CN115375840A - 图像重建方法、装置、系统、计算机设备和存储介质 - Google Patents
图像重建方法、装置、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115375840A CN115375840A CN202210988101.9A CN202210988101A CN115375840A CN 115375840 A CN115375840 A CN 115375840A CN 202210988101 A CN202210988101 A CN 202210988101A CN 115375840 A CN115375840 A CN 115375840A
- Authority
- CN
- China
- Prior art keywords
- detected
- scanning
- attenuation coefficient
- coefficient distribution
- data
- 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 90
- 238000003062 neural network model Methods 0.000 claims abstract description 67
- 238000002603 single-photon emission computed tomography Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 23
- 238000002591 computed tomography Methods 0.000 abstract description 20
- 230000005855 radiation Effects 0.000 abstract description 12
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 26
- 238000012937 correction Methods 0.000 description 16
- 230000005251 gamma ray Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 3
- 238000009206 nuclear medicine Methods 0.000 description 3
- 230000002285 radioactive effect Effects 0.000 description 3
- 238000002083 X-ray spectrum Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Pulmonology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种图像重建方法、装置、系统、计算机设备和存储介质。该方法包括:获取待测对象的扫描数据,以及基于待测对象的三维轮廓和预设的神经网络模型获取待测对象的衰减系数分布,根据待测对象的衰减系数分布以及待测对象的扫描数据进行图像重建,生成待测对象的重建图像;其中,该扫描数据包括SPECT扫描数据或PET扫描数据;通过本申请的方法,在对待测对象进行SPECT扫描或PET扫描的过程中,无需再对待测对象进行CT扫描,也无需通过CT重建图像进行复杂运算得到γ射线在待测对象体内的衰减系数分布,能够降低SPECT/PET图像重建的复杂度,以及减少因CT扫描对待测对象造成的辐射影响,减少待测对象所受到的辐射剂量,提高待测对象的检测安全性。
Description
技术领域
本申请涉及核医学影像的衰减校正技术领域,特别是涉及一种图像重建方法、装置、系统、计算机设备和存储介质。
背景技术
作为核医学影像的重要组成部分,单光子发射计算机断层成像(Single-PhotonEmission Computed Tomography,SPECT)、以及正电子发射型计算机断层显像(PositronEmission Computed Tomography,PET)通过对病人体内的放射性同位素药物所发射的γ射线进行成像,得到重建图像,该重建图像对于肿瘤、内分泌、神经系统疾病以及心血管疾病的诊断发挥着重要作用。由于γ射线在病人体内的不同组织器官中存在衰减,导致根据γ射线重建的图像质量较差,因此,需要对γ射线的衰减进行校正,来提高重建图像质量。
传统的图像重建方法,通过CT重建图像获取X射线光谱在人体中的衰减系数,再基于X射线光谱在人体中的衰减系数结合预设的双线性模型,来计算得到γ射线在人体中的衰减系数;进而基于γ射线在人体中的衰减系数对SPECT图像或PET图像进行衰减校正,实现图像重建。
然而,传统的针对SPECT图像或PET图像的图像重建方法的复杂度较高、且病人接受的辐射剂量较大。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低SPECT以及PET图像重建的复杂度以及减少病人所受辐射剂量的图像重建方法、装置、系统、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种图像重建方法。该方法包括:
获取待测对象的扫描数据;该扫描数据包括SPECT扫描数据或PET扫描数据;
获取待测对象的衰减系数分布;该待测对象的衰减系数分布为基于待测对象的三维轮廓及预设的神经网络模型所获取的;
根据待测对象的衰减系数分布以及待测对象的扫描数据进行图像重建,生成待测对象的重建图像。
在其中一个实施例中,获取待测对象的衰减系数分布,包括:
获取待测对象的三维轮廓;
将待测对象的三维轮廓输入至预设的神经网络模型中,得到待测对象的衰减系数分布;其中,预设的神经网络模型为基于多个对象的三维轮廓和各对象对应的衰减系数分布训练而成。
在其中一个实施例中,获取待测对象的三维轮廓,包括:
获取采集设备发送的待测对象的原始数据;该采集设备包括雷达采集设备、图像采集设备、视频采集设备中的至少一个;
对原始数据进行三维重建,得到待测对象的三维轮廓。
在其中一个实施例中,在采集设备为雷达采集设备的情况下,雷达采集设备设置在扫描设备的扫描架上,待测对象置于扫描设备的扫描床上;获取采集设备发送的待测对象的原始数据,包括:
控制扫描床沿扫描架的孔径方向移动,以带动待测对象沿扫描架的孔径方向移动;
控制雷达采集设备以扫描床为中心做旋转运动,对待测对象进行扫描并获取待测对象的雷达扫描数据。
在其中一个实施例中,该方法还包括:
获取多个样本对象的三维轮廓以及多个样本对象的标准衰减系数分布;
针对各样本对象,将样本对象的三维轮廓输入至初始神经网络模型中,得到样本对象对应的预测衰减系数分布;
根据各样本对象对应的预测衰减系数分布以及各样本对象对应的标准衰减系数分布,计算损失函数的值;
根据损失函数的值调整初始神经网络模型的参数,得到预设的神经网络模型。
在其中一个实施例中,在获取多个样本对象的三维轮廓以及多个样本对象的标准衰减系数分布之前,还包括:
获取多个候选样本对象;
提取各候选样本对象的属性信息,基于所提取的属性信息对多个候选样本对象进行分类,得到至少一个具有相同属性信息的样本对象类别;
针对各样本对象类别,从样本对象类别下选取至少一个候选样本对象作为样本对象。
第二方面,本申请还提供了一种图像重建装置。该装置包括:
第一获取模块,用于获取待测对象的扫描数据;该扫描数据包括SPECT扫描数据或PET扫描数据;
第二获取模块,用于获取待测对象的衰减系数分布;该待测对象的衰减系数分布为基于待测对象的三维轮廓及预设的神经网络模型所获取的;
生成模块,用于根据待测对象的衰减系数分布以及待测对象的扫描数据进行图像重建,生成待测对象的重建图像。
第三方面,本申请还提供了一种图像重建系统,该系统包括医疗影像扫描设备、采集设备和处理设备,医疗影像扫描设备和采集设备分别与处理设备通信连接;其中,
医疗影像扫描设备,用于获取待测对象的扫描数据,并将待测对象的扫描数据发送至处理设备;扫描数据包括SPECT扫描数据或PET扫描数据;
采集设备,用于获取待测对象的原始数据,并将待测对象的原始数据发送至处理设备;
处理设备,用于对原始数据进行三维重建,得到待测对象的三维轮廓,并基于三维轮廓及预设的神经网络模型获取待测对象的衰减系数分布,根据待测对象的衰减系数分布以及待测对象的扫描数据进行图像重建,生成待测对象的重建图像。
第四方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行所述计算机程序时实现上述第一方面中的方法的步骤。
第五方面,本申请还提供了一种计算机可读存储介质。该计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面中的方法的步骤。
第六方面,本申请还提供了一种计算机程序产品,该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面中的方法的步骤。
上述图像重建方法、装置、系统、计算机设备、存储介质和计算机程序产品,计算机设备通过获取待测对象的扫描数据,以及基于待测对象的三维轮廓和预设的神经网络模型获取待测对象的衰减系数分布,进而,根据待测对象的衰减系数分布以及待测对象的扫描数据进行图像重建,生成待测对象的重建图像;其中,该扫描数据包括SPECT扫描数据或PET扫描数据;也就是说,本申请实施例中是通过待测对象的三维轮廓来获取γ射线在待测对象体内的衰减系数分布,即在对待测对象进行SPECT扫描或PET扫描的过程中,无需再对待测对象进行CT扫描,也无需通过CT重建图像进行复杂运算得到γ射线在待测对象体内的衰减系数分布,能够降低SPECT/PET图像重建的复杂度;另外,由于在扫描过程中去除了CT扫描过程,因此,还能减少因CT扫描对待测对象造成的辐射影响,减少待测对象所受到的辐射剂量,提高待测对象的检测安全性;再者,由于减少了CT扫描所占的时间,因此还能缩短SPECT/PET扫描协议的总时间。
附图说明
图1为一个实施例中图像重建方法的流程示意图;
图2为另一个实施例中图像重建方法的流程示意图;
图3(a)为一个实施例中SPECT与雷达采样设备的俯视结构示意图;
图3(b)为一个实施例中SPECT与雷达采样设备的横截切面示意图;
图4为另一个实施例中图像重建方法的流程示意图;
图5为另一个实施例中图像重建方法的流程示意图;
图6为一个实施例中初始神经网络模型的结构示意图;
图7为另一个实施例中图像重建方法的流程示意图;
图8为一个实施例中图像重建方法的完整流程示意图;
图9为一个实施例中图像重建装置的结构框图;
图10为一个实施例中图像重建系统的结构示意图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
首先,在具体介绍本申请实施例的技术方案之前,先对本申请实施例基于的技术背景或者技术演进脉络进行介绍。针对核医学影像中的SPECT成像技术以及PET成像技术,为了确保SPECT重建图像以及PET重建图像的质量,必须对γ射线在待测对象体内的衰减进行矫正。
以SPECT重建图像为例,通常,SPECT重建图像的衰减矫正需要借助X射线成像的CT重建图像辅助完成,其过程包括:先对待测对象进行X射线扫描,并基于扫描数据重建得到CT重建图像,根据CT重建图像确定X射线在待测对象体内的衰减系数,并将衰减系数转化为对应的HU(Hounsfield Unit)值;再者,根据HU值和预设的双线性模型,计算得到γ射线在待测对象体内的衰减系数;接着,对待测对象进行γ射线扫描,并基于扫描数据进行图像重建得到SPECT重建图像;最后,根据γ射线在待测对象体内的衰减系数对该SPECT重建图像进行衰减矫正,得到衰减矫正后的SPECT重建图像。显然,上述基于CT图像辅助的SPECT图像重建方法的过程较复杂,且由于在进行SPECT图像扫描的过程中,待测对象需要先进行CT扫描,再进行SPECT扫描,无疑增加了待测对象所受到的辐射剂量;另外,由于CT扫描时间较长,导致基于X射线CT扫描的衰减矫正以及图像重建的效率较低,图像重建时间较长。
此外,在待测对象进行前后两次扫描时,由于无法确保待测对象的绝对静止,因此,为了确保衰减矫正的准确性,需要先对CT重建图像和SPECT重建图像进行配准,而这些步骤无疑又增加了基于X射线CT扫描的衰减矫正过程的复杂度。
基于此,本申请实施例提出了一种图像重建方法,通过获取待测对象的三维轮廓,并基于待测对象的三维轮廓以及预设的神经网络模型,确定γ射线在待测对象体内的衰减系数分布,以此来简化图像重建的过程,降低图像重建方法的复杂度;此外,由于本申请所提供的方法无需对待测对象进行多一次的CT扫描,避免CT扫描过程中对待测对象造成的辐射影响,因此,还能大大减少待测对象所受到的辐射剂量;再者,采用本申请的图像重建算法,算法计算量较小,图像重建速率高,还能提高SPECT扫描协议的速度,使得待测对象能够更快完成SPECT图像扫描。
下面结合本申请实施例所应用的场景,对本申请实施例涉及的技术方案进行介绍。
本申请实施例提供的图像重建方法,可以应用于SPECT扫描设备或者PET扫描设备,也可以应用于与SPECT扫描设备或者PET扫描设备通信连接的计算机设备,还可以应用于与SPECT扫描设备或者PET扫描设备通信连接的服务器。
在一个实施例中,如图1所示,提供了一种图像重建方法,以该方法应用于计算机设备为例进行说明,包括以下步骤:
步骤101,获取待测对象的扫描数据。
其中,该扫描数据包括SPECT扫描数据或PET扫描数据。
可选地,计算机设备可以通过医疗影像扫描设备获取待测对象的扫描数据,其中,该医疗影像扫描设备包括但不限于SPECT扫描设备、PET扫描设备、SPECT-CT扫描设备、PET-CT扫描设备等。
可选地,计算机设备也可以从服务器中获取待测对象的扫描数据,医疗影像扫描设备在对待测对象进行扫描之后,可以将待测对象的扫描数据发送至服务器中进行存储,以便服务器可以对该待测对象的扫描数据进行处理,或者,供其他的计算机设备访问和使用。
步骤102,获取待测对象的衰减系数分布。
其中,该待测对象的衰减系数分布为基于待测对象的三维轮廓及预设的神经网络模型所获取的,该预设的神经网络模型是基于多个对象的三维轮廓以及各对象对应的衰减系数分布进行训练所得到的。另外,该待测对象的衰减系数分布为γ射线在待测对象体内的衰减系数分布,当然,该衰减系数分布也可以表示其他类型的射线在待测对象体内的衰减系数分布,例如:X射线。相应地,该预设的神经网络模型则可以是基于多个对象的三维轮廓以及相应类型的射线在各对象体内的衰减系数分布进行训练所得到的。
可选地,计算机设备可以获取待测对象的三维轮廓,并将该待测对象的三维轮廓输入至预设的神经网络模型中,输出得到该待测对象的衰减系数分布。其中,计算机设备可以从预设数据库中获取待测对象的三维轮廓,也可以从服务器中获取待测对象的三维轮廓,还可以从三维轮廓扫描仪或者三维轮廓测量仪获取待测对象的三维轮廓等,本申请实施例对三维轮廓的获取方式并不做具体限定。另外,对于该三维轮廓扫描仪,其可以设置在医疗影像扫描设备所在的扫描间内,也可以设置在扫描间外,在设置在扫描间内的情况下,该三维轮廓扫描仪也可以设置在医疗影像扫描设备上,本申请实施例对三维轮廓扫描仪的设置位置并不做具体限定。
需要说明的是,计算机设备获取待测对象的三维轮廓的步骤可以是在获取待测对象的扫描数据的步骤之前,也可以是在获取待测对象的扫描数据的步骤之后,优选地,计算机设备可以先获取待测对象的三维轮廓,并基于待测对象的三维轮廓获取待测对象的衰减系数分布,接着,再获取待测对象的扫描数据,并根据已获取到的待测对象的衰减系数分布和扫描数据,进行图像重建,得到待测对象的重建图像,提高图像重建速率。
步骤103,根据待测对象的衰减系数分布以及待测对象的扫描数据进行图像重建,生成待测对象的重建图像。
可选地,可以将待测对象的衰减系数分布和待测对象的扫描数据输入至预设的图像重建算法中,生成待测对象的重建图像,该预设的图像重建算法可以是传统的图像重建算法,也可以是基于传统的图像重建算法的改进算法等,本申请实施例对此不做具体描述。
上述图像重建方法中,计算机设备通过获取待测对象的扫描数据,以及基于待测对象的三维轮廓和预设的神经网络模型获取待测对象的衰减系数分布,进而,根据待测对象的衰减系数分布以及待测对象的扫描数据进行图像重建,生成待测对象的重建图像;其中,该扫描数据包括SPECT扫描数据或PET扫描数据;也就是说,本申请实施例中是通过待测对象的三维轮廓来获取γ射线在待测对象体内的衰减系数分布,即在对待测对象进行SPECT扫描或PET扫描的过程中,无需再对待测对象进行CT扫描,也无需通过CT重建图像进行复杂运算得到γ射线在待测对象体内的衰减系数分布,能够降低SPECT/PET图像重建的复杂度;另外,由于在扫描过程中去除了CT扫描过程,因此,还能减少因CT扫描对待测对象造成的辐射影响,减少待测对象所受到的辐射剂量,提高待测对象的检测安全性;再者,由于减少了CT扫描所占的时间,因此还能缩短SPECT/PET扫描协议的总时间。
在本申请的一个可选的实施例中,对于上述步骤102中计算机设备获取待测对象的三维轮廓的方式,提供了一种可选的实现过程,如图2所示,包括:
步骤201,获取采集设备发送的待测对象的原始数据。
其中,该采集设备可以为上述三维轮廓扫描仪或者三维轮廓测量仪,也可以为图像/视频采集设备,可选地,该采集设备可以包括同一类型的至少一个设备,也可以包括不同类型的多个设备,该采集设备包括但不限于雷达采集设备、图像采集设备、视频采集设备中的至少一个。另外,雷达采集设备可以包括但不限于激光雷达或者毫米波雷达等,图像采集设备和视频采集设备包括但不限于视频摄像头、红外摄像头、热摄像头、以及深度摄像头等。
通过上述步骤102中的相关描述,该采集设备可以设置在扫描间内,也可以设置在扫描间外,且对于采集设备的具体设置位置并不做具体限定。
具体地,通过采集设备可以获取待测对象的原始数据,并通过采集设备将该待测对象的原始数据发送至计算机设备中;可选地,计算机设备可以向采集设备发送数据获取指令,该数据获取指令中携带待测对象的标识信息;采集设备响应于该数据获取指令,并根据该数据获取指令中携带的待测对象的标识信息,从存储器中获取待测对象的原始数据,并将该待测对象的原始数据发送至计算机设备中。
可选地,采集设备也可以在获取到待测对象的原始数据之后,将该待测对象的标识信息和该待测对象的原始数据发送至计算机设备,以便计算机设备获取到采集设备发送的待测对象的原始数据。
步骤202,对原始数据进行三维重建,得到待测对象的三维轮廓。
其中,该原始数据的数据类型可以为与采集设备相匹配的类型数据。例如:在采集设备为图像采集设备时,该原始数据可以为图像数据,在采集设备为雷达采集设备时,该原始数据为雷达扫描数据。
可选地,计算机设备在获取到待测对象的原始数据之后,可以对该原始数据进行三维重建,以得到待测对象的三维重建图像,接着,通过对该三维重建图像进行三维轮廓提取,得到待测对象的三维轮廓;示例性地,可以采用图像重建算法,基于图像数据或者雷达扫描数据进行三维重建,得到三维重建图像,接着,采用图像分割算法,对该三维重建图像进行三维轮廓提取,得到待测对象的三维轮廓;还可以采用图像重建算法,重建得到待测对象的三维重建图像,再通过预设的神经网络模型,输出得到待测对象的三维轮廓,其中,该预设的神经网络模型为基于多个三维样本图像和各三维样本图像对应的三维轮廓标签训练而成的。
可选地,计算机设备在对原始数据进行三维重建时,可以采用基于先验知识、深度学习网络、或者机器学习模型等的三维重建算法,对该原始数据进行三维重建处理;进一步地,计算机设备还可以根据原始数据的数据类型,选择与该原始数据的数据类型对应的三维重建算法,对该原始数据进行三维重建处理;可选地,在该原始数据为雷达扫描数据的情况下,应选择与雷达扫描数据对应的三维重建算法,对该原始数据进行三维重建处理,其中,基于雷达扫描数据的三维重建算法包括但不限于增强反投影算法(Enhanced backprojection algorithm)、MIMO-SAR距离偏移算法(Range migration algorithm forMIMO-SAR)、以及基于SIMO-SAR的图像重建算法(SIMO-SAR based image reconstruction)等;在该原始数据为图像数据的情况下,应选择与图像数据对应的三维重建算法,对该原始数据进行三维重建处理。
示例性地,计算机设备可以获取待测对象的多张二维图像,并基于该多张二维图像进行三维重建,得到待测对象的三维轮廓,该二维图像可以是通过上述任意类型的至少一个摄像头采集得到的;计算机设备也可以获取待测对象的雷达扫描数据,并基于雷达扫描数据进行三维重建,得到待测对象的三维轮廓,该雷达扫描数据可以是通过激光雷达或者毫米波雷达扫描得到的。需要说明的是,不同类型的采集设备也可以结合起来使用,以增加三维轮廓的准确性。
本实施例中,计算机设备通过获取采集设备发送的待测对象的原始数据,并对原始数据进行三维重建,得到待测对象的三维轮廓,即通过传统的采集设备辅助获取待测对象的三维轮廓,能够提高待测对象的三维轮廓获取的便捷性,还能降低图像衰减校正系统的结构复杂性。
在本申请的一个可选的实施例中,在上述采集设备为雷达采集设备的情况下,该雷达采集设备可以设置在扫描设备的扫描架上,可选地,该雷达采集设备可以设置在扫描架的孔径内,也可以设置在扫描架的孔径首端或者尾端,还可以设置在扫描架的与孔径垂直的侧面上;示例性地,如图3(a)所示,为SPECT设备的俯视图,该雷达采集设备可以设置在扫描架的与孔径垂直的侧面上,如图3(b)所示,为SPECT设备的横截切面图,该雷达采集设备可以设置在扫描架的孔径首端对应的侧面上;相应地,待测对象置于扫描设备的扫描床上,基于此,上述步骤201可以包括:
步骤401,控制扫描床沿扫描架的孔径方向移动,以带动待测对象沿扫描架的孔径方向移动。
步骤402,控制雷达采集设备以扫描床为中心做旋转运动,对待测对象进行扫描并获取待测对象的雷达扫描数据。
也就是说,计算机设备在通过雷达采集设备获取待测对象的原始数据的情况下,可以同时控制扫描床和雷达采集设备,使得雷达采集设备可以获取到待测对象的完整的雷达扫描数据;在扫描床沿孔径方向移动,且雷达采集设备沿扫描床为中心做旋转运动的情况下,该雷达采集设备可以获取到螺旋结构的雷达扫描数据。
可选地,该雷达采集设备可以固定设置在扫描架的侧面上,此时,计算机设备可以通过控制扫描架旋转以带动雷达采集设备旋转;该雷达采集设备也可以活动设置在扫描架的侧面上,如:在扫描架的侧面上设置用于雷达采集设备旋转的圆形滑轨,使得雷达采集设备在计算机设备的控制下能够以扫描床为中心做旋转运动。本申请实施例中对雷达采集设备的设置方式并不做具体限定。
本实施例中,在采集设备为雷达采集设备的情况下,将雷达采集设备设置在扫描设备的扫描架上,待测对象置于扫描设备的扫描床上,通过控制扫描床沿扫描架的孔径方向移动,以带动待测对象沿扫描架的孔径方向移动,并控制雷达采集设备以扫描床为中心做旋转运动,对待测对象进行扫描并获取待测对象的雷达扫描数据;即使得待测对象躺在扫描床上,即可自动获取待测对象的原始数据,并基于该原始数据获取待测对象的三维轮廓,实施方式简单,执行效率高,对用户友好,尤其适用于不便运动的用户,可减少用户的不适,提高用户体验。
在本申请的一个可选的实施例中,提供了一种对于上述预设的神经网络模型的训练实现过程,如图5所示,上述图像重建方法还可以包括:
步骤501,获取多个样本对象的三维轮廓以及多个样本对象的标准衰减系数分布。
可选地,可以通过上述任一种方式获取每个样本对象的三维轮廓,例如:通过雷达扫描方式获取每个样本对象的三维轮廓;对于每个样本对象的标准衰减系数分布,可选地,可以通过CT图像辅助获取,即采用传统方式来获取每个样本对象对应的标准衰减系数分布;也可以采用其他放射源(除X射线外的其他类型的放射源),并通过图像重建得到其他放射源在穿透样本对象后的衰减系数分布,进而,通过衰减系数转换,得到γ射线在样本对象体内的衰减系数分布,作为该样本对象的标准衰减系数分布;当然,还可以通过基于物理建模的迭代算法,同时重建样本对象在γ射线能级下的衰减系数和生成γ射线药物的分布,得到样本对象的标准衰减系数分布。
需要说明的是,训练神经网络模型时所用到的样本对象的三维轮廓的获取方式应与实际使用该神经网络模型时的待测对象的三维轮廓的获取方式保持一致;也就是说,如果待测对象的三维轮廓是通过雷达重建得到的,那么该神经网络模型所对应的样本对象的三维轮廓也必须是通过雷达重建的方式获取的。
步骤502,针对各样本对象,将样本对象的三维轮廓输入至初始神经网络模型中,得到样本对象对应的预测衰减系数分布。
示例性地,该初始神经网络模型的结构可以如图6所示,采用卷积神经网络结构作为初始神经网络模型,需要说明的是,图6所示的模型结构仅用于作为一种模型结构举例,并不用于限定该模型结构;在本申请实施例中,对初始神经网络模型的结构并不做具体限定,其可以采用传统的神经网络模型结构,也可以采用基于传统的神经网络模型结构的改进结构。
步骤503,根据各样本对象对应的预测衰减系数分布以及各样本对象对应的标准衰减系数分布,计算损失函数的值。
本申请实施例中对于损失函数的具体形式也不做具体限定,包括但不限于交叉熵损失函数、均方根损失函数、对数损失函数、平方损失函数、绝对值损失函数等。
步骤504,根据损失函数的值调整初始神经网络模型的参数,得到预设的神经网络模型。
也就是说,通过损失函数的值对初始神经网络模型进行迭代训练,直至该损失函数的值满足预设条件或者达到最小为止,至此即可得到训练好的神经网络模型,即作为该预设的神经网络模型。
本实施例中,计算机设备通过获取多个样本对象的三维轮廓以及多个样本对象的标准衰减系数分布;针对各样本对象,将样本对象的三维轮廓输入至初始神经网络模型中,得到样本对象对应的预测衰减系数分布;接着,根据各样本对象对应的预测衰减系数分布以及各样本对象对应的标准衰减系数分布,计算损失函数的值,并根据损失函数的值调整初始神经网络模型的参数,得到预设的神经网络模型;提供一种神经网络模型的训练方式,增加该预设神经网络模型的可实施性。
在本申请的一种可选的实施例中,对于上述预设的神经网络模型对应的样本对象,可以通过筛选的方式确定样本对象,以实现在确保样本对象的全面性的情况下,降低样本数量,即在确保训练得到的神经网络模型的准确性的基础上,加快神经网络模型的训练速度。基于此,如图7所示,上述步骤501之前,还包括:
步骤701,获取多个候选样本对象。
可选地,可以获取不同的属性信息对应的候选样本对象。
步骤702,提取各候选样本对象的属性信息,基于所提取的属性信息对多个候选样本对象进行分类,得到至少一个具有相同属性信息的样本对象类别。
可选地,可以采用预设的属性信息提取算法,提取各候选样本对象的属性信息,该属性信息包括但不限于性别、年龄、体征参数(如身高、体重等)、体态参数、体脂参数等;针对不同的属性信息,可以采用相同或者不同的属性信息提取算法;例如:该预设的属性信息提取算法可以为关键词提取算法,采用该关键词提取算法,对样本对象的基本信息进行关键词提取,得到该样本对象对应的多个属性信息。
步骤703,针对各样本对象类别,从样本对象类别下选取至少一个候选样本对象作为样本对象。
也就是说,对于同一样本对象类别的样本对象,选择其中的至少一个候选样本对象作为样本对象,进行神经网络模型的训练,以此来降低训练样本的数量,提高训练速率。可选地,可以随机从同一样本对象类别对应的多个样本对象中选择至少一个候选样本对象,也可以按照某一规则排序,从同一样本对象类别对应的多个样本对象中选择前预设数量的候选样本对象作为样本对象。
本实施例中,计算机设备通过获取多个候选样本对象,并提取各候选样本对象的属性信息,基于所提取的属性信息对多个候选样本对象进行分类,得到至少一个具有相同属性信息的样本对象类别;接着,针对各样本对象类别,从样本对象类别下选取至少一个候选样本对象作为样本对象;通过该方式,能够在确保样本对象类别的全面性的基础上,降低样本数量,也就是在确保训练得到的神经网络模型的准确性的基础上,加快神经网络模型的训练速度,提高神经网络模型的训练速率。
在本申请的一个实施例中,如图8所示,提供一种图像重建方法的完整实施例,该方法包括:
步骤801,在待测对象位于扫描设备的扫描床上时,控制扫描床沿扫描架的孔径方向移动,以带动待测对象沿扫描架的孔径方向移动;同时控制雷达采集设备以扫描床为中心做旋转运动,对待测对象进行扫描并获取待测对象的雷达扫描数据。
步骤802,对雷达扫描数据进行三维重建,得到待测对象的三维轮廓。
步骤803,将待测对象的三维轮廓输入至预设的神经网络模型中,得到待测对象的衰减系数分布;其中,预设的神经网络模型的训练过程包括:
步骤8031,获取多个候选样本对象。
步骤8032,提取各候选样本对象的属性信息,基于所提取的属性信息对多个候选样本对象进行分类,得到至少一个具有相同属性信息的样本对象类别。
步骤8033,针对各样本对象类别,从样本对象类别下选取至少一个候选样本对象作为样本对象。
步骤8034,通过雷达扫描方式获取各个样本对象的三维轮廓、以及各个样本对象的标准衰减系数分布。
步骤8035,针对各样本对象,将样本对象的三维轮廓输入至初始神经网络模型中,得到样本对象对应的预测衰减系数分布。
步骤8036,根据各样本对象对应的预测衰减系数分布以及各样本对象对应的标准衰减系数分布,计算损失函数的值。
步骤8037,根据损失函数的值调整初始神经网络模型的参数,得到预设的神经网络模型。
步骤804,获取待测对象的扫描数据;该扫描数据包括SPECT扫描数据或PET扫描数据。
步骤805,根据待测对象的衰减系数分布以及待测对象的扫描数据进行图像重建,生成待测对象的重建图像。
针对上述各个实施例中的图像重建方法,相较于现有的衰减矫正图像重建方法而言,具备以下优势:
1、相较于基于X射线CT图像的衰减矫正图像重建方法,由于在进行SPECT或者PET扫描过程中,无需再进行额外的CT扫描,因此,可以降低SPECT/PET图像重建的复杂度,加快SPECT或者PET扫描协议的速度。
2、相较于基于X射线CT图像的衰减矫正图像重建方法,本申请中采用雷达获取到的待测对象的三维轮廓与SPECT扫描后的图像轮廓完全匹配,因此,无需再进行图像的配准矫正,能够进一步降低图像重建算法的复杂度。
3、相较于基于X射线CT图像的衰减矫正图像重建方法,由于在进行SPECT或者PET扫描过程中,无需再进行额外的CT扫描,因此,能够降低待测对象在进行SPECT或者PET扫描过程中所受到的辐射剂量。
4、相较于基于X射线CT图像的衰减矫正图像重建方法,采用本申请中基于待测对象的三维轮廓确定衰减系数分布的方法,无需预计算双线性模型,也无需根据双线性模型进行衰减系数转换,能够提高衰减系数的获取效率。
5.相较于目前已有的衰减矫正图像重建方法,本申请中采用雷达获取待测对象的三维轮廓,所需时间较短,因此还能提高SPECT和PET的图像重建效率。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的图像重建方法的图像重建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个图像重建装置实施例中的具体限定可以参见上文中对于图像重建方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种图像重建装置,包括:第一获取模块901、第二获取模块902和生成模块903,其中:
第一获取模块901,用于获取待测对象的扫描数据;该扫描数据包括SPECT扫描数据或PET扫描数据。
第二获取模块902,用于获取待测对象的衰减系数分布;该待测对象的衰减系数分布为基于待测对象的三维轮廓及预设的神经网络模型所获取的。
生成模块903,用于根据待测对象的衰减系数分布以及待测对象的扫描数据进行图像重建,生成待测对象的重建图像。
在其中一个实施例中,上述第二获取模块902包括第一获取单元和第二获取单元;其中,第一获取单元,用于获取待测对象的三维轮廓;第二获取单元,用于将待测对象的三维轮廓输入至预设的神经网络模型中,得到待测对象的衰减系数分布;其中,预设的神经网络模型为基于多个对象的三维轮廓和各对象对应的衰减系数分布训练而成。
在其中一个实施例中,第一获取单元,具体用于获取采集设备发送的待测对象的原始数据;对原始数据进行三维重建,得到待测对象的三维轮廓;其中,该采集设备包括雷达采集设备、图像采集设备、视频采集设备中的至少一个。
在其中一个实施例中,在采集设备为雷达采集设备的情况下,雷达采集设备设置在扫描设备的扫描架上,待测对象置于扫描设备的扫描床上;第一获取单元,具体用于控制扫描床沿扫描架的孔径方向移动,以带动待测对象沿扫描架的孔径方向移动;以及控制雷达采集设备以扫描床为中心做旋转运动,对待测对象进行扫描并获取待测对象的雷达扫描数据。
在其中一个实施例中,该装置还包括第三获取模块,该第三获取模块,用于获取多个样本对象的三维轮廓以及多个样本对象的标准衰减系数分布;并针对各样本对象,将样本对象的三维轮廓输入至初始神经网络模型中,得到样本对象对应的预测衰减系数分布;接着,根据各样本对象对应的预测衰减系数分布以及各样本对象对应的标准衰减系数分布,计算损失函数的值;根据损失函数的值调整初始神经网络模型的参数,得到预设的神经网络模型。
在其中一个实施例中,该装置还包括第四获取模块,该第四获取模块,用于在第三获取模块获取多个样本对象的三维轮廓以及多个样本对象的标准衰减系数分布之前,获取多个候选样本对象;并提取各候选样本对象的属性信息,基于所提取的属性信息对多个候选样本对象进行分类,得到至少一个具有相同属性信息的样本对象类别;针对各样本对象类别,从样本对象类别下选取至少一个候选样本对象作为样本对象。
上述图像重建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,如图10所示,提供了一种图像重建系统10,该图像重建系统10包括医疗影像扫描设备11、采集设备12和处理设备13,医疗影像扫描设备11和采集设备12分别与处理设备13通信连接。
其中,医疗影像扫描设备11,用于获取待测对象的扫描数据,并将待测对象的扫描数据发送至处理设备13;该扫描数据包括SPECT扫描数据或PET扫描数据。
采集设备12,用于获取待测对象的原始数据,并将待测对象的原始数据发送至处理设备13。
处理设备13,用于对原始数据进行三维重建,得到待测对象的三维轮廓,并基于三维轮廓及预设的神经网络模型获取待测对象的衰减系数分布,根据待测对象的衰减系数分布以及待测对象的扫描数据进行图像重建,生成待测对象的重建图像。
可选地,该采集设备12包括雷达采集设备、图像采集设备、视频采集设备中的至少一个。
示例性地,在该采集设备12为雷达采集设备的情况下,该雷达采集设备可以设置在扫描设备的扫描架上,待测对象置于医疗影像扫描设备的扫描床上;该雷达采集设备,用于在处理设备13控制扫描床沿扫描架的孔径方向移动,以带动待测对象沿扫描架的孔径方向移动,以及控制该雷达采集设备以扫描床为中心做旋转运动的情况下,对待测对象进行扫描并获取待测对象的雷达扫描数据。
其具体实现过程可以参照上述图像重建方法的各个实施例,在此不再赘述。
在一个实施例中,提供了一种计算机设备,该计算机设备可以为上述处理设备,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像重建方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各个实施例中的图像重建方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各个实施例中的图像重建方法的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各个实施例中的图像重建方法的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像重建方法,其特征在于,所述方法包括:
获取待测对象的扫描数据;所述扫描数据包括SPECT扫描数据或PET扫描数据;
获取所述待测对象的衰减系数分布;所述待测对象的衰减系数分布为基于所述待测对象的三维轮廓及预设的神经网络模型所获取的;
根据所述待测对象的衰减系数分布以及所述待测对象的扫描数据进行图像重建,生成所述待测对象的重建图像。
2.根据权利要求1所述的方法,其特征在于,所述获取所述待测对象的衰减系数分布,包括:
获取所述待测对象的三维轮廓;
将所述待测对象的三维轮廓输入至所述预设的神经网络模型中,得到所述待测对象的衰减系数分布;其中,所述预设的神经网络模型为基于多个对象的三维轮廓和各所述对象对应的衰减系数分布训练而成。
3.根据权利要求2所述的方法,其特征在于,所述获取所述待测对象的三维轮廓,包括:
获取采集设备发送的所述待测对象的原始数据;所述采集设备包括雷达采集设备、图像采集设备、视频采集设备中的至少一个;
对所述原始数据进行三维重建,得到所述待测对象的三维轮廓。
4.根据权利要求3所述的方法,其特征在于,若所述采集设备为雷达采集设备,则所述雷达采集设备设置在扫描设备的扫描架上,所述待测对象置于所述扫描设备的扫描床上;所述获取采集设备发送的所述待测对象的原始数据,包括:
控制所述扫描床沿所述扫描架的孔径方向移动,以带动所述待测对象沿所述扫描架的孔径方向移动;
控制所述雷达采集设备以所述扫描床为中心做旋转运动,对所述待测对象进行扫描并获取所述待测对象的雷达扫描数据。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述方法还包括:
获取多个样本对象的三维轮廓以及所述多个样本对象的标准衰减系数分布;
针对各所述样本对象,将所述样本对象的三维轮廓输入至初始神经网络模型中,得到所述样本对象对应的预测衰减系数分布;
根据各所述样本对象对应的预测衰减系数分布以及各所述样本对象对应的标准衰减系数分布,计算损失函数的值;
根据所述损失函数的值调整所述初始神经网络模型的参数,得到所述预设的神经网络模型。
6.根据权利要求5所述的方法,其特征在于,在所述获取多个样本对象的三维轮廓以及所述多个样本对象的标准衰减系数分布之前,还包括:
获取多个候选样本对象;
提取各所述候选样本对象的属性信息,基于所提取的属性信息对所述多个候选样本对象进行分类,得到至少一个具有相同属性信息的样本对象类别;
针对各所述样本对象类别,从所述样本对象类别下选取至少一个候选样本对象作为样本对象。
7.一种图像重建装置,其特征在于,所述装置包括:
第一获取模块,用于获取待测对象的扫描数据;所述扫描数据包括SPECT扫描数据或PET扫描数据;
第二获取模块,用于获取所述待测对象的衰减系数分布;所述待测对象的衰减系数分布为基于所述待测对象的三维轮廓及预设的神经网络模型所获取的;
生成模块,用于根据所述待测对象的衰减系数分布以及所述待测对象的扫描数据进行图像重建,生成所述待测对象的重建图像。
8.一种图像重建系统,其特征在于,所述系统包括医疗影像扫描设备、采集设备和处理设备,所述医疗影像扫描设备和所述采集设备分别与所述处理设备通信连接;
所述医疗影像扫描设备,用于获取待测对象的扫描数据,并将所述待测对象的扫描数据发送至所述处理设备;所述扫描数据包括SPECT扫描数据或PET扫描数据;
所述采集设备,用于获取所述待测对象的原始数据,并将所述待测对象的原始数据发送至所述处理设备;
所述处理设备,用于对所述原始数据进行三维重建,得到所述待测对象的三维轮廓,并基于所述三维轮廓及预设的神经网络模型获取所述待测对象的衰减系数分布,根据所述待测对象的衰减系数分布以及所述待测对象的扫描数据进行图像重建,生成所述待测对象的重建图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210988101.9A CN115375840A (zh) | 2022-08-17 | 2022-08-17 | 图像重建方法、装置、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210988101.9A CN115375840A (zh) | 2022-08-17 | 2022-08-17 | 图像重建方法、装置、系统、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115375840A true CN115375840A (zh) | 2022-11-22 |
Family
ID=84065285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210988101.9A Pending CN115375840A (zh) | 2022-08-17 | 2022-08-17 | 图像重建方法、装置、系统、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375840A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611750A (zh) * | 2023-12-05 | 2024-02-27 | 北京思博慧医科技有限公司 | 三维成像模型的构建方法、装置、电子设备和存储介质 |
-
2022
- 2022-08-17 CN CN202210988101.9A patent/CN115375840A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611750A (zh) * | 2023-12-05 | 2024-02-27 | 北京思博慧医科技有限公司 | 三维成像模型的构建方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Improving CBCT quality to CT level using deep learning with generative adversarial network | |
CN107133996B (zh) | 产生用于pet数据重建的衰减图的方法及pet/ct系统 | |
US20200143521A1 (en) | System and method for image correction | |
CN113689342B (zh) | 一种图像质量优化的方法及系统 | |
US10593071B2 (en) | Network training and architecture for medical imaging | |
CN109060849B (zh) | 一种确定辐射剂量调制线的方法、系统和装置 | |
CN115605915A (zh) | 一种图像重建系统和方法 | |
Xu et al. | Image decomposition algorithm for dual‐energy computed tomography via fully convolutional network | |
US11574154B2 (en) | Patient-adaptive nuclear imaging | |
US11557071B2 (en) | Systems and methods for determining at least one artifact calibration coefficient | |
US20220092755A1 (en) | Systems and methods for image processing | |
US11672496B2 (en) | Imaging systems and methods | |
Zhang et al. | PET image reconstruction using a cascading back-projection neural network | |
US20220192619A1 (en) | Imaging systems and methods | |
US11941805B2 (en) | Systems and methods for image processing | |
CN115375840A (zh) | 图像重建方法、装置、系统、计算机设备和存储介质 | |
CN109077746B (zh) | 一种确定辐射剂量调制线的方法、系统和装置 | |
US20230419455A1 (en) | System and method for image correction | |
CN111145140B (zh) | 使用深度学习确定肺结节的恶性程度 | |
US11810228B2 (en) | Network determination of limited-angle reconstruction | |
US11574184B2 (en) | Multi-modal reconstruction network | |
CN111915495A (zh) | 获取截断部分预测图像的方法及装置 | |
CN111915692A (zh) | 成像方法及装置 | |
US20230342974A1 (en) | Imaging systems and methods | |
US20230056685A1 (en) | Methods and apparatus for deep learning based image attenuation correction |
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 |