CN107958471B - 基于欠采样数据的ct成像方法、装置、ct设备及存储介质 - Google Patents
基于欠采样数据的ct成像方法、装置、ct设备及存储介质 Download PDFInfo
- Publication number
- CN107958471B CN107958471B CN201711035626.6A CN201711035626A CN107958471B CN 107958471 B CN107958471 B CN 107958471B CN 201711035626 A CN201711035626 A CN 201711035626A CN 107958471 B CN107958471 B CN 107958471B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- training
- generator
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013170 computed tomography imaging Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 64
- 238000004422 calculation algorithm Methods 0.000 claims description 61
- 230000006870 function Effects 0.000 claims description 51
- 230000003044 adaptive effect Effects 0.000 claims description 23
- 230000008439 repair process Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 173
- 230000008569 process Effects 0.000 description 17
- 238000005070 sampling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000003384 imaging method Methods 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
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/416—Exact reconstruction
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明适用图像处理技术领域,提供了一种基于欠采样数据的CT成像方法、装置、CT设备及存储介质,该方法包括:根据CT设备扫描得到的欠采样数据,生成CT重建图像,通过训练好的生成式对抗网络中的生成器网络对CT重建图像进行修复处理,得到CT修复图像,将CT修复图像设置为欠采样数据对应的CT图像并输出,从而有效地对CT重建图像进行伪影去除和细节恢复,有效地提高了CT重建图像的图像质量。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于欠采样数据的CT成像方法、装置、CT设备及存储介质。
背景技术
CT(Computed Tomography)成像是一种通过X射线在扫描目标周围不断地采集信息、通过计算机将这些采集的信息转化为断层图像的技术,因此,CT成像可以给医生直接提供患者身体组织或器官的生理及病理变化,其临床价值不可忽视。
为了降低CT成像中X射线的曝光对患者健康的影响,在CT成像领域通常采用减少采样数量的方式(欠采样或稀疏采样)来降低X射线的辐射剂量。目前,已有研究人员提出了很多基于硬件的扫描协议的图像重建方法、以及处理低剂量采样数据的图像重建方法,然而,采用这些方法对不完整的采样数据进行图像重建时,CT重建图像上易出现严重的图像伪影,且易丢失图像细节。
发明内容
本发明的目的在于提供一种基于欠采样数据的CT成像方法、装置、CT设备及存储介质,旨在解决现有技术中依据欠采样数据进行CT图像重建时,CT重建图像伪影噪声较多、且图像细节容易丢失的问题。
一方面,本发明提供了一种基于欠采样数据的CT成像方法,所述方法包括下述步骤:
接收通过CT设备扫描得到的欠采样数据,根据所述欠采样数据进行图像重建,获得CT重建图像;
通过预先训练好的生成式对抗网络中的生成器网络对所述CT重建图像进行修复处理,以得到所述CT重建图像对应的修复图像;
将所述CT重建图像对应的修复图像设置为所述欠采样数据对应的CT图像,输出所述欠采样数据对应的CT图像。
另一方面,本发明提供了一种基于欠采样数据的CT成像装置,所述装置包括:
CT图像重建单元,用于接收通过CT设备扫描得到的欠采样数据,根据所述欠采样数据进行图像重建,生成CT重建图像;
重建图像修复单元,用于通过预先训练好的生成式对抗网络中的生成器网络对所述CT重建图像进行修复处理,以得到所述CT重建图像对应的修复图像;以及
修复图像输出单元,用于将所述CT重建图像对应的修复图像设置为所述欠采样数据对应的CT图像,输出所述欠采样数据对应的CT图像。
另一方面,本发明还提供了一种CT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,所述处理器执行所述计算机程序时实现如上述基于欠采样数据的CT成像所述的步骤。
另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述基于欠采样数据的CT成像方法所述的步骤。
本发明根据CT设备扫描得到的欠采样数据进行图像重建,获得CT重建图像,通过训练好的生成式对抗网络中的生成器网络对CT重建图像进行修复处理,获得CT重建图像对应的修复图像,将该修复图像设置为欠采样数据对应的CT图像并输出,从而通过训练生成式对抗网络对CT重建图像进行后处理,有效地提高了CT重建图像伪影去除、细节恢复的修复效果,提高了欠采样数据CT成像的图像质量。
附图说明
图1是本发明实施例一提供的基于欠采样数据的CT成像方法的实现流程图;
图2是本发明实施例二提供的基于欠采样数据的CT成像方法的实现流程图;
图3是本发明实施例二中生成器网络的结构示例图;
图4是本发明实施例二提供的基于欠采样数据的CT成像方法中对生成式对抗网络进行训练的实现流程图;
图5是本发明实施例三提供的基于欠采样数据的CT成像装置的结构示意图;
图6是本发明实施例四提供的基于欠采样数据的CT成像装置的结构示意图;
图7是本发明实施例四提供的基于欠采样数据的CT成像装置的优选结构示意图;以及
图8是本发明实施例五提供的CT设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1示出了本发明实施例一提供的基于欠采样数据的CT成像方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在步骤S101中,接收通过CT设备扫描得到的欠采样数据,根据欠采样数据进行图像重建,获得CT重建图像。
在本发明实施例中,为了降低CT成像中X射线的曝光对生物体健康的影响,对CT设备中X射线的采样范围和射线数量进行限制。在接收CT设备通过受限的X射线扫描得到的欠采样数据后,可通过预设的CT图像重建算法对欠采样数据进行CT图像重建,生成CT重建图像。作为示例地,CT图像重建算法可为平行束投影重建算法、迭代重建算法等。
在步骤S102中,通过预先训练好的生成式对抗网络中的生成器网络对CT重建图像进行修复处理,以得到CT重建图像对应的修复图像。
在本发明实施例中,欠采样数据的CT重建图像上易出现图像伪影、图像细节丢失,在这里通过训练好的生成式对抗网络中的生成器网络对CT重建图像进行修复处理,以去除CT重建图像上的图像伪影和恢复CT重建图像丢失的图像细节,该生成式对抗网络(Generative adversarial networks)包括生成器网络和判别器网络。
在训练时,生成器网络用于对预设训练图像集中有伪影的CT图像进行修复处理,得到相应的修复图像,判别器网络用于对该修复图像是生成器处理后的图像还是训练图像集中无伪影的CT图像进行判断,同时也用于对训练图像集中无伪影的CT图像是来自于生成器还是来自于训练图像集进行判断。生成式对抗网络的具体训练过程可参照实施例二中步骤S201和步骤S202的详细描述,在此不再赘述。
在步骤S103中,将CT重建图像对应的修复图像设置为欠采样数据对应的CT图像,输出欠采样数据对应的CT图像。
在本发明实施例中,将CT重建图像对应的修复图像设置为欠采样数据对应的CT图像并输出,完成基于欠采样数据的CT成像。
在本发明实施例中,对CT设备扫描得到的欠采样数据进行图像重建,生成CT重建图像,通过训练好的生成式对应网络中的生成器网络对CT重建图像进行修复,生成CT重建图像对应的修复图像,从而有效地对欠采样数据对应的CT重建图像进行伪影去除和细节修复,有效地提高了基于欠采样数据进行CT成像时的图像质量。
实施例二:
图2示出了本发明实施例二提供的基于欠采样数据的CT成像方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在步骤S201中,根据预设的卷积运算、激活函数和池化操作,构建生成式对抗网络。
在本发明实施例中,生成式对抗网络包括生成器网络和判别器网络。根据预设的卷积运算、批标准化方式和激活函数,可构建得到生成器网络的子网络层,根据卷积运算、批标准化方式、激活函数和池化操作,可构建得到判别器网络的子网络层。在生成器网络的子网络层中不使用池化操作,以保***网络不改变图像大小。
作为示例地,卷积运算的公式可表示为:
在本发明实施例中,将生成器网络的子网络层连接构建得到生成器网络,将判别器网络的子网络层和预设的全连接网络层连接构建得到判别器网络。其中,生成器网络中最后一层子网络层的卷积核大小可为1、激活函数可为双曲正切函数,生成器网络中剩余子网络层、判别器网络的子网络层的激活函数可为非线性整流ReLu函数。
优选地,在生成器网络除最后一层子网络层外剩余的子网络层中添加预设的批标准化处理,在判别器网络的第一层子网络层中也添加批标准化处理,其中,批标准化(BatchNormalization)是一种自适应的重参数化算法,用于对卷积运算的输出进行重参数化,以解决深度网络训练时的梯度弥散问题。
作为示例地,批标准化的公式可表示为:
作为示例地,图3为生成器网络的结构示例图,图3中生成器网络输入有伪影的CT图像,输出对应的修复图像,每段卷积中的小矩形表示子网络,第一、二、三、四段卷积中子网络层的卷积核大小分别为7×7、5×5、3×3和3×3。
在步骤S202中,根据预设的自适应矩估计算法、预设的随机隐退算法和预设的训练图像集,对生成式对抗网络进行训练。
在本发明实施例中,训练图像集中包括多组图像样本,每组图像样本包括有伪影的CT图像和该有伪影的CT图像对应的无伪影的CT图像。自适应矩估计算法(adaptivemoment estimation,Adam)是一种随机优化算法,用于对生成器网络的目标函数、判别器网络的目标函数进行优化,随机隐退算法(Dropout)按照一定的概率将生成器网络、判别器网络中的隐藏节点暂时丢弃,以防止训练得到的生成式对抗网络出现过拟合现象,在训练过程中随机隐退算法中的概率可设置为0.5。
在步骤S203中,接收通过CT设备扫描得到的欠采样数据,根据欠采样数据进行图像重建,获得CT重建图像。
在本发明实施例中,为了降低CT成像中X射线的曝光对生物体健康的影响,对CT设备中X射线的采样范围和射线数量进行限制。在接收CT设备通过受限的X射线扫描得到的欠采样数据后,可通过预设的CT图像重建算法对欠采样数据进行CT图像重建,生成CT重建图像。
在步骤S204中,通过预先训练好的生成式对抗网络中的生成器网络对CT重建图像进行修复处理,以得到CT重建图像对应的修复图像。
在本发明实施例中,通过训练好的生成式对抗网络中的生成器网络对CT重建图像进行修复处理,以去除CT重建图像上的图像伪影和恢复CT重建图像丢失的图像细节。
在步骤S205中,将CT重建图像对应的修复图像设置为欠采样数据对应的CT图像,输出欠采样数据对应的CT图像。
在本发明实施例中,通过自适应矩估计算法训练生成式对抗网络,通过训练好的生成式对抗网络对欠采样数据的CT重建图像进行后处理,以去除CT重建图像上的图像伪影、恢复CT重建图像的图像细节,从而有效地对欠采样数据对应的CT重建图像进行伪影去除和细节修复,有效地提高了欠采样数据的CT成像的图像质量。
在本发明实施例中,如图4所示,优选地,步骤S202中生成式对抗网络的训练通过下述步骤实现:
在步骤S401中,初始化自适应矩估计算法的算法参数,在训练图像集中获取当前批次图像样本。
在本发明实施例中,自适应矩估计算法即Adam算法,对Adam算法中的步长、偏一阶矩估计、偏二阶矩估计、偏一阶矩估计的指数衰减速率、偏二阶矩估计的指数衰减速率以及当前迭代次数进行初始化。从训练图像集中获取当前批次图像样本,每批次图像样本包括预设数量个图像样本。
在步骤S402中,根据随机隐退算法,通过生成器网络对当前批次图像样本中有伪影的CT图像进行修复处理,以得到有伪影的CT图像对应的修复图像。
在本发明实施例中,通过生成器网络对当前批次图像样本中每张有伪影的CT图像进行修复处理,在处理过程中通过随机隐退算法对生成器网络中的每个隐层节点随机地进行暂时丢弃。
在步骤S403中,根据随机隐退算法,通过判别器网络对有伪影的CT图像对应的修复图像、无伪影的CT图像分别进行分类。
在本发明实施例中,将有伪影的CT图像对应的修复图像输入判别器网络中,以判别该修复图像是经过生成器网络修复过的图像还是图像样本中无伪影的CT图像,同样,将有伪影的CT图像对应的无伪影的CT图像输入判别器网络中,以判别该无伪影CT图像是经过生成器网络修复过的图像还是图像样本中无伪影的CT图像。在判别过程中,同样通过随机隐退算法对判别器网络中的每个隐层节点随机地进行暂时丢弃。最终,判别器网络的分类结果可包括有伪影的CT图像对应的修复图像来自于图像样本中的概率、有伪影的CT图像对应的无伪影的CT图像来自于图像样本中的概率。
在步骤S404中,根据分类结果、生成器网络的目标函数和判别器网络的目标函数,通过自适应矩估计算法对生成器网络的权值和判别器网络的权值进行迭代更新。
在本发明实施例中,生成器网络的目标函数可表示为:
其中,G表示生成器网络,D表示判别器网络,z为输入的有伪影的CT图像,E为计算期望值,D(G(z))为分类结果中有伪影的CT图像对应的修复图像来自于图像样本中的概率,对生成器网络进行训练的目的即最小化该目标函数。
在本发明实施例中,判别器网络的目标函数可表示为:
在本发明实施例中,在训练生成器网络或判别器网络时(即在对生成器网络或判别器网络的权值进行更新时),根据当前批次图像样本的分类结果,计算生成器网络或判别器网络的目标函数所对应的梯度,计算公式可为:
其中,m为当前批次图像样本中图像样本的数量,在训练生成器网络时,J(f(x(i);θ),y(i))用来表示生成器网络的目标函数,θ表示生成器网络的网络权值,在训练判别器网络时,J(f(x(i);θ),y(i))用来表示生成器网络的目标函数,θ表示判别器网络的网络权值,x(i)为当前批次图像样本中第i个图像样本中有伪影的CT图像,y(i)为当前批次图像样本中第i个图像样本中无伪影的CT图像。
接着,根据生成器网络或判别器网络的梯度,更新偏一阶矩估计和偏二阶矩估计,根据更新后的偏一阶矩估计、偏二阶矩估计,对偏一阶矩估计、偏二阶矩估计的误差进行修正,偏一阶矩估计和偏二阶矩估计的更新公式为:
s=β1s+(1-β1)g,其中,β1为偏一阶矩估计的指数衰减速率,β2为偏二阶矩估计的指数衰减速率,s为偏一阶矩估计,r为偏二阶矩估计,为梯度的逐元素乘积。偏一阶矩估计、偏二阶矩估计的误差修正公式可为:
在步骤S405中,判断当前迭代次数是否超过预设的最大迭代次数。
在本发明实施例中,判断当前迭代次数是否超过预设的最大迭代次数,是则执行步骤S407,否则执行步骤S406,以继续训练生成器网络和判别器网络。
在步骤S406中,将训练图像集中下一批次的图像样本设置为当前批次图像样本,将当前迭代次数进行加一操作。
在本发明实施例中,从训练图像集获取下一批次的图像样本,并将该下一次批次的图像样本设置为当前批次图像样本,跳转至步骤S402,以进行下一次训练过程。
在步骤S407中,输出生成式对抗网络。
在本发明实施例中,通过自适应矩估计算法和随机隐退算法对生成式对抗网络中的生成器网络和判别器网络进行训练,获得训练好的生成式对抗网络,有效地提高了生成式网络的训练效率和泛化能力。
实施例三:
图5示出了本发明实施例三提供的基于欠采样数据的CT成像装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分,其中包括:
CT图像重建单元51,用于接收通过CT设备扫描得到的欠采样数据,根据欠采样数据进行图像重建,生成CT重建图像。
在本发明实施例中,在接收CT设备通过X射线扫描得到的欠采样数据后,可通过预设的CT图像重建算法对欠采样数据进行CT图像重建,生成CT重建图像。
重建图像修复单元52,用于通过预先训练好的生成式对抗网络中的生成器网络对CT重建图像进行修复处理,以得到CT重建图像对应的修复图像。
在本发明实施例中,通过训练好的生成式对抗网络中的生成器网络对CT重建图像进行修复处理,以去除CT重建图像上的图像伪影和恢复CT重建图像的图像细节。其中,生成式对抗网络包括生成器网络和判别器网络,生成式对抗网络的具体训练过程可参照实施例四中的详细描述,在此不再赘述。
CT图像输出单元53,用于将CT重建图像对应的修复图像设置为欠采样数据对应的CT图像,输出欠采样数据对应的CT图像。
在本发明实施例中,对CT设备扫描得到的欠采样数据进行图像重建,生成CT重建图像,通过训练好的生成式对应网络中的生成器网络对CT重建图像进行修复,生成CT重建图像对应的修复图像,从而有效地对欠采样数据对应的CT重建图像进行伪影去除和细节修复,有效地提高了基于欠采样数据进行CT成像时的图像质量。
实施例四:
图6示出了本发明实施例四提供的基于欠采样数据的CT成像装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分,其中包括:
网络构建单元61,用于根据预设的卷积运算、激活函数和池化操作,构建生成式对抗网络。
在本发明实施例中,生成式对抗网络包括生成器网络和判别器网络。根据预设的卷积运算、批标准化方式和激活函数,可构建得到生成器网络的子网络层,根据卷积运算、批标准化方式、激活函数和池化操作,可构建得到判别器网络的子网络层。在生成器网络的子网络层中不使用池化操作,以保***网络不改变图像大小。
在本发明实施例中,将生成器网络的子网络层连接构建得到生成器网络,将判别器网络的子网络层和预设的全连接网络层连接构建得到判别器网络。其中,生成器网络中最后一层子网络层的卷积核大小可为1、激活函数可为双曲正切函数,生成器网络中剩余子网络层、判别器网络的子网络层的激活函数可为非线性整流ReLu函数。
优选地,在生成器网络除最后一层子网络层外剩余的子网络层中添加预设的批标准化处理,在判别器网络的第一层子网络层中也添加批标准化处理,批标准化用于对卷积运算的输出进行重参数化,以解决深度网络训练时的梯度弥散问题。
网络训练单元62,用于根据预设的自适应矩估计算法、预设的随机隐退算法和预设的训练图像集,对生成式对抗网络进行训练。
在本发明实施例中,训练图像集中包括多组图像样本,每组图像样本包括有伪影的CT图像和该有伪影的CT图像对应的无伪影的CT图像。自适应矩估计算法(adaptivemoment estimation,Adam)是一种随机优化算法,用于对生成器网络的目标函数、判别器网络的目标函数进行优化,随机隐退算法(Dropout)按照一定的概率将生成器网络、判别器网络中的隐藏节点暂时丢弃,以防止训练得到的生成式对抗网络出现过拟合现象,在训练过程中随机隐退算法中的概率可设置为0.5。
CT图像重建单元63,用于接收通过CT设备扫描得到的欠采样数据,根据欠采样数据进行图像重建,生成CT重建图像。
在本发明实施例中,在接收CT设备通过X射线扫描得到的欠采样数据后,可通过预设的CT图像重建算法对欠采样数据进行CT图像重建,生成CT重建图像。
重建图像修复单元64,用于通过预先训练好的生成式对抗网络中的生成器网络对CT重建图像进行修复处理,以得到CT重建图像对应的修复图像。
在本发明实施例中,由于CT重建图像上出现图像伪影、图像细节丢失,通过训练好的生成式对抗网络中的生成器网络对CT重建图像进行修复处理,以去除CT重建图像上的图像伪影和恢复CT重建图像的图像细节。
CT图像输出单元65,用于将CT重建图像对应的修复图像设置为欠采样数据对应的CT图像,输出欠采样数据对应的CT图像。
优选地,如图7所示,网络训练单元62包括初始化单元721、训练修复单元722、训练判别单元723、权值更新单元724和迭代判断单元725,其中:
初始化单元721,用于初始化自适应矩估计算法的算法参数,并在训练图像集中获取当前批次图像样本。
在本发明实施例中,对Adam算法(自适应矩估计算法)中的步长、偏一阶矩估计、偏二阶矩估计、偏一阶矩估计的指数衰减速率、偏二阶矩估计的指数衰减速率以及当前迭代次数进行初始化。从训练图像集中获取当前批次图像样本,每批次图像样本包括预设数量个图像样本。
训练修复单元722,用于根据随机隐退算法,通过生成器网络对当前批次图像样本中有伪影的CT图像进行修复处理,以得到有伪影的CT图像对应的修复图像。
在本发明实施例中,通过生成器网络对当前批次图像样本中每张有伪影的CT图像进行修复处理,在处理过程中通过随机隐退算法对生成器网络中的每个隐层节点随机地进行暂时丢弃。
训练判别单元723,用于根据随机隐退算法,通过判别器网络对有伪影的CT图像对应的修复图像、无伪影的CT图像分别进行分类。
在本发明实施例中,将有伪影的CT图像对应的修复图像输入判别器网络中,以判断该修复图像是经过生成器网络修复过的图像还是图像样本中无伪影的CT图像,同样,将有伪影的CT图像对应的无伪影的CT图像输入判别器网络中,以判断该无伪影CT图像是经过生成器网络修复过的图像还是图像样本中无伪影的CT图像。在判别器网络的分类过程中,同样通过随机隐退算法对判别器网络中的每个隐层节点随机地进行暂时丢弃。最终,判别器网络的分类结果可包括有伪影的CT图像对应的修复图像来自于图像样本中的概率、有伪影的CT图像对应的无伪影的CT图像来自于图像样本中的概率。
权值更新单元724,用于根据分类结果、生成器网络的目标函数和判别器网络的目标函数,通过自适应矩估计算法对生成器网络的权值和判别器网络的权值进行迭代更新。
在本发明实施例中,生成器网络的目标函数可表示为:
其中,G表示生成器网络,D表示判别器网络,z为输入的有伪影的CT图像,E为计算期望值,D(G(z))为分类结果中有伪影的CT图像对应的修复图像来自于图像样本中的概率,对生成器网络进行训练的目的即最小化该目标函数。
在本发明实施例中,判别器网络的目标函数可表示为:
在本发明实施例中,在训练生成器网络或判别器网络时(即在对生成器网络或判别器网络的权值进行更新时),根据当前批次图像样本的分类结果,计算生成器网络或判别器网络的目标函数所对应的梯度,计算公式可为:
其中,m为当前批次图像样本中图像样本的数量,在训练生成器网络时,J(f(x(i);θ),y(i))用来表示生成器网络的目标函数,θ表示生成器网络的网络权值,在训练判别器网络时,J(f(x(i);θ),y(i))用来表示生成器网络的目标函数,θ表示生成器网络的网络权值,x(i)为当前批次图像样本中第i个图像样本中有伪影的CT图像,y(i)为当前批次图像样本中第i个图像样本中无伪影的CT图像。
接着,根据生成器网络或判别器网络的梯度,更新偏一阶矩估计和偏二阶矩估计,根据更新后的偏一阶矩估计、偏二阶矩估计,对偏一阶矩估计、偏二阶矩估计的误差进行修正,偏一阶矩估计和偏二阶矩估计的更新公式为:
s=β1s+(1-β1)g,其中,β1为偏一阶矩估计的指数衰减速率,β2为偏二阶矩估计的指数衰减速率,s为偏一阶矩估计,r为偏二阶矩估计,为梯度的逐元素乘积。偏一阶矩估计、偏二阶矩估计的误差修正公式可为:
迭代判断单元725,用于判断当前迭代次数是否超过预设的最大迭代次数,是则输出生成式对抗网络,否则将训练图像集中下一批次的图像样本设置为当前批次图像样本,由训练修复单元722执行通过生成器网络对当前批次图像样本中有伪影的CT图像进行修复处理的操作。
在本发明实施例中,通过自适应矩估计算法训练生成式对抗网络,通过训练好的生成式对抗网络对欠采样数据的CT重建图像进行后处理,以去除CT重建图像上的图像伪影、恢复CT重建图像的图像细节,从而有效地提高了生成式网络的训练效率和泛化能力,有效地提高了欠采样数据的CT成像的图像质量。
在本发明实施例中,来电提醒装置的各单元可由相应的硬件或软件单元实现,各单元可以为独立的软、硬件单元,也可以集成为一个软、硬件单元,在此不用以限制本发明。
实施例五:
图8示出了本发明实施例四提供的CT设备的结构,为了便于说明,仅示出了与本发明实施例相关的部分。
本发明实施例的CT设备8包括处理器80、存储器81以及存储在存储器81中并可在处理器80上运行的计算机程序82。该处理器80执行计算机程序82时实现上述各个方法实施例中的步骤,例如图1所示的步骤S101至S103、图2所示的步骤S201至步骤S205。或者,处理器80执行计算机程序82时实现上述各装置实施例中各单元的功能,例如图5所示单元51至53的功能、图6所示单元61至65的功能。
在本发明实施例中,通过自适应矩估计算法训练生成式对抗网络,通过训练好的生成式对抗网络对欠采样数据的CT重建图像进行后处理,以去除CT重建图像上的图像伪影、恢复CT重建图像的图像细节,从而有效地提高了欠采样数据的CT成像的图像质量。
实施例六:
在本发明实施例中,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述各个方法实施例中的步骤,例如,图1所示的步骤S101至S103、图2所示的步骤S201至步骤S205。或者,该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能,例如图5所示单元51至53的功能、图6所示单元61至65的功能。
在本发明实施例中,通过自适应矩估计算法训练生成式对抗网络,通过训练好的生成式对抗网络对欠采样数据的CT重建图像进行后处理,以去除CT重建图像上的图像伪影、恢复CT重建图像的图像细节,从而有效地提高了欠采样数据的CT成像的图像质量。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质,例如,ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于欠采样数据的CT成像方法,其特征在于,所述方法包括下述步骤:
接收通过CT设备扫描得到的欠采样数据,根据所述欠采样数据进行图像重建,获得CT重建图像;
通过预先训练好的生成式对抗网络中的生成器网络对所述CT重建图像进行修复处理,以得到所述CT重建图像对应的修复图像;
将所述CT重建图像对应的修复图像设置为所述欠采样数据对应的CT图像,输出所述欠采样数据对应的CT图像;
其中,接收通过CT设备扫描得到的欠采样数据的步骤之前,所述方法还包括:
根据预设的卷积运算、激活函数和池化操作,构建所述生成式对抗网络,所述生成式对抗网络包括判别器网络和所述生成器网络;
根据预设的自适应矩估计算法、预设的随机隐退算法和预设的训练图像集,对所述生成式对抗网络进行训练,所述训练图像集中每组图像样本包括有伪影的CT图像和对应的无伪影的CT图像。
2.如权利要求1所述的方法,其特征在于,根据预设的卷积运算、激活函数和池化操作,构建所述生成式对抗网络的步骤,包括:
将所述卷积运算和所述激活函数组合构成生成器网络的子网络层;
将所述卷积运算、所述激活函数和所述池化操作组合构成判别器网络的子网络层;
将所述生成器网络的子网络层连接构建得到所述生成器网络,将所述判别器网络的子网络层和预设的全连接网络层连接构建得到所述判别器网络。
3.如权利要求2所述的方法,其特征在于,将所述生成器网络的子网络层连接构建得到所述生成器网络,将所述判别器网络的子网络层和预设的全连接网络层连接构建得到所述判别器网络的步骤,包括:
在所述生成器网络除最后一层子网络层外的剩余子网络层中添加预设的批标准化处理,在所述判别器网络的第一层子网络层中添加所述批标准化处理。
4.如权利要求1所述的方法,其特征在于,根据预设的自适应矩估计算法、预设的随机隐退算法和预设的训练图像集,对所述生成式对抗网络进行训练的步骤,包括:
初始化所述自适应矩估计算法的算法参数,并在所述训练图像集中获取当前批次图像样本;
根据所述随机隐退算法,通过所述生成器网络对所述当前批次图像样本中有伪影的CT图像进行修复处理,以得到所述有伪影的CT图像对应的修复图像;
根据所述随机隐退算法,通过所述判别器网络对所述有伪影的CT图像对应的修复图像、所述无伪影的CT图像分别进行分类;
根据所述分类结果、生成器网络的目标函数和判别器网络的目标函数,通过所述自适应矩估计算法对生成器网络的权值和判别器网络的权值进行迭代更新;
判断当前迭代次数是否超过预设的最大迭代次数,是则输出所述生成式对抗网络,否则将所述训练图像集中下一批次的图像样本设置为所述当前批次图像样本,跳转至通过所述生成器网络对所述当前批次图像样本中有伪影的CT图像进行修复处理的步骤。
5.一种基于欠采样数据的CT成像装置,其特征在于,所述装置包括:CT图像重建单元,用于接收通过CT设备扫描得到的欠采样数据,根据所述欠采样数据进行图像重建,生成CT重建图像;
重建图像修复单元,用于通过预先训练好的生成式对抗网络中的生成器网络对所述CT重建图像进行修复处理,以得到所述CT重建图像对应的修复图像;
以及CT图像输出单元,用于将所述CT重建图像对应的修复图像设置为所述欠采样数据对应的CT图像,输出所述欠采样数据对应的CT图像;
其中,所述重建图像修复单元还包括:网络构建单元,用于根据预设的卷积运算、激活函数和池化操作,构建所述生成式对抗网络,所述生成式对抗网络包括判别器网络和所述生成器网络;
以及网络训练单元,用于根据预设的自适应矩估计算法、预设的随机隐退算法和预设的训练图像集,对所述生成式对抗网络进行训练,所述训练图像集中每组图像样本包括有伪影的CT图像和对应的无伪影的CT图像。
6.如权利要求5所述的装置,其特征在于,所述网络训练单元包括:
初始化单元,用于初始化所述自适应矩估计算法的算法参数,并在所述训练图像集中获取当前批次图像样本;
训练修复单元,用于根据所述随机隐退算法,通过所述生成器网络对所述当前批次图像样本中有伪影的CT图像进行修复处理,以得到所述有伪影的CT图像对应的修复图像;
训练判别单元,用于根据所述随机隐退算法,通过所述判别器网络对所述有伪影的CT图像对应的修复图像、所述无伪影的CT图像分别进行分类;
权值更新单元,用于根据所述分类结果、生成器网络的目标函数和判别器网络的目标函数,通过所述自适应矩估计算法对生成器网络的权值和判别器网络的权值进行迭代更新;
以及迭代判断单元,用于判断当前迭代次数是否超过预设的最大迭代次数,是则输出所述生成式对抗网络,否则将所述训练图像集中下一批次的图像样本设置为所述当前批次图像样本,由所述训练修复单元执行通过所述生成器网络对所述当前批次图像样本中有伪影的CT图像进行修复处理的操作。
7.一种CT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4任一项所述方法的步骤。
8.一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4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711035626.6A CN107958471B (zh) | 2017-10-30 | 2017-10-30 | 基于欠采样数据的ct成像方法、装置、ct设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711035626.6A CN107958471B (zh) | 2017-10-30 | 2017-10-30 | 基于欠采样数据的ct成像方法、装置、ct设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107958471A CN107958471A (zh) | 2018-04-24 |
CN107958471B true CN107958471B (zh) | 2020-12-18 |
Family
ID=61964214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711035626.6A Active CN107958471B (zh) | 2017-10-30 | 2017-10-30 | 基于欠采样数据的ct成像方法、装置、ct设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107958471B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664909A (zh) * | 2018-04-28 | 2018-10-16 | 上海爱优威软件开发有限公司 | 一种身份验证方法及终端 |
CN109859140A (zh) * | 2019-02-15 | 2019-06-07 | 数坤(北京)网络科技有限公司 | 一种用于医疗图像的修复方法及设备 |
CN110123277A (zh) * | 2019-05-17 | 2019-08-16 | 上海电气集团股份有限公司 | 一种脓毒血症的数据处理*** |
CN110264421B (zh) * | 2019-06-13 | 2022-07-12 | 明峰医疗***股份有限公司 | 一种ct坏通道校正方法 |
US11568584B2 (en) | 2019-08-26 | 2023-01-31 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for magnetic resonance imaging |
CN110827369B (zh) * | 2019-10-31 | 2023-09-26 | 上海联影智能医疗科技有限公司 | 欠采样模型生成方法、图像重建方法、设备和存储介质 |
US11151703B2 (en) | 2019-09-12 | 2021-10-19 | International Business Machines Corporation | Artifact removal in medical imaging |
CN111325695B (zh) * | 2020-02-29 | 2023-04-07 | 深圳先进技术研究院 | 基于多剂量等级的低剂量图像增强方法、***及存储介质 |
CN111388000B (zh) * | 2020-03-27 | 2023-08-25 | 上海杏脉信息科技有限公司 | 虚拟肺部空气潴留图像预测方法及***、存储介质及终端 |
CN112862728B (zh) * | 2021-03-22 | 2023-06-27 | 上海壁仞智能科技有限公司 | 伪影去除方法、装置、电子设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102906791A (zh) * | 2010-05-19 | 2013-01-30 | 威斯康星校友研究基金会 | 使用在先图像约束的图像重建的辐射计量减少的方法 |
CN103093444A (zh) * | 2013-01-17 | 2013-05-08 | 西安电子科技大学 | 基于自相似性和结构信息约束的图像超分辨重建方法 |
CN103136773A (zh) * | 2013-02-05 | 2013-06-05 | 南方医科大学 | 一种稀疏角度x射线ct成像方法 |
CN105518477A (zh) * | 2013-09-05 | 2016-04-20 | 皇家飞利浦有限公司 | 使用空间自适应正则化以用于图像重建的mri |
CN106491131A (zh) * | 2016-12-30 | 2017-03-15 | 深圳先进技术研究院 | 一种磁共振的动态成像方法和装置 |
CN107123151A (zh) * | 2017-04-28 | 2017-09-01 | 深圳市唯特视科技有限公司 | 一种基于变分自动编码器和生成对抗网络的图像转化方法 |
CN107133934A (zh) * | 2017-05-18 | 2017-09-05 | 北京小米移动软件有限公司 | 图像补全方法及装置 |
WO2017166187A1 (en) * | 2016-03-31 | 2017-10-05 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
CN107274358A (zh) * | 2017-05-23 | 2017-10-20 | 广东工业大学 | 基于cGAN算法的图像超分辨恢复技术 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101667141B1 (ko) * | 2015-03-11 | 2016-10-25 | 한국과학기술원 | 소멸필터를 이용한 고속 mr 영상 복원 알고리듬 개발 |
-
2017
- 2017-10-30 CN CN201711035626.6A patent/CN107958471B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102906791A (zh) * | 2010-05-19 | 2013-01-30 | 威斯康星校友研究基金会 | 使用在先图像约束的图像重建的辐射计量减少的方法 |
CN103093444A (zh) * | 2013-01-17 | 2013-05-08 | 西安电子科技大学 | 基于自相似性和结构信息约束的图像超分辨重建方法 |
CN103136773A (zh) * | 2013-02-05 | 2013-06-05 | 南方医科大学 | 一种稀疏角度x射线ct成像方法 |
CN105518477A (zh) * | 2013-09-05 | 2016-04-20 | 皇家飞利浦有限公司 | 使用空间自适应正则化以用于图像重建的mri |
WO2017166187A1 (en) * | 2016-03-31 | 2017-10-05 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
CN106491131A (zh) * | 2016-12-30 | 2017-03-15 | 深圳先进技术研究院 | 一种磁共振的动态成像方法和装置 |
CN107123151A (zh) * | 2017-04-28 | 2017-09-01 | 深圳市唯特视科技有限公司 | 一种基于变分自动编码器和生成对抗网络的图像转化方法 |
CN107133934A (zh) * | 2017-05-18 | 2017-09-05 | 北京小米移动软件有限公司 | 图像补全方法及装置 |
CN107274358A (zh) * | 2017-05-23 | 2017-10-20 | 广东工业大学 | 基于cGAN算法的图像超分辨恢复技术 |
Non-Patent Citations (3)
Title |
---|
A new virtual ring-based system matrix generator for iterative image reconstruction in high resolution small volume PET systems;Rosenfeld A.B et al;《Physics in medicine and biology》;20151231;第60卷(第17期);第6949-6973页 * |
Image Denoising via CNNs: An Adversarial Approach;Nithish Divakar et al;《2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW)》;20170824;第1076-1083页 * |
基于压缩感知的CT图像重建技术研究;任佳;《中国优秀硕士学位论文全文数据库电子期刊 信息科技辑》;20160815;第2016年卷(第8期);第I138-783页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107958471A (zh) | 2018-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107958471B (zh) | 基于欠采样数据的ct成像方法、装置、ct设备及存储介质 | |
CN107958472B (zh) | 基于稀疏投影数据的pet成像方法、装置、设备及存储介质 | |
Kang et al. | Deep convolutional framelet denosing for low-dose CT via wavelet residual network | |
CN107527359B (zh) | 一种pet图像重建方法及pet成像设备 | |
EP3688723B1 (en) | Deep learning based scatter correction | |
CN107610193B (zh) | 使用深度生成式机器学习模型的图像校正 | |
JP2019211475A (ja) | 医用画像処理装置及びプログラム | |
CN109785243B (zh) | 基于对抗生成网络未配准低剂量ct的去噪方法、计算机 | |
CN110728729B (zh) | 一种基于注意机制的无监督ct投影域数据恢复方法 | |
CN110378982B (zh) | 重建图像处理方法、装置、设备及存储介质 | |
EP3631763B1 (en) | Method and devices for image reconstruction | |
KR102472464B1 (ko) | 영상처리방법 및 이를 이용한 영상처리장치 | |
US20230206404A1 (en) | Image processing apparatus, image processing method, and computer-readable medium | |
CN108038840B (zh) | 一种图像处理方法、装置、图像处理设备及存储介质 | |
WO2022091869A1 (ja) | 医用画像処理装置、医用画像処理方法及びプログラム | |
CN117876519A (zh) | 一种基于扩散模型的弦图恢复方法及*** | |
Zach et al. | Computed tomography reconstruction using generative energy-based priors | |
Yim et al. | A deep convolutional neural network for simultaneous denoising and deblurring in computed tomography | |
CN111860836A (zh) | 一种自监督学习方法及应用 | |
CN109685871B (zh) | 图像重建方法、计算机设备及计算机可读存储介质 | |
Liang et al. | A model-based unsupervised deep learning method for low-dose CT reconstruction | |
WO2023009452A1 (en) | Systems and methods to reduce unstructured and structured noise in image data | |
CN117274080B (zh) | 一种低剂量ct弦图恢复方法及相关装置 | |
CN112053292B (zh) | 医学图像的处理方法、处理装置及计算机可读存储介质 | |
CN117541481B (zh) | 一种低剂量ct图像修复方法、***及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |