CN109544657B - 医学图像迭代重建方法、装置、计算机设备和存储介质 - Google Patents
医学图像迭代重建方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109544657B CN109544657B CN201811480554.0A CN201811480554A CN109544657B CN 109544657 B CN109544657 B CN 109544657B CN 201811480554 A CN201811480554 A CN 201811480554A CN 109544657 B CN109544657 B CN 109544657B
- Authority
- CN
- China
- Prior art keywords
- initial image
- regularization term
- regularization
- direction information
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000006870 function Effects 0.000 claims description 57
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 230000002829 reductive effect Effects 0.000 claims description 10
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 230000005484 gravity Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000084490 Esenbeckia delta Species 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
-
- 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种医学图像迭代重建方法、装置、计算机设备和存储介质。所述方法包括:获取初始图像;根据所述初始图像计算所述初始图像的Z方向信息;根据所述初始图像的Z方向信息得到正则化项参数,并根据正则化项参数数确定目标函数;根据所述初始图像和目标函数进行迭代重建。上述方法能够根据图像体积中的Z方向信息动态调整正则化项,通过动态调整正则化项使其适应不同的像素处的Z方向值,从而达到加快迭代重建的目的,并且能够有效的保留图像边缘信息,还能够对图像边缘处的伪影进行消除。
Description
技术领域
本申请涉及图像重建技术领域,特别是涉及一种医学图像迭代重建方法、装置、计算机设备和存储介质。
背景技术
迭代重建采用原始数据空间迭代,通过若干次的迭代,逐次对待处理的图像进行改善。在高对比度的情况下提高图像分辨率;在低对比度的情况下降低噪声。迭代重建的过程中由于正则化项的存在,如果使用边缘保持特性强的三维正则化,则在Z方向信息大的地方,由于Z方向边缘保持而导致图像出现不自然的伪影。
计算机断层扫描设备获取的断层图像为横断面图像,也就是XY平面的图像,Z方向为垂直于XY平面的方向。根据多幅断层图像重建三维图像的体素在XYZ空间的排布。上述这种伪影的产生,主要是因为三维正则化项包含了Z方向,而在Z方向出现伪影的区域都是Z方向信息比较大的地方,边缘保持特性会导致这部分区域的降噪效果变弱,从而在迭代过程中降噪效果差,从而在迭代完成后,在Z方向表现出边缘保持很好,因为实际上在Z方向上正则化项起到的作用小,而在X、Y方向就会看到不自然的出现伪影的图像。
目前的传统技术,通常使用很薄的层厚来重建图像,由于使用更薄的层厚,就降低了Z方向信息,也就可以降低伪影。但更薄的层厚图像所带来的问题是重建速度慢,而在临床医学中,重建速度是其广泛使用的关键因素。
发明内容
基于此,有必要针对上述技术问题,提供一种能够消除伪影并加快重建速度的医学图像迭代重建方法、装置、计算机设备和存储介质。
一种医学图像迭代重建方法,所述方法包括:获取初始图像;根据所述初始图像计算所述初始图像的Z方向信息;根据所述初始图像的Z方向信息得到正则化项参数,并根据正则化项参数确定目标函数;根据所述初始图像和目标函数进行迭代重建。
在其中一个实施例中,所述根据所述初始图像的Z方向信息得到正则化项参数包括:根据所述初始图像的Z方向信息和预设函数关系,计算得到正则化项参数,所述正则化项参数包括Z方向参数。
在其中一个实施例中,所述初始图像的Z方向信息包括初始图像的Z方向像素值变化信息;所述预设函数关系使得当所述初始图像的Z方向像素值变化增大时,所述正则化项参数减小或不变。
在其中一个实施例中,所述预设函数为以Z方向像素值作为自变量,以正则化项参数作为因变量的单调不减函数。
在其中一个实施例中,所述预设函数为具有一个或多个分界点的分段函数。
在其中一个实施例中,所述所述预设函数包括:预先设置第一阈值、第二阈值以及预设Z方向参数,且所述第一阈值大于所述第二阈值。
在其中一个实施例中,所述预设函数包括:若所述Z方向信息大于第一阈值时,则将所述正则化项中的Z方向参数调整为预设Z方向参数,得到所述正则化项;若所述Z方向信息小于等于第一阈值且大于等于第二阈值时,将所述正则化项中的Z方向参数根据预设曲线进行动态调整,得到所述正则化项;若所述Z方向信息小于第二阈值时,所述正则化项中的Z方向参数保持不变,得到所述正则化项。
一种医学图像迭代重建装置,所述装置包括:获取模块,用于获取初始图像;计算模块,用于根据所述初始图像计算所述初始图像的Z方向信息;正则化项模块,用于根据所述初始图像的Z方向信息得到正则化项参数,并根据正则化项参数确定目标函数;重建模块,用于根据所述初始图像和目标函数进行迭代重建。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下方法步骤:获取初始图像;根据所述初始图像计算所述初始图像的Z方向信息;根据所述初始图像的Z方向信息得到正则化项参数,并根据正则化项参数确定目标函数;根据所述初始图像和目标函数进行迭代重建。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种所述的方法的步骤。
上述医学图像迭代重建方法、装置、计算机设备和存储介质,通过获取初始图像,再根据初始图像获取其Z方向信息,根据Z方向信息得到正则化项,并根据正则化项参数确定目标函数。最终根据初始图像以及目标函数进行迭代重建。上述方法能够根据图像体积中的Z方向信息得到不同Z方向参数的正则化项,使正则化项能够适应不同的像素处的Z方向值,从而达到加快迭代重建的目的,并且能够更好的消除迭代重建时产生的伪影。
附图说明
图1为一个实施例中医学图像迭代重建方法的流程示意图;
图2为一个实施例中原始迭代重建方法得到的图像;
图3为一个实施例中调整Z方向参数后迭代重建方法得到的图像;
图4为另一个实施例中原始迭代重建方法得到的图像;
图5为另一个实施例中调整Z方向参数后迭代重建方法得到的图像;
图6为另一个实施例中原始迭代重建方法得到的图像;
图7为另一个实施例中调整Z方向参数后迭代重建方法得到的图像;
图8为一个实施例中医学图像迭代重建装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
附图标记:获取模块100、计算模块200、正则化项模块300、重建模块400。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图像重建主要包括去噪、去模糊、插值和超分辨率重建等几个方面的内容,而这几个方面的内容都属于病态反问题的范畴,直接求解并不能得到有效的稳定的解,一些经典的平滑算法往往会破坏边缘的很多细节信息。而基于正则化求解病态反问题,通过选取最优正则化参数进行图像重建能够有效的保留图像边缘信息,又能够对图像边缘处的伪影进行消除。
在一个实施例中,如图1所示,提供了一种医学图像迭代重建方法,包括以下步骤:
步骤S102,获取初始图像。
具体地,初始图像为医疗成像设备对待扫描物体进行扫描后生成的图像。其中,医疗设备可以为CT(计算机断层扫描设备)、PET-CT(正电子断层扫描设备)、磁共振设备等任一种医疗成像设备。
步骤S104,根据所述初始图像计算所述初始图像的Z方向信息。
具体地,根据得到的初始图像;计算相应初始图像的Z方向信息,其中所述初始图像的Z方向信息包括初始图像的Z方向像素值变化信息。
在其中一个实施例中,计算Z方向信息的公式为:
zgradx,y,z=Ux,y,z-Ux,y,z+1
其中,zgradx,y,z表示Z方信息,Ux,y,z表示坐标(x,y,z)处的像素值。
目前在迭代重建中应用较为广泛的正则化项有总变分正则化(Total Variation,TV)以及基于马尔可夫随机场的正则化(Markov Random Fields,GGMRF)等。
在其中一个实施例中,总变分正则化(Total Variation,TV)的计算公式为:
其中,Ux,y,z表示坐标(x,y,z)处的像素值;Δx表示正则化项X方向参数,具体表示当前体积中每个体素在x方向的尺寸大小;Δy表示正则化项Y方向参数,具体表示当前体积中每个体素在y方向的尺寸大小;Δz表示正则化项Z方向参数,具体表示当前体积中每个体素在z方向的尺寸大小;ε为一个很小的参数值,用于避免在一阶导和二阶导的计算中除法出现除零的情况。
在其中一个实施例中,基于马尔可夫随机场的正则化(Markov Random Fields,GGMRF)的计算公式为:
其中,(xj,yj,zj)表示第j个像素的三维坐标;(xk,yk,zk)表示第k个像素的三维坐标;Uj表示第j个像素的像素值;Uk表示第k个像素的像素值;Δx表示正则化项X方向参数,具体表示当前体积中每个体素在x方向的尺寸大小;Δy表示正则化项Y方向参数,具体表示当前体积中每个体素在y方向的尺寸大小;Δz表示正则化项Z方向参数,具体表示当前体积中每个体素在z方向的尺寸大小;ε、p、r、c表示正则化参数。
在进行迭代重建之前,首先获取正则化项参数,并根据正则化项参数确定目标函数,通过调整正则化项的参数在保持边缘细节信息的基础上,降低图像边缘处的伪影。
步骤S106,根据所述初始图像的Z方向信息得到正则化项参数,并根据正则化项参数确定目标函数。
具体地,根据所述初始图像的Z方向信息和预设函数关系,计算得到正则化项参数,所述正则化项参数包括Z方向参数。其中,所述初始图像的Z方向信息包括初始图像的Z方向像素值变化信息;所述预设函数关系使得当所述初始图像的Z方向像素值变化增大时,所述正则化项参数减小或不变。Z方向像素值变化可以用像素值梯度表示,也可以用相邻像素值差表示等。并且所述预设函数为以Z方向像素值作为自变量,以正则化项参数作为因变量的单调不减函数。并且所述预设函数为具有一个或多个分界点的分段函数。
根据上述的总变分正则化(Total Variation,TV)计算公式以及基于马尔可夫随机场的正则化(Markov Random Fields,GGMRF)计算公式,当Z方向层厚非常大时,Δz也会非常大,也就是说,当Z方向层厚趋近于无穷大时,Δz可以认为无限大,则公式中Δz项无限接近于零。为了降低Z方向信息大而引起的伪影,将Δz变为一个跟Z方向信息相关的变量,Z方向信息大的地方将Δz变大,也就是Z方向信息大的地方使正则化项的Z方向参数无限大;Z方向信息小的地方Δz保持不变,维持正则化项。也即,若所述Z方向信息大于阈值,则将所述正则化项中的Z方向参数调整为预设Z方向参数,得到所述正则化项,根据正则化项确定目标函数;若所述Z方向信息小于等于阈值,则根据Z方向信息计算得到所述正则化项,根据正则化项确定目标函数。其中,阈值为根据实际临床人体信息确定。
更具体的,预先设置第一阈值、第二阈值以及预设Z方向参数。其中,第一阈值大于第二阈值,并且预设Z方向参数大于正则化项中的原始Z方向参数。若所述Z方向信息大于第一阈值时,将所述正则化项中的Z方向参数调整为预设Z方向参数,得到所述正则化项,根据正则化项确定目标函数。其中较大的预设Z方向参数使正则化项中的Z方向信息无限接近于零。若所述Z方向信息小于等于第一阈值且大于等于第二阈值时,将所述正则化项中的Z方向参数根据预设曲线进行动态调整,得到所述正则化项,根据正则化项确定目标函数;若所述Z方向信息小于第二阈值时,所述正则化项中的Z方向参数保持不变,得到所述正则化项,根据正则化项确定目标函数。
在其中一个实施例中,调整Z方向参数的公式为:
其中,Δ′z为调整后的Z方向参数;zlimit为预设Z方向参数;zgrad为Z方向信息;T2为第一阈值;T1为第二阈值。Z方向信息小于等于第一阈值且大于等于第二阈值时,将所述正则化项Z方向参数根据预设曲线进行动态调整,预设曲线可以是线性曲线,也可以是经测试任意合理的曲线。其中,第一阈值、第二阈值根据实际临床人体信息确定。预设曲线为对实际临床数据进行机器学习得到的曲线。
上述的总变分正则化(Total Variation,TV)计算公式以及基于马尔可夫随机场的正则化(Markov Random Fields,GGMRF)计算公式,直接根据Z方向信息的大小,将Δz调整为Δ′z,得到正则化项,并建立确定目标函数。
在其中一个实施例中,可以给总变分正则化(Total Variation,TV)计算公式以及基于马尔可夫随机场的正则化(Markov Random Fields,GGMRF)计算公式乘以一个系数,该系数的大小与Z方向信息相关。根据Z方向信息确定系数,得到正则化项,并建立确定目标函数。例如所述系数与初始图像的像素梯度建立函数关系,使所述系数随初始图像像素变化的增大而减小。
步骤S108,根据所述初始图像和目标函数进行迭代重建。
在其中一个实施例中,迭代重建的目标函数为:
其中,X为求解后得到的图像;Y为输入图像;A为当前医疗成像***的矩阵;W为依据噪声统计模型加入的加权系数;R(X)为正则化项;β为正则化项系数。
首先将初始图像输入,得到第一次求解后的图像;再将得到的第一次求解后图像输入,得到第二次求解后的图像,每一次迭代的输入都是将前一次得到的求解图像作为输入,得到最新的求解图像。直到得到的求解图像符合图像重建的需求,完成迭代重建。
具体地,将获取到的初始图像以及得到的正则化项,根据上述目标函数进行迭代重建,得到边缘信息完整,并且消除伪影的图像。
上述医学图像迭代重建方法,首先获取初始图像,再根据初始图像计算所述初始图像的Z方向信息,根据Z方向信息自适应的确定正则化项中Z方向参数,并根据Z方向参数确定目标函数,在根据初始图像以及目标函数进行迭代重建。也就是说,对于Z方向信息大对应的高密度的地方,使正则化项中的Z方向的比重无限趋近于零;对于Z方向信息小对应的低密度的地方,使正则化项中Z方向的比重保持正常;对于Z方向信息中等的地方,使正则化项中Z方向比重会降低。能够在层厚不变的情况下,根据Z方向信息自适应的确定Z方向在正则化项中的比重,在保持低密度特性好的同时减弱伪影。
如图2-7所示,图2为一个实施例中原始迭代重建方法得到的图像;图3为一个实施例中调整Z方向参数后迭代重建方法得到的图像;图4为另一个实施例中原始迭代重建方法得到的图像;图5为另一个实施例中调整Z方向参数后迭代重建方法得到的图像;图6为另一个实施例中原始迭代重建方法得到的图像;图7为另一个实施例中调整Z方向参数后迭代重建方法得到的图像。根据上述图像可以明显的看出,调整Z方向参数后的迭代重建方法重建后得到的图像低密度特性好,并且能够达到减弱伪影的目的。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种医学图像迭代重建装置,包括:获取模块100、计算模块200、正则化项模块300和重建模块400,其中:
获取模块100,用于获取初始图像;
计算模块200,用于根据所述初始图像计算所述初始图像的Z方向信息;
正则化项模块300,用于根据所述初始图像的Z方向信息得到正则化项参数,并根据正则化项参数确定目标函数;
重建模块400,用于根据所述初始图像和目标函数进行迭代重建。
正则化项模块300,还用于根据所述初始图像的Z方向信息和预设函数关系,计算得到正则化项参数,所述正则化项参数包括Z方向参数。
所述初始图像的Z方向信息包括初始图像的Z方向像素值变化信息。所述预设函数关系使得当所述初始图像的Z方向像素值变化增大时,所述正则化项参数减小或不变。所述预设函数为以Z方向像素值作为自变量,以正则化项参数作为因变量的单调不减函数。所述预设函数为具有一个或多个分界点的分段函数。
迭代重建装置还包括:预设模块,用于预先设置第一阈值、第二阈值以及预设Z方向参数,且所述第一阈值大于所述第二阈值。
正则化项模块300,还用于若所述Z方向信息大于第一阈值时,则将所述正则化项中的Z方向参数调整为预设Z方向参数,得到所述正则化项;若所述Z方向信息小于等于第一阈值且大于等于第二阈值时,将所述正则化项中的Z方向参数根据预设曲线进行动态调整,得到所述正则化项;若所述Z方向信息小于第二阈值时,所述正则化项中的Z方向参数保持不变,得到所述正则化项。
关于医学图像迭代重建装置的具体限定可以参见上文中对于医学图像迭代重建方法的限定,在此不再赘述。上述医学图像迭代重建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学图像迭代重建方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取初始图像;根据所述初始图像计算所述初始图像的Z方向信息;根据所述初始图像的Z方向信息得到正则化项参数,并根据正则化项参数确定目标函数;根据所述初始图像和目标函数进行迭代重建。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述初始图像的Z方向信息和预设函数关系,计算得到正则化项参数,所述正则化项参数包括Z方向参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若所述Z方向信息大于阈值,则将所述正则化项中的Z方向参数调整为预设Z方向参数,得到所述正则化项;若所述Z方向信息小于等于阈值,则根据Z方向信息计算得到所述正则化项。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若所述Z方向信息大于第一阈值时,则将所述正则化项中的Z方向参数调整为预设Z方向参数,得到所述正则化项;若所述Z方向信息小于等于第一阈值且大于等于第二阈值时,将所述正则化项中的Z方向参数根据预设曲线进行动态调整,得到所述正则化项;若所述Z方向信息小于第二阈值时,所述正则化项中的Z方向参数保持不变,得到所述正则化项。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取初始图像;根据所述初始图像计算所述初始图像的Z方向信息;根据所述初始图像的Z方向信息得到正则化项参数,并根据正则化项参数确定目标函数;根据所述初始图像和目标函数进行迭代重建。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述初始图像的Z方向信息和预设函数关系,计算得到正则化项参数,所述正则化项参数包括Z方向参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若所述Z方向信息大于阈值,则将所述正则化项中的Z方向参数调整为预设Z方向参数,得到所述正则化项;若所述Z方向信息小于等于阈值,则根据Z方向信息计算得到所述正则化项。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若所述Z方向信息大于第一阈值时,则将所述正则化项中的Z方向参数调整为预设Z方向参数,得到所述正则化项;若所述Z方向信息小于等于第一阈值且大于等于第二阈值时,将所述正则化项中的Z方向参数根据预设曲线进行动态调整,得到所述正则化项;若所述Z方向信息小于第二阈值时,所述正则化项中的Z方向参数保持不变,得到所述正则化项。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种医学图像迭代重建方法,其特征在于,所述方法包括:
获取初始图像;
根据所述初始图像计算所述初始图像的Z方向信息;
根据所述初始图像的Z方向信息和预设函数关系,计算得到正则化项参数,并根据正则化项参数确定目标函数;其中,所述初始图像的Z方向信息包括初始图像的Z方向像素值变化信息,所述预设函数关系使得当所述初始图像的Z方向像素值变化增大时所述正则化项参数减小或不变,所述正则化项参数包括Z方向参数;
根据所述初始图像和目标函数进行迭代重建。
2.根据权利要求1所述的方法,其特征在于,
所述预设函数为以Z方向像素值作为自变量,以正则化项参数作为因变量的单调不减函数。
3.根据权利要求1所述的方法,其特征在于,所述预设函数为具有一个或多个分界点的分段函数。
4.根据权利要求1所述的方法,其特征在于,所述所述预设函数包括:
预先设置第一阈值、第二阈值以及预设Z方向参数,且所述第一阈值大于所述第二阈值。
5.根据权利要求4所述的方法,其特征在于,所述预设函数包括:
若所述Z方向信息大于第一阈值时,则将所述正则化项中的Z方向参数调整为预设Z方向参数,得到所述正则化项;
若所述Z方向信息小于等于第一阈值且大于等于第二阈值时,将所述正则化项中的Z方向参数根据预设曲线进行动态调整,得到所述正则化项;
若所述Z方向信息小于第二阈值时,所述正则化项中的Z方向参数保持不变,得到所述正则化项。
6.一种医学图像迭代重建装置,其特征在于,所述装置包括:获取模块,用于获取初始图像;
计算模块,用于根据所述初始图像计算所述初始图像的Z方向信息;
正则化项模块,用于根据所述初始图像的Z方向信息和预设函数关系,计算得到正则化项参数,并根据正则化项参数确定目标函数;其中,所述初始图像的Z方向信息包括初始图像的Z方向像素值变化信息,所述预设函数关系使得当所述初始图像的Z方向像素值变化增大时所述正则化项参数减小或不变,所述正则化项参数包括Z方向参数;
重建模块,用于根据所述初始图像和目标函数进行迭代重建。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下方法步骤:
获取初始图像;
根据所述初始图像计算所述初始图像的Z方向信息;
根据所述初始图像的Z方向信息和预设函数关系,计算得到正则化项参数,并根据正则化项参数确定目标函数;其中,所述初始图像的Z方向信息包括初始图像的Z方向像素值变化信息,所述预设函数关系使得当所述初始图像的Z方向像素值变化增大时所述正则化项参数减小或不变,所述正则化项参数包括Z方向参数;
根据所述初始图像和目标函数进行迭代重建。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480554.0A CN109544657B (zh) | 2018-12-05 | 2018-12-05 | 医学图像迭代重建方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480554.0A CN109544657B (zh) | 2018-12-05 | 2018-12-05 | 医学图像迭代重建方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544657A CN109544657A (zh) | 2019-03-29 |
CN109544657B true CN109544657B (zh) | 2023-11-28 |
Family
ID=65853763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811480554.0A Active CN109544657B (zh) | 2018-12-05 | 2018-12-05 | 医学图像迭代重建方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544657B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833364A (zh) * | 2019-04-19 | 2020-10-27 | 湖北民族大学 | X光图像边缘检测方法、装置、计算机设备和存储介质 |
CN111311184B (zh) * | 2020-02-14 | 2024-06-21 | 中国平安人寿保险股份有限公司 | 基于匹配程度值的数据判断方法、装置和计算机设备 |
CN112017258B (zh) * | 2020-09-16 | 2024-04-30 | 上海联影医疗科技股份有限公司 | Pet图像重建方法、装置、计算机设备以及存储介质 |
CN112347452B (zh) * | 2020-11-10 | 2023-08-04 | 上海祺鲲信息科技有限公司 | 电子合同签署的方法、电子设备及存储介质 |
CN112634388B (zh) * | 2020-11-30 | 2024-01-02 | 明峰医疗***股份有限公司 | 一种ct迭代重建代价函数的优化方法及ct图像重建方法、***及ct |
CN112507546B (zh) * | 2020-12-03 | 2022-11-01 | 中国石油天然气股份有限公司 | 指示信息确定方法及装置 |
CN113961124B (zh) * | 2021-09-27 | 2024-02-27 | 上海联影医疗科技股份有限公司 | 医学图像显示方法、装置、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7423430B1 (en) * | 2007-04-06 | 2008-09-09 | The Board Of Trustees Of The University Of Illinois | Adaptive parallel acquisition and reconstruction of dynamic MR images |
CN102831594A (zh) * | 2011-04-29 | 2012-12-19 | 三菱电机株式会社 | 将图像分割成超像素的方法 |
CN103186890A (zh) * | 2011-12-30 | 2013-07-03 | 上海联影医疗科技有限公司 | Ct重建图像环状伪影的去除方法 |
CN103185878A (zh) * | 2011-12-27 | 2013-07-03 | 上海联影医疗科技有限公司 | 磁共振图像并行采集以及图像重建方法 |
US8593480B1 (en) * | 2011-03-15 | 2013-11-26 | Dolby Laboratories Licensing Corporation | Method and apparatus for image data transformation |
CN106251380A (zh) * | 2016-07-29 | 2016-12-21 | 上海联影医疗科技有限公司 | 图像重建方法 |
CN106683144A (zh) * | 2016-12-30 | 2017-05-17 | 上海联影医疗科技有限公司 | 一种图像迭代重建方法及装置 |
CN106780649A (zh) * | 2016-12-16 | 2017-05-31 | 上海联影医疗科技有限公司 | 图像的伪影去除方法和装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8897528B2 (en) * | 2006-06-26 | 2014-11-25 | General Electric Company | System and method for iterative image reconstruction |
US7469037B2 (en) * | 2007-04-03 | 2008-12-23 | Illinois Institute Of Technology | Method for detecting a mass density image of an object |
KR20120011694A (ko) * | 2010-07-29 | 2012-02-08 | 삼성전자주식회사 | 영상 처리 방법 및 장치와 이를 채용한 의료영상시스템 |
US11510600B2 (en) * | 2012-01-04 | 2022-11-29 | The Trustees Of Dartmouth College | Method and apparatus for quantitative and depth resolved hyperspectral fluorescence and reflectance imaging for surgical guidance |
DE102012204977B4 (de) * | 2012-03-28 | 2017-05-18 | Siemens Healthcare Gmbh | Verfahren zur iterativen Bildrekonstruktion für Bi-Modale CT-Daten sowie entsprechende Recheneinheit, Computertomographiesystem, Computerprogramm und Datenträger |
US9558569B2 (en) * | 2014-08-12 | 2017-01-31 | Toshiba Medical Systems Corporation | Method and system for substantially reducing cone beam artifacts based upon image domain differentiation in circular computer tomography (CT) |
US9600861B2 (en) * | 2015-07-26 | 2017-03-21 | Macau University Of Science And Technology | Single image super-resolution method using transform-invariant directional total variation with S½+L½-norm |
JP6618754B2 (ja) * | 2015-10-06 | 2019-12-11 | キヤノンメディカルシステムズ株式会社 | 磁気共鳴イメージング装置、画像処理装置、及び画像処理方法 |
-
2018
- 2018-12-05 CN CN201811480554.0A patent/CN109544657B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7423430B1 (en) * | 2007-04-06 | 2008-09-09 | The Board Of Trustees Of The University Of Illinois | Adaptive parallel acquisition and reconstruction of dynamic MR images |
US8593480B1 (en) * | 2011-03-15 | 2013-11-26 | Dolby Laboratories Licensing Corporation | Method and apparatus for image data transformation |
CN102831594A (zh) * | 2011-04-29 | 2012-12-19 | 三菱电机株式会社 | 将图像分割成超像素的方法 |
CN103185878A (zh) * | 2011-12-27 | 2013-07-03 | 上海联影医疗科技有限公司 | 磁共振图像并行采集以及图像重建方法 |
CN103186890A (zh) * | 2011-12-30 | 2013-07-03 | 上海联影医疗科技有限公司 | Ct重建图像环状伪影的去除方法 |
CN106251380A (zh) * | 2016-07-29 | 2016-12-21 | 上海联影医疗科技有限公司 | 图像重建方法 |
CN106780649A (zh) * | 2016-12-16 | 2017-05-31 | 上海联影医疗科技有限公司 | 图像的伪影去除方法和装置 |
CN106683144A (zh) * | 2016-12-30 | 2017-05-17 | 上海联影医疗科技有限公司 | 一种图像迭代重建方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于超分辨率重建的图像增强算法研究;张翼飞等;《应用光学》;20110315(第02期);全文 * |
航空重力梯度数据向下延拓的正则化方法及参数选取研究;李伟等;《大地测量与地球动力学》;20170215(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109544657A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544657B (zh) | 医学图像迭代重建方法、装置、计算机设备和存储介质 | |
Zhou et al. | Handbook of medical image computing and computer assisted intervention | |
Wu et al. | Computationally efficient deep neural network for computed tomography image reconstruction | |
CN109523584B (zh) | 图像处理方法、装置、多模态成像***、存储介质及设备 | |
EP2380132B1 (en) | Denoising medical images | |
CN107527359B (zh) | 一种pet图像重建方法及pet成像设备 | |
US7831097B2 (en) | System and method for image reconstruction | |
US20130202177A1 (en) | Non-linear resolution reduction for medical imagery | |
CN110717956B (zh) | 一种有限角投影超像素引导的l0范数最优化重建方法 | |
US20190197674A1 (en) | Feature-based image processing using feature images extracted from different iterations | |
Lee et al. | A metal artifact reduction method using a fully convolutional network in the sinogram and image domains for dental computed tomography | |
CN108460723B (zh) | 基于邻域相似性的双边全变分图像超分辨率重建方法 | |
CN113610752A (zh) | 乳腺图像配准方法、计算机设备和存储介质 | |
CN110570379B (zh) | 一种基于结构张量的非局部均值ct图像降噪方法 | |
Sahu et al. | An application of deep dual convolutional neural network for enhanced medical image denoising | |
Chen et al. | Multiplicative denoising based on linearized alternating direction method using discrepancy function constraint | |
CN111091504B (zh) | 图像偏差场矫正方法、计算机设备和存储介质 | |
CN111047587B (zh) | 图像的噪声估计方法、计算机设备和存储介质 | |
Islam et al. | Super resolution of 3d MRI images using a Gaussian scale mixture model constraint | |
Li | Anisotropic mesh adaptation for image representation | |
CN105574904B (zh) | 一种图像重建方法、装置及设备 | |
EP3779887B1 (en) | Computer-implemented method of deriving 3d image data of a reconstruction volume and computer readable medium | |
Ren et al. | High-resolution image reconstruction for PET using local and non-local regularizations | |
CN105143865A (zh) | 用于相关噪声去除的扩展场迭代重构技术(efirt) | |
Xin et al. | Guided block matching and 4-D transform domain filter projection denoising method for dynamic PET image reconstruction |
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 | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |