CN111489404B - 一种图像重建方法、图像处理装置及具有存储功能的装置 - Google Patents
一种图像重建方法、图像处理装置及具有存储功能的装置 Download PDFInfo
- Publication number
- CN111489404B CN111489404B CN202010203143.8A CN202010203143A CN111489404B CN 111489404 B CN111489404 B CN 111489404B CN 202010203143 A CN202010203143 A CN 202010203143A CN 111489404 B CN111489404 B CN 111489404B
- Authority
- CN
- China
- Prior art keywords
- image
- data
- image data
- convolution
- loss function
- 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 50
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 47
- 239000000700 radioactive tracer Substances 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 74
- 230000008447 perception Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 238000003759 clinical diagnosis Methods 0.000 abstract description 6
- 230000002349 favourable effect Effects 0.000 abstract description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000007 visual 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像重建方法、图像处理装置及具有存储功能的装置,该图像重建方法包括获取原始图像;根据原始图像得到输入图像数据;在生成器网络根据第一映射函数对输入图像数据进行第一映射运算,以得到输出图像数据;根据输出图像数据形成重建图像。本发明通过在生成器网络根据第一映射函数对原始图像输入图像数据进行第一映射运算,以得到输出图像数据,从而直接实现图像重建,能够实现低剂量放射性示踪剂的影像的清晰呈现,有利于医生的临床诊断;由于映射方式采集的数据量较小,使得图像重建速度较快,有利于提高工作效率,并且其所需的扫描时间也较短,能够避免伪影的出现,从而提高影像质量。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种图像重建方法、图像处理装置及具有存储功能的装置。
背景技术
核医学领域的临床检查影像技术能够应用于各个医疗临床检查领域,例如PET(Positron Emission Computed Tomography,正电子发射型计算机断层显像)技术等,通过对病人注射放射性示踪剂以实现成像,帮助医生更加准确地对病人的病情进行诊断。
本申请的发明人在长期的研发中发现,由于放射性示踪剂的放射性辐射对人体存在潜在危害,因此注射放射性示踪剂的剂量越来越受到人们的重视。大剂量的放射性示踪剂不仅存在安全问题,其成像需采集的数据量也较大,会导致图像重建速度较慢,并且由于所需的扫描时间也较长,会导致病人出现不可避免的生理运动,进而造成伪影的出现。而降低放射性示踪剂的剂量虽然能够减少对病人的辐射,但是会影响到影像的成像效果,不利于医生的临床诊断。
发明内容
本发明提供一种图像重建方法、图像处理装置及具有存储功能的装置,以解决现有技术中低剂量示踪剂影响影像的成像效果的技术问题。
为解决上述技术问题,本发明采用的一个技术方案是提供一种图像重建方法,包括:
获取原始图像;
根据所述原始图像得到输入图像数据,所述输入图像数据为正弦数据;
在生成器网络根据第一映射函数对所述输入图像数据进行第一映射运算,以得到输出图像数据;
根据所述输出图像数据形成重建图像。
在一具体实施例中,所述第一映射运算包括编码、转换以及解码,所述编码的方法包括:
对所述输入图像数据依次进行第一次卷积运算,以得到第一特征图像数据;
所述第一次卷积运算中卷积层的层数为14,其中10层卷积层的步长为1,4层卷积层的步长为2。
在一具体实施例中,所述转换的方法包括:
对所述第一特征图像数据进行第二次卷积运算,以得到第二特征图像数据;
所述第二次卷积运算中卷积层的层数为11,其中6层卷积层的特征数为512,5层卷积层的特征数为1024。
在一具体实施例中,所述解码的方法包括:
依次对所述第二特征图像数据进行上采样运算和第三次卷积运算,以得到输出图像数据;
其中,第三次卷积运算中最后一层卷积层的卷积核个数为1。
在一具体实施例中,在所述第一次卷积运算、所述第二次卷积运算以及所述第三次卷积运算中每一层卷积层的运算后进行批量归一化运算及激活运算。
在一具体实施例中,所述得到所述输出图像数据之后进一步包括:
通过鉴别器网络对所述输出图像数据进行处理,以得到生成对抗损失数据;
根据所述生成对抗损失数据鉴别所述重建图像是否符合标准。
在一具体实施例中,所述通过鉴别器网络对所述输出图像数据进行处理的方法包括:
对所述输出图像数据进行第四次卷积运算,以得到第三特征图像;
对所述第三特征图像进行全连接层处理,以得到所述生成对抗损失数据;
其中,所述第四次卷积运算中卷积层的层数为8,偶数层卷积层的步长为2,奇数层卷积层的步长为1,所述全连接层的层数为2。
在一具体实施例中,在所述第四次卷积运算及全连接层处理中,每一层卷积层的运算后及第一层全连接层处理后进行激活运算。
在一具体实施例中,所述得到所述输出图像数据之后进一步包括:
根据所述输出图像数据获取第一数据集,根据目标图像数据获取第二数据集;
根据所述第一数据集和所述第二数据集得到所述均方误差损失函数及感知损失函数;
根据所述均方误差损失函数及感知损失函数判断所述重建图像是否符合标准。
在一具体实施例中,所述得到所述均方误差损失函数及感知损失函数之后进一步包括:
对所述均方误差损失函数及所述感知损失函数进行优化计算;
根据优化计算后的所述均方误差损失函数及感知损失函数判断所述重建图像是否符合标准。
在一具体实施例中,所述得到所述输出图像数据之后包括:
根据所述输入图像数据获取第三数据集;
从所述第三数据集、所述第一数据集和所述第二数据集中提取对应的数据分别作为输入数据、输出数据和网络标签;
根据所述输入数据、所述输出数据、所述网络标签、所述生成对抗损失数据、所述均方误差损失函数以及所述感知损失函数对所述第一映射函数进行训练,以得到第二映射函数。
为解决上述技术问题,本发明采用的另一个技术方案是提供一种图像处理装置,包括:
接收器,用于获取原始图像;
处理器,与所述接收器连接,用于根据所述原始图像得到输入图像数据;在生成器网络根据第一映射函数对所述输入图像数据进行第一映射运算,以得到输出图像数据;其中,所述输入图像数据为正弦数据;
显示器,与所述处理器连接,用于接收所述输出图像数据,并根据所述输出图像数据形成重建图像。
为解决上述技术问题,本发明采用的另一个技术方案是提供一种具有存储功能的装置,存储有程序数据,所述程序数据能够被执行以实现如上述的方法。
本发明通过在生成器网络根据第一映射函数对原始图像输入图像数据进行第一映射运算,以得到输出图像数据,从而直接实现图像重建,能够实现低剂量放射性示踪剂的影像的清晰呈现,有利于医生的临床诊断;由于映射方式采集的数据量较小,使得图像重建速度较快,有利于提高工作效率,并且其所需的扫描时间也较短,能够避免伪影的出现,从而提高影像质量。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,其中:
图1是本发明图像重建方法一实施例的流程示意图;
图2是本发明图像重建方法另一实施例的流程示意图;
图3是本发明图像重建方法另一实施例的流程示意图;
图4是本发明图像重建方法另一实施例中第一映射运算的流程示意图;
图5是本发明图像重建方法另一实施例中鉴别器网络处理的流程示意图;
图6是本发明图像处理装置实施例的结构示意图;
图7是本发明具有存储功能的装置实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,均属于本发明保护的范围。
本申请中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。而术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
参见图1,本发明图像重建方法一实施例包括:
S110、获取原始图像。
在本实施例中,原始图像为病人注射低剂量的示踪剂后进行显像而直接采集的图像。
S120、根据原始图像得到输入图像数据。
在本实施例中,输入图像数据为正弦数据,以实现映射。
S130、在生成器网络根据第一映射函数对输入图像数据进行第一映射运算,以得到输出图像数据。
在本实施例中,第一映射函数为预先设定的映射函数。
S140、根据输出图像数据形成重建图像。
本发明实施例通过在生成器网络根据第一映射函数对原始图像输入图像数据进行第一映射运算,以得到输出图像数据,从而直接实现图像重建,能够实现低剂量放射性示踪剂的影像的清晰呈现,有利于医生的临床诊断;由于映射方式采集的数据量较小,使得图像重建速度较快,有利于提高工作效率,并且其所需的扫描时间也较短,能够避免伪影的出现,从而提高影像质量。
本实施例中的图像重建方法可以应用于PET(Positron Emission ComputedTomography,正电子发射型计算机断层显像)的图像重建,也可根据实际情况调整后应用于CT(Computed Tomography,电子计算机断层扫描)或SPECT(Single-Photon EmissionComputed Tomography,单光子发射计算机断层成像术)等技术领域的图像重建,在此不做限制。
参见图2,本发明图像重建方法另一实施例包括:
S210、获取原始图像。
S220、根据原始图像得到输入图像数据。
在本实施例中,输入图像数据为288×269的正弦数据。
S230、在生成器网络根据第一映射函数对输入图像数据进行第一映射运算,以得到输出图像数据。
一并参见图3和图4,第一映射运算包括编码、转换以及解码,具体包括:
编码:S231、对输入图像数据依次进行第一次卷积运算,以得到第一特征图像数。
在本实施例中,第一次卷积运算中卷积层的层数为14,其中10层卷积层的步长为1,4层卷积层的步长为2。具体的,第一次卷积运算包括依次排列的1组第一卷积层组310及4组第二卷积层组320,第一卷积层组310包括两层第一卷积层311,第一卷积层311的步长为1,卷积核的大小为5*5,第二卷积层组320包括1层第二卷积层321以及两层第三卷积层322,第二卷积层321的步长为2,卷积核的大小为3*3,第三卷积层322的步长为1,卷积核的大小为3*3。
在本实施例中,卷积层的运算公式为:
Fout1=(Fin1*αdown)↓p (1)
其中,Fin1为卷积层的输入数据,Fout1为卷积层的输出数据,αdown为卷积运算,p为缩小的倍数。其中,当卷积层的步长为1时p为1,表示输入数据和输出数据的大小不变,当卷积层的步长为1时p为2,表示输出数据是输入数据的大小的一半。
转换:S232、对第一特征图像数据进行第二次卷积运算,以得到第二特征图像数据。
在本实施例中,第二次卷积运算中卷积层的层数为11,其中6层卷积层的特征数为512,5层卷积层的特征数为1024。具体的,第二次卷积运算包括依次排列的11组第三卷积层组410,每组第三卷积层组410包括1层第四卷积层411,第四卷积层411的步长为1,卷积核的大小为3*3,且前3层第四卷积层411的特征数为512,中间4层第四卷积层411的特征数为1024,后3层第四卷积层411的特征数为512。
解码:S233、依次对第二特征图像数据进行上采样运算和第三次卷积运算,以得到输出图像数据。
在本实施例中,第三次卷积运算包括依次排列的多组第四卷积层组510及第五卷积层520。具体的,第四卷积层组510包括1层上采样层511以及3层第六卷积层512,第六卷积层512的步长为1,卷积核的大小为3*3。第五卷积层520,即第三次卷积运算中最后一层卷积层的卷积核个数为1。
在本实施例中,上采样层的运算公式为:
Fout2=(Fin2*αup)↑q (2)
其中,Fin2为上采样层的输入数据,Fout2为上采样层的输出数据,αup为卷积运算,q为放大的倍数,且倍数设置为2,表示将输入的特征图扩大为原来的两倍。
在本实施例中,在第一次卷积运算、第二次卷积运算以及第三次卷积运算中每一层卷积层的运算后依次设置有批量归一化层312及激活层313,用于进行批量归一化运算及激活运算。其中,激活运算可以通过ReLU(Rectified Linear Unit,线性整流函数)函数实现。
S240、通过鉴别器网络对输出图像数据进行处理,以得到生成对抗损失数据。
一并参见图5,在本实施例中,通过鉴别器网络对输出图像数据进行处理的方法包括:
S241、对输出图像数据进行第四次卷积运算,以得到第三特征图像。
在本实施例中,第四次卷积运算包括8层卷积层,其中4层为第七卷积层610,另外4层为第八卷积层620,且第七卷积层610与第八卷积层620依次交替排列。
在本实施例中,第七卷积层610,即奇数层卷积层的步长为1。第八卷积层620,即偶数层卷积层的步长为2,以减小输入的特征图像的尺寸,并且使得卷积核的个数变为原来的两倍。
在本实施例中,第四次卷积运算中的8层卷积层的卷积核的个数依次为32,32,64,64,128,128,256,256。
S242、对第三特征图像进行全连接层处理,以得到生成对抗损失数据。
在本实施例中,第四次卷积运算后设置有2层全连接层710。
在本实施例中,在第四次卷积运算及全连接层处理中,每一层卷积层的运算后及第一层全连接层710处理后设置有激活层630,用于进行激活运算。其中,激活运算可以通过Leaky ReLU(LeakyRectified Linear Unit,带泄露修正线性单元)函数实现。
在本实施例中,可以根据生成对抗损失数据鉴别重建图像是否符合标准。
S251、根据输出图像数据获取第一数据集,根据目标图像数据获取第二数据集。
在本实施例中,目标图像数据为预设设置的对应原始图像的标准图像的图像数据,用于对第一映射函数进行训练。
S252、根据第一数据集和第二数据集得到均方误差损失函数及感知损失函数。
在本实施例中,均方误差损失函数的运算方法如下:
其中,Lmse为均方误差损失函数,xi为第一数据集的元素,yi为第二数据集的元素,m为重建后的图像的总像素的个数。
在本实施例中,感知损失函数的运算方法如下:
其中,Lvgg为感知损失函数,VGG(x)i为重建图像经过VGG网络(Visual GeometryGroup Network,视觉几何组网络)后的特征图,VGG(G(Y))i为目标图像经过VGG网络后的特征图,n为重建图像经过VGG网络后的特征图的像素总数,d为重建图像经过VGG网络后的特征图的个数。
在本实施例中,可以根据均方误差损失函数及感知损失函数判断重建图像是否符合标准。
S260、对均方误差损失函数及所述感知损失函数进行优化计算。
在本实施例中,可以采用Adam(Adaptive Moment Estimation,适应性矩估计)算法对均方误差损失函数及所述感知损失函数进行优化计算。
在本实施例中,可以根据优化计算后的所述均方误差损失函数及感知损失函数判断所述重建图像是否符合标准。
S271、根据输入图像数据获取第三数据集。
S272、从第三数据集、第一数据集和第二数据集中提取对应的数据分别作为输入数据、输出数据和网络标签;
S280、根据所输入数据、输出数据、网络标签、生成对抗损失数据、均方误差损失函数以及感知损失函数对第一映射函数进行训练,以得到第二映射函数。
本实施例通过生成对抗损失数据、均方误差损失函数以及感知损失函数进行组合以对第一映射函数进行训练,可以有效解决重建图像中容易出现的过于光滑、细节信息丢失的问题,能够保留图像细节,使得图像中的结构更加清晰。
参见图6,本发明图像处理装置包括接收器810、处理器820以及显示器830,接收器810用于获取原始图像;处理器820与接收器810连接,用于根据原始图像得到输入图像数据;在生成器网络根据第一映射函数对输入图像数据进行第一映射运算,以得到输出图像数据;其中,输入图像数据为正弦数据;显示器830与处理器820连接,用于接收输出图像数据,并根据输出图像数据形成重建图像。
其中,处理器820对输入图像数据进行处理的方法参见上述图像重建方法实施例,在此不再赘述。
本发明实施例通过在生成器网络根据第一映射函数对原始图像输入图像数据进行第一映射运算,以得到输出图像数据,从而直接实现图像重建,能够实现低剂量放射性示踪剂的影像的清晰呈现,有利于医生的临床诊断;由于映射方式采集的数据量较小,使得图像重建速度较快,有利于提高工作效率,并且其所需的扫描时间也较短,能够避免伪影的出现,从而提高影像质量。
参见图7,本发明具有存储功能的装置90实施例存储有程序数据910,程序数据910能够被执行以实现的图像重建方法。
其中,图像重建方法参见上述图像重建方法实施例,在此不再赘述。
本发明实施例通过在生成器网络根据第一映射函数对原始图像输入图像数据进行第一映射运算,以得到输出图像数据,从而直接实现图像重建,能够实现低剂量放射性示踪剂的影像的清晰呈现,有利于医生的临床诊断;由于映射方式采集的数据量较小,使得图像重建速度较快,有利于提高工作效率,并且其所需的扫描时间也较短,能够避免伪影的出现,从而提高影像质量。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种图像重建方法,其特征在于,包括:
获取原始图像;其中,所述原始图像为注射低剂量的示踪剂后进行显像而直接采集的图像;
根据所述原始图像得到输入图像数据,所述输入图像数据为正弦数据;
在生成器网络根据第一映射函数对所述输入图像数据进行第一映射运算,以得到输出图像数据;其中,所述第一映射运算包括编码、转换以及解码;
根据所述输出图像数据形成重建图像;
其中,通过鉴别器网络对所述输出图像数据进行处理,以得到生成对抗损失数据;根据所述输出图像数据获取第一数据集,根据目标图像数据获取第二数据集;所述目标图像数据为预设设置的对应原始图像的标准图像的图像数据;根据所述第一数据集和所述第二数据集得到均方误差损失函数及感知损失函数;
均方误差损失函数为:
其中,为均方误差损失函数,/>为第一数据集的元素,/>为第二数据集的元素,/>为重建后的图像的总像素的个数;
感知损失函数为:
其中,为感知损失函数,/>为重建图像经过VGG网络后的特征图,/>为目标图像经过VGG网络后的特征图,/>为重建图像经过VGG网络后的特征图的像素总数,/>为重建图像经过VGG网络后的特征图的个数;
根据所述均方误差损失函数及感知损失函数判断所述重建图像是否符合标准;以及根据所述输入图像数据获取第三数据集;从所述第三数据集、所述第一数据集和所述第二数据集中提取对应的数据分别作为输入数据、输出数据和网络标签;根据所述输入数据、所述输出数据、所述网络标签、生成对抗损失数据、所述均方误差损失函数以及所述感知损失函数对所述第一映射函数进行训练,以得到第二映射函数。
2.根据权利要求1所述的图像重建方法,其特征在于,所述第一映射运算包括编码、转换以及解码,所述编码的方法包括:
对所述输入图像数据依次进行第一次卷积运算,以得到第一特征图像数据;
所述第一次卷积运算中卷积层的层数为14,其中10层卷积层的步长为1,4层卷积层的步长为2。
3.根据权利要求2所述的图像重建方法,其特征在于,所述转换的方法包括:
对所述第一特征图像数据进行第二次卷积运算,以得到第二特征图像数据;
所述第二次卷积运算中卷积层的层数为11,其中6层卷积层的特征数为512,5层卷积层的特征数为1024。
4.根据权利要求3所述的图像重建方法,其特征在于,所述解码的方法包括:
依次对所述第二特征图像数据进行上采样运算和第三次卷积运算,以得到输出图像数据;
其中,第三次卷积运算中最后一层卷积层的卷积核个数为1。
5.根据权利要求4所述的图像重建方法,其特征在于,在所述第一次卷积运算、所述第二次卷积运算以及所述第三次卷积运算中每一层卷积层的运算后进行批量归一化运算及激活运算。
6.根据权利要求1所述的图像重建方法,其特征在于,所述得到所述输出图像数据之后进一步包括:
根据所述生成对抗损失数据鉴别所述重建图像是否符合标准。
7.根据权利要求1述的图像重建方法,其特征在于,所述通过鉴别器网络对所述输出图像数据进行处理的方法包括:
对所述输出图像数据进行第四次卷积运算,以得到第三特征图像;
对所述第三特征图像进行全连接层处理,以得到所述生成对抗损失数据;
其中,所述第四次卷积运算中卷积层的层数为8,偶数层卷积层的步长为2,奇数层卷积层的步长为1,所述全连接层的层数为2。
8.根据权利要求7所述的图像重建方法,其特征在于,在所述第四次卷积运算及全连接层处理中,每一层卷积层的运算后及第一层全连接层处理后进行激活运算。
9.根据权利要求7所述的图像重建方法,其特征在于,所述得到所述均方误差损失函数及感知损失函数之后进一步包括:
对所述均方误差损失函数及所述感知损失函数进行优化计算;
根据优化计算后的所述均方误差损失函数及感知损失函数判断所述重建图像是否符合标准。
10.一种图像处理装置,用于实现权利要求1-9任一项所述的图像重建方法,其特征在于,包括:
接收器,用于获取原始图像;
处理器,与所述接收器连接,用于根据所述原始图像得到输入图像数据;在生成器网络根据第一映射函数对所述输入图像数据进行第一映射运算,以得到输出图像数据;其中,所述输入图像数据为正弦数据;
显示器,与所述处理器连接,用于接收所述输出图像数据,并根据所述输出图像数据形成重建图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010203143.8A CN111489404B (zh) | 2020-03-20 | 2020-03-20 | 一种图像重建方法、图像处理装置及具有存储功能的装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010203143.8A CN111489404B (zh) | 2020-03-20 | 2020-03-20 | 一种图像重建方法、图像处理装置及具有存储功能的装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489404A CN111489404A (zh) | 2020-08-04 |
CN111489404B true CN111489404B (zh) | 2023-09-05 |
Family
ID=71810726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010203143.8A Active CN111489404B (zh) | 2020-03-20 | 2020-03-20 | 一种图像重建方法、图像处理装置及具有存储功能的装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489404B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903356A (zh) * | 2019-05-13 | 2019-06-18 | 南京邮电大学 | 基于深度多重解析网络的缺失ct投影数据估计方法 |
CN110074813A (zh) * | 2019-04-26 | 2019-08-02 | 深圳大学 | 一种超声图像重建方法及*** |
CN110211050A (zh) * | 2018-02-28 | 2019-09-06 | 通用电气公司 | 用于稀疏图像重建的***和方法 |
CN110288671A (zh) * | 2019-06-25 | 2019-09-27 | 南京邮电大学 | 基于三维对抗性生成网络的低剂量cbct图像重建方法 |
CN110298804A (zh) * | 2019-07-01 | 2019-10-01 | 东北大学 | 一种基于生成对抗网络和3d残差编码解码的医学图像降噪方法 |
CN110322403A (zh) * | 2019-06-19 | 2019-10-11 | 怀光智能科技(武汉)有限公司 | 一种基于生成对抗网络的多监督图像超分辨重建方法 |
CN110559009A (zh) * | 2019-09-04 | 2019-12-13 | 中山大学 | 基于gan的多模态低剂量ct转换高剂量ct的方法、***及介质 |
CN110648376A (zh) * | 2019-08-20 | 2020-01-03 | 南京邮电大学 | 一种基于生成对抗网络的有限角ct重建去伪影的方法 |
CN110728727A (zh) * | 2019-09-03 | 2020-01-24 | 天津大学 | 一种低剂量能谱ct投影数据的恢复方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931179B (zh) * | 2016-04-08 | 2018-10-26 | 武汉大学 | 一种联合稀疏表示与深度学习的图像超分辨率方法及*** |
-
2020
- 2020-03-20 CN CN202010203143.8A patent/CN111489404B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211050A (zh) * | 2018-02-28 | 2019-09-06 | 通用电气公司 | 用于稀疏图像重建的***和方法 |
CN110074813A (zh) * | 2019-04-26 | 2019-08-02 | 深圳大学 | 一种超声图像重建方法及*** |
CN109903356A (zh) * | 2019-05-13 | 2019-06-18 | 南京邮电大学 | 基于深度多重解析网络的缺失ct投影数据估计方法 |
CN110322403A (zh) * | 2019-06-19 | 2019-10-11 | 怀光智能科技(武汉)有限公司 | 一种基于生成对抗网络的多监督图像超分辨重建方法 |
CN110288671A (zh) * | 2019-06-25 | 2019-09-27 | 南京邮电大学 | 基于三维对抗性生成网络的低剂量cbct图像重建方法 |
CN110298804A (zh) * | 2019-07-01 | 2019-10-01 | 东北大学 | 一种基于生成对抗网络和3d残差编码解码的医学图像降噪方法 |
CN110648376A (zh) * | 2019-08-20 | 2020-01-03 | 南京邮电大学 | 一种基于生成对抗网络的有限角ct重建去伪影的方法 |
CN110728727A (zh) * | 2019-09-03 | 2020-01-24 | 天津大学 | 一种低剂量能谱ct投影数据的恢复方法 |
CN110559009A (zh) * | 2019-09-04 | 2019-12-13 | 中山大学 | 基于gan的多模态低剂量ct转换高剂量ct的方法、***及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111489404A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325686B (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
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 | |
Whiteley et al. | FastPET: near real-time reconstruction of PET histo-image data using a neural network | |
US10867375B2 (en) | Forecasting images for image processing | |
CN101917906A (zh) | 通过将物体的围绕物用作动态约束在断层扫描中减少剂量并增强图像 | |
US20230059132A1 (en) | System and method for deep learning for inverse problems without training data | |
CN102024251A (zh) | 用于双源ct的基于多图像虚拟非对比图像增强的***和方法 | |
CN109741254B (zh) | 字典训练及图像超分辨重建方法、***、设备及存储介质 | |
Xue et al. | LCPR-Net: low-count PET image reconstruction using the domain transform and cycle-consistent generative adversarial networks | |
US20220114699A1 (en) | Spatiotemporal resolution enhancement of biomedical images | |
CN113516586A (zh) | 一种低剂量ct图像超分辨率去噪方法和装置 | |
US20220130079A1 (en) | Systems and methods for simultaneous attenuation correction, scatter correction, and de-noising of low-dose pet images with a neural network | |
CN112435164A (zh) | 基于多尺度生成对抗网络的低剂量ct肺部图像的同时超分辨率和去噪方法 | |
US10013778B2 (en) | Tomography apparatus and method of reconstructing tomography image by using the tomography apparatus | |
Tan et al. | A selective kernel-based cycle-consistent generative adversarial network for unpaired low-dose CT denoising | |
Xie et al. | Increasing angular sampling through deep learning for stationary cardiac SPECT image reconstruction | |
Vey et al. | The role of generative adversarial networks in radiation reduction and artifact correction in medical imaging | |
CN114358285A (zh) | 一种基于流模型的pet***衰减校正方法 | |
Whiteley et al. | FastPET: Near real-time PET reconstruction from histo-images using a neural network | |
US20230386036A1 (en) | Methods and systems for medical imaging | |
CN111489404B (zh) | 一种图像重建方法、图像处理装置及具有存储功能的装置 | |
CN111402358A (zh) | 用于图像重建的***和方法 | |
CN112927318B (zh) | 低剂量pet图像的降噪重建方法及计算机可读存储介质 | |
WO2021184389A1 (zh) | 一种图像重建方法、图像处理装置及具有存储功能的装置 | |
Sun et al. | Clinical ultra‐high resolution CT scans enabled by using a generative adversarial network |
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 |