CN116051463A - 医学图像处理方法、装置、计算机设备及存储介质 - Google Patents
医学图像处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116051463A CN116051463A CN202211537665.7A CN202211537665A CN116051463A CN 116051463 A CN116051463 A CN 116051463A CN 202211537665 A CN202211537665 A CN 202211537665A CN 116051463 A CN116051463 A CN 116051463A
- Authority
- CN
- China
- Prior art keywords
- image sequence
- image processing
- error
- reconstructed image
- reconstructed
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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]
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种医学图像处理方法、装置、计算机设备及存储介质,该方法包括:获取测量数据对应的初始图像序列;将初始图像序列输入已训练的图像处理模型以得到重构图像序列;确定重构图像序列对应的预测数据与测量数据之间的第一误差是否大于第一误差阈值;如果否,则将重构图像序列作为目标图像序列;如果是,则根据第一误差调整已训练的图像处理模型的网络参数;将初始图像序列输入参数调整后的已训练的图像处理模型以更新重构图像序列;返回确定重构图像序列对应的预测数据与测量数据之间的第一误差是否大于第一误差阈值的步骤。解决了现有已训练的图像处理模型存在准确性和可泛化性较低的问题,实现了提高医学图像分辨率的目的。
Description
本申请要求2022年11月04日提交的申请号为2022113792075的发明专利申请的优先权,其全部内容通过引用结合在本申请中。
技术领域
本发明实施例涉及医学图像处理领域,涉及医学图像处理方法、装置、计算机设备及存储介质。
背景技术
目前,在采用图像处理模型进行图像处理时,通常先对该图像处理模型进行模型训练,具体为:将训练样本输入图像处理模型,通过调整图像处理模型的网络参数最小化训练样本中的标签或参考图像与该图像处理模型输出的估计图像之间的误差;然后采用该已训练的图像处理模型对输入图像进行处理,以得到目标图像。
显然,上述已训练图像处理模型的稳定性依赖于训练样本的全面性,如果训练样本的全面性较低,那么该已训练的图像处理模型的鲁棒性较差,无法保证每个目标图像均具有较高的图像质量,即现有已训练的图像处理模型存在泛化性较低的问题。
发明内容
本发明实施例提供了一种医学图像处理方法、装置、计算机设备及存储介质,解决了现有已训练的图像处理模型存在的泛化性较低的问题。
第一方面,本发明实施例提供了一种医学图像处理方法,包括:
获取测量数据对应的初始图像序列;
将所述初始图像序列输入已训练的图像处理模型以得到重构图像序列,所述重构图像序列的时间分辨率高于所述初始图像序列的时间分辨率;
确定所述重构图像序列对应的预测数据与所述测量数据之间的第一误差是否大于第一误差阈值;
如果否,则将所述重构图像序列作为目标图像序列;
如果是,则根据所述第一误差调整所述已训练的图像处理模型的网络参数;将所述初始图像序列输入参数调整后的已训练的图像处理模型以更新所述重构图像序列;返回确定所述重构图像序列对应的预测数据与所述测量数据之间的第一误差是否大于第一误差阈值的步骤。
第二方面,本发明实施例还提供了一种医学图像处理装置,包括:
获取模块,用于获取测量数据对应的初始图像序列;
图像处理模块,用于将所述初始图像序列输入已训练的图像处理模型以得到重构图像序列,所述重构图像序列的时间分辨率高于所述初始图像序列的时间分辨率;
误差确定模块,用于确定所述重构图像序列对应的预测数据与所述测量数据之间的第一误差是否大于第一误差阈值;
输出模块,用于如果否,则将所述重构图像序列作为目标图像序列;
反向传播模块,用于如果是,则根据所述第一误差调整所述已训练的图像处理模型的网络参数;将所述初始图像序列输入参数调整后的已训练的图像处理模型以更新所述重构图像序列;返回确定所述重构图像序列对应的预测数据与所述测量数据之间的第一误差是否大于第一误差阈值的步骤。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
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任意实施例所述的医学图像处理方法。
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如任意实施例所述的医学图像处理方法。
相较于现有技术,本实施例提供的医学图像处理方法的技术方案,由于测量数据是医学图像系统采集的扫描数据,是图像重建的依据,因此基于第一误差调整已训练的图像处理模型的网络参数,实际上是以测量数据为参考来调整已训练的图像处理模型的网络参数,实现了根据具体情况调整已训练的图像处理模型的网络参数的目的,提高了已训练的图像处理模型的网络参数设置的灵活性、准确性和可泛化性,可以保证其在接收到不同类型的输入图像时,均会输出较高图像质量的目标图像。
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做一简单地介绍,显而易见地,下面描述中的附图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是本发明实施例提供的医学图像处理方法的流程图;
图2A是本发明实施例提供的又一医学图像处理方法的流程示意图;
图2B是本发明实施例提供的图像处理模型的结构示意图;
图3是本发明实施例提供的第一误差确定方法的流程图;
图4是本发明实施例提供的图像处理模型的训练方法的流程图;
图5A是本发明实施例提供的医学图像处理装置的结构框图;
图5B是本发明实施例提供的又一医学图像处理装置的结构框图;
图6是本发明实施例提供的C臂CT成像系统的结构示意图;
图7A是本发明实施例提供的诊断CT成像系统的结构示意图;
图7B是本发明实施例提供的又一诊断CT成像系统的结构示意图;
图8是本发明实施例提供的CT成像系统中的计算机设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,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做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。
实施例
图1是本发明实施例提供的医学图像处理方法的流程图。本实施例的技术方案适用于提高医学图像时间分辨率的情况。该方法可以由本发明实施例提供的医学图像处理装置来执行,该装置可以采用软件和/或硬件的方式实现,并配置在电子计算机设备的处理器中应用。如图1和图2A所示,该方法具体包括如下步骤:
S110、获取测量数据对应的初始图像序列。
测量数据为医学成像系统采集的任意人体部位的扫描数据,其中,医学成像系统可以是CT(Computer Tomograply,电子计算机X射线断层扫描成像)成像系统、PET(Positron Emission Computed Tomography,正电子发射计算机断层成像)成像系统或MRI(Nuclear Magnetic Resonance Imagin,磁共振成像)成像系统等临床诊断成像系统。其中,CT成像系统可以是诊断CT成像系统、C臂CT成像系统等。以C臂CT成像系统采集的扫描数据为例。由于C臂CT成像系统的旋转速度很慢,导致C臂CT图像的时间分辨率很低、时间采样点数目很少。在一个实施例中,以脑组织动态成像为例,在30秒到1分钟的血液循环时间范围内,C臂CT采集8个采样时间点的投影数据帧以得到测量数据,即现有技术的时间分辨率为6秒。
其中,初始图像序列包括至少一幅初始图像。测量数据包括至少一个完备数据集,其中,完备数据集为可由医学成像系统采集,使用现有图像重建方法(滤波反投影或傅里叶变换)能够精准重建出一副初始图像的数据集。
对测量数据进行图像重建以得到初始图像序列,该初始图像序列包括至少一帧初始图像。
其中,在医学成像系统为CT成像系统或PET成像系统的情况下,任一初始图像由CT成像系统或PET成像系统在至少一个投影角度采集的至少一个测量数据帧重建而成。以CT成像系统为例,该投影角度实际上是一个角度范围,将系统运动至该至少一个投影角度的中间位置的时刻作为目标时刻或前述采样时间点。
S120、将初始图像序列输入已训练的图像处理模型以得到重构图像序列,重构图像序列的时间分辨率高于初始图像序列的时间分辨率。
在一个实施例中,重构图像序列包括感兴趣区,该感兴趣区包括但不限于软组织、血管、骨骼等。由于重构图像序列具有较高的时间分辨率,该重构图像序列可以提供更为丰富的软组织变化信息。
在一个实施例中,该已训练的图像处理模型由深度卷积模型训练而成,用于对初始图像序列进行升采样,以使重构图像序列的时间分辨率高于初始图像序列的时间分辨率,如图2A所示,重构图像序列包括的重构图像的数量是初始图像序列包括的初始图像的数量的2倍,因此重构图像序列的时间分辨率是初始图像序列的一半。
在一个实施例中,图像处理模型为图2B示出的神经网络。该神经网络共有24层卷积神经网络层,该24层卷积神经网络层包括三类卷积网络层,这些卷积网络层中的参数均为可学习的。第一类卷积网络层使用3×3卷积核,间隔为1,在图2B中标记为“Conv,3×3,S1”,之后为批归一化操作(Bnorm)和整流线性单元(ReLu)激活函数。第二类卷积网络层使用3×3卷积核,间隔为2,并在图2B中标记为“Conv,3×3,S2”,之后为Bnorm和ReLu。第三类卷积网络层使用1×1卷积核,间隔为1,并在图2B中标记为“Conv,1×1,S1”,之后为线性激活函数。所有卷积层都有相应的可学偏差项。每个卷积层均保持该层的输入输出为同样的空间维度。采样层使用2×2卷积核,并在图2B中标记为Up-sample 2×2。所有采样层使用双线性插值算法。捷径链接(Skip+Concatenate,图2B中黑色实箭头)用以促进网络训练过程。网络参数中的卷积核使用Glorot均匀分布随机数作为初始化,偏差项使用0作为初始化值。其余参数设置与初始化值均选择默认方式。
S130、确定重构图像序列对应的预测数据与测量数据之间的第一误差是否大于第一误差阈值。
其中,预测数据为基于重构图像序列确定的投影数据,具体确定方式参见后面实施例。
在检测到已训练的图像处理模型输出重构图像序列的情况下,确定该重构图像序列对应的预测数据与测量数据之间的误差,将该误差作为第一误差,并确定其是否大于第一误差阈值。
S140、如果否,则将该重构图像序列作为目标图像序列。
如果第一误差小于或等于第一误差阈值,则表示重构图像序列对应的预测数据与测量数据之间的第一误差在可接受范围内,即重构图像序列的图像质量已达到用户期望的图像质量标准,因此将重构图像序列作为目标图像序列。
S150、如果是,则根据第一误差调整已训练的图像处理模型的网络参数;将初始图像序列输入参数调整后的已训练的图像处理模型以更新重构图像序列;返回确定重构图像序列对应的预测数据与所述测量数据之间的第一误差是否大于第一误差阈值的步骤。
如果第一误差大于第一误差阈值,则表示重构图像序列对应的预测数据与测量数据之间的第一误差超过可接受误差范围,即重构图像质量无法达到用户期望的图像质量,因此根据该第一误差调整已训练的图像处理模型的网络参数,然后将初始图像序列输入参数调整后的已训练的图像处理模型以更新重构图像序列;并返回确定重构图像序列对应的预测数据与测量数据之间的第一误差是否大于第一误差阈值的步骤,即判断更新后的重构图像序列对应的预测数据与测量数据之间的第一误差是否大于第一误差阈值,并根据判定结果执行相应步骤。
在一个实施例中,第一误差被配置为可修改项。也就是说,用户可以根据实际需求在设定的误差可调节范围内调节第一误差的大小。
由于测量数据是医学成像系统采集的扫描数据,是图像重建的依据,因此基于该测量数据确定的第一误差可以反映预测数据的准确性,继而反映重构图像的准确性,因此基于第一误差调整已训练的图像处理模型的网络参数,实现了以预测数据为参考调整已训练的图像处理模型的网络参数的目的,提高了已训练的图像处理模型的网络参数的准确性,从而提高了更新后的重构图像序列的准确性。
由于重构图像序列的时间分辨率高于初始图像序列的时间分辨率,且重构图像序列用于临床诊断,因此本公开实施例允许在采集MRI测量数据时,通过降低初始图像序列的时间分辨率来增加测量数据的频率范围。具体地,确定临床诊断用MRI图像的时间分辨率,并将该时间分辨率作为目标时间分辨率,即重构图像的时间分辨率;基于该目标时间分辨率和已训练的图像处理模型对应的时间分辨率提升比值,确定初始图像序列的时间分辨率,并将该时间分辨率作为初始时间分辨率,以该初始时间分辨率采集被测者的MRI测量数据。
在一个实施例中,设定目标时间分辨率等于现有临床诊断用MRI图像的时间分辨率,时间分辨率提升比值为5,那么初始时间分辨率为目标时间分辨率的1/6,相较于现有技术来说,根据该初始时间分辨率采集被测者的MRI测量数据时,用于重建任一初始图像的部分测量数据可被分配的采集时间为现有数据采集时间的6倍,因此允许用户通过增加用于重建单幅初始图像对应的部分测量数据的采集时间的方式,增加该部分测量数据的频率范围。可以理解的是,对于MRI图像来说,频率范围更大的测量数据对应空间分辨率更高的初始图像,重构图像的空间分辨率与初始图像的空间分辨率相同,即本公开实施例可以在不降低临床诊断用MRI图像的时间分辨率的情况下,间接提高MRI图像空间分辨率。
以此类推,本公开实施例允许在采集PET测量数据时,通过降低初始图像序列的时间分辨率来增加测量数据的累计光子数。具体地,确定临床诊断用PET图像的时间分辨率,并将该时间分辨率作为目标时间分辨率,即重构图像的时间分辨率;基于该目标时间分辨率和已训练的图像处理模型对应的时间分辨率提升比值,确定初始图像序列的时间分辨率,并将该时间分辨率作为初始时间分辨率,以该初始时间分辨率采集被测者的PET测量数据。
在一个实施例中,设定目标时间分辨率等于现有临床诊断用PET图像的时间分辨率,时间分辨率提升比值为5,那么初始时间分辨率为目标时间分辨率的1/6,相较于现有技术来说,根据该初始时间分辨率采集被测者的PET测量数据时,用于重建任一初始图像的部分测量数据可被分配的采集时间为现有数据采集时间的6倍,因此允许用户通过增加用于重建单幅初始图像对应的部分测量数据的采集时间的方式,增加该部分测量数据的累计光子数。可以理解的是,对于PET图像来说,累计光子数更多的测量数据对应对比度分辨率更高的初始图像,重构图像的对比度分辨率与初始图像的对比度分辨率相同,即本公开实施例可以在不降低临床诊断用PET图像的时间分辨率的情况下,间接提高PET图像对比度分辨率。
相较于现有技术,本实施例提供的医学图像处理方法的技术方案,由于测量数据是医学成像系统采集的扫描数据,是图像重建的依据,因此基于第一误差调整已训练的图像处理模型的网络参数,实际上是以测量数据为参考来调整已训练的图像处理模型的网络参数,实现了根据具体情况调整已训练的图像处理模型的网络参数的目的,提高了已训练的图像处理模型的网络参数设置的灵活性、准确性和可泛化性,可以保证其在接收到不同类型的输入图像时,均会输出较高图像质量的目标图像。
图3是本发明实施例提供的第一误差确定方法的流程图。该实施例用于确定前述实施例中的重构图像序列对应的预测数据与测量数据之间的第一误差。
该方法包括:
S2301、针对重构图像序列中的任一重构图像,确定重构图像对应的部分预测数据。
步骤a1、在重构图像序列为MRI图像序列的情况下,确定重构图像对应的至少一个径向线数据;将至少一个径向线数据作为重构图像对应的部分预测数据。
在一个实施例中,在重构图像序列为MRI图像序列的情况下,确定起始方位角、测量数据对应的方位角间隔,确定重构图像对应的方位角集合;根据方位角集合确定重构图像对应的至少一个径向线数据。该实施例先确定测量数据对应的K空间数据中的方位角间隔以及起始方位角,从而确定测量数据对应的径向线分布,确定重构图像在该径向线分布情况下对应的至少一个径向线数据,将该至少一个径向线数据作为对应的部分预测数据。
步骤a2、在重构图像序列为CT图像序列或PET图像序列的情况下,确定重构图像对应的至少一个投影角度;根据设定信号模型,沿至少一个投影角度计算该重构图像对应的部分预测数据。
在一个实施例中,投影角度为CT成像系统的射线源输出射线时机架的旋转角度范围的中间值,比如,射线源在125度-126度出束,则125-126度即为一个投影角度。
在一个实施例中,在重构图像序列为CT图像序列的情况下,通过以下步骤确定重构图像对应的一个或多个投影角度,包括:
步骤b1、根据测量数据对应的初始采集时刻、已训练的图像处理模型对应的时间分辨率,确定重构图像对应的目标时刻集合。
其中,初始图像序列的时间分辨率为初始时间分辨率,重构图像序列的时间分辨率为期望时间分辨率。将CT成像系统运动至投影角度中间位置的时刻作为目标时刻,比如,投影角度为125度-126度,则将运动至125.5度的时刻作为该投影角度对应的目标时刻。目标时刻集合为该一个或多个投影角度对应的目标时刻的组合。
步骤b2、确定起始投影角度,根据起始投影角度、成像系统的机架旋转速度与目标时刻集合,确定重构图像对应的至少一个投影角度。
其中,起始投影角度为重构图像对应的CT成像系统或PET成像系统的第一个投影角度。在一个实施例中,该初始投影角度可采用对应初始图像的第一个投影角度。具体可选为,如果当前重构图像为偶数标识的图像,则采用任一偶数标识的初始图像的第一个投影角度;如果当前重构图像为奇数标识的图像,则采用任一奇数标识的初始图像的第一个投影角度。示例性的,标识为1的初始图像是由CT成像系统在正向旋转过程中采集的投影数据重建而成,其中,起始投影角度的中间值为0度,最后一个投影角度的中间值为180度;标识为2的初始图像是由CT成像系统在反向旋转过程中采集的扫描数据重建而成,起始投影角度的中间值为180度,最后一个投影角度的中间值为0度。
针对任一重构图像,起始投影角度、CT成像系统或PET成像系统机架的旋转速度和目标时刻集合确定后,即可得到每个目标时刻对应的机架的旋转角度,即投影角度的中间值,根据该中间值以及设定投影阈值,即可得到每个目标时刻对应的投影角度,从而得到目标时刻集合对应的至少一个投影角度,该至少一个投影角度即为重构图像对应的至少一个投影角度。
在一个实施例中,该步骤可以无需考虑CT成像系统的旋转方向,比如标识为奇数的重构图像对应CT成像系统机架的正向旋转,标识为偶数的重构图像对应CT成像系统机架的反向旋转。当采用等间隔采样时,无论CT成像系统机架正向旋转,还是反向旋转,其各重构图像的各投影角度的位置是重合的,只要确定重构图像序列中的任一重构图像对应的至少一个投影角度即可,其他重构图像复用该至少一个投影角度计算其对应的部分预测数据即可。
S2302、确定该部分预测数据与对应部分测量数据的误差。
在确定重构图像对应的部分预测数据对应的部分测量数据时,基于重构图像序列的时间分辨率与初始图像序列的时间分辨率的比值,确定重构图像序列中各重构图像序列对应的部分测量数据,其中,时间分辨率单位为帧每秒,示例性的,该比值为M:1,其中,M为大于或等于2的自然数。设医学成像系统采集完备测量数据集所需时间为T,则任一重构图像对应T/M时间段内采集的测量数据。重构图像序列中,第k个重构图像对应(k-1)T/M到kT/M时间段内的部分测量数据。
在重构图像序列为CT图像序列的情况下,针对任一重构图像,确定其对应的部分预测数据,基于投影角度的一致性,确定部分预测数据包括的至少一个预测数据帧与对应部分测量数据包括的至少一个测量数据帧的对应关系,并计算两对应投影数据帧之间的差值,从而得到各重构图像对应的部分预测数据与对应部分测量数据之间的误差。根据设定信号模型,计算重构图像沿各投影角度的投影数据,以得到重构图像对应的部分预测投影数据。其中,设定信号模型为现有投影模型,比如前向投影模型。
S2303、将重构图像序列对应的所有部分预测数据对应的误差之和作为第一误差。
累计所有重构图像序列对应的部分预测投影数据对应的误差,以得到总误差,将该总误差作为第一误差。
本实施例用于根据某个医学成像系统的信号模型,确定重构图像序列对应的预测数据,并计算该预测数据与测量数据之间的误差,以得到第一误差。由于测量数据为图像重建的基准,因此第一误差可以反映出预测数据的准确性,从而反映出重构图像的准确性。
图4是本发明实施例提供的图像处理模型的训练方法的流程图。本发明实施例用于以训练样本采用CT图像序列来阐述前述实施例中的图像处理模型的训练方法。
相应地,本实施例的方法包括:
S310、获取训练样本,训练样本包括第一图像序列以及第一图像序列对应的第二图像序列,第一图像序列的时间分辨率小于第二图像序列的时间分辨率。
其中,第一图像序列包括感兴趣区,该感兴趣区包括但不限于软组织区域、血管、骨骼中的至少一项。
在一个实施例中,通过以下步骤获取第二图像序列,包括:
步骤c1、获取设定数量的患者的CT脑血管图像以及CT脑血管图像对应的CT脑灌注参数图像。
步骤c2、针对任一患者的CT脑血管图像以及CT脑血管图像对应的CT脑灌注参数图像,基于CT脑血管图像确定动脉输入函数和静脉输出函数;基于灌注卷积模型、CT脑灌注参数图像、动脉输入函数、静脉输出函数和期望时间分辨率建立患者的第二图像序列。
步骤c3、确定第二图像序列中各图像对应的一个或多个投影角度;对第二图像序列中的各图像沿对应的一个或多个投影角度计算各图像对应的一个或多个投影数据帧。
步骤c4、根据设定的初始时间分辨率,确定用于重建第一图像序列中的各图像的投影数据帧,并对所确定的投影数据帧进行图像重建以得到第一图像序列,其中,初始时间分辨率小于期望时间分辨率。
该实施例旨在先确定第二图像序列,然后基于第二图像序列对应的投影数据和初始时间分辨率确定该第二图像序列对应的第一图像序列。将第一图像序列及其对应的第二图像序列作为一个训练样本。
在一个实施例中,在通过上述实施例确定了各患者的第二图像序列之后,根据初始时间分辨率从该第二图像序列中提取图像,以得到第一图像序列,将第一图像序列及其对应的第二图像序列作为一个训练样本。
S320、将训练样本中的第一图像序列输入图像处理模型,调整图像处理模型的网络参数以最小化第一估计图像序列与第二图像序列之间的误差,其中,第一估计图像序列是图像处理模型对第一图像序列进行升采样处理得到的估计图像序列。
将训练样本中的第一图像序列输入图像处理模型,以使图像处理模型以第二图像序列为参考计算该第二图像序列与第一估计图像序列之间的误差,并基于该误差调整图像处理模型的网络参数,直至第二图像序列与第一估计图像序列之间的误差在设定误差范围内,得到训练后的图像处理模型。
在一个实施例中,第二图像序列与第一估计图像序列之间的误差为二范数误差。
可以理解的是,通过配置第一图像序列与第二图像序列的时间分辨率组合,可将图像处理模型训练成具有不同升采样能力的已训练的图像处理模型;也就是说,图像处理模型可被训练成具有提升图像序列设定时间分辨率倍数的已训练的图像处理模型。因此,用户可根据实际需求选择具有提升图像序列相应设定时间分辨率倍数的已训练的图像处理模型,完成提升相应图像序列的时间分辨率的目的。
由于第一图像序列具有较低时间分辨率,第二图像序列为对应于第一图像序列的高时间分辨率的图像序列,因此以第一图像序列为图像处理模型的输入图像,以第二图像序列为参考图像序列对图像处理模型进行训练,可使图像处理模型在训练过程中学习在时间分辨率维度上的升采样经验,从而使训练后的图像处理模型可以提升输入图像序列的时间分辨率,得到高于输入图像序列时间分辨率的估计图像序列,即重构图像序列。
图5A是本发明又一实施例提供的医学图像处理装置的结构框图。该装置用于执行上述任意实施例所提供的医学图像处理方法,该装置可选为软件或硬件实现。该装置包括:
获取模块51,用于获取测量数据对应的初始图像序列;
图像处理模块52,用于将所述初始图像序列输入已训练的图像处理模型以得到重构图像序列,所述重构图像序列的时间分辨率高于所述初始图像序列的时间分辨率;
误差确定模块53,用于确定所述重构图像序列对应的预测数据与所述测量数据之间的第一误差是否大于第一误差阈值;
输出模块54,用于如果否,则将所述重构图像序列作为目标图像序列;
反向传播模块55,用于如果是,则根据所述第一误差调整所述已训练的图像处理模型的网络参数;将所述初始图像序列输入参数调整后的已训练的图像处理模型以更新所述重构图像序列;返回确定所述重构图像序列对应的预测数据与所述测量数据之间的第一误差是否大于第一误差阈值的步骤。
可选地,所述误差确定模块53包括:
预测数据确定单元,用于针对所述重构图像序列中的任一重构图像,确定所述重构图像对应的部分预测数据;
第一误差单元,用于确定所述部分预测数据与对应的部分测量数据的误差;
第二误差单元,用于根据所述重构图像序列对应的所有部分预测数据对应的误差之和确定第一误差。
可选地,预测数据确定单元用于在所述重构图像序列为MRI图像序列的情况下,确定所述重构图像对应的至少一个径向线数据;将所述至少一个径向线数据作为所述重构图像对应的部分预测数据;
在所述重构图像序列为CT图像序列或PET图像序列的情况下,确定所述重构图像对应的至少一个投影角度;根据设定信号模型,沿至少一个投影角度计算该重构图像对应的部分预测数据。
可选地,预测数据确定单元在所述重构图像序列为MRI图像序列的情况下,确定起始方位角、所述测量数据对应的方位角间隔,以得到所述重构图像对应的方位角集合;
根据所述方位角集合确定所述重构图像对应的至少一个径向线数据。
可选地,投影角度确定单元用于在所述重构图像序列为CT图像序列或PET图像序列的情况下,根据所述测量数据的初始采集时刻、已训练的图像处理模型对应的期望时间分辨率,确定所述重构图像对应的目标时刻集合;确定起始角度,根据所述起始角度、成像系统的机架旋转速度与所述目标时刻集合,确定所述重构图像对应的至少一个投影角度。
可选地,反向传播模块55在实现根据所述第一误差调整所述已训练的图像处理模型的网络参数时,具体为:确定所述第一误差在图像域对应的第二误差;根据所述第二误差调整所述图像处理模型的网络参数。
可选地,所述目标图像序列包括感兴趣区,所述感兴趣区为软组织区域。
可选地,所述第一误差阈值被设置为可配置项。
可选地,如图5B所示,该装置还包括训练模块50,所述训练模块用于:
获取训练样本,所述训练样本包括第一图像序列以及所述第一图像序列对应的第二图像序列,所述第一图像序列的时间分辨率小于所述第二图像序列的时间分辨率;
将训练样本中的第一图像序列输入图像处理模型,调整所述图像处理模型的网络参数以最小化第一估计图像序列与所述第二图像序列之间的误差,其中,所述第一估计图像序列是所述图像处理模型对所述第一图像序列进行升采样处理得到的估计图像序列。
相较于现有技术,本实施例提供的医学图像处理装置的技术方案,由于测量数据是CT成像系统采集的扫描数据,是图像重建的依据,因此基于第一误差调整已训练的图像处理模型的网络参数,实际上是以测量数据为参考来调整已训练的图像处理模型的网络参数,实现了根据具体情况调整已训练的图像处理模型的网络参数的目的,提高了已训练的图像处理模型的网络参数设置的灵活性、准确性和可泛化性,可以保证其在接收到不同类型的输入图像时,均会输出较高图像质量的目标图像。
本发明实施例所提供的医学图像处理装置可执行本发明任意实施例所提供的医学图像处理方法,具备执行方法相应的功能模块和有益效果。
图6是本发明又一实施例提供的C臂CT成像系统的结构示意图。该系统包括机架1211、探测器1212、床板1214、X线光管1215、C臂驱动轴1216、转轴1217以及基座1219。X线光管1215和探测器1212装备在C型机架1211的两端,两者中心连接线与其旋转中轴线1218垂直。C型机架1211绕旋转中轴线1218旋转,从而在不同的投影角度拍摄床板上的患者1213的影像数据。X线光管1215由X线发生器123控制其电流、电压和曝光时间等,探测器1212采集到的投影数据由通信系统126传输给计算机设备,机架1211与C臂驱动轴1216相连,其动力由转轴1217提供。基座1219负责承重。C臂控制单元121控制机架1211的旋转速度、角度、位置等。主轴控制单元122连接基座1219,并为整个C臂系统提供电力支持。X线发生器123控制X线光管1215的电流、电压和曝光时间。数据采集系统124协调机架1211、探测器1212和X线发生器1215,并收集采集到的数据。床板控制系统125控制床板1214的位置和运动速度,以实现对患者1213的不同扫描轨道。通信系统126连接C臂控制单元121、主轴控制单元122、X线发生器124、数据采集系统124和床板控制系统125,并将采集到的投影数据传输给计算机设备2的存储器。
图7A和图7B示出了又一CT成像系统的结构示意图。该CT成像系统为诊断CT,相较于C臂CT,其机架1211为环形,探测器1212和X线光管1215均设置于机架上,且相对分布,床板1214在床板控制器125的控制下进出机架孔径,机架带动探测器1212和X线光管1215绕床板1214运动。
图8为本发明又一实施例提供的计算机设备的结构示意图,如图8所示,该计算机设备2包括处理器201、存储器202、输入装置203以及输出装置204;设备中处理器201的数量可以是一个或多个,图8中以一个处理器201为例;设备中的处理器201、存储器202、输入装置203以及输出装置204可以通过总线或其他方式连接,图8中以通过总线连接为例。
存储器202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图像处理方法对应的程序指令/模块(例如,获取模块61、图像处理模块62、误差确定模块63、输出模块64以及反向传播模块65)。处理器201通过运行存储在存储器202中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的医学图像处理方法。
存储器202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202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202可进一步包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至设备。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203可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。该输入装置可配置在操作工作站,操作师通过该操作工作站控制CT成像系统的运行。
输出装置204可包括显示屏等显示设备,例如,操作工作站的显示屏。
本发明又一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一种医学图像处理方法,该方法包括:
获取测量数据对应的初始图像序列;
将所述初始图像序列输入已训练的图像处理模型以得到重构图像序列,所述重构图像序列的时间分辨率高于所述初始图像序列的时间分辨率;
确定所述重构图像序列对应的预测数据与所述测量数据之间的第一误差是否大于第一误差阈值;
如果否,则将所述重构图像序列作为目标图像序列;
如果是,则根据所述第一误差调整所述已训练的图像处理模型的网络参数;将所述初始图像序列输入参数调整后的已训练的图像处理模型以更新所述重构图像序列;返回确定所述重构图像序列对应的预测数据与所述测量数据之间的第一误差是否大于第一误差阈值的步骤。
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图像处理方法中的相关操作。
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,简称ROM)、随机存取存储器(RandomAccess Memory,简称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医学图像处理方法。
值得注意的是,上述医学图像处理装置的实施例中,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 (11)
1.一种医学图像处理方法,其特征在于,包括:
获取测量数据对应的初始图像序列;
将所述初始图像序列输入已训练的图像处理模型以得到重构图像序列,所述重构图像序列的时间分辨率高于所述初始图像序列的时间分辨率;
确定所述重构图像序列对应的预测数据与所述测量数据之间的第一误差是否大于第一误差阈值;
如果否,则将所述重构图像序列作为目标图像序列;
如果是,则根据所述第一误差调整所述已训练的图像处理模型的网络参数;将所述初始图像序列输入参数调整后的已训练的图像处理模型以更新所述重构图像序列;返回确定所述重构图像序列对应的预测数据与所述测量数据之间的第一误差是否大于第一误差阈值的步骤。
2.根据权利要求1所述的方法,其特征在于,通过以下步骤确定所述重构图像序列对应的预测数据与所述测量数据之间的第一误差,包括:
针对所述重构图像序列中的任一重构图像,确定所述重构图像对应的部分预测数据;
确定所述部分预测数据与对应的部分测量数据的误差;
将所述重构图像序列对应的所有部分预测数据对应的误差之和作为第一误差。
3.根据权利要求2所述的方法,其特征在于,所述确定所述重构图像对应的部分预测数据,包括:
在所述重构图像序列为MRI图像序列的情况下,确定所述重构图像对应的至少一个径向线数据;将所述至少一个径向线数据作为所述重构图像对应的部分预测数据;
在所述重构图像序列为CT图像序列或PET图像序列的情况下,确定所述重构图像对应的至少一个投影角度;根据设定信号模型,沿所述至少一个投影角度计算所述重构图像对应的部分预测数据。
4.根据权利要求3所述的方法,其特征在于,在所述重构图像序列为MRI图像序列的情况下,确定所述重构图像对应的至少一个径向线数据,包括:
在所述重构图像序列为MRI图像序列的情况下,确定起始方位角、所述测量数据对应的方位角间隔,以得到所述重构图像对应的方位角集合;
根据所述方位角集合确定所述重构图像对应的至少一个径向线数据。
5.根据权利要求3所述的方法,其特征在于,所述在所述重构图像序列为CT图像序列的情况下,确定所述重构图像对应的至少一个投影角度,包括:
在所述重构图像序列为CT图像序列的情况下,根据所述测量数据对应的初始采集时刻、已训练的图像处理模型对应的时间分辨率,确定所述重构图像对应的目标时刻集合;
确定起始角度,根据所述起始角度、成像系统的机架旋转速度与所述目标时刻集合,确定所述重构图像对应的至少一个投影角度。
6.根据权利要求1所述的方法,其特征在于,所述根据所述第一误差调整所述已训练的图像处理模型的网络参数,包括:
确定所述第一误差在图像域对应的第二误差;
根据所述第二误差调整所述已训练的图像处理模型的网络参数。
7.根据权利要求1所述的方法,其特征在于,所述第一误差阈值被设置为可修改项。
8.根据权利要求1-7任一所述的方法,其特征在于,通过以下步骤完成所述图像处理模型的预训练,包括:
获取训练样本,所述训练样本包括第一图像序列以及所述第一图像序列对应的第二图像序列,所述第一图像序列的时间分辨率小于所述第二图像序列的时间分辨率;
将训练样本中的第一图像序列输入图像处理模型,调整所述图像处理模型的网络参数以最小化第一估计图像序列与所述第二图像序列之间的误差,其中,所述第一估计图像序列是所述图像处理模型对所述第一图像序列进行升采样处理得到的估计图像序列。
9.一种医学图像处理装置,其特征在于,包括:
获取模块,用于获取测量数据对应的初始图像序列;
图像处理模块,用于将所述初始图像序列输入已训练的图像处理模型以得到重构图像序列,所述重构图像序列的时间分辨率高于所述初始图像序列的时间分辨率;
误差确定模块,用于确定所述重构图像序列对应的预测数据与所述测量数据之间的第一误差是否大于第一误差阈值;
输出模块,用于如果否,则将所述重构图像序列作为目标图像序列;
反向传播模块,用于如果是,则根据所述第一误差调整所述已训练的图像处理模型的网络参数;将所述初始图像序列输入参数调整后的已训练的图像处理模型以更新所述重构图像序列;返回确定所述重构图像序列对应的预测数据与所述测量数据之间的第一误差是否大于第一误差阈值的步骤。
10.一种计算机设备,其特征在于,所述计算机设备包括:
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1-8中任一所述的医学图像处理方法。
11.一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1-8中任一所述的医学图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2022/142427 WO2024092996A1 (zh) | 2022-11-04 | 2022-12-27 | 医学图像处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022113792075 | 2022-11-04 | ||
CN202211379207 | 2022-11-04 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116051463A true CN116051463A (zh) | 2023-05-02 |
Family
ID=86121146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211537665.7A Pending CN116051463A (zh) | 2022-11-04 | 2022-12-01 | 医学图像处理方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116051463A (zh) |
WO (1) | WO2024092996A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218004A (zh) * | 2023-09-26 | 2023-12-12 | 烟台大学 | 一种T1 mapping快速成像方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020060196A1 (ko) * | 2018-09-18 | 2020-03-26 | 서울대학교산학협력단 | 3차원 영상 재구성 장치 및 그 방법 |
CN111383741B (zh) * | 2018-12-27 | 2022-05-10 | 深圳先进技术研究院 | 医学成像模型的建立方法、装置、设备及存储介质 |
CN111292322B (zh) * | 2020-03-19 | 2024-03-01 | 中国科学院深圳先进技术研究院 | 医学图像处理方法、装置、设备及存储介质 |
CN112102428B (zh) * | 2020-11-23 | 2021-02-09 | 南京安科医疗科技有限公司 | Ct锥形束扫描图像重建方法、扫描系统及存储介质 |
CN112419303B (zh) * | 2020-12-09 | 2023-08-15 | 上海联影医疗科技股份有限公司 | 神经网络训练方法、系统、可读存储介质和设备 |
-
2022
- 2022-12-01 CN CN202211537665.7A patent/CN116051463A/zh active Pending
- 2022-12-27 WO PCT/CN2022/142427 patent/WO2024092996A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218004A (zh) * | 2023-09-26 | 2023-12-12 | 烟台大学 | 一种T1 mapping快速成像方法及系统 |
CN117218004B (zh) * | 2023-09-26 | 2024-05-14 | 烟台大学 | 一种T1 mapping快速成像方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2024092996A1 (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10383590B2 (en) | Methods and systems for adaptive scan control | |
US20190231288A1 (en) | Systems and methods for contrast flow modeling with deep learning | |
US20170209113A1 (en) | Methods and systems for adaptive scan control | |
US20180049714A1 (en) | Methods and systems for computed tomography | |
US11399787B2 (en) | Methods and systems for controlling an adaptive contrast scan | |
US11690950B2 (en) | Methods and systems for timing a second contrast bolus | |
US10238355B2 (en) | Tomography apparatus and method of reconstructing tomography image thereof | |
US11179127B2 (en) | Methods and systems for a single-bolus angiography and perfusion scan | |
US11341636B2 (en) | Methods and systems for an adaptive five-zone perfusion scan | |
CN110866959B (zh) | 图像重建方法、系统、装置及存储介质 | |
US12059546B2 (en) | Methods and systems for adaptive timing of a second contrast bolus | |
US11963815B2 (en) | Methods and systems for an adaptive contrast scan | |
US20160171724A1 (en) | Methods and systems for real-time image reconstruction with arbitrary temporal windows | |
US9858688B2 (en) | Methods and systems for computed tomography motion compensation | |
US20080089465A1 (en) | X-Ray Ct Apparatus | |
CN116051463A (zh) | 医学图像处理方法、装置、计算机设备及存储介质 | |
US20220414832A1 (en) | X-ray imaging restoration using deep learning algorithms | |
US10475216B2 (en) | Imaging system and method using learned phase acquisition to acquire images | |
US11452490B2 (en) | Methods and systems for an adaptive perfusion scan | |
US11350896B2 (en) | Methods and systems for an adaptive four-zone perfusion scan | |
US11523792B2 (en) | Methods and systems for an adaptive multi-zone perfusion scan | |
US11564648B2 (en) | Methods and systems for an adaptive multi-phase angiography scan | |
CN112258596A (zh) | 图像生成方法、装置、控制台设备及ct系统 | |
US11992353B2 (en) | Methods and systems for an adaptive multi-phase angiography scan | |
CN113643285B (zh) | 基于人工神经网络的心肌靶心图分析方法、系统和介质 |
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 |