CN107958472B - 基于稀疏投影数据的pet成像方法、装置、设备及存储介质 - Google Patents
基于稀疏投影数据的pet成像方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN107958472B CN107958472B CN201711037507.4A CN201711037507A CN107958472B CN 107958472 B CN107958472 B CN 107958472B CN 201711037507 A CN201711037507 A CN 201711037507A CN 107958472 B CN107958472 B CN 107958472B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- pet
- projection data
- training
- 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 51
- 238000012879 PET imaging Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012636 positron electron tomography Methods 0.000 claims abstract 40
- 238000004422 calculation algorithm Methods 0.000 claims description 64
- 238000012549 training Methods 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 51
- 230000003044 adaptive effect Effects 0.000 claims description 23
- 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
- 230000008439 repair process Effects 0.000 claims description 10
- 238000005562 fading Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract description 2
- 238000002600 positron emission tomography Methods 0.000 description 169
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 5
- 238000012805 post-processing Methods 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
- 238000005070 sampling Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000001914 filtration 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
- 230000001575 pathological effect 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Nuclear Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明适用图像处理技术领域,提供了一种基于稀疏投影数据的PET成像方法、装置、设备及存储介质,该方法包括:根据PET设备扫描得到的稀疏投影数据,生成PET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PET重建图像进行修复处理,得到PET修复图像,将PET修复图像设置为稀疏投影数据对应的PET图像并输出,从而有效地对PET重建图像进行伪影去除和细节恢复,有效地提高了PET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,尤其涉及一种基于稀疏投影数据的PET成像方法、装置、设备及存储介质。
背景技术
正电子发射断层成像技术(Positron Emission Tomography,PET)可以从细胞及分子水平研究机体的生理或病理信息,是一种先进的现代医学影像技术,目前,该技术已经成为脑功能成像和癌症早期诊断特别重要的医学检查手段。
PET图像重建算法可以分为解析法和迭代法。解析法以滤波反投影算法为代表,其实现方法简单,但重建图像的质量较差。迭代法将物理和统计因素加入到重建过程中,分为代数迭代法和统计迭代法,其中,统计迭代算法可以更加精确地反映PET成像过程,重建图像的效果很好。然而,PET设备采用现有的这些图像重建算法对低计数、欠采样数据进行PET成像时,重建后的PET图像细节易丢失、且存在较多伪影。
发明内容
本发明的目的在于提供一种基于稀疏投影数据的PET成像方法、装置、设备及存储介质,旨在解决现有技术中依据稀疏投影数据进行PET图像重建时,PET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稀疏投影数据的PET成像方法,所述方法包括下述步骤:
接收通过PET设备扫描得到的稀疏投影数据,根据所述稀疏投影数据进行图像重建,获得PET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PET重建图像进行修复处理,以得到所述PET重建图像对应的修复图像;
将所述PET重建图像对应的修复图像设置为所述稀疏投影数据对应的PET图像,输出所述稀疏投影数据对应的PET图像。
另一方面,本发明提供了一种基于稀疏投影数据的PET成像装置,所述装置包括:
PET图像重建单元,用于接收通过PET设备扫描得到的稀疏投影数据,根据所述稀疏投影数据进行图像重建,生成PET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PET重建图像进行修复处理,以得到所述PET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PET重建图像对应的修复图像设置为所述稀疏投影数据对应的PET图像,输出所述稀疏投影数据对应的PET图像。
另一方面,本发明还提供了一种PET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稀疏投影数据的PET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稀疏投影数据的PET成像方法所述的步骤。
本发明根据PET设备扫描得到的稀疏投影数据进行图像重建,获得PET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PET重建图像进行修复处理,获得PET重建图像对应的修复图像,将该修复图像设置为稀疏投影数据对应的PET图像并输出,从而通过训练生成式对抗网络对PET重建图像进行后处理,有效地提高了PET重建图像伪影去除、细节恢复的修复效果,提高了稀疏投影数据PET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稀疏投影数据的PET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稀疏投影数据的PET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稀疏投影数据的PET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稀疏投影数据的PET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稀疏投影数据的PET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稀疏投影数据的PET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PET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稀疏投影数据的PET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PET设备扫描得到的稀疏投影数据,根据稀疏投影数据进行图像重建,获得PET重建图像。
在本发明实施例中,在接收PET设备低计数采样得到的稀疏投影数据后,可通过预设的PET图像重建算法对稀疏投影数据进行PET图像重建,生成PET重建图像。作为示例地,PET图像重建算法可为滤波反投影算法、代数迭代法等。
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PET重建图像进行修复处理,以得到PET重建图像对应的修复图像。
在本发明实施例中,稀疏投影数据的PET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PET重建图像进行修复处理,以去除PET重建图像上的图像伪影和恢复PET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PET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PET图像进行判断,同时也用于对训练图像集中无伪影的PET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PET重建图像对应的修复图像设置为稀疏投影数据对应的PET图像,输出稀疏投影数据对应的PET图像。
在本发明实施例中,将PET重建图像对应的修复图像设置为稀疏投影数据对应的PET图像并输出,完成基于稀疏投影数据的PET成像。
在本发明实施例中,对PET设备扫描得到的稀疏投影数据进行图像重建,生成PET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PET重建图像进行修复,生成PET重建图像对应的修复图像,从而有效地对稀疏投影数据对应的PET重建图像进行伪影去除和细节修复,有效地提高了基于稀疏投影数据进行PET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稀疏投影数据的PET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PET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PET图像和该有伪影的PET图像对应的无伪影的PET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PET设备扫描得到的稀疏投影数据,根据稀疏投影数据进行图像重建,获得PET重建图像。
在本发明实施例中,在接收PET设备低计数采样得到的稀疏投影数据后,可通过预设的PET图像重建算法对稀疏投影数据进行PET图像重建,生成PET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PET重建图像进行修复处理,以得到PET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PET重建图像进行修复处理,以去除PET重建图像上的图像伪影和恢复PET重建图像丢失的图像细节。
在步骤S205中,将PET重建图像对应的修复图像设置为稀疏投影数据对应的PET图像,输出稀疏投影数据对应的PET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稀疏投影数据的PET重建图像进行后处理,以去除PET重建图像上的图像伪影、恢复PET重建图像的图像细节,从而有效地对稀疏投影数据对应的PET重建图像进行伪影去除和细节修复,有效地提高了稀疏投影数据的PET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PET图像进行修复处理,以得到有伪影的PET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PET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PET图像对应的修复图像、无伪影的PET图像分别进行分类。
在本发明实施例中,将有伪影的PET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PET图像,同样,将有伪影的PET图像对应的无伪影的PET图像输入判别器网络中,以判别该无伪影PET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PET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PET图像对应的修复图像来自于图像样本中的概率、有伪影的PET图像对应的无伪影的PET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PET图像,E为计算期望值,D(G(z))为分类结果中有伪影的PET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PET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PET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稀疏投影数据的PET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:
PET图像重建单元51,用于接收通过PET设备扫描得到的稀疏投影数据,根据稀疏投影数据进行图像重建,生成PET重建图像。
在本发明实施例中,在接收PET设备通过低计数采样得到的稀疏投影数据后,可通过预设的PET图像重建算法对稀疏投影数据进行PET图像重建,生成PET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PET重建图像进行修复处理,以得到PET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PET重建图像进行修复处理,以去除PET重建图像上的图像伪影和恢复PET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。
PET图像输出单元53,用于将PET重建图像对应的修复图像设置为稀疏投影数据对应的PET图像,输出稀疏投影数据对应的PET图像。
在本发明实施例中,对PET设备扫描得到的稀疏投影数据进行图像重建,生成PET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PET重建图像进行修复,生成PET重建图像对应的修复图像,从而有效地对稀疏投影数据对应的PET重建图像进行伪影去除和细节修复,有效地提高了基于稀疏投影数据进行PET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稀疏投影数据的PET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PET图像和该有伪影的PET图像对应的无伪影的PET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。
PET图像重建单元63,用于接收通过PET设备扫描得到的稀疏投影数据,根据稀疏投影数据进行图像重建,生成PET重建图像。
在本发明实施例中,在接收PET设备低计数采样得到的稀疏投影数据后,可通过预设的PET图像重建算法对稀疏投影数据进行PET图像重建,生成PET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PET重建图像进行修复处理,以得到PET重建图像对应的修复图像。
在本发明实施例中,由于PET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PET重建图像进行修复处理,以去除PET重建图像上的图像伪影和恢复PET重建图像的图像细节。
PET图像输出单元65,用于将PET重建图像对应的修复图像设置为稀疏投影数据对应的PET图像,输出稀疏投影数据对应的PET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PET图像进行修复处理,以得到有伪影的PET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PET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PET图像对应的修复图像、无伪影的PET图像分别进行分类。
在本发明实施例中,将有伪影的PET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PET图像,同样,将有伪影的PET图像对应的无伪影的PET图像输入判别器网络中,以判断该无伪影PET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PET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PET图像对应的修复图像来自于图像样本中的概率、有伪影的PET图像对应的无伪影的PET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PET图像,E为计算期望值,D(G(z))为分类结果中有伪影的PET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PET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PET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PET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稀疏投影数据的PET重建图像进行后处理,以去除PET重建图像上的图像伪影、恢复PET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,有效地提高了稀疏投影数据的PET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PET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PET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稀疏投影数据的PET重建图像进行后处理,以去除PET重建图像上的图像伪影、恢复PET重建图像的图像细节,从而有效地提高了稀疏投影数据的PET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稀疏投影数据的PET重建图像进行后处理,以去除PET重建图像上的图像伪影、恢复PET重建图像的图像细节,从而有效地提高了稀疏投影数据的PET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)
1.一种基于稀疏投影数据的PET成像方法,其特征在于,所述方法包括下述步骤:
接收通过PET设备扫描得到的稀疏投影数据,根据所述稀疏投影数据进行图像重建,获得PET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PET重建图像进行修复处理,以得到所述PET重建图像对应的修复图像;
将所述PET重建图像对应的修复图像设置为所述稀疏投影数据对应的PET图像,输出所述稀疏投影数据对应的PET图像;
其中,接收通过PET设备扫描得到的稀疏投影数据的步骤之前,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PET图像和对应的无伪影的PET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PET图像进行修复处理,以得到所述有伪影的PET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PET图像对应的修复图像、所述无伪影的PET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PET图像进行修复处理的步骤。
5.一种基于稀疏投影数据的PET成像装置,其特征在于,所述装置包括:
PET图像重建单元,用于接收通过PET设备扫描得到的稀疏投影数据,根据所述稀疏投影数据进行图像重建,生成PET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PET重建图像进行修复处理,以得到所述PET重建图像对应的修复图像;
以及PET图像输出单元,用于将所述PET重建图像对应的修复图像设置为所述稀疏投影数据对应的PET图像,输出所述稀疏投影数据对应的PET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PET图像和对应的无伪影的PET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PET图像进行修复处理,以得到所述有伪影的PET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PET图像对应的修复图像、所述无伪影的PET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PET图像进行修复处理的操作。
7.一种PET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 |
---|---|---|---|
CN201711037507.4A CN107958472B (zh) | 2017-10-30 | 2017-10-30 | 基于稀疏投影数据的pet成像方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711037507.4A CN107958472B (zh) | 2017-10-30 | 2017-10-30 | 基于稀疏投影数据的pet成像方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107958472A CN107958472A (zh) | 2018-04-24 |
CN107958472B true CN107958472B (zh) | 2020-12-25 |
Family
ID=61964220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711037507.4A Active CN107958472B (zh) | 2017-10-30 | 2017-10-30 | 基于稀疏投影数据的pet成像方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107958472B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711141B (zh) * | 2018-05-17 | 2022-02-15 | 重庆大学 | 利用改进的生成式对抗网络的运动模糊图像盲复原方法 |
CN111325675B (zh) * | 2018-12-17 | 2023-12-26 | 中国科学院深圳先进技术研究院 | 图像处理方法、装置、设备和存储介质 |
CN110717951B (zh) * | 2019-09-12 | 2021-08-03 | 浙江大学 | 一种基于cGANs的PET图像直接重建方法 |
CN112509091B (zh) * | 2020-12-10 | 2023-11-14 | 上海联影医疗科技股份有限公司 | 医学图像重建方法、装置、设备及介质 |
CN113838161B (zh) * | 2021-11-25 | 2022-02-22 | 之江实验室 | 一种基于图学习的稀疏投影重建方法 |
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 CN201711037507.4A patent/CN107958472B/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 |
---|---|
CN107958472A (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 | |
CN107527359B (zh) | 一种pet图像重建方法及pet成像设备 | |
CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
US11145055B2 (en) | Deep learning-based PET scatter estimation systems and methods using an inception neural network model | |
WO2013116865A1 (en) | Systems, methods, and media for updating a classifier | |
US11967066B2 (en) | Method and apparatus for processing image | |
US11682110B2 (en) | Modularized adaptive processing neural network (MAP-NN) for low-dose CT | |
Nah et al. | Clean images are hard to reblur: Exploiting the ill-posed inverse task for dynamic scene deblurring | |
CN108038840B (zh) | 一种图像处理方法、装置、图像处理设备及存储介质 | |
CN116246126A (zh) | 迭代无监督域自适应方法和装置 | |
Liu et al. | Unsupervised CT metal artifact reduction by plugging diffusion priors in dual domains | |
JP2021065707A (ja) | 医用画像処理装置、学習済みモデルおよび医用画像処理方法 | |
CN114981684A (zh) | 图像处理装置和图像处理方法 | |
Yim et al. | A deep convolutional neural network for simultaneous denoising and deblurring in computed tomography | |
CN112767273A (zh) | 一种应用特征解耦的低剂量ct图像修复方法及*** | |
EP4343680A1 (en) | De-noising data | |
CN114463459B (zh) | 一种pet图像的部分容积校正方法、装置、设备及介质 | |
CN107886478B (zh) | 一种ct图像重建方法及***、终端及可读存储介质 | |
CN106897975B (zh) | 一种超立方体粒计算的图像去噪方法 | |
Casas et al. | Few-shot meta-denoising | |
CN105488824B (zh) | 一种重建pet图像的方法和装置 | |
CN117203671A (zh) | 基于机器学习的迭代图像重建改进 | |
Corda-D'Incan et al. | Iteration-dependent networks and losses for unrolled deep learned FBSEM PET image reconstruction | |
John et al. | Quantitative Evaluation of Synthesized Brain PET Using a Variational Autoencoder |
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 |