CN115409736B - 医用数字x射线摄影系统的几何校正方法及相关设备 - Google Patents
医用数字x射线摄影系统的几何校正方法及相关设备 Download PDFInfo
- Publication number
- CN115409736B CN115409736B CN202211128781.3A CN202211128781A CN115409736B CN 115409736 B CN115409736 B CN 115409736B CN 202211128781 A CN202211128781 A CN 202211128781A CN 115409736 B CN115409736 B CN 115409736B
- Authority
- CN
- China
- Prior art keywords
- image
- correction
- deep learning
- learning model
- projection 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.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013136 deep learning model Methods 0.000 claims abstract description 78
- 238000002601 radiography Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000452 restraining effect Effects 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种医用数字X射线摄影系统的几何校正方法及相关设备，其中，该医用数字X射线摄影系统的几何校正方法包括：将原始图像作为深度学习模型的输入参数；获取深度学习模型输出的中间投影图像；基于手动校正图像和中间投影图像获取校正损失值，将所述校正损失值反向传播至深度学习模型中；当校正损失值满足最小值时，获取校正投影图像；从校正投影图像中提取出位姿先验信息参数。上述医用数字X射线摄影系统的几何校正方法，通过对模型的改进，保证了扫描图像的实时准确几何校正，从而较大地消除了几何偏移对三维重建的影响，改进了因系统几何结构和理想的几何结构之间存在几何偏移，导致重建图像中产生的几何伪影的问题。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种医用数字X射线摄影系统的几何校正方法及相关设备。
背景技术
医用数字X射线摄影系统（digital radiography，DR）是计算机数字图像处理技术与放射学相结合而形成的一种X线摄影技术。医用数字X射线摄影系统具有低剂量、高空间分辨率、短扫描时间及低成本等特点被广泛应用于体检及医学影像诊断领域。
三维医用数字X射线摄影系统主要包括X射线源、平板探测器、影像处理工作站等部分组成。三维医用数字X射线摄影系统可以满足病人立位（负重位）和卧位拍摄，适用于胸部、腹部、骨与软组织等多个部位的切片图像的X射线摄影检查及各类造影检查。在检测时，患者位于X射线源与平板探测器的中间，X射线源发射三维锥束X射线，并以病人的检查区域为中心，沿弧线进行上下（左右）移动和旋转运动，平板探测器接收到已穿透病人的X射线信息并将其转化为数字信号，并由计算机对不同角度下的投影图像进行后处理及显示，以满足病人三维冠状面重建的需要。
但是，在多角度拍摄时，由于X射线源的移动和旋转，势必会存在一定程度的运动惯性，带来拍摄误差，导致计算机系统构建的几何结构图像信息和理想的几何结构图像信息之间存在一定程度的几何偏移或者误差，并导致重建图像中产生几何伪影。传统的几何校正方法大多对多角度的医用数字X射线摄影系统切片图像进行手动校正，这难以满足实时精确的几何校正及三维重建的临床需求。
发明内容
本发明实施例提供一种医用数字X射线摄影系统的几何校正方法及相关设备，以改进传统的几何校正方法大多对多角度的医用数字X射线摄影系统切片图像进行手动校正，这难以满足实时精确的几何校正及三维重建的临床需求的问题。
一种医用数字X射线摄影系统的几何校正方法，包括：
将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束；
获取深度学习模型输出的中间投影图像；
基于手动校正图像和中间投影图像获取校正损失值，将所述校正损失值反向传播至深度学习模型中，用于迭代并更新网络梯度；
当校正损失值满足最小值时，获取深度学习模型输出的中间投影图像作为最接近手动校正图像的校正投影图像；
从校正投影图像中提取出位姿先验信息参数。
一种医用数字X射线摄影系统的几何校正方法，将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束之前，还包括：
获取校正模体的在不同切片层数下的原始图像；
将原始图像对应的原始切片层数与预先设定的目标切片层数进行比较，获取手动校正图像。
一种医用数字X射线摄影系统的几何校正方法，将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束之前，还包括：
获取校正模体中的图像信息；
对图像信息进行定位并进行位置变换，获取手动校正图像。
一种医用数字X射线摄影系统的几何校正方法，将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束，包括：
将原始图像作为SSGNET模型的输入参数；
SSGNET模型对原始图像进行编码并解码后，输出中间投影图像。
一种医用数字X射线摄影系统的几何校正方法，还包括：
采集无标签数据；
基于无标签数据，优化深度学习模型中的运行参数，形成半监督深度学习模型；
基于位姿先验信息参数，对半监督深度学习模型进行约束。
一种医用数字X射线摄影系统的几何校正方法，获取校正模体的在不同切片层数下的原始图像，包括：
设定多个测试角度；
获取校正模体在多个不同的测试角度下的原始图像。
一种医用数字X射线摄影系统的几何校正方法，从校正投影图像中提取出位姿先验信息参数之后，还包括：
将位姿先验信息参数输入进三维重建模型中，用于三维重建模型输出三维图像。
一种医用数字X射线摄影系统的几何校正装置，包括：
输入原始图像模块，用于将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束；
获取中间投影图像模块，用于获取深度学习模型输出的中间投影图像；
迭代并更新网络梯度模块，用于基于手动校正图像和中间投影图像获取校正损失值，将校正损失值反向传播至深度学习模型中，用于迭代并更新网络梯度；
获取校正投影图像模块，用于当校正损失值满足最小值时，获取深度学习模型输出的中间投影图像作为最接近手动校正图像的校正投影图像；
提取位姿先验信息参数模块，用于从校正投影图像中提取出位姿先验信息参数。
一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如权利要求1至3任一项医用数字X射线摄影系统的几何校正方法。
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程序，计算机程序被处理器执行时实现如权利要求1至3任一项医用数字X射线摄影系统的几何校正方法。
上述医用数字X射线摄影系统的几何校正方法及相关设备，通过校正损失值对深度学习模型进行反向更新迭代，使最后得到校正投影图像为最接近手动校正图像的图像，并获得位姿先验信息参数，用于后续中三维重建模型的算法中，通过对模型的改进，保证了扫描图像的实时准确几何校正，从而较大地消除了几何偏移对三维重建的影响，改进了因系统几何结构和理想的几何结构之间存在几何偏移，导致重建图像中产生的几何伪影的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
图1绘示本发明一实施例中医用数字X射线摄影系统的几何校正方法的应用环境示意图；
图2绘示本发明第一实施例中医用数字X射线摄影系统的几何校正方法的第一流程图；
图3绘示本发明第一实施例中医用数字X射线摄影系统的几何校正方法的深度学习模型的示意图；
图4绘示本发明第二实施例中医用数字X射线摄影系统的几何校正方法的第二流程图；
图5绘示本发明第一实施例中的人体结构的断层面、矢状面、冠状面的示意图；
图6绘示本发明第一实施例中医用数字X射线摄影系统的几何校正方法的场景示意图；
图7绘示本发明一实施例中医用数字X射线摄影系统的几何校正装置的示意图；
图8绘示本发明一实施例中计算机设备的示意图。
具体实施方式
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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的医用数字X射线摄影系统的几何校正方法，可应用在如图1的应用环境中，该医用数字X射线摄影系统的几何校正方法应用在医用数字X射线摄影系统的几何校正系统中，该医用数字X射线摄影系统的几何校正系统包括客户端和服务器，其中，客户端通过网络与服务器进行通信。客户端又称为用户端，是指与服务器相对应，为客户端提供本地服务的程序。进一步地，客户端为计算机端程序、智能设备的APP程序或嵌入其他APP的第三方小程序。该客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等计算机设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种医用数字X射线摄影系统的几何校正方法，以该方法应用在图1中的服务器为例进行说明，具体包括如下步骤：
S10.将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束。
其中，原始图像可以为通过医用数字X射线摄影系统技术拍摄下的投影图像，并未经过计算机后续处理，或者经过处理后由于校正算法模型不够完善，依然存在一定程度的几何偏移或者误差的图像。手动校正图像可以是基于校正模体进行手动校正后所得到的校正图像，该校正图像不容易出现几何偏移或者误差的情况。深度学习为让计算机模拟人类的认知过程，从经验中学习，使计算机能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习模型用于对三维重建过程中进行几何校正。几何伪影是由实际成像系统空间结构与算法模型等参数失配所引起的图像伪影，表现为重建图像边缘模糊及重影等，导致成像分辨率降低和图像质量下降等问题。
具体地，将通过原始图像作为深度学习模型的输入参数，训练深度学习模型，使深度学习模型可以得到手动校正图像。
S20.获取深度学习模型输出的中间投影图像。
具体地，对深度学习模型进行不断地训练，获取经过深度学习模型加工的中间投影图像，对中间投影图像进行初步处理。
S30.基于手动校正图像和中间投影图像获取校正损失值，将所述校正损失值反向传播至深度学习模型中，用于迭代并更新网络梯度。
具体地，中间投影图像与要求模型获得的手动校正图像还有差别时，通过对两者进行分析，可以获得校正损失值，将校正损失值方向传播进入深度学习模型，进行更新和迭代，不断地对其训练和学习，用于优化深度学习模型。
S40.当校正损失值满足最小值时，获取深度学习模型输出的中间投影图像作为最接近手动校正图像的校正投影图像。
具体地，当校正损失值满足最小值时，最小值可以是零，也可以是无线接近于零，此时，深度学习模型更新和迭代后获取的中间投影图像无线接近于手动校正图像，将最接近手动校正图像称为校正投影图像，用于作为深度学习模型的输出参数。
S50.从校正投影图像中提取出位姿先验信息参数。
其中，位姿先验信息包含有校正投影图像在空间中的位置和朝向等信息。
具体地，获取校正投影图像后，提取出位姿先验信息参数，用于后续中三维重建模型的算法中。
上述医用数字X射线摄影系统的几何校正方法及相关设备，通过校正损失值对深度学习模型进行反向更新迭代，使最后得到校正投影图像为最接近手动校正图像的图像，并获得位姿先验信息参数，用于后续中三维重建模型的算法中，通过对模型的改进，保证了扫描图像的实时准确几何校正，从而较大地消除了几何偏移对三维重建的影响，改进了因系统几何结构和理想的几何结构之间存在几何偏移，导致重建图像中产生的几何伪影的问题。
在一实施例中，如图4所示，在步骤S10之前，即将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束之前，还包括：
S101.获取校正模体的在不同切片层数下的原始图像；
S102.将原始图像对应的原始切片层数与预先设定的目标切片层数进行比较，获取手动校正图像。
其中，校正模体为医学影像技术学名词，是具有特点功能的或者作为一个独立结构域一部分的相邻的二级结构的聚合体。X射线发射源发射X射线照射校正模体，并在校正模体之后的成像模板上可形成X射线的不同程度的衰减的投影图像，用于为实际病人治疗中施加到病人特定组织上的辐射剂量作参考。该切片可以为冠状面切片。如图5和图6所示。
具体地，每个冠状面切片上会有对应的投影图像，在计算机系统中会设定有每一个切片层数上应该对应的投影图像，若在实际测试中，原始切片层数上对应的原始图像的信息与预先设定的投影图像的信息不相同，即产生了几何偏移或者伪影，这样就会导致计算机算法结果与实际结果有误差，这时通过手动校正图像位置或者在计算机中手动输入修改参数，来弥补误差损失值，获得所需要的手动校正图像。
步骤S101和S102作用在于，在原有的基础上，该方法通过校正模型获取手动校正图像，将其手动校正图像作为深度学习模型的一个约束和输出参数，通过校正模型获取手动校正图像是作为训练得到较为精确的深度学习模型的前置条件，从而获取更多的训练数据库，优化更新模型。
在一实施例中，如图4所示，在步骤S10之前，即将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束之前，还包括：
S103.获取校正模体中的图像信息；
S104.对图像信息进行定位并进行位置变换，获取手动校正图像。
其中，图像信息包括但不限于校正模体的切片上可固定放置处放置有若干圆形钢珠。钢珠具有较大的衰减系数，
具体地，在医用数字X射线摄影系统图像中能够清晰地分割并定位出其坐标。校正模体固定完成后，获得校正模体的投影图像，并在每张图像中定位出钢珠投影坐标。随后根据钢珠投影坐标与投影图像中心点的位置关系得到变换参数，对投影图像进行几何校正，从而获取手动校正图像。
步骤S103和S104作用在于，在原有的基础上，该方法通过校正模型获取手动校正图像，将其手动校正图像作为深度学习模型的一个约束和输出参数，通过校正模型获取手动校正图像是作为训练得到较为精确的深度学习模型的前置条件，从而获取更多的训练数据库，优化更新模型。
在一实施例中，如图4所示，在步骤S10中，即将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束，包括：
S105.将原始图像作为SSGNET模型的输入参数；
S106.SSGNET模型对原始图像进行编码并解码后，输出中间投影图像。
其中，SSGNET模型是稀疏谱图卷积网络模型，是深度学习模型的中心。
具体地，将医用数字X射线摄影系统在不同角度下采集到的原始图像作为SSGNET模型的输入端，并传递至编码器-解码器结构的SSGNET模型得到校正投影图像。该SSGNET模型深度学习后对几何体进行较为准确的建立，解决伪影的影响导致几何体的不准确，且算法计算复杂度小且精确度高，有效地提高几何校正的效率。
步骤S105和S106作用在于，SSGNET模型算法计算复杂度小且精确度高，有效地提高几何校正的效率。
在一实施例中，如图4所示，一种医用数字X射线摄影系统的几何校正方法，具体还包括如下步骤：
S60.采集无标签数据。
S70.基于无标签数据，优化深度学习模型中的运行参数，形成半监督深度学习模型。
S80.基于位姿先验信息参数，对半监督深度学习模型进行约束。
具体地，几何校正算法构建与训练完成后，在临床应用过程中可采集到无标签数据，该数据可以进一步作为训练数据优化的参数，同时位姿先验信息参数作为参考标准进行约束，以半监督学习策略自适应的更新SSGNET模型，使其更具有更优异的校正性能，较大消除三维重建过程中几何伪影的影响。
步骤S60至S80的作用在于，以半监督学习策略自适应的更新SSGNET模型，使其更具有更优异的校正性能，较大消除三维重建过程中几何伪影的影响。
在一实施例中，如图4所示，在步骤S101中，即获取校正模体的在不同切片层数下的原始图像中，具体包括如下步骤：
S1011.设定多个测试角度。
S1012.获取校正模体在多个不同的测试角度下的原始图像。
具体地，获取校正模体在不同角度下的原始图像，对其每个角度都获取误差损失值，并基于每一个误差损失值对模型进行几何校正。这样，在每一个角度都可以进行几何校正，提高了准确度，有利于减少在重建图像中产生几何伪影的现象。
步骤S1011和S1012的作用在于，在每一个角度都可以进行几何校正，提高了准确度，有利于减少在重建图像中产生几何伪影的现象。
在一实施例中，如图4所示，在步骤S50之后，即从校正投影图像中提取出位姿先验信息参数之后，具体包括如下步骤：
S90.将位姿先验信息参数输入进三维重建模型中，用于三维重建模型输出三维图像。
具体地，基于自适应的几何校正模型获取位姿先验信息参数，再将位姿先验信息参数输入进三维重建模型中，用于后续的三维重建模型输出超高分辨率的动态医用数字X射线摄影系统三维重建图像。
步骤S90作用在于，该方法将位姿先验信息参数输入进三维重建模型中用于后续的三维重建模型输出超高分辨率的动态医用数字X射线摄影系统三维重建图像。
上述医用数字X射线摄影系统的几何校正方法，通过校正损失值对深度学习模型进行反向更新迭代，使最后得到校正投影图像为最接近手动校正图像的图像，并获得位姿先验信息参数，用于后续中三维重建模型的算法中，通过对模型的改进，保证了扫描图像的实时准确几何校正，从而较大地消除了几何偏移对三维重建的影响，改进了因系统几何结构和理想的几何结构之间存在几何偏移，导致重建图像中产生的几何伪影的问题。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种医用数字X射线摄影系统的几何校正装置，该医用数字X射线摄影系统的几何校正装置与上述实施例中医用数字X射线摄影系统的几何校正方法一一对应。如图7所示，该医用数字X射线摄影系统的几何校正装置包括获取原始图像模块10、获取中间投影图像模块20和迭代并更新网络梯度模块30、获取校正投影图像模块40和提取位姿先验信息参数模块50。各功能模块详细说明如下：
输入原始图像模块10，用于将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束；
获取中间投影图像模块20，用于获取深度学习模型输出的中间投影图像。
迭代并更新网络梯度模块30，用于基于手动校正图像和中间投影图像获取校正损失值，将校正损失值反向传播至深度学习模型中，用于迭代并更新网络梯度。
获取校正投影图像模块40，用于当校正损失值满足最小值时，获取深度学习模型输出的中间投影图像作为最接近手动校正图像的校正投影图像。
提取位姿先验信息参数模块50，用于从校正投影图像中提取出位姿先验信息参数。
关于医用数字X射线摄影系统的几何校正装置的具体限定可以参见上文中对于医用数字X射线摄影系统的几何校正方法的限定，在此不再赘述。上述医用数字X射线摄影系统的几何校正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。
在一实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8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、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的数据库用于医用数字X射线摄影系统的几何校正方法相关的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医用数字X射线摄影系统的几何校正方法。
在一实施例中，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例医用数字X射线摄影系统的几何校正方法，例如图2所示S10至步骤S50。或者，处理器执行计算机程序时实现上述实施例中医用数字X射线摄影系统的几何校正装置的各模块/单元的功能，例如图7所示模块10至模块50的功能。为避免重复，此处不再赘述。
在一实施例中，提供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实施例医用数字X射线摄影系统的几何校正方法，例如图2所示S10至步骤S50。或者，该计算机程序被处理器执行时实现上述装置实施例中医用数字X射线摄影系统的几何校正装置中各模块/单元的功能，例如图7所示模块10至模块50的功能。为避免重复，此处不再赘述。
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，该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，本申请各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (6)
1.一种医用数字X射线摄影系统的几何校正方法，其特征在于，包括：
设定多个测试角度；
获取校正模体在多个不同的所述测试角度下的原始图像；
将所述原始图像对应的原始切片层数与预先设定的目标切片层数进行比较，获取手动校正图像；
将所述原始图像作为深度学习模型的输入参数，用于采用所述手动校正图像作为输出图像对所述深度学习模型进行约束，包括：
将所述原始图像作为稀疏谱图卷积网络模型的输入参数；
所述稀疏谱图卷积网络模型对所述原始图像进行编码并解码后，输出中间投影图像；
获取所述深度学习模型输出的中间投影图像；
基于所述手动校正图像和所述中间投影图像获取校正损失值，将所述校正损失值反向传播至所述深度学习模型中，用于迭代并更新网络梯度；
当所述校正损失值满足最小值时，获取所述深度学习模型输出的中间投影图像作为最接近所述手动校正图像的校正投影图像；
从所述校正投影图像中提取出位姿先验信息参数；
采集无标签数据；
基于所述无标签数据，优化所述深度学习模型中的运行参数，形成半监督深度学习模型；
基于所述位姿先验信息参数，对所述半监督深度学习模型进行约束。
2.根据权利要求1所述的医用数字X射线摄影系统的几何校正方法，其特征在于，所述将所述原始图像作为深度学习模型的输入参数，用于采用所述手动校正图像作为输出图像对所述深度学习模型进行约束之前，还包括：
获取校正模体中的图像信息；
对所述图像信息进行定位并进行位置变换，获取所述手动校正图像。
3.根据权利要求1所述的医用数字X射线摄影系统的几何校正方法，其特征在于，所述从所述校正投影图像中提取出所述位姿先验信息参数之后，还包括：
将所述位姿先验信息参数输入进三维重建模型中，用于所述三维重建模型输出三维图像。
4.一种医用数字X射线摄影系统的几何校正装置，其特征在于，包括：
输入原始图像模块，用于设定多个测试角度；获取校正模体在多个不同的所述测试角度下的原始图像；
获取中间投影图像模块，用于将所述原始图像对应的原始切片层数与预先设定的目标切片层数进行比较，获取手动校正图像；将所述原始图像作为深度学习模型的输入参数，用于采用所述手动校正图像作为输出图像对所述深度学习模型进行约束，包括：将所述原始图像作为稀疏谱图卷积网络模型的输入参数；所述稀疏谱图卷积网络模型对所述原始图像进行编码并解码后，输出中间投影图像；
迭代并更新网络梯度模块，用于获取所述深度学习模型输出的中间投影图像；基于所述手动校正图像和所述中间投影图像获取校正损失值，将所述校正损失值反向传播至所述深度学习模型中，用于迭代并更新网络梯度；
获取校正投影图像模块，用于当所述校正损失值满足最小值时，获取所述深度学习模型输出的中间投影图像作为最接近所述手动校正图像的校正投影图像；
提取位姿先验信息参数模块，用于从所述校正投影图像中提取出位姿先验信息参数；采集无标签数据；基于所述无标签数据，优化所述深度学习模型中的运行参数，形成半监督深度学习模型；基于所述位姿先验信息参数，对所述半监督深度学习模型进行约束。
5.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述医用数字X射线摄影系统的几何校正方法。
6.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述医用数字X射线摄影系统的几何校正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211128781.3A CN115409736B (zh) | 2022-09-16 | 2022-09-16 | 医用数字x射线摄影系统的几何校正方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211128781.3A CN115409736B (zh) | 2022-09-16 | 2022-09-16 | 医用数字x射线摄影系统的几何校正方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115409736A CN115409736A (zh) | 2022-11-29 |
| CN115409736B true CN115409736B (zh) | 2023-06-20 |
Family
ID=84166809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211128781.3A Active CN115409736B (zh) | 2022-09-16 | 2022-09-16 | 医用数字x射线摄影系统的几何校正方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115409736B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012053602A (ja) * | 2010-08-31 | 2012-03-15 | Hitachi Information & Communication Engineering Ltd | 画像補正装置、補正画像生成方法、補正テーブル生成装置、補正テーブル生成方法、補正テーブル生成プログラムおよび補正画像生成プログラム |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103519833B (zh) * | 2013-06-05 | 2015-10-07 | 东南大学 | 一种旋转c型臂x射线机的三维校正重建方法 |
| CN108122203B (zh) * | 2016-11-29 | 2020-04-07 | 上海东软医疗科技有限公司 | 一种几何参数的校正方法、装置、设备及系统 |
| US10945695B2 (en) * | 2018-12-21 | 2021-03-16 | Canon Medical Systems Corporation | Apparatus and method for dual-energy computed tomography (CT) image reconstruction using sparse kVp-switching and deep learning |
| CN110766629B (zh) * | 2019-10-17 | 2022-03-01 | 广州华端科技有限公司 | Cbct系统几何校正方法、装置、计算机设备和存储介质 |
| CN111179372B (zh) * | 2019-12-31 | 2024-03-26 | 上海联影智能医疗科技有限公司 | 图像衰减校正方法、装置、计算机设备和存储介质 |
| CN111627083B (zh) * | 2020-05-26 | 2023-11-21 | 上海联影医疗科技股份有限公司 | 骨硬化伪影校正方法、装置、计算机设备和可读存储介质 |
| TWI790471B (zh) * | 2020-08-26 | 2023-01-21 | 財團法人工業技術研究院 | 基於深度學習的影像校正方法及系統 |
| CN112057093B (zh) * | 2020-09-16 | 2023-01-24 | 深圳市宝润科技有限公司 | 曝光参数同步方法、x射线摄像系统及可读存储介质 |
| CN114359126A (zh) * | 2020-09-29 | 2022-04-15 | 深圳市安健科技股份有限公司 | 三维图像的几何校正方法、装置、电子设备及存储介质 |
-
2022
- 2022-09-16 CN CN202211128781.3A patent/CN115409736B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012053602A (ja) * | 2010-08-31 | 2012-03-15 | Hitachi Information & Communication Engineering Ltd | 画像補正装置、補正画像生成方法、補正テーブル生成装置、補正テーブル生成方法、補正テーブル生成プログラムおよび補正画像生成プログラム |
Non-Patent Citations (1)
| Title |
|---|
| 三维锥束CT中几何参数的校正研究;席东星;张树生;李悍;;计算机仿真(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115409736A (zh) | 2022-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11589834B2 (en) | Deep neural network for CT metal artifact reduction | |
| US11790525B2 (en) | Method for metal artifact avoidance in x-ray imaging | |
| CN110084868B (zh) | 图像校正方法、装置、计算机设备和可读存储介质 | |
| CN111462168B (zh) | 运动参数估计方法和运动伪影校正方法 | |
| CN111179372A (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
| Du et al. | A convolutional neural network based auto-positioning method for dental arch in rotational panoramic radiography | |
| CN111631742A (zh) | 一种基于面光源的x射线成像方法和系统 | |
| US20230351597A1 (en) | Methods and devices for medical image processing | |
| WO2020238817A1 (en) | Systems and methods for processing x-ray images | |
| CN109658465B (zh) | 图像重建过程中的数据处理、图像重建方法和装置 | |
| Kim et al. | Convolutional neural network–based metal and streak artifacts reduction in dental CT images with sparse‐view sampling scheme | |
| US20240104705A1 (en) | Systems and methods for image correction | |
| CN115409736B (zh) | 医用数字x射线摄影系统的几何校正方法及相关设备 | |
| CN111388880B (zh) | 一种弧形放射治疗校验方法、装置、设备及存储介质 | |
| WO2023160720A1 (en) | Methods, systems, and storage mediums for image generation | |
| CN110473241A (zh) | 图像配准方法、存储介质及计算机设备 | |
| WO2020106393A2 (en) | Skeletal maturity determination using radiographs of portions of a hand | |
| US11803970B2 (en) | Image judgment device, image judgment method, and storage medium | |
| US20220414832A1 (en) | X-ray imaging restoration using deep learning algorithms | |
| Thies et al. | A gradient-based approach to fast and accurate head motion compensation in cone-beam CT | |
| CN111583354A (zh) | 医学图像处理单元的训练方法和医学图像运动估计方法 | |
| Mai et al. | Metal Artifacts Reduction in CT Scans using Convolutional Neural Network with Ground Truth Elimination | |
| KR101613391B1 (ko) | 치료 계획용 ct 영상을 이용한 산란선 제거 방법 및 시스템 | |
| CN111415394B (zh) | 骨硬化伪影校正方法、装置、计算机设备和可读存储介质 | |
| US11696736B2 (en) | Anatomical landmark detection and identification from digital radiography images containing severe skeletal deformations |
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 |