CN111369635A - 预测截断图像的***和方法、准备数据的方法及其介质 - Google Patents

Abstract

本发明涉及预测截断图像的***和方法、准备数据的方法及其介质。其中准备数据的方法包括虚拟模拟步骤，用于对图像数据进行虚拟模拟，以同时得到有数据截断的虚拟失真图像和没有数据截断的虚拟精标准图像。所述预测截断图像的方法基于训练的学习网络预测截断图像，所述训练的学习网络是基于通过上述准备数据的方法来得到的虚拟失真图像和虚拟精标准图像构成的数据集进行数据训练得到的。还提供与上述方法对应的***以及记录的指令可实现上述方法的记录介质。

Description

预测截断图像的***和方法、准备数据的方法及其介质

技术领域

本发明涉及医疗成像领域，特别涉及在计算机断层扫描(CT)成像中为预测截断图像准备数据以及基于该数据预测截断图像的技术。

背景技术

在CT扫描的过程中，使用检测器来采集通过患者身体后的X射线的数据，之后再对这些采集到的X射线数据进行处理以得到投影数据。可利用这些投影数据来重建切片图像。完整的投影数据可重建准确的切片图像以用于诊断。

然而，如果患者体型较大或摆放特殊的姿势，那么该患者身体的某些部位就会超出扫描域，检测器也就无法采集到完整的投影数据，这被称之为数据截断。这种数据截断会带来截断伪影，并最终导致得到失真的重建图像。失真的图像在放射治疗中肯定是不理想的，因为医生在诊断时必需要知道身体皮肤的线条和沿着射线束的CT数，这样才可以准确判断出应该施加到患者身上的放射剂量，但是失真的图像无法准确体现上述信息。这样一来，如何恢复扫描域外的图像(我们称之为截断图像)就是必须要解决的问题。

有好几种用于处理上述截断问题的传统方法，它们通过一些数学模型来预测被截断的投影数据，比如利用水模来预测截断部分，但是这些传统方法所恢复的截断图像的质量会随不同的实际情况而改变，性能也都不够理想。此外，不同的用户往往涉及不同的病人集，他们所需要的图像数据也有侧重点，但传统方法中从来未涉及要将图像数据进行分类。

近年来，又涌现出一种新技术，其中通过人工智能(AI)的方式来预测截断图像。通过AI来预测截断图像，其无疑有着传统技术无法比拟的巨大优势。然而，AI的性能取决于其输入数据。医院或研究机构和部门每天都会持续积累原始图像数据，但我们显然不能简单地将这些积累的原始图像数据都输入到AI网络中进行学习，因为AI的性能取决的是输入数据的质量，而不是数量。另一方面，通过AI来预测截断图像，必须要有对应失真图像的输入数据集和对应没有数据截断的精标准图像的精标准数据集被同时输入进AI网络中，然而这样的图像并不容易获取，或者，数据类型也较为单一。

发明内容

本发明的一个目的在于克服现有技术中的上述和/或其他问题，其能够获得充足、可靠的数据用于算法验证，从而大大有助于提高对截断图像进行预测的准确率。

根据本发明的第一方面，提供一种用于为预测截断图像准备数据的方法，其包括虚拟模拟步骤，用于对图像数据进行虚拟模拟，以同时得到有数据截断的虚拟失真图像和没有数据截断的虚拟精标准图像。

较佳地，在所述虚拟模拟步骤前，所述方法还包括自适应分类步骤，该自适应分类步骤用于根据预先定义的特征对采集到的图像数据进行自适应分类，所述虚拟模拟步骤用于对所述分类后的图像数据进行虚拟模拟。

所述预先定义的特征可包括图像数据类型。进一步地，所述预先定义的特征还可包括所述图像数据类型对应的可能性。

所述图像数据类型可为患者的解剖部位。

较佳地，所述虚拟模拟步骤进一步包括：接收没有数据截断的原始图像；使所述原始图像中对应目标物体的部分虚拟平移(offset)以部分地移出扫描域，从而得到虚拟精标准图像；对所述虚拟精标准图像进行模拟扫描并进行虚拟数据采集，以生成虚拟截断数据；以及对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。

较佳地，所述虚拟模拟步骤进一步包括：接收没有数据截断的原始图像，所述原始图像被用作虚拟精标准图像；使所述原始图像保持在扫描域内，并对该原始图像进行正投影处理以得到该原始图像的正弦图；切除所述正弦图的左侧通道和右侧通道，并用填充值进行填补，以生成虚拟截断数据；以及对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。

更较佳地，上述填充值为边缘填充值。

根据本发明的第二方面，提供一种用于预测截断图像的方法，包括如下步骤：基于训练的学习网络预测截断图像，所述训练的学习网络是基于通过采用上述准备数据的方法来得到的虚拟失真图像和虚拟精标准图像构成的数据集进行数据训练得到的。

根据本发明的第三方面，提供一种用于预测截断图像的***，包括：虚拟模拟装置，用于对图像数据进行虚拟模拟，以同时得到有数据截断的虚拟失真图像和没有数据截断的虚拟精标准图像；以及预测装置，用于基于训练的学习网络预测截断图像，所述训练的学习网络是基于所述虚拟失真图像和虚拟精标准图像构成的数据集进行数据训练得到的。

较佳地，所述***还包括自适应分类器，用于根据预先定义的特征对采集到的图像数据进行自适应分类，所述虚拟模拟装置用于对分类后的图像数据进行虚拟模拟。

较佳地，所述虚拟模拟装置进一步被配置为：接收没有数据截断的原始图像；使所述原始图像中对应目标物体的部分虚拟平移(offset)以部分地移出扫描域，从而得到虚拟精标准图像；对所述虚拟精标准图像进行模拟扫描并进行虚拟数据采集，以生成虚拟截断数据；以及对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。

较佳地，所述虚拟模拟装置进一步被配置为：接收没有数据截断的原始图像，所述原始图像被用作虚拟精标准图像；使所述原始图像保持在扫描域内，并对该原始图像进行正投影处理以得到该原始图像的正弦图；切除所述正弦图的左侧通道和右侧通道，并用填充值进行填补，以生成虚拟截断数据；以及对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。

根据本发明的第四方面，还提供一种计算机可读存储介质，其上记录的指令能够实现上述方法和***。

根据本发明的用于为预测截断图像准备数据的方法，能够智能地模拟出真实的数据截断，得到截断图像的预测所需要的失真图像和精标准图像；不仅如此，其还能够附加地将图像数据智能分类到不同的类别，从而更加有利于上述失真图像和精标准图像。

而根据本发明的用于预测截断图像的方法和***基于训练的学习网络预测截断图像，所述训练的学习网络正是基于由上述虚拟失真图像和虚拟精标准图像构成的数据集进行数据训练得到的，由此能够快速且更加准确地获得预测结果。

通过下面的详细描述、附图以及权利要求，其他特征和方面会变得清楚。

附图说明

通过结合附图对于本发明的示例性实施例进行描述，可以更好地理解本发明，在附图中：

图1是根据本发明示例性实施例的用于为预测截断图像准备数据的方法的流程图；

图2是图1所示方法中虚拟模拟步骤的第一实施例的流程图；

图3是图1所示方法中虚拟模拟步骤的第一实施例的示意图；

图4是图1所示方法中虚拟模拟步骤的第二实施例的流程图；

图5是图1所示方法中虚拟模拟步骤的第二实施例的示意图；

图6是根据本发明示例性实施例的用于为预测截断图像准备数据的方法的可选实施例的流程图；

图7示出了图6所示方法中自适应分类步骤中数据分类的一个示例；

图8是根据本发明示例性实施例的用于预测截断图像的方法的流程图；

图9是根据本发明示例性实施例的用于预测截断图像的***的示意性框图；以及

图10示出了根据本发明示例性实施例的用于预测截断图像的***的一个示例。

具体实施例

以下将描述本发明的具体实施方式，需要指出的是，在这些实施方式的具体描述过程中，为了进行简明扼要的描述，本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是，在任意一种实施方式的实际实施过程中，正如在任意一个工程项目或者设计项目的过程中，为了实现开发者的具体目标，为了满足***相关的或者商业相关的限制，常常会做出各种各样的具体决策，而这也会从一种实施方式到另一种实施方式之间发生改变。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本公开揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本公开的内容不充分。

除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，也不限于是直接的还是间接的连接。

根据本发明的实施例，提供了一种用于为预测截断图像准备数据的方法。

参考图1，图1是根据本发明示例性实施例的用于为预测截断图像准备数据的方法10的流程图。该方法10可以包含步骤200。

如图1所示，在步骤200(虚拟模拟步骤)中，对图像数据进行虚拟模拟，以同时得到有数据截断的虚拟失真图像和没有数据截断的虚拟精标准图像。

方法10要为预测截断图像准备数据，具体比如要为基于AI方式的截断图像预测准备数据。这样一来，就需要为AI网络学习准备两种数据集：一种是输入数据集(即，由截断所导致的失真图像)；另一种是精标准数据集(即，没有任何截断)。

然而，在实际临床的病例中，因为已经发生了数据截断(例如，目标物体超出了扫描域)，即，已经失去了被截断的这部分数据，所以并无法得到精标准数据。根据本发明示例性实施例的用于为预测截断图像准备数据的方法10却能通过智能的方式来模拟上述数据截断，从而同时获得失真图像和精标准图像。

虚拟模拟的第一实施例

参考图2，在根据本发明的第一实施例中，上述步骤200可以进一步包括如下子步骤210至216。

具体地，在子步骤210中，接收没有数据截断的原始图像。该原始图像通常为切片图像，但不排除有时也会提供投影图像。然而，即使提供的是投影图像，只要通过反投影处理即可转换为切片图像。

参考图3，在子步骤212中，使所述原始图像中对应目标物体的部分(灰白色部分)虚拟平移(offset)以部分地移出扫描域，从而得到虚拟精标准图像。需要说明的是，在该过程中，原始的切片图像本身是保持不动的。扫描域本身是以焦点为圆心的圆，其可表示为例如DFOV50，该“50”即为扫描域的直径，其单位为cm。在扫描域为DFOV50的情况下，部分地移出扫描域，即为部分地掠过DFOV50的边缘。

接下来，如图2所示，在子步骤214中，对所述虚拟精标准图像进行模拟扫描并进行虚拟数据采集，以生成虚拟截断数据。如前面所述地，在子步骤212中所得到的虚拟精标准图像，即为原始图像中对应目标物体的那部分图像有一部分移出了扫描域(掠过了DFOV50的边缘)，这部分图像将不会被扫描到，也就是发生了虚拟数据截断。通过子步骤214，正可以得到虚拟截断数据，其为投影数据。

最后，在子步骤216中，对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。所述图像重建处理具体可以是反投影处理。所得到的虚拟失真图像为切片图像。

从图3可知，最后得到的虚拟精标准图像与原始的切片图像相比，仅仅是其中对应目标物体的那部分图像(灰白色部分)发生了平移，然而该灰白色部分在虚拟精标准图像中的数据是完整的，并未有任何截断。而最后得到的虚拟失真图像，其与原始的切片图像相比，不仅仅是其中对应目标物体的那部分图像(灰白色部分)发生了平移，而且该灰白色部分在虚拟失真图像中的数据明显是不完整的，其发生了数据截断。由此，仅仅通过一个虚拟模拟的过程，就可以从没有数据截断的切片图像同时得到AI网络学习所需要的输入数据和精标准数据。

虚拟模拟的第二实施例

根据本发明的虚拟模拟过程还可以通过另一种方式实现。

具体如图4所示，在根据本发明的第二实施例中，上述步骤200可以进一步包括如下子步骤220至226。

在子步骤220中，接收没有数据截断的原始图像，所述原始图像被用作虚拟精标准图像。如前面所述地，该原始图像通常为切片图像，但不排除有时也会提供投影图像，此时只要通过反投影处理即可转换为切片图像。结合图5可知，所述虚拟精标准图像不仅具有完整的数据，而且还处于扫描域(比如，DFOV50)的范围内。

接着，在子步骤222中，使所述原始图像(也就是虚拟精标准图像)保持在扫描域内，并对该原始图像进行正投影处理以得到该原始图像的正弦图。如前面所述地，所述原始图像不含任何截断，其中的数据是完整的，因此通过正投影处理就可以从该原始的切片图像得到完整的投影数据，即可以得到完整的正弦图数据，具体可参见图5。

随后，在子步骤224中，切除所述正弦图的左侧通道和右侧通道，并用填充值进行填补，以生成虚拟截断数据。如图5所示，正弦图中原来的左侧通道和右侧通道被替换为了填充值，由此便模拟出截断。

关于上述“填充值”，即为padding(填充)，其属性定义元素边框与元素内容之间的空间。padding简写属性在一个声明中设置所有内边距属性，设置所有当前或者指定元素内边距属性，该属性可以有1到4个值。单独使用填充属性是在一个声明中设置元素的所内边距属性，缩写填充属性也可以使用，一旦改变一个数值，则padding对应的距离都会改变。

本发明中所涉及的填充值即为该padding属性值，其较佳选择边缘padding属性值，即选择边缘填充值(比如，未截断部分最外侧通道的数值)来填补正弦图中原来左侧通道和右侧通道的部分。然而，实际操作中，根据需求也可以选择其它的填充值(比如，0)来进行填补。

最后，在子步骤226中，对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。与根据本发明的第一实施例相同，所述图像重建处理具体可以是反投影处理，所得到的虚拟失真图像为切片图像。如图5所示，最后得到的虚拟失真图像，其与原始的切片图像相比，数据明显是不完整的，特别是对应目标物体的那部分图像(灰白色部分)，即，发生了数据截断。

由此，采用了与上述第一实施例不同的方法虚拟模拟数据截断，在这个过程中同时得到AI网络学习所需要的输入数据(失真图像)和精标准数据(精标准图像)。

虽然以上描述了虚拟模拟的两个实施例，但这并不说明本发明只能采用这两种方式来模拟数据截断。根据本发明的用于为截断图像的预测准备数据的方法也可以采用其它的方式来虚拟模拟数据截断，以同时得到AI网络学习所需要的输入数据(失真图像)和精标准数据(精标准图像)。

根据本发明的虚拟模拟过程，完全解决了传统技术中得不到精标准数据的问题，而且还能够十分迅速和方便地获得足够的输入数据。

可选地，根据本发明示例性实施例的用于为预测截断图像准备数据的方法10在步骤200前，还可进一步包括步骤100(自适应分类步骤)，具体可参见图6。

步骤100根据预先定义的特征对采集到的图像数据进行自适应分类。该图像数据可能是投影图像，也可能是切片图像。如果是投影图像，只要通过常规的反投影处理即可转换为切片图像。步骤200再进一步地对步骤100分类后的图像数据进行虚拟模拟。

通过上述步骤100，方法10能够在对图像数据进行虚拟模拟之前先将该图像数据智能分类到不同的类别。

参考图7可知，在上述步骤100中，所述预先定义的特征可包括图像数据类型。具体地，该图像数据类型可以为患者的解剖部位。进一步地，所述预先定义的特征还可包括所述图像数据类型对应的可能性。

举例来说，上述解剖部位可包括肩部、胸部、腹部、骨盆和特殊模型(phantom)。此处所述的模型通常可以是体模，但有时也可以是水模。

在临床中，不同的用户(比如：医院、患者或研究机构等)会具有不同的患者数据集，因此他们可能需要为他们的AI网络训练提供不同的输入数据集。而根据本发明示例的自适应分类步骤100能够对数据输入进行配置，具体诸如数据类型、数据的可能性等，这样一来将大大改进AI网络的能力。

回到图6所示的方法，在进行虚拟模拟步骤200时，都会有一个非截断(没有数据截断)、完整的切片图像作为原始的模拟输入。这个切片图像来自于一个包含了人体从头到脚所有切片图像的数据集，这个庞大的数据集可以是由各类临床医疗机构(比如，医院)采集并对外公开的数据集，也可以是由用户自己采集的数据集。根据本发明示例的自适应分类步骤100正是要基于用户需要用哪个部位的图像来对所述庞大的数据集进行自适应分类。

举例来说，参见图7，在某个医院的病患中，肩部病患可能较多，因此因肩部病患而照射CT的患者也较多，这样所拿到的切片图像为肩膀部分的可能性就比较大，比如有40％的可能性；接下来较多的是骨盆患者，因此因骨盆病患而照射CT的患者次较多，相应地，所拿到的切片图像为骨盆部分的可能性就比肩膀的可能性略微小点，比如有30％的可能性；再接下来较多的是胸部和腹部的病患，因此因胸部和腹部病患而照射CT的患者就相对再减少些，相应地，所拿到的切片图像为胸部和腹部的可能性就更小，比如都为20％。同时，该医院还有被安装了特殊模型的病患，所以还要考虑所拿到的切片图像为特殊模型的可能性，比如为10％。根据上述医院的病患分布，可对特殊的数据类型(人体的部位)进行分类并优化其对应的可能性。具体地，可比如为数据分类预先定义如下两个特征：

特征1：特殊的病患部位(如图2所示，肩膀、胸部、腹部、骨盆、特殊模型)；

特征2：特殊的可能性(如图2所示，40％、20％、20％、30％、10％，分别对应上述各个病患部位)。

基于上述两个特征，可以对该医院采集的庞大的图像数据集进行自适应分类。由此，被输入到AI学习网络中的输入数据集可以被针对性地进行选择。

再比如，对于某些专科医院，比如胸科医院，病患应该几乎全部都是涉及胸部的，那么可以将上述特征1的“特殊的病患部位”设为“胸部”，而将上述特征2的“特殊的可能性”设为“100％”。还比如，即使在综合性医院中，如果所拿到的切片图像都是出自某个专门的科室(比如，神经外科)，也可以将上述特征1的“特殊的病患部位”设为“脑部”，而将上述特征2的“特殊的可能性”设为“100％”。

总之，可以根据各种实际情况和具体的需求来预先定义特征，而且虽然在上述的示例中所定义的特征是两个，但根据需要有时也可以定义更多的特征，而且该特征也并非仅限于数据的类型和对应的可能性。此外，即便是数据类型，其也不仅限于人体部位，也可以是能够被成像的其它结构或物体。

很显然地，上述用于为预测截断图像准备数据的方法，因为包含了如上所述的自适应分类步骤，所以可以大大地提高用于AI学习网络中的输入数据的质量。

进一步地，有了上述数据的准备，就可以通过AI的方式对截断图像进行预测了。具体可参见图8，其中示出了根据本发明示例性实施例的用于预测截断图像的方法80的流程图。

如图8所示，根据本发明示例性实施例的用于预测截断图像的方法80可包括步骤810。

在步骤810中，基于训练的学习网络预测截断图像，所述训练的学习网络是基于通过采用上述准备数据的方法来得到的虚拟失真图像和虚拟精标准图像构成的数据集进行数据训练得到的。

上述方法80通过根据本发明示例性实施例的数据准备方法来得到用于AI网络学习的数据集，在这个过程中不仅可以通过自适应数据分类来匹配用于不同用户的***校准的特殊病人集和医生习惯，而且最主要地还能智能地同时得到必需的AI训练数据(即，输入数据和精标准数据)。这样得到的数据集无疑非常有助于AI网络学习，可大大地提高通过AI方式来预测截断图像的准确性。

另外，本发明还提供了用于预测截断图像的***。

图9示出了根据本发明示例性实施例的用于预测截断图像的***900。该***900可包括虚拟模拟装置910和预测装置920。虚拟模拟装置910用于对图像数据进行虚拟模拟，以同时得到有数据截断的虚拟失真图像和没有数据截断的虚拟精标准图像。预测装置920则用于基于训练的学习网络预测截断图像，所述训练的学习网络是基于所述虚拟失真图像和虚拟精标准图像构成的数据集进行数据训练得到的。

进一步地，图10示出了根据本发明示例性实施例的用于预测截断图像的***的一个示例。

如图10所示，示例性的CT***1000配置成用于预测截断图像和/或为预测截断图像准备数据。确切地说，CT***1000配置成对目标物体进行成像；如果获得的图像具有截断，则对该具有截断的图像进行预测以恢复被截断的图像数据。上述目标物体可以为患者或其他任何需要成像的物体，在本示例中以患者为例。

在一个实施例中，CT***1000包括扫描架1002，该扫描架1002上相对地设置有X射线源1004和检测器阵列1008，该检测器阵列1008由多个检测器元件2002构成。X射线源1004用于朝向检测器阵列1008投射穿透患者的X射线1006，检测器阵列1008收集衰减的X射线束数据，该衰减的X射线束数据经预处理后作为患者的目标体积的投影数据。

在一个实施例中，CT***1000包括控制机构2008。控制机构2008可以包括X射线控制器2010，其用于向X射线源1004提供功率和定时信号。控制机构2008还可以包括扫描架电动机控制器2012，其用于基于成像要求控制扫描架1002的旋转速度和/或位置。此外，控制机构2008还可以包括患者床控制器2026，用于移动患者床2028以将患者(图中为示出)定位在扫描架1002内的适当位置。

在一个实施例中，CT***1000进一步包括数据采集***(DAS)2014，用于对从检测器元件2002接收到的模拟数据进行采样和数字化。

在一个实施例中，CT***100进一步包括计算装置2016，由DAS 2014采样和数字化的数据将被传输到计算机或计算装置2016进行处理。该计算装置2016可与操作员控制台2020进行通信以方便操作员操作，同时还可连接有显示器2032以方便操作员观察。此外，计算装置2016还可与图片存档及通信***(PACS)2024相连接。

在一个示例中，计算装置2016将数据存储在存储装置-例如计算机可读存储介质2018(图10中为大容量存储器)中。该计算机可读存储介质2018可以包括硬盘驱动器、软盘驱动器、光盘读/写(CD-R/W)驱动器、数字通用磁盘(DVD)驱动器、闪存驱动器和/或固态存储装置等。

此外，计算装置2016还可用于向DAS 2014、X射线控制器2010和扫描架电动机控制器2012、患者床控制器2026中的一者或多者提供命令和参数，以控制***操作，例如数据采集和/或处理。

CT***1000可进一步包括图像重建器2030，其基于上述经过采样和数字化的X射线数据、采用合适的图像重建方法来进行图像重建。例如，图像重建器2030可以使用例如滤波反投影(FBP)来重建患者的目标体积的图像。尽管图10中将图像重建器2030图示为单独实体，但是在某些实施例中，图像重建器2030可以被形成为计算装置2016的一部分。或者，图像重建器2030可以不存在于CT***1000中；亦或，计算装置2016可以执行图像重建器2030的一个或多个功能。此外，图像重建器2030可以位于本地或远程位置，并且可以使用有线或无线网络操作性地连接到CT***1000。

在一个实施例中，图像重建器2030将所重建的图像存储在存储装置或计算机可读存储介质2018中。或者，图像重建器2030将重建图像传输到计算装置2016，以生成用于诊断的患者信息。

在一个实施例中，CT***1000进一步包括截断图像预测装置，其可以接收来自上述计算装置2016或图像重建器2030的截断图像，并对该截断图像进行预测和/或恢复，上述截断图像预测装置可以被形成为计算装置2016或图像重建器2030的一部分(图10中为计算装置2016的一部分)。

在一个实施例中，CT***1000可进一步包括用于为截断图像预测准备数据的数据准备装置，该数据准备装置也可以被形成为计算装置2016或图像重建器2030的一部分(图10中为计算装置2016的一部分)。

需要说明的是，本说明书中进一步描述的各种方法和过程都可以以可执行指令的形式存储在CT***1000中的计算装置2016和/或图像重建器2030的计算机可读存储介质中。例如，截断图像预测装置、数据准备装置可以包括计算机可读存储介质的可执行指令，并且可以采用本说明书中所述的方法来预测截断图像/准备数据。

上面已经描述了一些示例性实施例。然而，应该理解的是，在不脱离本发明精神和范围的情况下，还可以对上述示例性实施例做出各种修改。例如，如果所描述的技术以不同的顺序执行和/或如果所描述的***、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充，也可以实现合适的结果，那么相应地，这些修改后的其它实施方式也落入权利要求书的保护范围内。

Claims (14)

1.一种用于为预测截断图像准备数据的方法，包括如下步骤：

虚拟模拟步骤，用于对图像数据进行虚拟模拟，以同时得到有数据截断的虚拟失真图像和没有数据截断的虚拟精标准图像。

2.如权利要求1所述的方法，其特征在于，在所述虚拟模拟步骤前，所述方法还包括自适应分类步骤，该自适应分类步骤用于根据预先定义的特征对采集到的图像数据进行自适应分类，所述虚拟模拟步骤用于对所述分类后的图像数据进行虚拟模拟。

3.如权利要求2所述的方法，其特征在于，所述预先定义的特征包括图像数据类型。

4.如权利要求3所述的方法，其特征在于，所述预先定义的特征还包括所述图像数据类型对应的可能性。

5.如权利要求3所述的方法，其特征在于，所述图像数据类型为患者的解剖部位。

6.如权利要求1所述的方法，其特征在于，所述虚拟模拟步骤进一步包括：

接收没有数据截断的原始图像；

使所述原始图像中对应目标物体的部分虚拟平移(offset)以部分地移出扫描域，从而得到虚拟精标准图像；

对所述虚拟精标准图像进行模拟扫描并进行虚拟数据采集，以生成虚拟截断数据；以及

对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。

7.如权利要求1所述的方法，其特征在于，所述虚拟模拟步骤进一步包括：

接收没有数据截断的原始图像，所述原始图像被用作虚拟精标准图像；

使所述原始图像保持在扫描域内，并对该原始图像进行正投影处理以得到该原始图像的正弦图；

切除所述正弦图的左侧通道和右侧通道，并用填充值进行填补，以生成虚拟截断数据；以及

对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。

8.如权利要求7所述的方法，其特征在于，所述填充值为边缘填充值。

9.一种用于预测截断图像的方法，包括如下步骤：

基于训练的学习网络预测截断图像，所述训练的学习网络是基于通过采用如权利要求1-8中任一项所述的方法来得到的虚拟失真图像和虚拟精标准图像构成的数据集进行数据训练得到的。

10.一种用于预测截断图像的***，包括：

虚拟模拟装置，用于对图像数据进行虚拟模拟，以同时得到有数据截断的虚拟失真图像和没有数据截断的虚拟精标准图像；以及，

预测装置，用于基于训练的学习网络预测截断图像，所述训练的学习网络是基于所述虚拟失真图像和虚拟精标准图像构成的数据集进行数据训练得到的。

11.如权利要求10所述的***，其特征在于，还包括自适应分类器，用于根据预先定义的特征对采集到的图像数据进行自适应分类，所述虚拟模拟装置用于对分类后的图像数据进行虚拟模拟。

12.如权利要求10所述的***，其特征在于，所述虚拟模拟装置进一步被配置为：

接收没有数据截断的原始图像；

使所述原始图像中对应目标物体的部分虚拟平移(offset)以部分地移出扫描域，从而得到虚拟精标准图像；

对所述虚拟精标准图像进行模拟扫描并进行虚拟数据采集，以生成虚拟截断数据；以及

对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。

13.如权利要求10所述的***，其特征在于，所述虚拟模拟装置进一步被配置为：

接收没有数据截断的原始图像，所述原始图像被用作虚拟精标准图像；

使所述原始图像保持在扫描域内，并对该原始图像进行正投影处理以得到该原始图像的正弦图；

切除所述正弦图的左侧通道和右侧通道，并用填充值进行填补，以生成虚拟截断数据；以及

对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。

14.一种计算机可读存储介质，其上记录有经编码的指令，当执行该指令时执行如权利要求1-9中任一项所述的方法。

Images