第二目标像素点选取单元，用于对所述原始扫描图像中的各像素点采样分割计算，基于所述第一目标像素点，从分割后的所述原始扫描图像中的各像素点中选取第二目标像素点；
加权结果确定单元，用于基于预设步进数值、与各所述第一目标像素点对应的第一基准图像和与各所述第二目标像素点对应的第二基准图像，得到所述第一目标像素点和所述第二目标像素点的加权结果；
统计结果确定单元，用于基于所述加权结果，确定所述加权结果对应的统计结果；
第三校正图像获取单元，用于基于所述统计结果，确定所述第三校正图像。
在上述实施例的技术方案的基础上，第二目标像素点选取单元具体用于：
对所述原始扫描图像中的各像素点采样分割计算，基于所述第一目标像素点，从分割后的所述原始扫描图像中选取与所述第一目标像素点相同位置处的像素点作为第二目标像素点。
在上述实施例的技术方案的基础上，统计结果确定单元具体用于：
对于任一所述第一目标像素点，以及与所述第一目标像素点对应的第二目标像素点，基于当前加权结果，确定当前加权结果的直方图，以及所述当前加权结果的直方图的对数；
对所述当前加权结果的直方图，以及所述当前加权结果的直方图的对数进行加权计算，得到所述统计结果。
在上述实施例的技术方案的基础上，第三校正图像获取单元具体用于：
基于各所述统计结果，确定各所述当前加权结果的直方图的熵，以及与所述各所述当前加权结果的直方图的熵对应的图像权重；
基于各所述图像权重和所述预设步进数值，确定所述第三校正图像。
本发明实施例所提供的图像成像装置可执行本发明任意实施例所提供的图像成像方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6为本发明实施例四提供的一种电子设备的结构示意图，如图6所示，该电子设备包括处理器70、存储器71、输入装置72和输出装置73；电子设备中处理器70的数量可以是一个或多个，图6中以一个处理器70为例；电子设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图6中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的医学成像方法对应的程序指令/模块(例如，原始扫描图像获取模块31、数据获取模块32、第一校正图像获取模块33、第二校正图像获取模块34和医学图像获取模块35)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的医学成像方法。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种医学成像方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的医学成像方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。
值得注意的是，上述医学成像装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种医学成像方法，其特征在于，包括：
获取目标对象的原始扫描图像，所述原始扫描图像通过对原始数据在数据域重建获得，所述原始数据通过对目标对象进行医学扫描获得，所述目标对象的局部包含金属；
根据所述原始扫描图像，获取所述金属在数据域对应的第一组数据、所述原始扫描图像去除所述金属在数据域对应的第二组数据；
联合第一组数据、第二组数据以及插值处理的第二组数据进行加权处理和重建，获取第一校正图像；
根据所述第一校正图像在所述原始扫描图像确定所述金属在图像域的边界信息，并根据所述金属在图像域的边界信息对所述原始图像进行校正，获取第二校正图像；
根据原始扫描图像和第二校正图像确定所述目标对象的医学图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述金属在图像域的边界信息对所述原始图像进行校正，获取第二校正图像，包括：
根据所述金属在图像域的边界信息，确定所述金属在数据域的边界数据；
基于所述金属在数据域的边界数据和所述原始数据，确定所述金属在数据域的边界数据的权重；
对所述金属在数据域的边界数据、所述金属在数据域的边界数据的权重，以及插值处理后的所述金属在数据域的边界数据进行加权处理，得到第三加权结果；
对所述第三加权结果、所述金属在数据域的边界数据和所述第三加权结果的权重进行加权处理，得到第四加权结果；
将所述第四加权结果进行滤波反投影得到第二校正图像。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述原始扫描图像和所述第二校正图像进行加权合并计算，得到第三校正图像；
对所述第三校正图像和所述原始扫描图像进行高斯滤波和加权计算，得到所述目标对象的目标医学图像。
4.根据权利要求3所述的方法，其特征在于，所述对所述原始扫描图像和所述第二校正图像进行加权合并计算，得到第三校正图像，包括：
对所述第二校正图像中的各像素点进行采样分割，从分割后的所述第二校正图像中的各像素点中选取预设像素值的第一目标像素点；
对所述原始扫描图像中的各像素点采样分割计算，基于所述第一目标像素点，从分割后的所述原始扫描图像中的各像素点中选取第二目标像素点；
基于预设步进数值、与各所述第一目标像素点对应的第一基准图像和与各所述第二目标像素点对应的第二基准图像，得到所述第一目标像素点和所述第二目标像素点的加权结果；
基于所述加权结果，确定所述加权结果对应的统计结果；
基于所述统计结果，确定所述第三校正图像。
5.根据权利要求4所述的方法，其特征在于，所述基于所述第一目标像素点，从分割后的所述原始扫描图像中的各像素点中选取第二目标像素点，包括：
基于所述第一目标像素点，从分割后的所述原始扫描图像中选取与所述第一目标像素点相同位置处的像素点作为第二目标像素点。
6.根据权利要求4所述的方法，其特征在于，所述基于所述加权结果，确定所述加权结果对应的统计结果，包括：
对于任一所述第一目标像素点，以及与所述第一目标像素点对应的第二目标像素点，执行如下步骤，确定所述统计结果：
基于当前加权结果，确定当前加权结果的直方图，以及所述当前加权结果的直方图的对数；
对所述当前加权结果的直方图，以及所述当前加权结果的直方图的对数进行加权计算，得到所述统计结果。
7.根据权利要求6所述的方法，其特征在于，所述基于所述统计结果，确定所述第三校正图像，包括：
基于各所述统计结果，确定各所述当前加权结果的直方图的熵，以及与所述各所述当前加权结果的直方图的熵对应的图像权重；
基于各所述图像权重和所述预设步进数值，确定所述第三校正图像。
8.一种图像成像装置，其特征在于，包括：
原始扫描图像获取模块，用于获取目标对象的原始扫描图像，所述原始扫描图像通过对原始数据在数据域重建获得，所述原始数据通过对目标对象进行医学扫描获得，所述目标对象的局部包含金属；
数据获取模块，用于根据所述原始扫描图像，获取所述金属在数据域对应的第一组数据、所述原始扫描图像去除所述金属在数据域对应的第二组数据；
第一校正图像获取模块，用于联合第一组数据、第二组数据以及插值处理的第二组数据进行加权处理和重建，获取第一校正图像；
第二校正图像获取模块，用于根据所述第一校正图像在所述原始扫描图像确定所述金属在图像域的边界信息，并根据所述金属在图像域的边界信息对所述原始图像进行校正，获取第二校正图像；
医学图像获取模块，用于根据所述原始扫描图像和第二校正图像确定所述目标对象的医学图像。
9.一种电子设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的医学成像方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的医学成像方法。
CN202010878519.5A 2020-08-27 2020-08-27 医学成像方法、装置、电子设备和存储介质 Pending CN114119790A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010878519.5A CN114119790A (zh) 2020-08-27 2020-08-27 医学成像方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010878519.5A CN114119790A (zh) 2020-08-27 2020-08-27 医学成像方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114119790A true CN114119790A (zh) 2022-03-01

Family

ID=80374433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010878519.5A Pending CN114119790A (zh) 2020-08-27 2020-08-27 医学成像方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114119790A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115995287A (zh) * 2023-03-23 2023-04-21 山东远程分子互联网医院有限公司 一种云影像资料收发系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115995287A (zh) * 2023-03-23 2023-04-21 山东远程分子互联网医院有限公司 一种云影像资料收发系统及方法

Similar Documents

Publication Publication Date Title
CN106683144B (zh) 一种图像迭代重建方法及装置
US20100092102A1 (en) Method and apparatus for image processing
JP3700804B2 (ja) 画像処理方法および装置
EP2267655A2 (en) Image processing method and image processing apparatus
CN107133923B (zh) 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法
CN107292815B (zh) 乳腺图像的处理方法、装置及乳腺成像设备
EP3563339B1 (en) Method and device for image processing
CN110533738B (zh) 重建数据处理方法、装置、医学成像系统及存储介质
US9922409B2 (en) Edge emphasis in processing images based on radiation images
CN109461192B (zh) 图像迭代重建方法、装置、设备及存储介质
CN107316291B (zh) 乳腺图像处理方法及乳腺成像设备
Anger et al. Efficient blind deblurring under high noise levels
Hasikin et al. Adaptive fuzzy intensity measure enhancement technique for non-uniform illumination and low-contrast images
JP7032913B2 (ja) 画像処理装置、画像処理方法、コンピュータプログラム
CN110400359B (zh) 图像伪影的消除方法、装置、设备及存储介质
CN114119790A (zh) 医学成像方法、装置、电子设备和存储介质
Toh et al. Locally adaptive bilateral clustering for image deblurring and sharpness enhancement
CN116563166A (zh) 一种图像增强方法、装置、存储介质和设备
JP5146159B2 (ja) 画像復元方法、画像復元プログラム、および画像復元装置
Yilmaz et al. Noise removal of CBCT images using an adaptive anisotropic diffusion filter
CN111325758A (zh) 肺部图像分割方法及装置、图像分割模型的训练方法
CN107886478B (zh) 一种ct图像重建方法及系统、终端及可读存储介质
JP4127537B2 (ja) 画像処理方法および装置並びにプログラム
JPH0991421A (ja) 画像処理方法および装置
Haddadi et al. A Novel Medical Image Enhancement Algorithm Based on CLAHE and Pelican Optimization

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