CN105574828B - 图像散射校正方法、装置及设备 - Google Patents
图像散射校正方法、装置及设备 Download PDFInfo
- Publication number
- CN105574828B CN105574828B CN201510974005.9A CN201510974005A CN105574828B CN 105574828 B CN105574828 B CN 105574828B CN 201510974005 A CN201510974005 A CN 201510974005A CN 105574828 B CN105574828 B CN 105574828B
- Authority
- CN
- China
- Prior art keywords
- initial projections
- perspective
- view
- obtains
- projections
- 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
- 239000006185 dispersion Substances 0.000 title claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 63
- 238000010586 diagram Methods 0.000 claims abstract description 56
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 51
- 238000010801 machine learning Methods 0.000 claims description 47
- 238000007408 cone-beam computed tomography Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了图像散射校正方法、装置及设备,所述方法包括:采集被检者的初始投影图,所述初始投影图为通过医疗设备扫描被检者得到的二维投影图;根据预先建立的投影图与散射图的映射关系模型,估计所述初始投影图的目标散射图;通过所述目标散射图对所述初始投影图进行校正,获得目标投影图。应用本发明实施例,在通过医疗设备扫描被检者而采集到被检者的初始投影图后,可以根据预先建立且能准确表示出投影图与散射图之间的关系的映射关系模型估计出初始投影图的精确的目标散射图,通过该目标散射图对初始投影图进行校正,可以获得准确的目标投影图,从而实现了对初始投影图的有效校正。
Description
技术领域
本发明涉及医疗图像处理技术领域,尤其涉及图像散射校正方法、装置及设备。
背景技术
CBCT(Cone Beam Computed Tomography,锥束X线电子计算机断层扫描)设备是一种广泛应用于医疗领域的医学成像设备。在利用CBCT设备对被检测者进行扫描时,由点源发射X射线,X射线穿过被检者后,被平板探测器上的探测点所接收,根据平板探测器所接收X射线的光子数可以生成二维的CBCT投影图,最后通过对CBCT投影图进行重建生成三维重建图像。但是,由于被检者体内组织的大小和密度不同,X射线在穿过被检者时,可能会发生部分散射,使得这部分X射线无法被平板探测器上的探测点准确接收,因此用于生成CBCT投影图的X射线的光子数将发生误差,导致CBCT投影图不准确。
在相关技术中,可以预先对被检者体内组织进行分类,并建立X射线穿过不同组织时的散射模型,从而在确定需要扫描的被检者的组织类型后,利用与该组织类型对应的散射模型获得散射估计图,从而利用散射估计图校正扫描得到的CBCT投影图。但是,由于不同被检测者的组织通常比较复杂,预先建立散射模型的方式仍然无法准确估计出所有的散射情况,从而无法对CBCT投影图进行有效校正。
发明内容
本发明提供图像散射校正方法、装置及设备,以解决现有难以对CBCT投影图进行有效校正的问题。
根据本发明实施例的第一方面,提供一种图像散射校正方法,所述方法包括:
采集被检者的初始投影图,所述初始投影图为通过医疗设备扫描被检者得到的二维投影图;
根据预先建立的投影图与散射图的映射关系模型,估计所述初始投影图的目标散射图;
通过所述目标散射图对所述初始投影图进行校正,获得目标投影图。
根据本发明实施例的第二方面,提供一种图像散射校正装置,所述装置包括:
采集单元,用于采集被检者的初始投影图,所述初始投影图为通过医疗设备扫描被检者得到的二维投影图;
估计单元,用于根据预先建立的投影图与散射图的映射关系模型,估计所述初始投影图的目标散射图;
校正单元,用于通过所述目标散射图对所述初始投影图进行校正,获得目标投影图。
根据本发明实施例的第三方面,提供一种医疗设备,包括:控制台和扫描架;其中,所述控制台包括处理器,以及用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:
采集被检者的初始投影图,所述初始投影图为通过医疗设备扫描被检者得到的二维投影图;
根据预先建立的投影图与散射图的映射关系模型,估计所述初始投影图的目标散射图;
通过所述目标散射图对所述初始投影图进行校正,获得目标投影图。
应用本发明实施例,可以预先建立投影图与散射图的映射关系模型,由于该映射关系模型可以采用机器学习算法建立,可以准确表示出投影图与散射图之间的关系,因此在通过医疗设备扫描被检者而采集到被检者的初始投影图后,可以根据该映射关系模型估计出该初始投影图的精确的目标散射图,通过该目标散射图对初始投影图进行校正,可以获得准确的目标投影图,从而实现了对初始投影图的有效校正。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明图像散射校正方法的一个实施例流程图;
图2为本发明图像散射校正方法的另一个实施例流程图;
图3为本发明图像散射校正装置所在医疗设备的一种结构示意图;
图4为本发明图像散射校正装置的一个实施例框图;
图5为本发明图像散射校正装置的另一个实施例框图。
具体实施方式
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
CT设备作为一种采集医疗图像的医疗设备,通常包括扫描台和控制台。不同类型的CT设备可以采用不同的成像技术对被检者进行扫描,例如,常见的CBCT设备。CBCT设备是锥形束投照计算机重组断层影像设备,其通过X线发生器以较低的射线量(通常球管电流在10毫安左右)围绕被检者(也可称为投照体)做环形DR(Digital Radiography,数字式投照),以获得二维CBCT投影图,在对二维CBCT投影图进行重建后可以获得被检者的三维重建图像。由于被检者的组织结构不同,X射线穿过被检者时可能会发生散射,导致CBCT设备扫描得到的二维CBCT投影图中存在伪影。当然,前述仅以CBCT设备为例描述了初始采集的二维投影图中可能存在伪影的情况,在采用基于其他成像技术的医疗设备对被检者进行扫描时,也可能获得包含伪影的二维投影图。
因此在本发明提供的实施例中,可以预先建立投影图与散射图的映射关系模型,由于该映射关系模型可以采用机器学习算法建立,可以准确表示出投影图与散射图之间的关系,因此在通过医疗设备扫描被检者而采集到被检者的初始投影图后,可以根据该映射关系模型估计出该初始投影图的精确的目标散射图,通过该目标散射图对初始投影图进行校正,可以获得准确的目标投影图,从而实现了对初始投影图的有效校正。下面结合具体实施例对本发明进行详细描述。
参见图1,为本发明图像散射校正方法的一个实施例流程图,包括以下步骤:
步骤101:采集被检者的初始投影图,该初始投影图为通过医疗设备扫描被检者得到的二维投影图。
本实施例中,将通过医疗设备扫描被检者得到的未经处理过的二维投影图称为初始投影图。其中,医疗设备可以是CBCT设备,CBCT设备采用锥形束X线对被检者进行扫描,扫描过程中可以通过旋转360度获取被检者各个角度的初始投影图,即二维CBCT投影图。
步骤102:根据预先建立的投影图与散射图的映射关系模型,估计初始投影图的目标散射图。
本实施例中,可以预先采用机器学习算法建立投影图与散射图的映射关系模型。
在建立映射关系模型时,可以先获取训练数据,训练数据包括足以支持机器学习所需要的预设数量的初始投影图以及对应的目标散射图,作为训练数据的初始投影图可以为未经处理的二维CBCT投影图,对应的目标散射图则为能够对这些初始投影图进行精确校正的散射图;在一个例子中,可以采用蒙特卡罗(Monte Carlo)仿真工具获取预设数量的初始投影图以及对应的目标散射图。
在选择了采用某种目标机器学习算法后,可以通过该目标机器学习算法对前述获取的训练数据进行训练,即可以将预设数量的初始投影图作为目标机器学习算法的输入向量,将对应的目标散射图作为目标机器学习算法的期望输出向量,通过运行目标机器学习算法从而建立投影图与散射图的映射关系模型;其中,目标机器学习算法可以包括:神经网络算法、随机森林算法、深度学习算法等,上述机器学习算法均为现有技术中广泛应用的机器学习算法,因此对于任一目标机器学习算法的运行过程本实施例不再赘述。
基于所建立的投影图与散射图的映射关系模型,本步骤中,可以调用该映射关系模型,将采集到的被检者的初始投影图作为输入向量输入该映射关系模型,通过对该映射关系模型进行运算,即可以获得作为输出向量的初始投影图的目标散射图。
步骤103:通过目标散射图对初始投影图进行校正,获得目标投影图。
本步骤中,可以将初始投影图减去目标散射图,即将初始投影图中每个像素点的像素值减去目标散射图中对应像素点的像素值,从而得到校正后的目标投影图。
由上述实施例可见,在通过医疗设备扫描被检者而采集到被检者的初始投影图后,可以根据预先建立且能准确表示出投影图与散射图之间的关系的映射关系模型估计出初始投影图的精确的目标散射图,通过该目标散射图对初始投影图进行校正,可以获得准确的目标投影图,从而实现了对初始投影图的有效校正。
参见图2,为本发明图像散射校正方法的另一个实施例流程图,该实施例详细描述了建立映射关系模型及图像散射校正的过程,包括以下步骤:
步骤201:获取训练数据,训练数据包括预设数量的初始投影图以及对应的目标散射图。
本实施例中,为了对通过医疗设备采集到的初始投影图中的伪影进行有效校正,可以预先采用机器学习算法建立投影图与散射图的映射关系模型。在建立映射关系模型时,首先可以获取训练数据,训练数据包括足以支持机器学习所需要的预设数量的初始投影图以及对应的目标散射图,作为训练数据的初始投影图可以为通过CBCT设备采集的,且未经处理的二维CBCT投影图,对应的目标散射图则为能够对这些初始投影图进行精确校正的散射图。
可选的,初始投影图可以是通过CBCT设备采集到的被检者的整体投影图,或者也可以是从该整体投影图中截取的局部投影图,采用整体投影图或者局部投影图作为训练数据可以根据实际医疗需要确定,对此本发明实施例不进行限制,后续以整体投影图为例进行描述。
本步骤中,可以采用如下任一方式获取训练数据:
方式一,基于仿真工具获取训练数据。
例如,可以采用蒙特卡罗(Monte Carlo)仿真工具获取预设数量的初始投影图以及对应的目标散射图。
方式二,基于已保存的标准MDCT图获取训练数据。
以使用CBCT设备为例,首先,可以通过CBCT设备采集不同被检者的预设数量的初始投影图,并对初始投影图进行重建获得三维重建图,对于每个被检者,可以将其同一部位的三维重建图与已保存的标准MDCT(Multi Detector CT,多排螺旋X线电子计算机断层扫描)图进行配准,得到配准MDCT图,例如,将被检者胸部的三维重建图与标准MDCT图进行配准,即可得到胸部的配准MDCT图;
其次,可以调用正投影算法,根据配准MDCT图计算被检者初始投影图的中间投影图。对于每个被检者,CBCT设备采集的初始投影图包括了不同角度下的二维CBCT投影图,例如,在360度范围内,每隔10度采集一次二维CBCT投影图,因此可以将配准MDCT图像根据正投影算法计算出与每个角度下的二维CBCT投影图对应的投影图,即可称为该二维CBCT投影图的中间投影图。
最后,计算初始投影图与其中间投影图的差值,获得差值图像,对差值图像进行平滑处理,获得散射估计图,将初始投影图减去散射估计图,得到与预设数量的初始投影图对应的目标散射图。
步骤202:通过对所述训练数据进行机器学习后,建立所述投影图与散射图的映射关系模型。
本步骤中,可以调用预设的机器学习算法,将作为训练数据的预设数量的初始投影图作为机器学习算法的输入向量,将对应的目标散射图作为机器学习算法的期望输出向量,通过运行机器学习算法,即可以获得投影图与散射图的映射关系模型。其中,机器学习算法可以包括:神经网络算法、随机森林算法、深度学习算法等,上述机器学习算法均为现有技术中广泛应用的机器学习算法,因此对于任一目标机器学习算法的运行过程本实施例不再赘述。
在一个可选的实现方式中,在对训练数据进行机器学习之前,可以先对作为训练数据的初始投影图和目标散射图分别进行预处理。预处理可以包括:采用滤波器对上述图像进行去噪声处理,例如,可以采用频域低通滤波器去除上述图像中的高频噪声;和/或,对上述图像进行降采样处理,例如,将原始大小为512*512的上述图像降采样为32*32的图像。
步骤203:采集被检者的初始投影图,该初始投影图为通过医疗设备扫描被检者得到的二维投影图。
步骤204:根据预先建立的投影图与散射图的映射关系模型,估计该初始投影图的目标散射图。
本步骤中,可以调用前述建立的投影图与散射图的映射关系模型,将采集到的被检者的初始投影图作为输入向量输入该映射关系模型,通过对该映射关系模型进行运算,即可以获得作为输出向量的初始投影图的目标散射图。
步骤205:通过目标散射图对初始投影图进行校正,获得目标投影图。
可以调用前述建立的投影图与散射图的映射关系模型,将采集到的被检者的初始投影图作为输入向量输入该映射关系模型,通过对该映射关系模型进行运算,即可以获得作为输出向量的初始投影图的目标散射图。
由上述实施例可见,该实施例可以预先建立投影图与散射图的映射关系模型,由于该映射关系模型可以采用机器学习算法建立,可以准确表示出投影图与散射图之间的关系,因此在通过医疗设备扫描被检者而采集到被检者的初始投影图后,可以根据该映射关系模型估计出该初始投影图的精确的目标散射图,通过该目标散射图对初始投影图进行校正,可以获得准确的目标投影图,从而实现了对初始投影图的有效校正。
与本发明图像散射校正方法的实施例相对应,本发明还提供了图像散射校正装置及医疗设备的实施例。
如图3所示,为本发明医疗设备的硬件结构示意图,该医疗设备以CBCT设备为例进行示例。该医疗设备包括有:
控制台310和扫描架320。控制台包括处理器311、存储器312、输入设备313和显示设备314;
扫描架320包括X线发生器321、高压球管322、探测器323和准直器324。其中,存储器312中的图像散射校正装置300作为一个逻辑意义上的装置,当需要进行空气校正时,可以由处理器311从存储器312中将该装置300对应的计算机程序指令读取到内存中运行。在一个例子中,当需要进行图像散射校正时,处理器311通过读取存储器312中对应指令执行:
采集被检者的初始投影图,所述初始投影图为通过医疗设备扫描被检者得到的二维投影图;
根据预先建立的投影图与散射图的映射关系模型,估计所述初始投影图的目标散射图;
通过所述目标散射图对所述初始投影图进行校正,获得目标投影图。
在另一个例子中,处理器311通过读取存储器312中对应指令还可以执行:
获取训练数据,所述训练数据包括预设数量的初始投影图以及对应的目标散射图;
通过对所述训练数据进行机器学习后,建立所述投影图与散射图的映射关系模型。
在另一个例子中,处理器311通过读取存储器312中对应指令执行所述获取训练数据,可以包括:
采集预设数量的初始投影图,并对所述初始投影图进行重建获得三维重建图,其中,所述初始投影图为通过锥束X线电子计算机断层扫描CBCT设备扫描被检者得到的二维投影图;
将所述三维重建图与已保存的标准多排螺旋X线电子计算机断层扫描MDCT图进行配准,得到配准MDCT图;
调用正投影算法,根据所述配准MDCT图计算所述初始投影图的中间投影图;
通过对所述初始投影图与所述中间投影图的差值图像进行平滑处理,获得散射估计图;
将所述初始投影图减去所述散射估计图,得到与所述预设数量的初始投影图对应的目标散射图。
在另一个例子中,处理器311通过读取存储器312中对应指令执行所述通过对所述训练数据进行机器学习后,建立所述投影图与散射图的映射关系模型,可以包括:
调用预设的机器学习算法,将所述预设数量的初始投影图作为所述机器学习算法的输入向量,将所述对应的目标散射图作为所述机器学习算法的期望输出向量;
通过运行所述机器学习算法,获得所述投影图与散射图的映射关系模型。
在另一个例子中,处理器311通过读取存储器312中对应指令执行所述根据预先建立的投影图与散射图的映射关系模型,估计所述初始投影图的目标散射图,可以包括:
调用所述投影图与散射图的映射关系模型;
将所述初始投影图作为输入向量输入所述映射关系模型,并获得作为输出向量的所述初始投影图的目标散射图。
在另一个例子中,处理器311通过读取存储器312中对应指令执行所述通过所述目标散射图对所述初始投影图进行校正,获得目标投影图,可以包括:
将所述初始投影图中每个像素点的像素值减去所述目标散射图中对应像素点的像素值,得到校正后的目标投影图。
参见图4,为本发明图像散射校正装置的一个实施例框图:
该装置包括:采集单元410、估计单元420和校正单元430。
其中,采集单元410,用于采集被检者的初始投影图,所述初始投影图为通过医疗设备扫描被检者得到的二维投影图;
估计单元420,用于根据预先建立的投影图与散射图的映射关系模型,估计所述初始投影图的目标散射图;
校正单元430,用于通过所述目标散射图对所述初始投影图进行校正,获得目标投影图。
参见图5,为本发明图像散射校正装置的另一个实施例框图:
该装置包括:获取单元510、学习单元520、采集单元530、估计单元540和校正单元550。
其中,获取单元510,用于获取训练数据,所述训练数据包括预设数量的初始投影图以及对应的目标散射图;
学习单元520,用于通过对所述训练数据进行机器学习后,建立所述投影图与散射图的映射关系模型;
采集单元530,用于采集被检者的初始投影图,所述初始投影图为通过医疗设备扫描被检者得到的二维投影图;
估计单元540,用于根据预先建立的投影图与散射图的映射关系模型,估计所述初始投影图的目标散射图;
校正单元550,用于通过所述目标散射图对所述初始投影图进行校正,获得目标投影图。
在一个可选的实现方式中,所述获取单元510可以包括(图5中未示出):
图像获取子单元,用于采集预设数量的初始投影图,并对所述初始投影图进行重建获得三维重建图,其中,所述初始投影图为通过CBCT设备扫描被检者得到的二维投影图;
图像配准子单元,用于将所述三维重建图与已保存的标准MDCT图进行配准,得到配准MDCT图;
图像处理子单元,用于调用正投影算法,根据所述配准MDCT图计算所述初始投影图的中间投影图,通过对所述初始投影图与所述中间投影图的差值图像进行平滑处理,获得散射估计图,并将所述初始投影图减去所述散射估计图,得到与所述预设数量的初始投影图对应的目标散射图。
在另一个可选的实现方式中,所述学习单元520可以包括(图5中未示出):
算法调用子单元,用于将所述预设数量的初始投影图作为所述机器学习算法的输入向量,将所述对应的目标散射图作为所述机器学习算法的期望输出向量;
机器学习子单元,用于通过运行所述机器学习算法,获得所述投影图与散射图的映射关系模型。
在另一个可选的实现方式中,所述估计单元540可以包括(图5中未示出):
模型调用子单元,用于调用所述投影图与散射图的映射关系模型;
图像估计子单元,用于将所述初始投影图作为输入向量输入所述映射关系模型,并获得作为输出向量的所述初始投影图的目标散射图。
在另一个可选的实现方式中,所述校正单元550,可以具体用于将所述初始投影图中每个像素点的像素值减去所述目标散射图中对应像素点的像素值,得到校正后的目标投影图。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
由上述实施例可见,该实施例可以预先建立投影图与散射图的映射关系模型,由于该映射关系模型可以采用机器学习算法建立,可以准确表示出投影图与散射图之间的关系,因此在通过医疗设备扫描被检者而采集到被检者的初始投影图后,可以根据该映射关系模型估计出该初始投影图的精确的目标散射图,通过该目标散射图对初始投影图进行校正,可以获得准确的目标投影图,从而实现了对初始投影图的有效校正。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (11)
1.一种图像散射校正方法,其特征在于,所述方法包括:
采集被检者的初始投影图,所述初始投影图为通过医疗设备扫描被检者得到的二维投影图;
根据预先建立的投影图与散射图的映射关系模型,估计所述初始投影图的目标散射图;
通过所述目标散射图对所述初始投影图进行校正,获得目标投影图;
所述根据预先建立的投影图与散射图的映射关系模型,估计所述初始投影图的目标散射图,包括:
调用所述投影图与散射图的映射关系模型;
将所述初始投影图作为输入向量输入所述映射关系模型,并获得作为输出向量的所述初始投影图的目标散射图。
2.根据权利要求1所述的方法,其特征在于,所述采集被检者的初始投影图之前,还包括:
获取训练数据,所述训练数据包括预设数量的初始投影图以及对应的目标散射图;
通过对所述训练数据进行机器学习后,建立所述投影图与散射图的映射关系模型。
3.根据权利要求2所述的方法,其特征在于,所述获取训练数据,包括:
采集预设数量的初始投影图,并对所述初始投影图进行重建获得三维重建图,其中,所述初始投影图为通过锥束X线电子计算机断层扫描CBCT设备扫描被检者得到的二维投影图;
将所述三维重建图与已保存的标准多排螺旋X线电子计算机断层扫描MDCT图进行配准,得到配准MDCT图;
调用正投影算法,根据所述配准MDCT图计算所述初始投影图的中间投影图;
通过对所述初始投影图与所述中间投影图的差值图像进行平滑处理,获得散射估计图;
将所述初始投影图减去所述散射估计图,得到与所述预设数量的初始投影图对应的目标散射图。
4.根据权利要求2所述的方法,其特征在于,所述通过对所述训练数据进行机器学习后,建立所述投影图与散射图的映射关系模型,包括:
调用预设的机器学习算法,将所述预设数量的初始投影图作为所述机器学习算法的输入向量,将所述对应的目标散射图作为所述机器学习算法的期望输出向量;
通过运行所述机器学习算法,获得所述投影图与散射图的映射关系模型。
5.根据权利要求1所述的方法,其特征在于,所述通过所述目标散射图对所述初始投影图进行校正,获得目标投影图,包括:
将所述初始投影图中每个像素点的像素值减去所述目标散射图中对应像素点的像素值,得到校正后的目标投影图。
6.一种图像散射校正装置,其特征在于,所述装置包括:
采集单元,用于采集被检者的初始投影图,所述初始投影图为通过医疗设备扫描被检者得到的二维投影图;
估计单元,用于根据预先建立的投影图与散射图的映射关系模型,估计所述初始投影图的目标散射图;
校正单元,用于通过所述目标散射图对所述初始投影图进行校正,获得目标投影图;
所述估计单元包括:
模型调用子单元,用于调用所述投影图与散射图的映射关系模型;
图像估计子单元,用于将所述初始投影图作为输入向量输入所述映射关系模型,并获得作为输出向量的所述初始投影图的目标散射图。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
获取单元,用于获取训练数据,所述训练数据包括预设数量的初始投影图以及对应的目标散射图;
学习单元,用于通过对所述训练数据进行机器学习后,建立所述投影图与散射图的映射关系模型。
8.根据权利要求7所述的装置,其特征在于,所述获取单元包括:
图像获取子单元,用于采集预设数量的初始投影图,并对所述初始投影图进行重建获得三维重建图,其中,所述初始投影图为通过CBCT设备扫描被检者得到的二维投影图;
图像配准子单元,用于将所述三维重建图与已保存的标准MDCT图进行配准,得到配准MDCT图;
图像处理子单元,用于调用正投影算法,根据所述配准MDCT图计算所述初始投影图的中间投影图,通过对所述初始投影图与所述中间投影图的差值图像进行平滑处理,获得散射估计图,并将所述初始投影图减去所述散射估计图,得到与所述预设数量的初始投影图对应的目标散射图。
9.根据权利要求7所述的装置,其特征在于,所述学习单元包括:
算法调用子单元,用于将所述预设数量的初始投影图作为所述机器学习算法的输入向量,将所述对应的目标散射图作为所述机器学习算法的期望输出向量;
机器学习子单元,用于通过运行所述机器学习算法,获得所述投影图与散射图的映射关系模型。
10.根据权利要求6所述的装置,其特征在于,
所述校正单元,具体用于将所述初始投影图中每个像素点的像素值减去所述目标散射图中对应像素点的像素值,得到校正后的目标投影图。
11.一种医疗设备,其特征在于,包括:控制台和扫描架;其中,所述控制台包括处理器,以及用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:
采集被检者的初始投影图,所述初始投影图为通过医疗设备扫描被检者得到的二维投影图;
根据预先建立的投影图与散射图的映射关系模型,估计所述初始投影图的目标散射图;
通过所述目标散射图对所述初始投影图进行校正,获得目标投影图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510974005.9A CN105574828B (zh) | 2015-12-22 | 2015-12-22 | 图像散射校正方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510974005.9A CN105574828B (zh) | 2015-12-22 | 2015-12-22 | 图像散射校正方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574828A CN105574828A (zh) | 2016-05-11 |
CN105574828B true CN105574828B (zh) | 2019-01-25 |
Family
ID=55884923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510974005.9A Active CN105574828B (zh) | 2015-12-22 | 2015-12-22 | 图像散射校正方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574828B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102399148B1 (ko) | 2016-11-25 | 2022-05-19 | 삼성전자주식회사 | 엑스선 장치 및 이의 의료 영상 획득 |
CN111448590B (zh) * | 2017-09-28 | 2023-08-15 | 皇家飞利浦有限公司 | 基于深度学习的散射校正 |
US11126914B2 (en) * | 2017-10-11 | 2021-09-21 | General Electric Company | Image generation using machine learning |
CN107742536B (zh) * | 2017-10-16 | 2021-04-06 | 成都黑杉科技有限公司 | 信息处理的方法及装置 |
CN108389242A (zh) * | 2018-04-10 | 2018-08-10 | 上海联影医疗科技有限公司 | 投影图像的校正方法及装置 |
WO2020082280A1 (en) | 2018-10-25 | 2020-04-30 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for scatter correction |
CN110490948B (zh) * | 2019-08-12 | 2023-05-16 | 东软医疗***股份有限公司 | 一种pet图像的散射校正方法和装置 |
CN110660111B (zh) * | 2019-09-18 | 2023-05-30 | 东软医疗***股份有限公司 | Pet散射校正及图像重建方法、装置及设备 |
WO2022021030A1 (zh) * | 2020-07-27 | 2022-02-03 | 西安大医集团股份有限公司 | 追踪方法及设备 |
CN113643394A (zh) * | 2021-07-22 | 2021-11-12 | 上海联影医疗科技股份有限公司 | 散射校正方法、装置、计算机设备和存储介质 |
US12008689B2 (en) | 2021-12-03 | 2024-06-11 | Canon Medical Systems Corporation | Devices, systems, and methods for deep-learning kernel-based scatter estimation and correction |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6163589A (en) * | 1998-06-13 | 2000-12-19 | General Electric Company | Monte Carlo scatter correction method for computed tomography of general object geometries |
CN1635850A (zh) * | 2002-02-21 | 2005-07-06 | 罗切斯特大学 | X射线散射校正 |
CN101158653A (zh) * | 2007-11-16 | 2008-04-09 | 西北工业大学 | 一种锥束ct***的散射测定和校正方法 |
WO2010058329A1 (en) * | 2008-11-21 | 2010-05-27 | Philips Intellectual Property & Standards Gmbh | System and method for x-ray scatter correction |
CN103987320A (zh) * | 2011-12-12 | 2014-08-13 | 株式会社日立医疗器械 | X线ct装置以及散射x线校正方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004029010A1 (de) * | 2004-06-16 | 2006-01-19 | Siemens Ag | Vorrichtung und Verfahren für die Streustrahlungskorrektur in der Projektionsradiographie, insbesondere der Mammographie |
US8144829B2 (en) * | 2008-02-27 | 2012-03-27 | The Board Of Trustees Of The Leland Stanford Junior University | Cone-beam CT imaging scheme |
US9320477B2 (en) * | 2011-09-01 | 2016-04-26 | General Electric Company | Method and apparatus for adaptive scatter correction |
-
2015
- 2015-12-22 CN CN201510974005.9A patent/CN105574828B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6163589A (en) * | 1998-06-13 | 2000-12-19 | General Electric Company | Monte Carlo scatter correction method for computed tomography of general object geometries |
CN1635850A (zh) * | 2002-02-21 | 2005-07-06 | 罗切斯特大学 | X射线散射校正 |
CN101158653A (zh) * | 2007-11-16 | 2008-04-09 | 西北工业大学 | 一种锥束ct***的散射测定和校正方法 |
WO2010058329A1 (en) * | 2008-11-21 | 2010-05-27 | Philips Intellectual Property & Standards Gmbh | System and method for x-ray scatter correction |
CN103987320A (zh) * | 2011-12-12 | 2014-08-13 | 株式会社日立医疗器械 | X线ct装置以及散射x线校正方法 |
Non-Patent Citations (3)
Title |
---|
A New Scatter Compensation Method for Ga-67 Imaging Using Artificial Neural Networks;G.El Fakhri 等;《IEEE Transactions on Nuclear Science》;20010630;第48卷(第3期);摘要、第800页第2)节、图4-5 |
Shading correction for on-board cone-beam CT in radiation therapy using planning MDCT images;Tianye Niu 等;《Medical Physics》;20100928;第37卷(第10期);第5397页第II.A.1节、图1 |
锥形束CT***的散射校正方法分析;邵义文 等;《中国医学物理学杂志》;20080531;第25卷(第3期);第634-637页 |
Also Published As
Publication number | Publication date |
---|---|
CN105574828A (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574828B (zh) | 图像散射校正方法、装置及设备 | |
JP6071144B2 (ja) | 放射線画像解析装置および方法並びにプログラム | |
JP5918374B2 (ja) | X線ct装置およびx線ct画像の処理方法 | |
CN110522466B (zh) | 确定患者重量和/或体重指数的方法和装置 | |
JP6156847B2 (ja) | 放射線画像処理装置および方法並びにプログラム | |
JP2015089429A5 (zh) | ||
JP6670398B2 (ja) | 暗視野又は位相コントラストx線撮像における特徴抑制 | |
JP2009511124A (ja) | 散乱補正 | |
JP2019111346A (ja) | 医用処理装置及び放射線診断装置 | |
JPWO2015137011A1 (ja) | X線ct装置、及び処理装置 | |
CN107533766B (zh) | 用于来自牙齿图像产生***的图像数据的图像改进方法 | |
CN110389138A (zh) | 使用Alvarez-Macovski衰减模型在断层摄影重建中进行X射线束硬化校正 | |
JP5924232B2 (ja) | 散乱線補正方法、画像処理装置および断層撮影装置 | |
JP2004181243A (ja) | 横方向のフィルタリング処理を用いたトモシンセシス画像を強調する方法及びシステム | |
US11039807B2 (en) | System and method for dark-field-imaging | |
JP6301439B2 (ja) | 放射線画像解析装置および方法並びにプログラム | |
US20200240934A1 (en) | Tomography apparatus and controlling method for the same | |
Mainprize et al. | Dependence of image quality on geometric factors in breast tomosynthesis | |
US20220207794A1 (en) | Method of metal artefact reduction in x-ray dental volume tomography | |
US20220160323A1 (en) | Method of calibrating x-ray projection geometry in x-ray cone beam computed tomography | |
JP2022547463A (ja) | コーンビームctにおけるニューラルネットワークに基づく限定角度アーチファクト軽減のための信頼度マップ | |
US10417795B2 (en) | Iterative reconstruction with system optics modeling using filters | |
JP2021525141A (ja) | X線イメージングのための散乱補正 | |
JP2010269165A (ja) | X線ct装置 | |
JP6400947B2 (ja) | グリッド同様のコントラスト強調のためのx線撮像システム及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Patentee after: DongSoft Medical System Co., Ltd. Address before: Hunnan New Century Road 110179 Shenyang city of Liaoning Province, No. 16 Patentee before: Dongruan Medical Systems Co., Ltd., Shenyang |
|
CP03 | Change of name, title or address |