CN115375583A - 一种pet参数图像的增强方法、装置、设备及存储介质 - Google Patents
一种pet参数图像的增强方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115375583A CN115375583A CN202211103152.5A CN202211103152A CN115375583A CN 115375583 A CN115375583 A CN 115375583A CN 202211103152 A CN202211103152 A CN 202211103152A CN 115375583 A CN115375583 A CN 115375583A
- Authority
- CN
- China
- Prior art keywords
- image
- pet
- parameter
- dynamic
- images
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000002708 enhancing effect Effects 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 239000000700 radioactive tracer Substances 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000009966 trimming 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
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 210000001557 animal structure Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000004190 glucose uptake Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种PET参数图像的增强方法、装置、设备及存储介质,该方法包括:基于预设映射列表,获取与基于动态PET图像集确定的原始PET参数图像对应的输入图像;将输入图像输入到图像增强模型中,基于原始PET参数图像和输出的预测PET参数图像,对图像增强模型的模型参数进行调整,直到满足预设迭代次数时,将预测PET参数图像作为原始PET参数图像对应的目标PET参数图像;其中,输入图像为噪声图像、动态PET图像集中与预设采集时间范围对应的动态PET图像或者与动态PET图像对应的动态SUV图像。本发明实施例解决了现有的神经网络模型方法需要制备高质量的PET参数图像的问题。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种PET参数图像的增强方法、装置、设备及存储介质。
背景技术
PET(Positron Emission Computed Tomography,正电子发射型计算机断层显像)成像是一种采用示踪剂检测人体或动物体器官代谢特征的医学成像技术,具备灵敏度高、准确性好、定位准确的特点。其中,动态PET成像技术可以提供连续时间点上的示踪剂的分布图像,揭示了示踪剂的活度随时间的变化规律。通过对动态PET图像序列应用动力学模型,可进一步得到能够反映组织器官的功能参数的PET参数图像,如K1参数图像、k2参数图像、k3参数图像和Ki参数图像等等。
目前为提高PET参数图像的图像质量,主要采用滤波算法或神经网络模型两种方式。其中,第一种方式虽然能够降低PET参数图像中的噪声,但同时也会降低PET参数图像的空间分辨率,破坏PET参数图像的图像细节。第二种方式大多需要图像质量高的PET参数图像作为训练标签对图像增强模型进行训练,而图像质量高的PET参数图像需要较长的扫描时间或较高的示踪剂注射剂量,不满足临床的图像采集要求,为训练标签的制备带来很大难度。
发明内容
本发明实施例提供了一种PET参数图像的增强方法、装置、设备及存储介质,以解决现有的神经网络模型方法需要制备高质量的PET参数图像的问题,在保留PET参数图像的图像细节的同时,提高PET参数图像的图像质量。
根据本发明一个实施例提供了一种PET参数图像的增强方法,该方法包括:
基于获取到的动态PET图像集,确定原始PET参数图像,并基于预设映射列表,获取与所述原始PET参数图像对应的输入图像;
将所述输入图像输入到图像增强模型中,得到输出的预测PET参数图像;
基于所述原始PET参数图像和所述预测PET参数图像,对所述图像增强模型的模型参数进行调整,直到满足预设迭代次数时,将预测PET参数图像作为所述原始PET参数图像对应的目标PET参数图像;
其中,所述输入图像为噪声图像、所述动态PET图像集中与预设采集时间范围对应的动态PET图像或者与所述动态PET图像对应的动态SUV图像。
根据本发明另一个实施例提供了一种PET参数图像的增强装置,该装置包括:
输入图像获取模块,用于基于获取到的动态PET图像集,确定原始PET参数图像,并基于预设映射列表,获取与所述原始PET参数图像对应的输入图像;
预测PET参数图像确定模块,用于将所述输入图像输入到图像增强模型中,得到输出的预测PET参数图像;
目标PET参数图像确定模块,用于基于所述原始PET参数图像和所述预测PET参数图像,对所述图像增强模型的模型参数进行调整,直到满足预设迭代次数时,将预测PET参数图像作为所述原始PET参数图像对应的目标PET参数图像;
其中,所述输入图像为噪声图像、所述动态PET图像集中与预设采集时间范围对应的动态PET图像或者与所述动态PET图像对应的动态SUV图像。
根据本发明另一个实施例提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的PET参数图像的增强方法。
根据本发明另一个实施例,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的PET参数图像的增强方法。
本发明实施例的技术方案,通过基于预设映射列表,获取与基于动态PET图像集确定的原始PET参数图像对应的输入图像,其中,输入图像为噪声图像、动态PET图像中与预设采集时间范围对应的动态PET图像或者与动态PET图像对应的动态SUV图像,将输入图像输入到图像增强模型中,得到输出的预测PET参数图像,基于原始PET参数图像和预测PET参数图像,对图像增强模型的模型参数进行调整,直到满足预设迭代次数时,将预测PET参数图像作为原始PET参数图像对应的目标PET参数图像,解决了现有的神经网络模型方法需要制备高质量的PET参数图像的问题,在保留了PET参数图像的图像细节的同时,提高了PET参数图像的图像质量。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明实施例一所提供的一种PET参数图像的增强方法的流程图;
图2为本发明实施例二所提供的一种PET参数图像的增强方法的流程图;
图3为本发明实施例二所提供的一种图像增强模型的模型架构的示意图;
图4为本发明实施例二所提供的一种PET参数图像的增强方法的具体实例的流程图;
图5为本发明实施例三所提供的一种PET参数图像的增强装置的结构示意图;
图6为本发明实施例四所提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一所提供的一种PET参数图像的增强方法的流程图,本实施例可适用于对PET参数图像进行图像增强的情况,该方法可以由PET参数图像的增强装置来执行,该PET参数图像的增强装置可以采用硬件和/或软件的形式实现,该PET参数图像的增强装置可配置于终端设备中。如图1所示,该方法包括:
S110、基于获取到的动态PET图像集,确定原始PET参数图像,并基于预设映射列表,获取与原始PET参数图像对应的输入图像。
其中,具体的,动态PET图像集中包含至少两个动态PET图像。示例性的,可采用18F-FDG PET/CT动态成像扫描技术,对被测对象进行成像扫描,得到动态PET图像集。此处对获取动态PET图像集采用的具体成像技术不作限定。
其中,示例性的,原始PET参数图像可以是动力学参数图像或功能参数图像。如动力学参数图像可以是K1参数图像、k2参数图像、k3参数图像和k4参数图像,功能参数图像可以是Ki参数图像。其中,Ki参数图像可用于反映组织器官的葡萄糖摄取率。
在一个可选实施例中,具体的,当原始PET参数图像为动力学参数图像时,通过动态参数模型(kinetic modelling),对动态PET图像集进行动力学建模,得到原始PET参数图像。此时,基于动力学建模得到的原始PET参数图像的图像质量较差,不利于后续的图像分析。
其中,具体的,预设映射列表可用于表征至少一个原始PET参数图像与至少一个输入图像之间的映射关系。其中,示例性的,预设映射列表中包含K1参数图像、k2参数图像、k3参数图像、k4参数图像和Ki参数图像中至少一个,以及与各原始PET参数图像分别对应的输入图像。其中,各原始PET参数图像分别对应的输入图像可以相同也可以不同。
在本实施例中,输入图像为噪声图像、动态PET图像集中与预设采集时间范围对应的动态PET图像或者与动态PET图像对应的动态SUV图像。
其中,示例性的,噪声图像可以是椒盐噪声图像、高斯噪声图像或混合噪声图像,此处对噪声图像中包含的噪声类别不作限定。
其中,具体的,采集一次动态PET图像集需要一定的采集时长,通常为60分钟。在本实施例中,预设采集时间范围用于表征动态采集图像集对应的总采集时长内的预设时间段。以总采集时长为60分钟为例,预设采集时间范围可以为0-5分钟、10-15分钟或50-60分钟等等。
在一个可选实施例中,当原始PET参数图像为K1参数图像时,预设采集时间范围对应的最小采集时间为0,或者,预设采集时间范围对应的最大采集时间为动态PET图像集对应的总采集时长。
在一个实施例中,预设采集时间范围对应的最小采集时间为0,最大采集时间小于第一时间阈值,第一时间阈值小于动态PET图像集对应的总采集时长的一半。以总采集时长为60分钟为例,第一时间阈值小于30分钟。在一个可选实施例中,预设采集时间范围为0-5分钟。在本实施例中,与该预设采集时间范围对应的动态PET图像为动态PET图像集中的早期动态PET图像。
在另一个实施例中,预设采集时间范围对应的最大采集时间为动态PET图像集对应的总采集时长,最小采集时间大于第二时间阈值,第二时间阈值大于动态PET图像集对应的总采集时长的一半。以总采集时长为60分钟为例,第二时间阈值大于30分钟。在一个可选实施例中,预设采集时间范围为50-60分钟。在本实施例中,与该预设采集时间范围对应的动态PET图像为动态PET图像集中的末期动态PET图像。
有研究证明,动态PET图像集中的早期动态PET图像或末期动态PET图像,与K1参数图像之间具备一定的相关性。因此,本实施例将早期动态PET图像或末期动态PET图像作为K1参数图像对应的输入图像,可以有效提高K1参数图像的图像质量。
其中,具体的,SUV(standard uptake value,标准摄取值)图像可表征组织器官摄取的示踪剂的活度浓度与全身平均活度浓度之间的比值,用于反映葡萄糖的代谢活跃度。具体的,将动态PET图像乘以被测对象的体重除以示踪剂的注射剂量,得到动态SUV图像。
这样设置的好处在于,可以弱化不同被测对象之间的个体差异,通过统一变量来消除体重变量和注射剂量变量带来的变量影响,进而提高后续得到的目标PET参数图像的图像质量。
S120、将输入图像输入到图像增强模型中,得到输出的预测PET参数图像。
其中,具体的,图像增强模型可以对输入的输入图像进行图像增强处理,输出预测PET参数图像。其中,示例性的,图像增强模型的模型架构包括但不限于生成对抗网络架构、U-NET架构和超分辨率卷积架构(Super Resolution Convolutional Neural Networks,SRCNN)等等,此处对图像增强模型的模型架构不作限定。
S130、基于原始PET参数图像和预测PET参数图像,对图像增强模型的模型参数进行调整,直到满足预设迭代次数时,将预测PET参数图像作为原始PET参数图像对应的目标PET参数图像。
在一个可选实施例中,基于原始PET参数图像和预测PET参数图像,对图像增强模型的模型参数进行调整,包括:基于L2损失函数,确定原始PET参数图像与预测PET参数图像之间的欧式距离差;采用L-BFGS迭代算法,通过最小化欧式距离差对图像增强模型的模型参数进行调整。
其中,示例性的,模型参数满足公式:
这样设置的好处在于,可以降低图像增强模型的迭代次数,以及降低图像增强模型对内存空间的占用。
其中,具体的,在当前迭代次数不满足预设迭代次数的情况下,基于调整后的模型参数对应的图像增强模型,继续输出预测PET参数图像。其中,示例性的,预设迭代次数可以为1000次或500次,此处对预设迭代次数不作限定。
本实施例的技术方案,通过基于预设映射列表,获取与基于动态PET图像集确定的原始PET参数图像对应的输入图像,其中,输入图像为噪声图像、动态PET图像中与预设采集时间范围对应的动态PET图像或者与动态PET图像对应的动态SUV图像,将输入图像输入到图像增强模型中,得到输出的预测PET参数图像,基于原始PET参数图像和预测PET参数图像,对图像增强模型的模型参数进行调整,直到满足预设迭代次数时,将预测PET参数图像作为原始PET参数图像对应的目标PET参数图像,解决了现有的神经网络模型方法需要制备高质量的PET参数图像的问题,在保留了PET参数图像的图像细节的同时,提高了PET参数图像的图像质量。
实施例二
图2为本发明实施例二所提供的一种PET参数图像的增强方法的流程图,本实施例对上述实施例中的图像增强模型进行进一步优化。如图2所示,该方法包括:
S210、基于获取到的动态PET图像集,确定原始PET参数图像,并基于预设映射列表,获取与原始PET参数图像对应的输入图像。
S220、将输入图像输入到图像增强模型中的编码器中。
在本实施例中,图像增强模型的模型架构为U-NET架构,其中,U-NET架构包括编码器和解码器。
其中,具体的,编码器包含至少两个编码卷积网络,解码器中包含至少两个解码卷积网络,各编码卷积网络和各解码卷积网络对称设置。编码卷积网络模型和解码卷积网络中分别包含多个串联的卷积层。
S230、通过编码器中的至少两个编码卷积网络,基于输入的输入图像,输出至少两个参数特征图。
在一个可选实施例中,编码器中每两个相邻的编码卷积网络之间设置有一个卷积层。其中,示例性的,至少一个卷积层的步幅均为2。此处对各卷积层分别对应的卷积参数不作限定。
这样设置的好处在于,可以减少图像增强模型输出的预测PET参数图像中存在的伪影。
其中,具体的,通过编码器中的第一个编码卷积网络(i=1),基于输入的输入图像,确定第一个参数特征图,并将第一个参数特征图分别输出给第一个卷积层以及解码器中的最后一个解码卷积网络(j=n);通过编码器中的第一个卷积层,基于输入的第一个参数特征图,确定第一个卷积特征向量,并将第一个卷积特征向量输出给第二个编码卷积网络;通过编码器中的当前编码卷积网络(1<i<n,n表示编码器中编码卷积网络的总个数),基于第i-1个卷积层输出的第i-1个卷积特征向量,确定第i个参数特征图,并将第i个参数特征图输出给第i个卷积层以及解码器中与当前编码卷积网络对应的解码卷积网络(j=n-i+1);以此类推,通过编码器中的最后一个编码卷积网络(i=n),基于第n-1个卷积层输出的第n-1个卷积特征向量,确定最后一个参数特征图,并将最后一个参数特征图输出给解码器中的第一个解码卷积网络(j=1)。
S240、通过解码器中的至少两个解码卷积网络,基于编码器输出的至少两个参数特征图,输出预测PET参数图像。
在一个可选实施例中,解码器中每两个相邻的解码卷积网络之间设置有一个双线性插值层。
这样设置的好处在于,可以减少图像增强模型输出的预测PET参数图像中存在的伪影。
其中,具体的,通过解码器中的第一个解码卷积网络(j=1),基于编码器中的最后一个编码卷积网络输出的最后一个参数特征图,确定第一个上采样特征图,并将第一个上采样特征图输出给第一个双线性插值层;通过解码器中的第一个双线性插值层,基于第一个上采样特征图,确定第一个插值特征图,并将第一个插值特征图输出给第二个解码卷积网络;通过解码器中的当前解码卷积网络(1<j<n),基于第i-1个双线性插值层输出的第i-1个插值特征图以及编码器中与当前解码卷积网络对应的编码卷积网络(i=n-j+1)输入的参数特征图,确定第i个上采样特征图,并将第i个上采样特征图输出给第i个双线性插值层;以此类推,通过解码器中的最后一个解码卷积网络(j=n),基于第n-1个双线性插值层输出的第n-1个插值特征图以及编码器中第一个编码卷积网络输入的第一个参数特征图,确定预测PET参数图像,并将预测PET参数图像进行输出。
图3为本发明实施例二所提供的一种图像增强模型的模型架构的示意图。具体的,图像增强模型包括编码器和解码器,其中,编码器中包含n个编码卷积网络,每两个相邻的编码卷积网络之间设置有一个卷积层。解码器中包含n个解码卷积网络,每两个相邻的解码卷积网络之间设置有一个双线性插值层。
S250、基于原始PET参数图像和预测PET参数图像,对图像增强模型的模型参数进行调整,直到满足预设迭代次数时,将预测PET参数图像作为原始PET参数图像对应的目标PET参数图像。
在上述实施例的基础上,可选的,在基于原始PET参数图像和预测PET参数图像,对图像增强模型的模型参数进行调整之前,该方法还包括:在输入图像为动态PET图像或动态SUV图像的情况下,对输入图像进行归一化处理,得到归一化后的输入图像;将归一化后的输入图像配准原始PET参数图像,得到配准后的输入图像。
其中,具体的,将输入图像作为浮动图像,将原始PET参数图像作为标准图像,对输入图像和原始PET参数图像执行配准操作。其中,示例性的,采用的配准算法包括但不限于仿射配准和刚性配准等等。
这样设置的好处在于,可以提高图像增强模型的运算效率,以及提高目标PET参数图像的图像质量。
在一个可选实施例中,在将输入图像输入到图像增强模型中,得到输出的预测PET参数图像之前,该方法还包括:基于预设裁剪尺寸,对原始PET参数图像和输入图像分别执行裁剪操作,得到裁剪后的原始PET参数图像和输入图像。
其中,示例性的,可仅保留感兴趣区域对应的区域图像,如感兴趣区域为大脑的外包矩形框区域,图像尺寸为96*96*80。此处对裁剪区域和裁剪尺寸不作限定。
这样设置的好处在于,可以降低后续图像增强模型的运算量,提高图像增强模型的运算效率。
图4为本发明实施例二所提供的一种PET参数图像的增强方法的具体实例的流程图。具体的,将输入图像输入到改进的U-NET模型中,判断当前迭代次数是否满足预设迭代次数,如果是,则说明迭代过程结束,将最终输出的预测PET参数图像作为原始PET参数图像对应的目标PET参数图像;如果否,则说明迭代过程未结束,将原始PET参数图像作为改建的U-NET模型的训练标签,采用L2损失函数,基于训练标签和改进的U-NET模型输出的预测PET参数图像,对图像增强模型的模型权重进行调整,得到与当前迭代过程对应的更新后的改进的U-NET模型,并继续迭代过程。
表1为本发明实施例二所提供的一种不同的图像增强方法分别对应的对比度噪声比(CNR)和对比度噪声比提升率(CNRIR)。
图像增强方法 | CNR(Mean±SD) | CNRIR(Mean±SD) |
IM5-G | 22.53±18.67 | 18.23%±9.12% |
SUV-G | 19.86±14.48 | 3.78%±9.88% |
BM4D | 19.89±17.03 | 3.83%±98.73% |
DIP | 19.46±18.53 | 2.01%±5.7% |
GF | 19.07±17.73 | 0.64%±15.68% |
NLM | 20.39±15.66 | 6.91%±14.34% |
其中,IM5-G表示采用动态PET图像集中0-5分钟的动态PET图像作为输入图像,SUV-G表示采用动态PET图像集中50-60分钟的动态PET图像对应的动态SUV图像作为输入图像,BM4D表示三维块匹配过滤法,DIP表示深度图像先验法,GF表示高斯滤波器,NLM表示非局部均值法。其中,动态PET图像为包含血管壁、灰质和白质等区域的大脑PET图像。
通过表1可以得到,本实施例提供的IM5-G方法和SUV-G相比于原始PET参数图像,其对比度噪声比分别提升了18.23%和3.78%。其中,IM5-G方法相比于现有的图像增强方法,无论是对比度噪声比,还是对比度噪声比提升率,均有大幅提升。
本实施例的技术方案,通过将输入图像输入到图像增强模型中的编码器中,通过编码器中的至少两个编码卷积网络,基于输入的输入图像,输出至少两个参数特征图,通过解码器中的至少两个解码卷积网络,基于编码器输出的至少两个参数特征图,输出预测PET参数图像,解决了目标PET参数图像的图像质量差的问题,使得利用图像增强模型和一次扫描过程得到的动态PET图像集即可得到对比度噪声比高、图像细节丰富的目标PET参数图像,提高了图像增强模型的收敛速度。
实施例三
图5为本发明实施例三所提供的一种PET参数图像的增强装置的结构示意图。如图5所示,该装置包括:输入图像获取模块310、预测PET参数图像确定模块320和目标PET参数图像确定模块330。
其中,输入图像获取模块310,用于基于获取到的动态PET图像集,确定原始PET参数图像,并基于预设映射列表,获取与原始PET参数图像对应的输入图像;
预测PET参数图像确定模块320,用于将输入图像输入到图像增强模型中,得到输出的预测PET参数图像;
目标PET参数图像确定模块330,用于基于原始PET参数图像和预测PET参数图像,对图像增强模型的模型参数进行调整,直到满足预设迭代次数时,将预测PET参数图像作为原始PET参数图像对应的目标PET参数图像;
其中,输入图像为噪声图像、动态PET图像集中与预设采集时间范围对应的动态PET图像或者与动态PET图像对应的动态SUV图像。
本实施例的技术方案,通过基于预设映射列表,获取与基于动态PET图像集确定的原始PET参数图像对应的输入图像,其中,输入图像为噪声图像、动态PET图像中与预设采集时间范围对应的动态PET图像或者与动态PET图像对应的动态SUV图像,将输入图像输入到图像增强模型中,得到输出的预测PET参数图像,基于原始PET参数图像和预测PET参数图像,对图像增强模型的模型参数进行调整,直到满足预设迭代次数时,将预测PET参数图像作为原始PET参数图像对应的目标PET参数图像,解决了现有的神经网络模型方法需要制备高质量的PET参数图像的问题,在保留了PET参数图像的图像细节的同时,提高了PET参数图像的图像质量。
在上述实施例的基础上,可选的,当原始PET参数图像为K1参数图像时,预设采集时间范围对应的最小采集时间为0,或者,预设采集时间范围对应的最大采集时间为动态PET图像集对应的总采集时长。
在上述实施例的基础上,可选的,该装置还包括:
输入图像配准模块,用于在基于原始PET参数图像和预测PET参数图像,对图像增强模型的模型参数进行调整之前,在输入图像为动态PET图像或动态SUV图像的情况下,对输入图像进行归一化处理,得到归一化后的输入图像;
将归一化后的输入图像配准原始PET参数图像,得到配准后的输入图像。
在上述实施例的基础上,可选的,图像增强模型的模型架构为U-NET架构,其中,U-NET架构包括编码器和解码器,相应的,预测PET参数图像确定模块320,具体用于:
将输入图像输入到图像增强模型中的编码器中;
通过编码器中的至少两个编码卷积网络,基于输入的输入图像,输出至少两个参数特征图;
通过解码器中的至少两个解码卷积网络,基于编码器输出的至少两个参数特征图,输出预测PET参数图像。
在上述实施例的基础上,可选的,编码器中每两个相邻的编码卷积网络之间设置有一个卷积层。
在上述实施例的基础上,可选的,解码器中每两个相邻的解码卷积网络之间设置有一个双线性插值层。
在上述实施例的基础上,可选的,目标PET参数图像确定模块330,具体用于:
基于L2损失函数,确定原始PET参数图像与预测PET参数图像之间的欧式距离差;
采用L-BFGS迭代算法,通过最小化欧式距离差对图像增强模型的模型参数进行调整。
本发明实施例所提供的PET参数图像的增强装置可执行本发明任意实施例所提供的PET参数图像的增强方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6为本发明实施例四所提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本发明实施例所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器11执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如PET参数图像的增强方法。
在一些实施例中,PET参数图像的增强方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的PET参数图像的增强方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行PET参数图像的增强方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的PET参数图像的增强方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行一种PET参数图像的增强方法,该方法包括:
基于获取到的动态PET图像集,确定原始PET参数图像,并基于预设映射列表,获取与原始PET参数图像对应的输入图像;
将输入图像输入到图像增强模型中,得到输出的预测PET参数图像;
基于原始PET参数图像和预测PET参数图像,对图像增强模型的模型参数进行调整,直到满足预设迭代次数时,将预测PET参数图像作为原始PET参数图像对应的目标PET参数图像;
其中,输入图像为噪声图像、动态PET图像集中与预设采集时间范围对应的动态PET图像或者与动态PET图像对应的动态SUV图像。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种PET参数图像的增强方法,其特征在于,包括:
基于获取到的动态PET图像集,确定原始PET参数图像,并基于预设映射列表,获取与所述原始PET参数图像对应的输入图像;
将所述输入图像输入到图像增强模型中,得到输出的预测PET参数图像;
基于所述原始PET参数图像和所述预测PET参数图像,对所述图像增强模型的模型参数进行调整,直到满足预设迭代次数时,将预测PET参数图像作为所述原始PET参数图像对应的目标PET参数图像;
其中,所述输入图像为噪声图像、所述动态PET图像集中与预设采集时间范围对应的动态PET图像或者与所述动态PET图像对应的动态SUV图像。
2.根据权利要求1所述的方法,其特征在于,当所述原始PET参数图像为K1参数图像时,所述预设采集时间范围对应的最小采集时间为0,或者,所述预设采集时间范围对应的最大采集时间为所述动态PET图像集对应的总采集时长。
3.根据权利要求2所述的方法,其特征在于,在基于所述原始PET参数图像和所述预测PET参数图像,对所述图像增强模型的模型参数进行调整之前,所述方法还包括:
在所述输入图像为动态PET图像或动态SUV图像的情况下,对所述输入图像进行归一化处理,得到归一化后的输入图像;
将归一化后的输入图像配准所述原始PET参数图像,得到配准后的输入图像。
4.根据权利要求1所述的方法,其特征在于,所述图像增强模型的模型架构为U-NET架构,其中,U-NET架构包括编码器和解码器,相应的,所述将所述输入图像输入到图像增强模型中,得到输出的预测PET参数图像,包括:
将所述输入图像输入到图像增强模型中的编码器中;
通过所述编码器中的至少两个编码卷积网络,基于输入的输入图像,输出至少两个参数特征图;
通过所述解码器中的至少两个解码卷积网络,基于所述编码器输出的至少两个参数特征图,输出预测PET参数图像。
5.根据权利要求4所述的方法,其特征在于,所述编码器中每两个相邻的编码卷积网络之间设置有一个卷积层。
6.根据权利要求4所述的方法,其特征在于,所述解码器中每两个相邻的解码卷积网络之间设置有一个双线性插值层。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述基于所述原始PET参数图像和所述预测PET参数图像,对所述图像增强模型的模型参数进行调整,包括:
基于L2损失函数,确定原始PET参数图像与预测PET参数图像之间的欧式距离差;
采用L-BFGS迭代算法,通过最小化所述欧式距离差对所述图像增强模型的模型参数进行调整。
8.一种PET参数图像的增强装置,其特征在于,包括:
输入图像获取模块,用于基于获取到的动态PET图像集,确定原始PET参数图像,并基于预设映射列表,获取与所述原始PET参数图像对应的输入图像;
预测PET参数图像确定模块,用于将所述输入图像输入到图像增强模型中,得到输出的预测PET参数图像;
目标PET参数图像确定模块,用于基于所述原始PET参数图像和所述预测PET参数图像,对所述图像增强模型的模型参数进行调整,直到满足预设迭代次数时,将预测PET参数图像作为所述原始PET参数图像对应的目标PET参数图像;
其中,所述输入图像为噪声图像、所述动态PET图像集中与预设采集时间范围对应的动态PET图像或者与所述动态PET图像对应的动态SUV图像。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的PET参数图像的增强方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的PET参数图像的增强方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211103152.5A CN115375583A (zh) | 2022-09-09 | 2022-09-09 | 一种pet参数图像的增强方法、装置、设备及存储介质 |
PCT/CN2022/138173 WO2024051018A1 (zh) | 2022-09-09 | 2022-12-09 | 一种pet参数图像的增强方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211103152.5A CN115375583A (zh) | 2022-09-09 | 2022-09-09 | 一种pet参数图像的增强方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115375583A true CN115375583A (zh) | 2022-11-22 |
Family
ID=84071595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211103152.5A Pending CN115375583A (zh) | 2022-09-09 | 2022-09-09 | 一种pet参数图像的增强方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115375583A (zh) |
WO (1) | WO2024051018A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024051018A1 (zh) * | 2022-09-09 | 2024-03-14 | 深圳先进技术研究院 | 一种pet参数图像的增强方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11540798B2 (en) * | 2019-08-30 | 2023-01-03 | The Research Foundation For The State University Of New York | Dilated convolutional neural network system and method for positron emission tomography (PET) image denoising |
US20230059132A1 (en) * | 2019-09-26 | 2023-02-23 | The General Hospital Corporation | System and method for deep learning for inverse problems without training data |
US11940578B2 (en) * | 2020-01-31 | 2024-03-26 | INSERM (Institut National de la Santé et de la Recherche Médicale) | Super resolution in positron emission tomography imaging using ultrafast ultrasound imaging |
CN112489158B (zh) * | 2021-01-13 | 2023-05-12 | 河北大学 | 基于cGAN的自适应网络用于低剂量PET图像的增强方法 |
CN114332271A (zh) * | 2021-12-07 | 2022-04-12 | 深圳先进技术研究院 | 基于静态pet图像的动态参数图像合成方法、系统 |
CN115375583A (zh) * | 2022-09-09 | 2022-11-22 | 深圳先进技术研究院 | 一种pet参数图像的增强方法、装置、设备及存储介质 |
-
2022
- 2022-09-09 CN CN202211103152.5A patent/CN115375583A/zh active Pending
- 2022-12-09 WO PCT/CN2022/138173 patent/WO2024051018A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024051018A1 (zh) * | 2022-09-09 | 2024-03-14 | 深圳先进技术研究院 | 一种pet参数图像的增强方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2024051018A1 (zh) | 2024-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
CN109409503B (zh) | 神经网络的训练方法、图像转换方法、装置、设备及介质 | |
CN109949276B (zh) | 一种于改进SegNet分割网络的淋巴结检测方法 | |
US20230104173A1 (en) | Method and system for determining blood vessel information in an image | |
CN112132959B (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
CN111105424A (zh) | 淋巴结自动勾画方法及装置 | |
CN111340756B (zh) | 一种医学图像病变检出合并方法、系统、终端及存储介质 | |
CN114565763B (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
CN112396605A (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
CN115375583A (zh) | 一种pet参数图像的增强方法、装置、设备及存储介质 | |
CN116245832B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN115439478B (zh) | 基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质 | |
CN115439423B (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 | |
CN116091702A (zh) | 血管结构重建方法、装置、设备和存储介质 | |
CN114419375B (zh) | 图像分类方法、训练方法、装置、电子设备以及存储介质 | |
CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
CN111539926B (zh) | 一种图像检测方法及装置 | |
CN115375787A (zh) | 伪影校正方法、计算机设备及可读存储介质 | |
CN114664410A (zh) | 一种基于视频的病灶分类方法、装置、电子设备及介质 | |
CN114170258A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN113129297A (zh) | 基于多期相肿瘤影像的直径自动测量方法及系统 | |
CN115564788B (zh) | 基于先验信息的肺气管分割模型训练、分割方法和装置 | |
CN113112507B (zh) | 灌注影像分析方法、系统、电子设备及存储介质 |
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 |