CN112424835B - 用于图像重建的***和方法 - Google Patents

用于图像重建的***和方法 Download PDF

Info

Publication number
CN112424835B
CN112424835B CN202080003406.9A CN202080003406A CN112424835B CN 112424835 B CN112424835 B CN 112424835B CN 202080003406 A CN202080003406 A CN 202080003406A CN 112424835 B CN112424835 B CN 112424835B
Authority
CN
China
Prior art keywords
image
projection data
optimization
determining
model
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
Application number
CN202080003406.9A
Other languages
English (en)
Other versions
CN112424835A (zh
Inventor
曹文静
孙昊桦
赵立毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Publication of CN112424835A publication Critical patent/CN112424835A/zh
Application granted granted Critical
Publication of CN112424835B publication Critical patent/CN112424835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • 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
    • 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
    • G06T2211/424—Iterative
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/436—Limited angle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/441—AI-based methods, deep learning or artificial neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/444—Low dose acquisition or reduction of radiation dose
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及用于图像重建的***和方法。所述***可以获取待处理的初始图像。所述***可以通过对初始图像执行多次迭代步骤生成重建图像。多次迭代步骤中的每一次迭代步骤可以包括第一优化操作和至少一个第二优化操作。第一优化操作和至少一个第二优化操作可以被依次执行。第一优化操作可以包括：接收迭代步骤中待处理的图像和通过初步优化待处理的图像确定更新图像。至少一个第二优化操作可以包括通过减少更新图像的干扰信息，确定优化图像和将优化图像指定为下一次迭代步骤中下一个待处理的图像。干扰信息可以包括噪声信息和/或伪影信息。

Description

用于图像重建的***和方法
技术领域
本申请涉及图像重建领域，尤其涉及用于迭代图像重建的***和方法。
背景技术
医学图像，例如计算机断层摄影(CT)，被广泛应用于各种医学症状(例如，肿瘤，冠心病或脑病)的疾病诊断和/或治疗中。图像重建是医学成像领域所用的关键技术。以CT图像为例，通常可以通过传统滤波反投影(FBP)或基于FBP的迭代来重建CT图像。然而，在重建CT图像期间，减少剂量或数据不充足可能会严重影响重建CT图像的质量。此外，优化包括例如总变化、广义高斯马尔可夫随机场(GGMRF)的正则项的损失函数，可以迭代重建CT图像。根据迭代重建过程，正则项虽然可以抑制重建CT图像中的噪声，但是可能导致相对较低的图像质量(例如，大面积伪影、卡通感)。因此，期望提供能够改善图像质量的图像重建的***和方法，从而提高医学分析和/或诊断的效率和准确性。
发明内容
本申请的一个方面，涉及一种用于图像重建的方法。所述方法可以包括获取待处理的初始图像以及对初始图像执行多次迭代步骤生成重建图像。多次迭代步骤中的每一次迭代步骤可以包括第一优化操作和至少一个第二优化操作。第一优化操作和至少一个第二优化操作可以被依次执行。第一优化操作可以包括：接收迭代步骤中待处理的图像和通过初步优化待处理的图像确定更新图像。至少一个第二优化操作可以包括通过减少更新图像的干扰信息，确定优化图像和将优化图像指定为下一次迭代步骤中下一个待处理的图像。
在一些实施例中，通过初步优化待处理的图像确定更新图像可以包括：对迭代步骤中待处理的图像执行正向投影变换，确定正向投影数据；并至少部分地基于正向投影数据和初始采集的投影数据之间的加权误差的反向投影数据，确定更新图像，所述初始采集的投影数据与初始图像相关。
在一些实施例中，至少部分地基于正向投影数据和初始采集的投影数据之间的加权误差的反向投影数据，确定更新图像可以包括：确定与初始采集的投影数据相关的第一质量权重；基于第一质量权重、正向投影数据和初始采集的投影数据，确定正向投影数据与初始采集的投影数据之间的加权误差；对加权误差进行反向投影变换，确定加权误差的反向投影数据；以及根据加权误差的反向投影数据，确定更新图像。
在一些实施例中，可以根据牛顿法或梯度下降法执行所述第一优化操作。
在一些实施例中，通过减少更新图像的干扰信息，确定优化图像可以包括：基于优化模型减少更新图像的干扰信息，确定优化图像。优化模型可以包括机器学习模型。
在一些实施例中，基于优化模型减少更新图像的干扰信息，确定优化图像可以包括：确定更新图像的质量特征；将更新图像和质量特征输入优化模型；以及基于优化模型的输出，确定优化图像。
在一些实施例中，质量特征可以包括更新图像的噪声特征、伪影特征、灰度分布、全局灰度、分辨率和/或对比度中的至少一个。
在一些实施例中，噪声特征包括噪声分布、全局噪声强度和/或噪声率中的至少一个。伪影特征可以包括伪影分布、全局伪影强度和/或伪影率中的至少一个。
在一些实施例中，所述优化模型可以通过训练过程获得。所述训练过程可以包括：获取多组训练样本和基于多组训练样本训练初始优化模型，获得优化模型。多组训练样本中的每一个包括样本图像和所述样本图像的样本质量特征。优化模型的损失函数与第二质量权重正相关。第二质量权重基于样本质量特征确定。
本申请的另一个方面，涉及一种用于图像重建的***。所述***可以包括至少一个包括一组指令的存储设备，以及至少一个被配置为与至少一个存储设备通信的处理器。当执行该组指令时，至少一个处理器用于与所述至少一个存储设备通信。当执行指令时，至少一个处理器可以指示***执行操作。所述操作可以包括：获取待处理的初始图像以及对初始图像执行多次迭代步骤生成重建图像。多次迭代步骤中的每一次迭代步骤可以包括第一优化操作和至少一个第二优化操作。第一优化操作和至少一个第二优化操作可以被依次执行。第一优化操作可以包括：接收迭代步骤中待处理的图像和通过初步优化待处理的图像确定更新图像。至少一个第二优化操作可以包括通过减少更新图像的干扰信息，确定优化图像和将优化图像指定为下一次迭代步骤中下一个待处理的图像。干扰信息可以包括噪声信息和/或伪影信息。
在一些实施例中，通过初步优化待处理的图像确定更新图像可以包括：对迭代步骤中待处理的图像执行正向投影变换，确定正向投影数据；并至少部分地基于正向投影数据和初始采集的投影数据之间的加权误差的反向投影数据，确定更新图像，所述初始采集的投影数据与初始图像相关。
在一些实施例中，至少部分地基于正向投影数据和初始采集的投影数据之间的加权误差的反向投影数据，确定更新图像可以包括：确定与初始采集的投影数据相关的第一质量权重；基于第一质量权重、正向投影数据和初始采集的投影数据，确定正向投影数据与初始采集的投影数据之间的加权误差；对加权误差进行反向投影变换，确定加权误差的反向投影数据；以及根据加权误差的反向投影数据，确定更新图像。
在一些实施例中，可以根据牛顿法或梯度下降法执行所述第一优化操作。
在一些实施例中，通过减少更新图像的干扰信息，确定优化图像可以包括：基于优化模型减少更新图像的干扰信息，确定优化图像。优化模型可以包括机器学习模型。
在一些实施例中，基于优化模型减少更新图像的干扰信息，确定优化图像可以包括：确定更新图像的质量特征；将更新图像和质量特征输入优化模型；以及基于优化模型的输出，确定优化图像。
在一些实施例中，质量特征可以包括更新图像的噪声特征、伪影特征、灰度分布、全局灰度、分辨率和/或对比度中的至少一个。
在一些实施例中，噪声特征包括噪声分布、全局噪声强度和/或噪声率中的至少一个。伪影特征可以包括伪影分布、全局伪影强度和/或伪影率中的至少一个。
在一些实施例中，所述优化模型可以通过训练过程获得。所述训练过程可以包括：获取多组训练样本和基于多组训练样本训练初始优化模型，获得优化模型。多组训练样本中的每一个包括样本图像和所述样本图像的样本质量特征。优化模型的损失函数与第二质量权重正相关。第二质量权重基于样本质量特征确定。
本申请的另一个方面，涉及一种用于图像重建的***。所述***可以包括获取模块和重建模块。获取模块可以用于获取待处理的初始图像。重建模块可以用于对初始图像执行多次迭代步骤生成重建图像。所述多次迭代步骤中的每一次迭代步骤包括第一优化操作和至少一个第二优化操作。第一优化操作和至少一个第二优化操作可以被依次执行。第一优化操作可以包括：接收迭代步骤中待处理的图像和通过初步优化待处理的图像确定更新图像。至少一个第二优化操作可以包括通过减少更新图像的干扰信息，确定优化图像和将优化图像指定为下一次迭代步骤中下一个待处理的图像。干扰信息可以包括噪声信息和/或伪影信息。
在一些实施例中，通过初步优化待处理的图像确定更新图像可以包括：对迭代步骤中待处理的图像执行正向投影变换，确定正向投影数据；并至少部分地基于正向投影数据和初始采集的投影数据之间的加权误差的反向投影数据，确定更新图像，所述初始采集的投影数据与初始图像相关。
在一些实施例中，至少部分地基于正向投影数据和初始采集的投影数据之间的加权误差的反向投影数据，确定更新图像可以包括：确定与初始采集的投影数据相关的第一质量权重；基于第一质量权重、正向投影数据和初始采集的投影数据，确定正向投影数据与初始采集的投影数据之间的加权误差；对加权误差进行反向投影变换，确定加权误差的反向投影数据；以及根据加权误差的反向投影数据，确定更新图像。
在一些实施例中，可以根据牛顿法或梯度下降法执行所述第一优化操作。
在一些实施例中，通过减少更新图像的干扰信息，确定优化图像可以包括：基于优化模型减少更新图像的干扰信息，确定优化图像。优化模型可以包括机器学习模型。
在一些实施例中，基于优化模型减少更新图像的干扰信息，确定优化图像可以包括：确定更新图像的质量特征；将更新图像和质量特征输入优化模型；以及基于优化模型的输出，确定优化图像。
在一些实施例中，质量特征可以包括更新图像的噪声特征、伪影特征、灰度分布、全局灰度、分辨率和/或对比度中的至少一个。
在一些实施例中，噪声特征包括噪声分布、全局噪声强度和/或噪声率中的至少一个。伪影特征可以包括伪影分布、全局伪影强度和/或伪影率中的至少一个。
在一些实施例中，所述优化模型可以通过训练过程获得。所述训练过程可以包括：获取多组训练样本和基于多组训练样本训练初始优化模型，获得优化模型。多组训练样本中的每一个包括样本图像和所述样本图像的样本质量特征。优化模型的损失函数与第二质量权重正相关。第二质量权重基于样本质量特征确定。
本申请的另一个方面，涉及一种非暂时性计算机可读介质，包括可执行指令。当由至少一个处理器执行时，可执行指令可以指示至少一个处理器执行一种方法。所述方法可以包括获取待处理的初始图像以及对初始图像执行多次迭代步骤生成重建图像。多次迭代步骤中的每一次迭代步骤可以包括第一优化操作和至少一个第二优化操作。第一优化操作和至少一个第二优化操作可以被依次执行。第一优化操作可以包括：接收迭代步骤中待处理的图像和通过初步优化待处理的图像确定更新图像。至少一个第二优化操作可以包括通过减少更新图像的干扰信息，确定优化图像和将优化图像指定为下一次迭代步骤中下一个待处理的图像。
本申请的另一个方面，涉及一种用于图像重建的方法。所述方法可以包括获取待处理的投影数据和基于图像重建模型处理所述投影数据，生成重建图像。图像重建模型可以包括多个按顺序连接的子模型。多个按顺序连接的子模型中的每一个可以包括处理层和重建层。处理层可以用于接收子模型中待处理的图像和基于投影数据，通过正则化待处理的图像确定正则项。重建层可以用于基于正则项和上一相邻子模型确定的上一子重建图像，确定子重建图像和将子重建图像指定为要在下一子模型中下一个待处理的图像。
本申请的另一个方面，涉及一种用于图像重建的***。所述***可以包括至少一个包括一组指令的存储设备，以及至少一个被配置为与至少一个存储设备通信的处理器。当执行该组指令时，至少一个处理器用于与所述至少一个存储设备通信。当执行指令时，至少一个处理器可以指示***执行操作。所述操作可以包括：获取待处理的投影数据和基于图像重建模型处理所述投影数据，生成重建图像。图像重建模型包括多个按顺序连接的子模型。多个按顺序连接的子模型中的每一个可以包括处理层和重建层。处理层可以用于接收子模型中待处理的图像和基于投影数据，通过正则化待处理的图像确定正则项。重建层可以用于基于正则项和上一相邻子模型确定的上一子重建图像，确定子重建图像和将子重建图像指定为要在下一子模型中下一个待处理的图像。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解，本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例，在这些实施例中，各图中相同的编号表示相似的结构，其中：
图1是根据本申请的一些实施例所示的示例性医疗***的示意图；
图2是根据本申请的一些实施例所示的示例性计算设备的硬件和/或软件部件的示意图；
图3是根据本申请的一些实施例所示的示例性移动设备的硬件和/或软件部件的示意图；
图4是根据本申请的一些实施例所示的示例性处理设备的框图；
图5是根据本申请的一些实施例所示的用于图像重建的示例性过程的流程图；
图6是根据本申请的一些实施例所示的迭代步骤的示例性过程的流程图；
图7是根据本申请的一些实施例所示的用于图像重建的示例性过程的流程图；
图8是根据本申请的一些实施例所示的用于确定优化模型的示例性过程的流程图；
图9是根据本申请的一些实施例所示的用于图像重建的示例性过程的流程图；
图10是根据本申请的一些实施例所示的图像重建模型的示意图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。然而，本领域技术人员应该明白，可以在没有这些细节的情况下实施本申请。在其他情况下，为了避免不必要地模糊本申请的一些方面，本申请已经以相对高水平概略地描述了公知的方法、程序、***、部件和/或电路。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请不限于所示的实施例，而是符合与申请专利范围一致的最广泛范围。
本申请中所使用的术语仅用于描述特定的示例性实施例，并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解的是，本申请中的术语“包括”和/或“包含”只详述存在整体、设备、行为、陈述的特征、步骤、元件、操作和/或部件，但是不排除存在或添加一个或以上其他整体、设备、行为、特征、步骤、元件、操作、部件和/或其组合。
应当理解的是，本文使用的“***”、“引擎”、“单元”、“模块”和/或“块”是用于按升序区分不同级别的不同构件、元素、部件、部分或部件的方法。然而，如果其他词语可以实现相同的目的，则可通过其他表达来替换所述词语。
通常，本文所使用的词“模块”、“单元”或“块”是指体现在硬件或固件中的逻辑或软件指令的集合。本文描述的模块，单元或块可以被实现为软件和/或硬件，并且可以被存储在任何类型的非暂时性计算机可读介质或另一存储设备中。在一些实施例中，可以编译软件模块/单元/块并将其链接到可执行程序中。应当理解，软件模块可以是可从其他模块/单元/块或从其自身调用的，和/或可以响应于检测到的事件或中断而被调用。配置为在计算设备(例如，图2所示的处理器210和/或图3所示的中央处理单元(CPU)340)上执行的软件模块/单元/块可以在计算机介质上提供，例如光盘、数字视频光盘、闪存驱动器、磁盘或任何其他有形介质，或作为数字下载(并且可以最初以压缩或可安装的格式存储，需要在执行之前进行安装、解压缩或解密)。这里的软件代码可以被部分的或全部的储存在执行操作的计算设备的存储设备中，并应用在计算设备的操作之中。软件指令可以嵌入在固件中，例如可擦可编程只读内存(EPROM)。还应当理解，硬件模块/单元/块可以包括在连接的逻辑组件中，例如门和触发器，和/或可以包括在可编程单元中，例如可编程门阵列或处理器。本文描述的模块/单元/块或计算设备功能可以被实现为软件模块/单元/块，但是可以以硬件或固件来表示。通常，本文描述的模块/单元/块是指可以与其他模块/单元/块组合或者被划分为子模块/子单元/子块的逻辑模块/单元/块，不论其物理组织或存储。该描述可以适用于***、发动机或其一部分。
将理解的是，当单元、引擎、模块或块被称为在另一单元、引擎、模块或块“上”、“连接至”或“耦合至”另一单元、引擎、模块或块时，它可以直接在其他单元、引擎、模块或块上，与之连接或与之通信，或者可以有中间单元、中间引擎、中间模块或中间块存在，除非上下文另有明确说明。在本申请中，术语“和/或”可包括任何一个或以上相关所列条目或其组合。
本申请的这些特征和其他特征，以及相关结构元件的操作方法和功能，以及部件和制造经济性的组合，在参考附图考虑以下描述后变得更加明显，所有这些构成了本申请的一部分。然而，应明确理解，附图仅用于说明和描述，并不限制本申请的范围。应当理解，图纸没有按照比例绘制。
本申请中使用的流程图说明了***根据本申请的一些实施例实现的操作。应当明确地理解，流程图的操作可以不按顺序实现。相反地，可以以相反的顺序或同时实现所述操作。此外，可以将一个或多个其他操作添加到流程图，可以从流程图中删除一个或多个操作。
本文提供了用于非侵入性生物医学成像和/或治疗，例如用于疾病诊断、治疗或研究目的的***和组件。在一些实施例中，***可以包括成像***。成像***可以包括单模态***和/或多模态***。本文所使用的术语“模态”广义上是指收集、产生、处理和/或分析对象的成像信息或对该对象进行治疗的成像或治疗方法或技术。单模态***可以包括例如超声成像***、X射线成像***、计算机断层摄影(CT)***、磁共振成像(MRI)***、超声检查***、正电子发射断层摄影(PET)***、光学相干断层扫描(OCT)成像***、超声(US)成像***、血管内超声(IVUS)成像***、近红外光谱(NIRS)成像***等，或其任意组合。多模态***可以包括例如X射线成像-磁共振成像(X射线MRI)***、正电子发射断层摄影-X射线成像(PET-X射线)***、单光子发射计算机断层扫描磁共振成像(SPECT-MRI)***、正电子发射断层扫描计算机断层摄影(PET-CT)***、C型臂***、正电子发射断层扫描磁共振成像(PET-MR)***、数字减影血管造影-磁共振成像(DSA-MRI)***等。在一些实施例中，医疗***可以包括治疗***。治疗***可以包括治疗计划***(TPS)、图像引导放射治疗(IGRT)等。图像引导放射治疗(IGRT)可以包括治疗设备和成像设备。该治疗设备可以包括线性加速器、回旋加速器、同步加速器等，其被配置为对受试者进行放射治疗。处理设备可以包括多种粒子种类的加速器，例如，光子、电子、质子或重离子。成像设备可以包括MRI扫描仪、CT扫描仪(例如，锥形束计算机断层摄影(CBCT)扫描仪)、数字放射学(DR)扫描仪、电子门成像设备(EPID)等。以下描述的医疗***仅出于说明的目的而提供，并不限制本申请的范围。
在本申请中，受试者可以包括生物体和/或非生物体。生物体可以是人类、动物、植物或其特定部分，器官和/或组织。例如，受试者可以包括头部、颈部、胸部、心脏、胃、血管、软组织、肿瘤、结节等，或其任意组合。在一些实施例中，受试者可以是具有生命或没有生命的有机和/或无机物质的人造组合物。在本申请中，术语“对象”或“受试者”可以互换使用。
在本申请中，图像中的对象(例如，患者、受试者或其一部分)的表示可以简称为对象。例如，图像中的器官和/或组织(例如，心脏、肝脏、肺)的表示可以简称为器官或组织。进一步地，包括对象的表示的图像可以简称为对象的图像或包括对象的图像。更进一步地，对图像中的对象的表示进行的操作可以简称为对对象的操作。例如，对包括图像中器官和/或组织的表示的图像的一部分的分割可以简称为器官和/或组织的分割。
本申请的一个方面涉及用于图像重建的***和方法。所述***可以获取待处理的初始图像和对初始图像执行多次迭代步骤生成重建图像。多次迭代步骤中的每一次迭代步骤可以包括第一优化操作和至少一个第二优化操作。第一优化操作和至少一个第二优化操作可以被依次执行。第一优化操作可以包括：接收迭代步骤中待处理的图像和通过初步优化待处理的图像确定更新图像。至少一个第二优化操作可以包括通过减少更新图像的干扰信息，确定优化图像和将优化图像指定为下一次迭代步骤中下一个待处理的图像。干扰信息可以包括噪声信息和/或伪影信息。
根据本申请的***和方法，对初始图像执行多次迭代步骤生成重建图像中的每一次迭代步骤包括第一优化操作(用于初步优化待处理的图像)和通过机器学习模型执行至少一个第二优化操作(用于进一步优化第一优化操作生成的更新图像)，即结合初步优化和通过机器学习模型进一步优化，可以提高重建图像的图像质量，降低重建图像的噪声。
图1是根据本申请的一些实施例所示的示例性医疗***的示意图。如图所示，医疗***100可以包括扫描设备110、处理设备120、终端设备130、网络140和存储设备150。医疗***100的组件可以以一种或多种各种方式连接。仅作为示例，如图1所示，扫描设备110可以通过网络140连接到处理设备120。又例如，扫描设备110可以直接连接到处理设备120(如连接扫描设备110和处理设备120的虚线双向箭头所示)。作为进一步的示例，存储设备150可以直接或通过网络140连接到处理设备120。作为进一步的示例，终端设备130可以直接(如连接终端设备130和处理设备120的虚线双向箭头所示)和/或通过网络140与处理设备120连接。
扫描设备110可以被配置为获取与对象的至少一部分有关的成像数据。扫描设备110可以扫描位于其检测区域内的对象或其一部分，并生成与该对象或其一部分有关的成像数据。与对象的至少一部分有关的成像数据可以包括图像(例如，图像切片)、投影数据或其组合。在一些实施例中，成像数据可以是二维(2D)成像数据、三维(3D)成像数据、四维(4D)成像数据等，或其任意组合。在一些实施例中，扫描设备110可以包括单模态成像设备。例如，扫描设备110可以包括数字减影血管造影(DSA)、正电子发射断层摄影(PET)设备、单光子发射计算机断层摄影(SPECT)设备、磁共振成像(MRI)设备(也称为MR扫描仪)、计算机断层扫描(CT)设备、超声扫描仪、数字射线照相(DR)扫描仪等，或其任意组合。在一些实施例中，扫描设备110可以包括多模态成像设备。示例性的多模态成像设备可以包括PET-CT设备、PET-MR设备等或其组合。为了说明的目的，结合CT设备描述本申请。
处理设备120可以处理从扫描设备110、终端设备130和/或存储设备150获得的数据和/或信息。例如，处理设备120可以获取待处理的初始图像和对初始图像执行多次迭代步骤生成重建图像。在一些实施例中，处理设备120可以包括中央处理单元(CPU)、数字信号处理器(DSP)、片上***(SoC)、微控制器单元(MCU)等和/或其任意组合。在一些实施例中，处理设备120可以包括计算机、用户控制台、单个服务器或服务器组等。服务器组可以是集中式或分布式的。在一些实施例中，处理设备120可以是本地的或远程的。例如，处理设备120可以经由网络140访问存储在扫描设备110、终端设备130和/或存储设备150中的信息和/或数据。又例如，处理设备120可以直接连接扫描设备110、终端设备130和/或存储设备150访问存储的信息和/或数据。在一些实施例中，处理设备120可以在云平台上实现。仅作为示例，云平台可以包括私有云，公共云，混合云，社区云，分布式云，云间，多云等，或其任意组合。在一些实施例中，处理设备120或处理设备120的一部分可以集成到扫描设备110中。在一些实施例中，处理设备120可以由包括一个或多个如图2中所描述的组件的计算设备200来实现。
终端设备130可以包括移动设备131、平板计算机132、笔记本计算机133等，或其任意组合。在一些实施例中，移动设备131可以包括智能家居设备、可穿戴设备、移动设备、虚拟现实设备、增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，可穿戴设备包括手环、鞋袜、眼镜、头盔、手表、衣服、背包、智能配饰等，或其任意组合。在一些实施例中，移动设备可以包括手机、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、台式机等，或其任何组合。在一些实施例中，虚拟现实设备和/或增强现实设备包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google GlassTM、Oculus RiftTM、HololensTM、Gear VRTM等。在一些实施例中，终端130可以是处理设备120的一部分。
网络140可以包括促进医疗***100的信息和/或数据交换的任何合适的网络。在一些实施例中，一个或以上医疗***100的组件(例如，扫描设备110、处理设备120、存储设备150、终端设备130)可以通过网络140与医疗***100的一个或以上其他组件通信信息和/或数据。例如，处理设备120可以经由网络140从扫描设备110中获得数据。又例如，终端设备120可以经由网络140从处理设备120接收重建图像。在一些实施例中，医疗***100的一个或多个组件(例如，扫描设备110、处理设备120、存储设备150、终端设备130)可以与一个或多个外部资源(例如第三方的外部数据库等)通信信息和/或数据。例如，处理设备120可以获取来自提供和/或更新优化模型的供应商或制造商(例如，扫描设备110的制造商)的外部数据库中的图像处理模型。网络140可以是和/或包括公共网络(例如互联网)、私有网络(例如局部区域网络(LAN)、广域网(WAN))、有线网络(例如以太网络)、无线网络(例如802.11网络、Wi-Fi网络)、蜂窝网络(例如、长期演进(LTE)网络)、帧中继网络、虚拟专用网(“VPN”)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任何组合。仅作为示例，网络140可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局部区域网络(WLAN)、城域网(MAN)、公共交换电话网(PSTN)、蓝牙TM网络、紫蜂TM网络、近场通信(NFC)网络等，或其任意组合。在一些实施例中，网络140可以包括一个或以上网络接入点。例如，网络140可以包括诸如基站和/或互联网交换点之类的有线和/或无线网络接入点，医疗***100的一个或以上组件可以通过这些接入点连接到网络140以交换数据和/或信息。
存储设备150可以存储数据，指令和/或任何其他信息。在一些实施例中，存储设备150可以存储从扫描设备110、终端设备130和/或处理设备120获得的数据。在一些实施例中，存储设备150可以存储数据和/或指令，处理设备120可以执行或使用所述数据和指令来执行本申请中描述的示例性方法/***。在一些实施例中，存储设备150可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取内存(DRAM)、双倍数据速率同步动态随机存取内存(DDR SDRAM)、静态随机存取内存(SRAM)、晶闸管随机存取内存(T-RAM)和零电容随机存取内存(Z-RAM)等。示例性ROM可以包括掩模型只读内存(MROM)、可编程只读内存(PROM)、可擦除可编程只读内存(EPROM)、电可擦除可编程只读内存(EEPROM)、光盘只读内存(CD-ROM)和数字多功能磁盘只读内存等。在一些实施例中，所述存储设备150可在云端平台上执行。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，存储设备150可以连接到网络140以与医疗***100的一个或以上其他组件(例如，扫描设备110、处理设备120、存储设备150、终端设备130)通信。医疗***100的一个或以上组件可以通过网络140访问存储在存储设备150中的数据或指令。在一些实施例中，存储设备150可以直接连接到医疗***100的一个或以上其他组件(例如，扫描设备110、处理设备120、存储设备150、终端设备130)或与之通信。在一些实施例中，存储设备150可以是处理设备120的一部分。
应该注意的是，医疗***100的以上描述仅出于说明的目的而提供，并不限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，进行多种变化和修改。例如，医疗***100可以包括一个或多个附加组件和/或上述医疗***100的一个或多个组件可以省略。附加地或可替代地，医疗***100的两个或更多组件可以被集成到单个组件中。医疗***100的组件可以在两个或更多个子组件上实现。
图2是根据本申请的一些实施例所示的示例性计算设备200的示例性硬件和/或软件部件的示意图。计算设备200可以用于实现如本文所述的医疗***100的任何组件。例如，处理设备120和/或终端设备130可以分别经由其硬件、软件程序、固件或其组合在计算设备200上实现。尽管为了方便仅示出了一个这样的计算设备，但是可以在多个相似平台上以分布的方式实现与本文所述的医疗***100有关的计算机功能，以分配处理负荷。如图2所示，计算设备200可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。
处理器210可以根据本文描述的技术执行计算机指令(例如，程序代码)并执行处理设备120的功能。所述计算机指令可以包括执行在此描述的特定功能，例如例程、程序、组件、部件、数据结构、过程、模块和功能。例如，处理器210可以执行从终端设备130和/或存储设备150获得的指令。
在一些实施例中，处理器210可以包括一个或以上硬件处理器，诸如微控制器、微处理器、精简指令集计算机(RISC)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高阶RISC机器(ARM)、可编程逻辑器件(PLD)、能够执行一个或以上功能的任何电路或处理器等，或其任何组合。
仅出于说明目的，计算设备200中仅说明了一个处理器。然而，应当注意的是，本申请中的计算设备200还可以包括多个处理器，因此本公开所述的由一个处理器执行的步骤和/或方法步骤也可由多个处理器共同或分别执行。例如，如果在本申请中计算设备200的处理器执行操作A和操作B两者，则应该理解，操作A和操作B也可以由计算设备200中的两个或以上不同的处理器共同地或单独地执行(例如，第一处理器执行操作A并且第二处理器执行操作B，或者第一处理器和第二处理器共同执行操作A和B)。
存储器220可以存储从扫描设备110、处理设备120、存储设备150、终端设备130和/或医疗***100的任何其他部件获得的数据/信息。在一些实施例中，存储器220可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。在一些实施例中，存储器220可以存储一个或以上程序和/或指令以执行在本申请中描述的示例性方法。
输入/输出230可以输入和/或输出信号、数据、信息等。在一些实施例中，输入/输出230可以实现用户与处理设备120的交互。在一些实施例中，输入/输出230可以包括输入设备和输出设备。示例性的输入设备可以包括键盘、鼠标、触控屏幕、麦克风等，或其任何组合。示例性的输出设备可以包括显示设备、扬声器、打印机、投影机等，或其任何组合。显示设备的示例可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、弯曲屏幕、电视设备、阴极射线管(CRT)、触摸屏幕等，或其任何组合。
通信端口240可以连接到网络(例如，网络140)以促进数据通信。通信端口240可以在处理设备120和扫描设备110、终端130设备和/或存储设备150之间建立连接。连接可以是有线连接、无线连接、可以启用数据传输和/或接收的任何其他通信连接，和/或这些连接的任何组合。有线连接可以包括例如电缆、光缆、电话线等或其任意组合。无线连接可以包括例如蓝牙链路、Wi-Fi链路、WiMax链路、WLAN链路、紫蜂链路、移动网络链路(例如3G、4G、5G等)等或其组合。在一些实施例中，通信端口240可以是和/或包括标准化通信端口，诸如RS232、RS485等。在一些实施例中，通信端口240可以是专门设计的端口。例如，通信端口240可以根据医学数字成像和通信(DICOM)协议来设计。
图3是根据本申请的一些实施例所示的示例性移动设备的硬件和/或软件部件的示意图。在一些实施例中，医疗***100的一个或多个组件(例如，终端设备130和/或处理设备120)可以在移动设备300上实现。
如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出350、内存360和存储器390。在一些实施例中，任何其他合适的部件，包括但不限于***总线或控制器(未示出)，也可包括在移动设备300内。在一些实施例中，移动操作***370(如，iOSTM、AndroidTM、Windows PhoneTM)和一个或以上应用程序380可以从存储器390加载到内存360中以便由CPU340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序，用于从处理设备120接收和渲染与图像处理有关的信息或其他信息。与信息流的用户交互可以通过输入/输出350来实现，并通过网络140提供给处理设备120和/或医疗***100的其他组件。
为了实施本申请描述的各种模块、单元及其功能，计算机硬件平台可用作本文中描述的一个或以上部件的硬件平台。这样的计算机的硬件元件、操作***和编程语言本质上是常规的，并且假定本领域技术人员充分熟悉以适应那些技术以生成如本文所述的图像。具有用户接口部件的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端设备。若编程得当，计算机亦可用作服务器。相信本领域技术人员熟悉这种计算机设备的结构、编程和一般操作，因此，附图应该是不言自明的。
图4是根据本申请的一些实施例所示的示例性处理设备的框图。处理设备120可以在计算设备200(例如，处理器210)和/或图3中的终端设备300上实现。处理设备120可以包括获取模块410、重建模块420和训练模块430。
获取模块410可以被配置为获取待处理的初始图像。关于获取待处理的初始图像的更多描述可以参见本申请的其他描述(例如，操作510及其描述)。
重建模块420可以被配置为对初始图像执行多次迭代步骤生成重建图像。在一些实施例中，多次迭代步骤中的每一次迭代步骤可以包括第一优化操作和至少一个第二优化操作。在一些实施例中，第一优化操作和至少一个第二优化操作可以被依次执行。以特定的迭代步骤为例，第一优化操作可以包括：接收迭代步骤中待处理的图像(例如，对于第一次迭代步骤，待处理的图像为初始图像)；以及通过初步优化待处理的图像确定更新图像。至少一个第二优化操作可以包括通过减少更新图像的干扰信息(例如，噪声信息、伪影信息)，确定优化图像；和将优化图像指定为下一次迭代步骤中下一个待处理的图像。在一些实施中，对于至少一个第二优化操作，重建模块420可以基于优化模型(例如，机器学习模型)减少干扰信息，确定优化图像。关于生成重建图像的更多描述可以参见本申请的其他描述(例如，操作520，图6，图7及其描述)。
训练模块430可以被配置为获取多组训练样本，并基于多组训练样本训练初始优化模型，获得优化模型。关于获取优化模型的更多描述可以参见本申请的其他描述(例如，图8及其描述)。
处理设备120中的模块可以由有线连接或无线连接彼此连接或通信。有线连接可以包括金属电缆、光缆、混合电缆等或它们的任何组合。无线连接可以包括局域网(LAN)、广域网(WAN)、蓝牙、紫蜂、近场通信(NFC)等或其任意组合。可以将两个或多个模块组合为一个模块，并且可以将任何一个模块划分为两个或多个单元。在一些实施例中，处理设备120可以包括一个或多个附加模块，例如用于存储数据的存储模块(未示出)。例如，重建模块420和训练模块430可以组合为单个模块，既可以生成重建图像，又可以确定优化模型。又例如，重建模块420可以被划分为用于执行第一优化操作的第一重建单元和用于执行至少一个第二优化操作的第二重建单元。再例如，处理设备120还可以包括传输模块(未示出)，该传输模块被配置为将信号(例如，电信号、电磁信号)传输到医疗***100的一个或多个组件(例如，扫描设备110、终端设备130、存储设备150)。再例如，处理设备120可以包括用于存储与图像重建相关的信息和/或数据(例如，初始图像、更新图像、优化图像)的存储模块(未示出)。再例如，训练模块430可以在单独的设备(例如，独立于处理设备120的处理设备)上实现。再例如，训练模块430可以是不必要的，并且可以从本申请的其他地方披露的存储设备(例如，存储设备150、外部数据库)获得优化模型。
图5是根据本申请的一些实施例所示的用于图像重建的示例性过程的流程图。在一些实施例中，过程500可以由医疗***100执行。例如，过程500可以被实现为存储在存储设备(例如，存储设备150、存储器220和/或存储器390)中的一组指令(例如，应用程序)。在一些实施例中，处理设备120(例如，图4中所示的处理器210、CPU 340和/或一个或多个模块)可以执行指令组，并且当执行指令时，处理设备120可以被配置为执行过程500。下面呈现的所示过程的操作旨在说明。在一些实施例中，过程500可以利用未描述的一个或多个附加操作和/或没有讨论过的一个或多个操作来完成。此外，图5中所示过程500的操作顺序和以下描述的内容并不限制本申请的范围。
在510中，处理设备120(例如，获取模块410)(例如，处理器210的接口电路)可以获取待处理的初始图像。如图1所述，待处理的初始图像可以包括CT图像，MR图像，PET图像，X射线图像等，或其任何组合。
在一些实施例中，处理设备120可以指示扫描设备110对对象(例如，患者)执行扫描(例如，CT扫描)，并基于从扫描设备110获取的扫描数据确定初始图像。处理设备120可以基于扫描数据，根据重建算法(例如，滤波反投影(FBP)算法)确定初始图像。在一些实施例中，初始图像可以预先获取并存储在本申请中的其他地方描述的存储设备(例如，存储设备150、存储器220和/或存储器390)中。处理设备120可以经由网络(例如，网络140)从存储设备获得初始图像。在一些实施例中，初始图像可以是包括具有定义像素值(例如，0)的像素的定义图像。定义像素值可以是医学***100的默认设置，或者可以在不同情况下进行调整。
在520中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以对初始图像执行多个迭代步骤，生成重建图像。
在一些实施例中，多个迭代步骤中的每一个可以包括第一优化操作和至少一个第二优化操作。在一些实施例中，第一优化操作和至少一个第二优化操作可以依次被执行。以特定的迭代步骤为例，第一优化操作可以包括：接收迭代步骤中待处理的图像(例如，对于第一迭代步骤，待处理的图像为初始图像)，并通过初步优化待处理的图像确定更新图像。至少一个第二优化操作可以包括：通过减少更新图像的干扰信息(例如，噪声信息、伪影信息)，确定优化图像；和将优化图像指定为下一次迭代步骤中下一个待处理的图像。在一些实施中，对于至少一个第二优化操作，处理设备120可以基于优化模型(例如，机器学习模型)减少干扰信息，确定优化图像。关于生成重建图像的更多描述可以参见本申请的其他描述(例如，图6及其描述)。
在一些实施例中，也以特定的迭代步骤为例，处理设备120可以确定当前迭代步骤中是否满足终止条件。示例性终止条件可以包括已经执行了特定数量的迭代步骤，当前迭代步骤中的优化图像已经达到期望的图像质量(例如，噪声率小于阈值)等。特定数量可以是医疗***100的默认值、由用户或操作员手动设置的，或由处理设备120根据实际需要确定的。在一些实施例中，可以由用户或操作员手动确定是否满足终止条件。例如，重建图像可以在如终端设备130的界面上显示，并且用户或操作员可以输入关于优化图像是否已经达到期望图像质量的评估结果。
如果在当前迭代步骤中确定满足终止条件，则处理设备120可以将在当前迭代步骤的至少一个第二优化操作中确定的优化图像指定为重建图像。如果在当前迭代步骤中确定不满足终止条件，则处理设备120可以进行到下一个迭代步骤，直到满足终止条件为止。
应该注意的是，关于过程500的以上描述仅出于说明的目的而提供，并且无意于限制本申请的范围。对于本领域普通技术人员而言，在不背离本申请原则的前提下，可以对上述方法及***的应用进行各种形式和细节的变化和修改。然而，这些变化和修改亦落于本申请的范围内。在一些实施例中，过程500可以利用一个或多个未描述的附加操作和/或不具有上面讨论的一个或多个操作来完成。例如，过程500可以包括另外的发送操作，其中处理设备120可以将重建图像发送到终端设备130。又例如，过程500可以包括另外的存储操作，其中处理设备120可以将与图像重建相关的信息和/或数据(例如，初始图像、更新图像、优化图像)存储在本发明其他地方披露的存储设备(例如存储设备150，存储设备220，存储设备390)中。
图6是根据本申请的一些实施例所示的迭代步骤的示例性过程的流程图。在一些实施例中，过程600可以由医疗***100执行。例如，过程600可以被实现为存储在存储设备(例如，存储设备150、存储器220和/或存储器390)中的一组指令(例如，应用程序)。在一些实施例中，处理设备120(例如，计算设备200的处理器210、移动设备300的CPU 340和/或图4所示的一个或多个模块)可以执行指令组，并被指令执行过程600。下面呈现的所示过程的操作旨在进行说明。在一些实施例中，过程600可以利用未描述的一个或多个附加操作和/或没有讨论过的一个或多个操作来完成。此外，图6中所示过程600的操作顺序和以下描述的内容并不限制本申请的范围。
如图5所述，多个迭代步骤中的每一个迭代步骤可以包括第一优化操作610和至少一个第二优化操作620。第一优化操作610可以包括操作611和操作612。至少一个第二优化操作操作620可以包括操作621和操作622。
在611中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以接收迭代步骤中待处理的图像。例如，对于第一迭代步骤，待处理的图像为初始图像；对于后续迭代步骤，待处理的图像为在上一相邻迭代步骤中确定的优化图像。
在612中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以通过初步优化待处理的图像确定更新图像。
处理设备120可以通过对迭代步骤中待处理的图像执行正向投影变换来确定正向投影数据。根据正向投影变换，处理设备120可以将图像域中的数据(例如，待处理的图像)变换为投影域中的数据(例如，正向投影数据)。在一些实施例中，处理设备120可以通过将待处理的图像乘以正向投影矩阵，将待处理的图像变换为正向投影数据。如本文所述，正向投影矩阵可以是医疗***100的默认设置，或者可以在不同情况下进行调整。
进一步地，处理设备120可以至少部分基于正向投影数据和初始采集的投影数据之间的加权误差的反向投影数据，确定更新图像。初始采集的投影数据与初始图像相关。如本文所述，与初始图像相关的初始采集的投影数据可以指扫描设备110获取的原始投影数据，例如，扫描设备110上确定初始图像的原始投影数据。在一些实施例中，处理设备120可以经由网络(例如，网络140))从扫描设备110或存储设备(例如，存储设备150、存储设备220和/或存储设备390)获取初始采集的投影数据。
在一些实施例中，处理设备120可以确定与初始采集的投影数据相关的第一质量权重。例如，处理设备120可以基于初始采集的投影数据中的干扰信息(例如，噪声信息，伪影信息)，确定第一质量权重。又例如处理设备120可以基于获取初始采集的投影数据的参数(例如，X射线强度)，确定第一质量权重。处理设备120可以基于第一质量权重、正向投影数据和初始采集的投影数据，确定正向投影数据和初始采集的投影数据之间的加权误差。例如，处理设备120可以将正向投影数据和初始采集的投影数据之间的差异确定为正向投影数据和初始采集的投影数据之间的误差。进一步地，处理设备120可以基于误差和第一质量权重，确定加权误差。可替代地，处理设备120可以确定迭代步骤中待处理的图像的质量特征，并基于该质量特征确定第二质量权重。关于质量特征的更多描述可以参见本申请的其他描述(例如，操作621及其描述)。关于第二质量权重的更多描述可以参见本申请的其他描述(例如，图8及其描述)。进一步地，处理设备120可以确定基于误差和第二质量权重，确定加权误差。
处理设备120可以通过对加权误差进行反向投影变换来确定加权误差的反向投影数据。根据反向投影变换，处理设备120可以将投影域中的数据(例如，加权误差)变换为图像域中的数据(例如，反向投影数据)。例如，处理设备120可以通过将加权误乘以反投影矩阵来确定加权误差的反投影数据。类似地，反投影矩阵可以是医疗***100的默认设置，或者可以在不同情况下进行调整。处理设备120可以基于加权误差的反向投影数据确定更新图像。
在一些实施例中，处理设备120可以根据公式(1)，至少部分地基于与初始图像相关的正向投影数据和初始采集的投影数据之间的加权误差的反向投影数据，确定更新图像。
其中，Uk是第k个迭代步骤中的更新图像，Vk-1是第k-1个迭代步骤中的优化图像(即，第k个迭代步骤中待处理的图像)，L表示损失函数，A表示正向投影矩阵，f表示与初始图像相关的初始采集的投影数据，(AVk-1-f)表示正向投影数据和初始采集的投影数据之间的误差。在一些实施例中，处理设备120可以通过求解公式(1)来确定更新图像。在一些实施例中，处理设备120可以通过使用牛顿法或梯度下降法来求解公式(1)。
进一步地，处理设备120可以基于加权误差的反向投影数据，确定更新图像。例如，处理设备120可以根据下面的公式(2)使用牛顿法来求解上面的公式(1)：
其中Uk是第k个迭代步骤中的更新图像，Vk-1是第k-1个迭代步骤中的优化图像(即，第k个迭代步骤中待处理的图像)，f指与初始图像相关的初始采集的投影数据，A指正投影矩阵，AT指反投影矩阵，W指第一质量权重或第二质量权重，指用于对所有像素值均为1的图像执行正向投影变换的操作，而α表示迭代步骤的迭代步长，该步长可以是医疗***100的默认设置，也可以在不同情况下进行调整。
在621中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以通过减少(或消除)更新图像的干扰信息，确定优化图像。换而言之，对迭代步骤中待处理的图像执行初步优化之后，处理设备120可以执行进一步的优化。
在一些实施例中，干扰信息可以包括噪声信息和/或伪影信息。噪声信息可以指与图像中噪声特征有关的信息，例如噪声分布、噪声强度、全局噪声强度、噪声率等。伪影信息可以指与图像中伪影特征有关的信息，例如，伪影分布、伪影强度、全局伪影强度、伪影率等。
在一些实施例中，处理设备120可以基于优化模型或优化算法，通过减少更新图像的干扰信息来确定优化图像。在一些实施例中，优化算法可以包括均值滤波器、顺序统计滤波器、平滑滤波器等，或其任意组合。均值滤波器可包括算术均值滤波器、几何均值滤波器、谐波均值滤波器、逆谐波均值滤波器等，或其任意组合。顺序统计过滤器可以包括中值滤波器、二维中值滤波器、修正后的阿尔法均值滤波器、最大/最小滤波器等，或其任意组合。平滑滤波器可以包括局部平滑滤波器、超限像素平滑滤波器、空间低通滤波器等，或其任意组合。
在一些实施例中，可以预训练优化模型，并将其存储在本申请其他地方披露的存储设备(例如，存储设备150)中。处理设备120可以从存储设备中获取优化模型。在一些实施例中，优化模型可以包括机器学习模型，例如神经网络模型。神经网络模型可以包括多层感知器(MLP)模型、深度神经网络(DNN)模型、卷积神经网络(CNN)模型、深度卷积编码解码器(DCED)网络模型、生成对抗网络(GAN)模型等或其任何组合。在一些实施例中，可以基于多组训练样本来训练优化模型。关于优化模型的更多描述可以参见本申请的其他描述(例如，图8及其描述)。
在一些实施例中，处理设备120可以确定更新图像的质量特征。进一步地，处理设备120可以将更新图像和质量特征输入优化模型，并基于优化模型的输出来确定优化图像。质量特征可以包括待处理的图像的噪声特征、伪影特征、灰度分布(例如，图像像素的灰度值分布)、全局灰度(例如，像素灰度的平均灰度值、像素灰度的加权平均值)、分辨率(例如，图像的清晰度)、对比度(例如，灰度对比度)等或其任意组合。
如本文所述，图像的噪声指图像中的随机误差，可以导致图像中斑点、颗粒、纹理、雪花等的出现。示例性的噪声特征可以包括噪声分布、噪声强度、全局噪声强度、噪声率等，或其任意组合。在一些实施例中，噪声强度可以指噪声像素的值，反映噪声像素中的噪声幅度，因此，噪声分布可以反映图像中具有不同噪声强度的噪声的概率密度；全局噪声强度可以反映图像中的平均噪声强度或加权平均噪声强度；噪声率可以反映出噪声分布的分散程度。在一些实施例中，处理设备120可以基于统计噪声模型和/或与统计噪声模型相对应的概率密度函数(PDF)确定噪声特征。例如，处理设备120可以根据统计噪声模型和/或PDF来确定噪声分布的表示(例如，曲线、值、矢量、矩阵)。又例如，处理设备120可以基于与噪声分布的表示有关的平均值或加权值确定全局噪声强度。再例如，处理设备120可以基于噪声分布的表示的方差和/或标准偏差来确定噪声率。再例如，对于原始CT数据，处理设备120可以通过统计用于获取原始CT数据的X射线的统计噪声特性，确定与原始CT数据相对应的统计噪声模型。进一步地，处理设备120可以基于统计噪声模型和重建算法，确定原始CT数据的噪声特征，该重建算法可以用于重建原始CT数据。示例性的统计噪声模型可以包括高斯噪声模型、脉冲噪声模型、瑞利噪声模型、指数分布噪声模型，均匀分布噪声模型等，或其任意组合。在一些实施例中，处理设备120可以使用图像块方法、滤波器法、空域采样法、贝叶斯估计算法等或其任意组合来确定图像的噪声特征。
如本文所述，图像的伪影是指图像中与对象实际存在的任何部分不对应的部分，可以导致图像失真、图像重叠、图像缺失。示例性的伪影特征可以包括伪影分布、伪影强度、全局伪影强度、伪影率等或其任意组合。在一些实施例中，伪影强度可以指伪影像素的值，反映伪影像素中的伪影幅度。在一些实施例中，处理设备120可以识别图像中的伪影，并基于伪影特征(例如，纹理，形状)确定伪影强度。在一些实施例中，处理设备120可以使用特征提取算法确定伪影特征。示例性特征提取算法可以包括方向梯度直方图(HOG)、局部二值模式(LBP)算法、尺度不变特征变换匹配(SIFT)算法、哈尔特征(Haar-like)算法、灰度共生矩阵法(GLCM)、霍夫变换、傅里叶变换、傅里叶形状描述符法、形状参数法、有限元法(FEM)、旋转函数和小波描述符等。进一步地，与噪声特征类似地，伪影分布可以反映图像中不同强度的伪影的概率密度；全局伪影强度可以反映图像中的平均伪影强度或加权平均伪影强度；伪影率可以反映伪影分布的分散程度。类似地，处理设备120还可以基于统计模型和/或与统计模型相对应的概率密度函数(PDF)确定伪影特征。
在一些实施例中，更新图像可以包括不同类型的干扰信息(例如，噪声信息、伪影信息)。为了尽可能消除不同类型的干扰信息，处理设备120可以确定与每种类型的干扰信息相对应的优化模型。例如，处理设备120可以确定用于减少或消除更新图像的伪影信息的伪影优化模型。又例如，处理设备120可以确定用于减少或消除更新图像的噪声信息的噪声优化模型。
在一些实施例中，处理设备120可以确定更新图像的初始特征(例如，与更新图像中包括的对象相关的特征、与获取更新图像(或待处理的图像)的扫描设备的类型相关的特征)，并基于初始特征选择优化模型。
在一些实施例中，处理设备120可以在更新图像上执行减少多种干扰信息的操作(即，操作621)以确定优化图像。可以基于多种优化算法或多个优化模型执行减少多种干扰信息的操作。，处理设备120在一些实施例中，多个优化模型可以是不同类型的模型。在一些实施例中，多个优化模型可以是相同类型但是不同结构或相同结构的模型。例如，多个优化模型可以是具有不同数量的神经网络或/和不同数量的神经元的深度神经网络模型。又例如多个优化模型可以是具有不同激活方式和/或不同模型结构的深度神经网络模型。
在一些实施例中，处理设备120可以在更新图像上依次执行多个减少干扰信息操作。例如，处理设备120可以将当前减少干扰信息操作中获得的结果图像指定为下一减少干扰信息操作中的下一个更新图像。进一步地，处理设备120可以将最后的减少干扰信息操作中获得的结果图像指定为优化图像。
在一些实施例中，处理设备120可以并行地在更新图像上执行多个减少干扰信息操作。例如，处理设备120可以在多个减少干扰信息操作中确定多个结果图像。进一步地，处理设备120可以将多个结果图像的平均结果或加权平均结果确定为优化图像。在一些实施例中，对于多个结果图像中的每一个，处理设备120可以基于优化算法、优化模型的模型参数、干扰信息的类型等，确定与结果图像对应的权重。对于通过具有相对更多层的优化模型获得的结果图像，权重可能相对较高。在一些实施例中，并行执行多个减少干扰信息操作，可以减少优化图像中真实信息的丢失。
在622中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以将优化图像指定为下一次迭代步骤中下一个待处理的图像。
如图5所述，处理设备120可以在确定优化图像之后确定是否满足终止条件。如果确定满足终止条件，则处理设备120可以将优化图像指定为重建图像。如果确定不满足终止条件，则处理设备120可以将优化图像指定为下一个待处理的图像，并在下一迭代步骤中执行第一优化操作610。
应当注意的是，关于过程600的以上描述仅出于说明的目的而提供，并且无意于限制本申请的范围。对于本领域普通技术人员而言，在不背离本申请原则的前提下，可以对上述方法及***的应用进行各种形式和细节的变化和修改。然而，这些变化和修改亦落于本申请的范围内。
图7是根据本申请的一些实施例所示的用于图像重建的示例性过程的流程图。在一些实施例中，过程700可以由医疗***100执行。例如，过程700可以被实现为存储在存储设备(例如，存储设备150、存储器220和/或存储器390)中的一组指令(例如，应用程序)。在一些实施例中，处理设备120(例如，处理器210、移动设备300的CPU 340和/或图4所示的一个或多个模块)可以执行指令组，，并被指令执行过程700。在一些实施例中，过程700可以利用未描述的一个或多个附加操作和/或没有讨论过的一个或多个操作来完成。此外，图7中所示过程700的操作顺序和以下描述的内容并不限制本申请的范围。
在710，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以接收在当前迭代重建中待处理的图像。如操作611所述，对于第一迭代重建，待处理的图像是初始图像；对于后续的迭代重建，待处理的图像是上一相邻的迭代重建确定的优化图像。
在720中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以在当前迭代步骤对待处理的图像执行正向投影变换，确定正向投影数据。
在730中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以经由网络(例如，网络140)，从扫描设备110或存储设备(例如，存储装置150、存储装置220和/或存储器390)获得与初始图像相关的初始采集的投影数据。
在740中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以确定与初始图像相关的正向投影数据和初始采集的投影数据之间的加权误差。
在750中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以对加权误差执行反向投影变换，确定反向投影数据。
在760中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以至少部分地基于反向投影数据来确定初始更新图像。进一步地，处理设备120可以对初始更新图像重复操作720-760，确定更新图像，直到初始更新图像满足预设条件为止。在一些实施例中，预设条件可以包括已经执行了一定数量的重复操作、初始更新图像已经达到期望的图像质量(例如，噪声率小于阈值)，等等。***100的默认设置，或者可以在不同情况下调整。
在770中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以确定更新图像的质量特征。
在780中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以将更新图像和质量特征输入优化模型。
在790中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以基于优化模型的输出确定优化图像。在一些实施例中，处理设备120可以确定在当前迭代步骤中是否满足终止条件。如果确定在当前迭代步骤中满足终止条件，则处理设备120可以将当前迭代步骤中的优化图像指定为重建图像。如果确定在当前迭代步骤中不满足终止条件，则处理设备120可以将优化图像指定为下一迭代步骤中的下一个待处理的图像，并且迭代地执行操作720-790，直到满足终止条件。
应当注意的是，关于过程700的以上描述仅出于说明的目的而提供，并且无意于限制本申请的范围。对于本领域普通技术人员而言，在不背离本申请原则的前提下，可以对上述方法及***的应用进行各种形式和细节的变化和修改。然而，这些变化和修改亦落于本申请的范围内。
图8是根据本申请的一些实施例所示的用于确定优化模型的示例性过程的流程图。在一些实施例中，过程800可以由医疗***100执行。例如，过程800可以被实现为存储在存储设备(例如，存储设备150、存储器220和/或存储器390)中的一组指令(例如，应用程序)。在一些实施例中，处理设备120(例如，处理器210、移动设备300的CPU 340和/或图4所示的一个或多个模块)可以执行指令组，并被指令执行过程800。在一些实施例中，过程800可以利用未描述的一个或多个附加操作和/或没有讨论过的一个或多个操作来完成。此外，图8中所示过程800的操作顺序和以下描述的内容并不限制本申请的范围。
在810中，处理设备120(例如，训练模块430)(例如，处理器210的处理电路)可以获取多组训练样本。在一些实施例中，可以预先生成多组训练样本中的至少一组，并将其存储在存储设备(例如，存储设备150、存储设备220、存储设备390或外部数据库)中。处理设备120可以直接从存储设备获取训练样本。
在一些实施例中，多组训练样本中的每一组可以包括样本图像和样本图像的样本质量特征。如操作621所述，样本质量特征可以包括样本图像的样本噪声特征、样本伪影特征、样本灰度分布、样本全局灰度、样本分辨率、样本对比度等，或其任何组合。样本噪声特征可以包括样本噪声分布、样本噪声强度、样本全局噪声强度、样本噪声率等或其任意组合。样本伪影特征可包括样本伪影分布、样本伪影强度、样本全局伪影强度、样本伪影率等，或其任意组合。
在一些实施例中，多组训练样本可以对应于各种质量水平(例如，各种噪声强度、各种伪影强度)。在一些实施例中，可以预先生成多组训练样本并将其存储在本申请的其他地方披露的存储设备(例如，存储设备150、存储设备220、存储设备390或外部数据库)中。处理设备120可以直接从存储设备获取多组训练样本。在一些实施例中，至少一部分多组训练样本可以由处理设备120生成。仅作为示例，处理设备120可以获得至少一个合格图像(例如，其质量特征满足质量要求)，并根据至少一个合格图像生成多个样本图像。例如，处理设备120可以对至少一个合格图像预处理(例如，进行分割、添加噪声、添加伪影)，生成多个样本图像。
以特定的合格图像为例，处理设备120可以利用图像分割算法将合格图像分割为多个子图像。示例性的图像分割算法可以包括基于阈值的分割算法、基于边缘的分割算法、基于区域的分割算法、基于聚类的分割算法、基于小波变换的图像分割算法、基于数学形态学的图像分割算法、基于人工神经网络的图像分割算法等，或其任何组合。又例如，处理设备120a可以将不同的干扰信息(例如，具有不同等级的噪声和/或伪影)添加到合格图像或子图像中，生成与合格图像相对应的多个样本图像或子图像。在一些实施例中，处理设备120可以将具有不同等级的不同类型的噪声(例如，高斯噪声、脉冲噪声、瑞利噪声、指数分布噪声、均匀分布噪声、随机噪声)添加到合格图像或子图像中。类似地，处理设备120可以添加具有不同等级的不同类型的伪影(例如，条状伪影、环状伪影、阴影状伪影、带状伪影、风车伪影、条纹伪影、运动伪影)到合格图像或子图像的不同区域。
在820中，处理设备120(例如，训练模块430)(例如，处理器210的处理电路)可以通过训练基于多组训练样本的初始优化模型来获得优化模型。在一些实施例中，初始优化模型可以是机器学习模型(例如，神经网络模型)。如图6所述，神经网络模型可以包括MLP模型、DNN模型、CNN模型、DCED网络模型、GAN模型等，或其任意组合。在一些实施例中，初始优化模型可以包括至少一个初始模型参数。至少一个初始模型参数可以是医疗***100的默认设置，或者可以基于不同情况调整。以CNN模型为例，至少一个初始模型参数可以包括卷积层数量、卷积核数量、卷积核大小、步长、每个卷积层的参数等，或其任意组合。
在一些实施例中，处理设备120可以基于一种或多种梯度下降算法训练初始优化模型。示例性的梯度下降算法可以包括亚当(Adaptive Moment Estimation，Adam)优化算法、随机梯度下降(Stochastic Gradient Descent，SGD)+动量优化算法，内斯特罗夫加速梯度(Nesterov Accelerated Gradient，NAG)算法、自适应梯度(Adaptive Gradient，Adagrad)算法、自适应增量(Adaptive Delta，Adadelta)算法、根均方根传播(Root MeanSquare Propagation，RMSprop)算法、亚当最大值(Adaptive Moment Estimation Max，AdaMax)算法，尼斯特洛夫加速的自适应矩估计((Nesterov-accelerated AdaptiveMoment Estimation，Nadam)算法、亚当随机梯度下降(Adam+SGD，AMSGrad)算法等，或其任意组合。
在一些实施例中，处理设备120可以迭代地训练初始优化模型，直到满足终止条件为止。响应于终止条件被满足，优化模型可以被最终确定。在一些实施例中，终止条件可以涉及损失函数的值。例如，如果损失函数的值达到或小于预设阈值，则可以满足终止条件。又例如，如果损失函数的值收敛，则可以满足终止条件。在一些实施例中，“收敛”可以指损失函数的值在两个或多个连续迭代中的变化小于或等于预设阈值。在一些实施例中，“收敛”可以指损失函数的值与目标值之间的差等于或小于预设阈值。在一些实施例中，当在训练过程中已经执行了预设次数的迭代时，可以满足终止条件。
在一些实施例中，损失函数可以与第二质量权重正相关，该第二质量权重可以与样本图像的质量水平相关，且可以基于样本图像的样本质量特征确定。在一些实施例中，第二质量权重可以根据不同的优化目标与样本质量特征正相关或负相关，以平衡不同样本对模型训练的影响从而平衡不同样本对训练该模型的影响。例如，对于用于“减少噪声”的模型，多组训练样本可以包括具有较高样本噪声强度的样本和具有较低样本噪声强度的样本。在训练过程中，优化具有较高样本噪声强度的样本，损失函数容易降低。因此，为了平衡具有较高样本噪声强度的样本和具有较低样本噪声强度的样本对损失函数的影响，具有较高样本噪声强度的样本对应的第二质量权重可以小于具有较低样本噪声强度的样本对应的第二质量权重。仅作为示例，第二质量权重可以与样本噪声强度成反比。另一方面，多组训练样本可以包括具有较高样本对比度的样本(例如，包括具有较高结构差异的物体(例如骨头，肺)的样本CT图像)和具有较低样本对比度的样本(例如，包括具有如软组织(例如，肝脏)之类较低结构差异的物体的样本CT图像)。在训练过程中，优化具有较高样本对比度的样本，损失函数容易降低。因此，为了平衡具有较高样本对比度的样本和具有较低样本对比度的样本对损失函数的影响，具有较高样本对比度的样本对应的第二质量权重可以小于具有较低样本对比度的样本对应的第二质量权重。仅作为示例，第二质量权重可以与样本对比度成反比。
又例如，类似地，对于用于“减少伪影”的模型，具有较高样本伪影强度的样本对应的第二质量权重可以小于具有较低样本伪影强度的样本对应的第二质量权重。仅作为示例，第二质量权重可以与样本伪影强度成反比。
再例如，对于用于“增强分辨率”的模型，多组训练样本可以包括具有较高样本分辨率的样本和具有较低样本分辨率的样本。在训练过程中，优化具有较低样本分辨率的样本，损失函数容易降低。因此，为了平衡具有较高样本分辨率的样本和具有较低样本分辨率的样本对损失函数的影响，具有较高样本分辨率的样本对应的第二质量权重可以大于具有较低样本分辨率的样本对应的第二质量权重。仅作为示例，第二质量权重可以与样本分辨率成正比。
在一些实施例中，处理设备120可以确定对应于不同对象类型和/或不同扫描设备类型的不同优化模型。关于训练初始优化模型的更多描述可以参考在同一日期交的编号PCT//CN2020/______，题为“用于图像优化的***和方法”的国际申请，其内容通过引用全部并入本申请。
应当注意，关于过程800的以上描述仅出于说明的目的而提供，并且无意于限制本申请的范围。对于本领域普通技术人员而言，在不背离本申请原则的前提下，可以对上述方法及***的应用进行各种形式和细节的变化和修改。然而，这些变化和修改亦落于本申请的范围内。在一些实施例中，可以添加或省略一个或多个操作。例如，处理设备120可以周期性地或不规律地基于一个或多个新生成的训练样本(例如，新样本图像、医学诊断中生成的新合格图像)更新优化模型。又例如，处理设备120可以将多组训练样本划分为训练集和测试集。训练集可用于训练模型，而测试集可用于确定训练过程是否已完成。
图9是根据本申请的一些实施例所示的用于图像重建的示例性过程的流程图。在一些实施例中，过程900可以由医疗***100执行。例如，过程900可以被实现为存储在存储设备(例如，存储设备150、存储器220和/或存储器390)中的一组指令(例如，应用程序)。在一些实施例中，处理设备120(例如，处理器210、移动设备300的CPU 340和/或图4所示的一个或多个模块)可以执行指令组，并被指令执行过程900。在一些实施例中，过程900可以利用未描述的一个或多个附加操作和/或没有讨论过的一个或多个操作来完成。此外，图9中所示过程900的操作顺序和以下描述的内容并不限制本申请的范围。
在910中，处理设备120(例如，获取模块410)(例如，处理器210的接口电路)可获取待处理的投影数据。
在一些实施例中，待处理的投影数据可以是初始采集的投影数据。在一些实施例中，处理设备120可以指示扫描设备110对对象(例如患者)执行扫描(例如CT扫描)以获得待处理的投影数据。在一些实施例中，可以预先获得待处理的投影数据并将其存储在存储设备(例如，存储设备150、存储设备220和/或存储设备390)中。处理设备120可以经由网络(例如，网络140)从存储设备获得待处理的投影数据。
在920中，处理设备120(例如，重建模块420)(例如，处理器210的处理电路)可以通过基于图像重构模型对投影数据进行处理，生成重建图像。
在一些实施例中，处理设备120可以将待处理的投影数据和/或初始图像输入图像重建模型。进一步地，处理设备120可以将图像重建模型的输出指定为重建图像。在一些实施例中，初始图像可以是根据重建算法(例如，FBP算法)基于投影数据重建图像。在一些实施例中，初始图像可以是包括具有定义像素值(例如，0)的像素的定义图像。定义像素值可以是医学***100的默认设置，或者可以在不同情况下进行调整。
在一些实施例中，图像重建模型可以包括多个按顺序连接的子模型。多个按顺序连接的子模型中的每一个可以包括处理层和重建层。处理层可以用于接收子模型中待处理的图像(对于第一子模型，待处理的图像为初始图像)和基于投影数据，通过正则化待处理的图像确定正则项。重建层可以用于基于正则项和上一相邻子模型确定的上一子重建图像，确定子重建图像和将子重建图像指定为要在下一子模型中下一个待处理的图像。关于图像重建模型的更多描述可以参见本申请的其他描述(例如，图10及其描述)。
应当注意的是，关于过程900的以上描述仅出于说明的目的而提供，并且无意于限制本申请的范围。对于本领域普通技术人员而言，在不背离本申请原则的前提下，可以对上述方法及***的应用进行各种形式和细节的变化和修改。然而，这些变化和修改亦落于本申请的范围内。在一些实施例中，可以添加或省略一个或多个操作。
图10是根据本申请的一些实施例所示的图像重建模型的示意图。在一些实施例中，如图5和图6所述，处理设备120可以对初始图像执行多个迭代步骤，确定重建图像。在一些实施例中，可以经由图像重建模型1000来实现多个迭代步骤。如图9所述，处理设备120可以基于图像重建模型1000处理投影数据，确定重建图像。如图10所示，图像重建模型1000的输入可以包括初始采集的投影数据(即，图9中待处理的投影数据)和/或初始图像；图像重建模型1000的输出可以包括重建图像。
如图10所示，图像重建模型1000可以包括多个按顺序连接的子模型，例如第一子模型1010和一个或多个第二子模型1020(例如1021和1022)。在一些实施例中，多个子模型的数量可以是医疗***100的默认设置、用户或操作员手动设置，或者由处理设备120根据实际需要确定。在一些实施例中，第一子模型1010可以被配置为接收图像重建模型1000的输入(例如，初始采集的投影数据和/或初始图像)并生成输出。第二子模型1020中的每一个子模型可以被配置为接收与第二子模型1020连接的上一相邻的子模型的输出，并生成输出。图像重建模型1000的输出可以是最后一个第二子模型的输出。
在一些实施例中，多个子模型中的每个子模型可以包括处理层(例如，处理层1、处理层2、处理层n)和重建层(例如，重建层1、重建层2、重建层n)。
处理层可以被配置为接收子模型中待处理的图像。在一些实施例中，对于第一子模型1010，处理层(例如，处理层1)的输入可以包括图像重建模型1000的输入(例如，初始采集的投影数据和/或初始图像)；对于第二子模型1020(例如1021)，处理层(例如处理层2)的输入可以包括上一相邻子模型(例如，第一子模型1010)的重建层(例如重建层1)输出的子重建图像。处理层还可被配置为基于投影数据，通过正则化待处理的图像确定正则项。具体地，处理层可以被配置为对处理层的输入进行正则化，并生成与该输入相对应的正则项(例如，结果矩阵)。例如，第一子模型1010的处理层1可以被配置为正则化初始图像并生成初始图像的正则项。又例如，第二子模型1021的处理层2可以被配置为对由重建层1输出的子重建图像进行正则化，并且生成子重建图像的正则项。在一些实施例中，处理层可以包括神经网络模型。神经网络模型可以包括MLP模型、DNN模型、CNN模型、DCED网络模型、GAN模型等，或其任意组合。在一些实施例中，对于不同的子模型，处理层的参数可以不同并且可以通过训练来获得。
重建层可以被配置为基于正则项和上一相邻子模型确定的上一子重建图像，确定子重建图像。在一些实施例中，对于第一子模型1010，重建层(例如，重建层1)的输入可以包括第一子模型1010的处理层(例如，处理层1)的输出(即，初始图像的正则项)和图像重建模型1000的输入(例如，投影数据)；对于第二子模型1020(例如1021)，重建层(例如重建层2)的输入可以包括第二子模型1020(例如1021)的处理层(例如，处理层2)的输出(例如，子重建图像的正则项)和上一相邻子模型(例如第一子模型1010)中的重建层(例如，重建层1)输出的子重建图像。重建层还可被配置为将子重建图像指定为下一子模型中下一个待处理的图像。如图所示，多个子模型中的每个子模型的重建层的输出可以包括与子模型相对应的子重建图像。因此，最后一个第二子模型(例如1022)的最后一层重建层(例如重建层n)的输出可以是重建图像。
在一些实施例中，基于重建层的输入，每个子模型的重建层可以根据以下公式(3)，使用牛顿算法确定子重建图像：
其中Um表示第m个子模型的重建层输出的子重建图像(也称为第m个子重建图像)，Um-1表示第(m-1)个子模型的重建层输出的子重建图像(也称为第(m-1)个子重建图像)，A表示正向投影矩阵，AT表示反向投影矩阵，AI表示对所有像素值均为1的图像上执行正向投影变换的操作，f表示初始采集的投影数据，AUm-1表示第(m-1)个子重建图像的正向投影数据，α表示迭代步长，指第m个子模型的处理层输出的正则项，W表示第一质量权重或第二质量权重。关于质量特征的更多描述可以参见本申请的其他描述(例如，图6中的操作610及其相关描述)。
在一些实施例中，可以通过端到端的训练获取图像重建模型1000中的每个子模型的参数。在一些实施例中，处理设备120可以基于带有标记的多组训练样本，训练重建模型1000。具体地，处理设备120可以将多组训练样本输入初始图像重建模型中，并基于多组标记的训练样本来更新初始图像重建模型的参数以获得图像重建模型1000。样本可以包括样本投影数据和样本初始图像，并且训练样本的标记可以是与样本初始图像相对应的合格的重建图像。关于模型训练的更多描述可以参见本申请的其他地方的描述(例如，图8及其描述)。
在以上实施例中，在处理层中获得的正则项可以被视为正则化项，其是基于上一层的图像输出，通过机器学习模型生成的。与固定的正则项或由公式生成的正则项相比，本申请中描述的上述实施方式具有更大的灵活性和适应性，并且可以实现更好的重建效果(例如，生成更高图像质量和更少噪声的重建图像)。
应当注意，关于图像重建模型1000的以上描述仅出于说明的目的而提供，并且无意于限制本申请的范围。对于本领域普通技术人员而言，在不背离本申请原则的前提下，可以对上述方法及***的应用进行各种形式和细节的变化和修改。然而，这些变化和修改亦落于本申请的范围内。在一些实施例中，可以添加或省略一个或多个操作。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例有关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“***”。此外，本申请的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
计算机可读信号介质可以包含一个内含有计算机程序代码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行***、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF等，或任何上述介质的组合。
本申请各部分操作所需的计算机程序代码可以用任意一种或以上程序设计语言编写，包括面向对象程序设计语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化程序设计语言如C程序设计语言、Visual Basic、Fortran2103、Perl、COBOL 2102、PHP、ABAP，动态程序设计语言如Python、Ruby,和Groovy，或其他程序设计语言等。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，尽管上述各种部件的实现可以体现在硬件设备中，但是也可以实现为仅软件的解决方案，例如，在现有服务器或移动设备上的安装。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请的实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本申请的该方法不应被解释为反映所要求保护的对象物质需要比每个权利要求中明确记载的更多特征的意图。相反，发明的主体应具备比上述单一实施例更少的特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
本文中提及的所有专利、专利申请、专利申请公布和其他材料(如论文、书籍、说明书、出版物、记录、事物和/或类似的东西)均在此通过引用的方式全部并入本文以达到所有目的，与上述文件相关的任何起诉文件记录、与本文件不一致或冲突的任何上述文件或对迟早与本文件相关的权利要求书的广泛范畴有限定作用的任何上述文件除外。举例来说，如果在描述、定义和/或与任何所结合的材料有关的术语的使用和与本文件有关的术语之间存在任何不一致或冲突，则描述、定义和/或在本文件中使用的术语以本文件为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (24)

1. 一种图像重建方法，包括：
获取待处理的初始图像；以及
对所述初始图像执行多次迭代步骤生成重建图像，其中，所述多次迭代步骤中的每一次包括：
所述迭代步骤包括第一优化操作和至少一个第二优化操作，
依次执行所述第一优化操作和所述至少一个第二优化操作，
所述第一优化操作包括：
接收所述迭代步骤中待处理的图像；
对所述待处理的图像执行正向投影变换，确定正向投影数据；
确定与初始采集的投影数据相关的第一质量权重，所述初始采集的投影数据与所述初始图像相关；
基于所述第一质量权重、所述正向投影数据和所述初始采集的投影数据，确定所述正向投影数据与所述初始采集的投影数据之间的加权误差；
对所述加权误差进行反向投影变换，确定所述加权误差的反向投影数据；以及
基于所述加权误差的反向投影数据，确定更新图像，所述初始采集的投影数据与所述初始图像相关；以及
所述至少一个第二优化操作包括：
在所述更新图像上执行多个减少干扰信息操作，确定多个结果图像；其中，基于多种优化算法或多种优化模型执行所述多个减少干扰信息的操作；
基于所述优化算法、所述优化模型的模型参数和所述干扰信息的类型，确定与所述结果图像对应的权重值；
基于所述多个结果图像以及相应的权重值，确定优化图像；以及
将优化图像指定为下一次迭代步骤中下一个待处理的图像。
2.根据权利要求1所述方法，其特征在于，根据牛顿法或梯度下降法执行所述第一优化操作。
3.如权利要求1所述方法，其特征在于，所述优化模型包括机器学习模型。
4.根据权利要求1所述方法，其特征在于，所述基于多个优化模型执行所述多个减少干扰信息操作，确定所述多个结果图像包括：
确定所述更新图像的质量特征；
将所述更新图像和所述质量特征输入所述优化模型；以及
基于所述优化模型的输出，确定所述结果图像。
5.如权利要求4所述方法，其特征在于，所述质量特征包括所述更新图像的噪声特征、伪影特征、灰度分布、全局灰度、分辨率和/或对比度中的至少一个。
6. 如权利要求5所述方法，其特征在于，
所述噪声特征包括噪声分布、全局噪声强度和/或噪声率中的至少一个；和/或
所述伪影特征包括伪影分布、全局伪影强度和/或伪影率中的至少一个。
7. 根据权利要求1所述方法，其特征在于，所述优化模型是通过训练过程获得的，所述训练过程包括：
获取多组训练样本，所述多组训练样本中的每一个包括样本图像和所述样本图像的样本质量特征；以及
基于所述多组训练样本训练初始优化模型，获得所述优化模型，其中，所述优化模型的损失函数与第二质量权重正相关，所述第二质量权重基于所述样本质量特征确定。
8. 一种图像重建***，包括：
至少一个包括一组指令的存储设备；以及
至少一个被配置为与所述至少一个存储设备通信的处理器，其中，当执行所述指令时，所述至少一个处理器被配置为指示所述***执行操作，包括：
获取待处理的初始图像；以及
对所述初始图像执行多次迭代步骤生成重建图像，其中，所述多次迭代步骤中的每一次包括：
所述迭代步骤包括第一优化操作和至少一个第二优化操作，
依次执行所述第一优化操作和所述至少一个第二优化操作，
所述第一优化操作包括：
接收所述迭代步骤中待处理的图像；
对所述待处理的图像执行正向投影变换，确定正向投影数据；
确定与初始采集的投影数据相关的第一质量权重，所述初始采集的投影数据与所述初始图像相关；
基于所述第一质量权重、所述正向投影数据和所述初始采集的投影数据，确定所述正向投影数据与所述初始采集的投影数据之间的加权误差；
对所述加权误差进行反向投影变换，确定所述加权误差的反向投影数据；以及
基于所述加权误差的反向投影数据，确定更新图像，所述初始采集的投影数据与所述初始图像相关；以及
所述至少一个第二优化操作包括：
在所述更新图像上执行多个减少干扰信息操作，确定多个结果图像；其中，基于多种优化算法或多种优化模型执行所述多个减少干扰信息的操作；
基于所述优化算法、所述优化模型的模型参数和所述干扰信息的类型，确定与所述结果图像对应的权重值；
基于所述多个结果图像以及相应的权重值，确定优化图像；以及
将优化图像指定为下一次迭代步骤中下一个待处理的图像。
9.根据权利要求8所述***，其特征在于，根据牛顿法或梯度下降法执行所述第一优化操作。
10.如权利要求8所述***，其特征在于，所述优化模型包括机器学习模型。
11.根据权利要求8所述***，其特征在于，所述基于多个优化模型执行所述多个减少干扰信息操作，确定所述多个结果图像包括：
确定所述更新图像的质量特征；
将所述更新图像和所述质量特征输入所述优化模型；以及
基于所述优化模型的输出，确定所述结果图像。
12.如权利要求11所述***，其特征在于，所述质量特征包括所述更新图像的噪声特征、伪影特征、灰度分布、全局灰度、分辨率和/或对比度中的至少一个。
13.如权利要求12所述***，其特征在于，
所述噪声特征包括噪声分布、全局噪声强度和/或噪声率中的至少一个；和/或
所述伪影特征包括伪影分布、全局伪影强度和/或伪影率中的至少一个。
14.根据权利要求8所述***，其特征在于，所述优化模型是通过训练过程获得的，所述训练过程包括：
获取多组训练样本，所述多组训练样本中的每一个包括样本图像和所述样本图像的样本质量特征；以及
基于所述多组训练样本训练初始优化模型，获得所述优化模型，其中，所述优化模型的损失函数与第二质量权重正相关，所述第二质量权重基于所述样本质量特征确定。
15.一种图像重建***，包括：
获取模块，用于获取待处理的初始图像；以及
重建模块，用于对所述初始图像执行多次迭代步骤生成重建图像，其中，所述多次迭代步骤中的每一次包括：
所述迭代步骤包括第一优化操作和至少一个第二优化操作，
依次执行所述第一优化操作和所述至少一个第二优化操作，
在所述第一优化操作中，所述重建模块还用于：
接收所述迭代步骤中待处理的图像；
对所述待处理的图像执行正向投影变换，确定正向投影数据；
确定与初始采集的投影数据相关的第一质量权重，所述初始采集的投影数据与所述初始图像相关；
基于所述第一质量权重、所述正向投影数据和所述初始采集的投影数据，确定所述正向投影数据与所述初始采集的投影数据之间的加权误差；
对所述加权误差进行反向投影变换，确定所述加权误差的反向投影数据；以及
基于所述加权误差的反向投影数据，确定更新图像，所述初始采集的投影数据与所述初始图像相关；以及
在所述至少一个第二优化操作中，所述重建模块还用于：
在所述更新图像上执行多个减少干扰信息操作，确定多个结果图像；其中，基于多种优化算法或多种优化模型执行所述多个减少干扰信息的操作；
基于所述优化算法、所述优化模型的模型参数和所述干扰信息的类型，确定与所述结果图像对应的权重值；
基于所述多个结果图像以及相应的权重值，确定优化图像；以及
将优化图像指定为下一次迭代步骤中下一个待处理的图像。
16.根据权利要求15所述***，其特征在于，根据牛顿法或梯度下降法执行所述第一优化操作。
17.如权利要求15所述***，其特征在于，所述优化模型包括机器学习模型。
18.根据权利要求15所述***，其特征在于，为了基于多个优化模型执行所述多个减少干扰信息操作，确定所述多个结果图像，所述重建模块进一步用于：
确定所述更新图像的质量特征；
将所述更新图像和所述质量特征输入所述优化模型；以及
基于所述优化模型的输出，确定所述结果图像。
19.如权利要求18所述***，其特征在于，所述质量特征包括所述更新图像的噪声特征、伪影特征、灰度分布、全局灰度、分辨率和/或对比度中的至少一个。
20.如权利要求19所述***，其特征在于，
所述噪声特征包括噪声分布、全局噪声强度和/或噪声率中的至少一个；和/或
所述伪影特征包括伪影分布、全局伪影强度和/或伪影率中的至少一个。
21.根据权利要求15所述***，其特征在于，所述优化模型是通过训练过程获得的，所述训练过程包括：
获取多组训练样本，所述多组训练样本中的每一个包括样本图像和所述样本图像的样本质量特征；以及
基于所述多组训练样本训练初始优化模型，获得所述优化模型，其中，所述优化模型的损失函数与第二质量权重正相关，所述第二质量权重基于所述样本质量特征确定。
22.一种非暂时性计算机可读介质，包括可执行指令，当由至少一个处理器执行时，所述可执行指令指示所述至少一个处理器执行一种方法，所述方法包括：
获取待处理的初始图像；以及
对所述初始图像执行多次迭代步骤生成重建图像，其中，所述多次迭代步骤中的每一次包括：
所述迭代步骤包括第一优化操作和至少一个第二优化操作，
依次执行所述第一优化操作和所述至少一个第二优化操作，
所述第一优化操作包括：
接收所述迭代步骤中待处理的图像；
对所述待处理的图像执行正向投影变换，确定正向投影数据；
确定与初始采集的投影数据相关的第一质量权重，所述初始采集的投影数据与所述初始图像相关；
基于所述第一质量权重、所述正向投影数据和所述初始采集的投影数据，确定所述正向投影数据与所述初始采集的投影数据之间的加权误差；
对所述加权误差进行反向投影变换，确定所述加权误差的反向投影数据；以及
基于所述加权误差的反向投影数据，确定更新图像，所述初始采集的投影数据与所述初始图像相关；以及
所述至少一个第二优化操作包括：
在所述更新图像上执行多个减少干扰信息操作，确定多个结果图像；其中，基于多种优化算法或多种优化模型执行所述多个减少干扰信息的操作；
基于所述优化算法、所述优化模型的模型参数和所述干扰信息的类型，确定与所述结果图像对应的权重值；
基于所述多个结果图像以及相应的权重值，确定优化图像；以及
将优化图像指定为下一次迭代步骤中下一个待处理的图像。
23.一种图像重建方法，包括：
获取待处理的投影数据；以及
基于图像重建模型处理所述投影数据，生成重建图像，其中，所述图像重建模型包括多个按顺序连接的子模型，所述多个按顺序连接的子模型中的每一个包括：
处理层，用于：
接收所述子模型中待处理的图像；
对所述待处理的图像执行正向投影变换，确定正向投影数据；
确定与初始采集的投影数据相关的第一质量权重，所述初始采集的投影数据与初始图像相关；
基于所述第一质量权重、所述正向投影数据和所述初始采集的投影数据，确定所述正向投影数据与所述初始采集的投影数据之间的加权误差；
对所述加权误差进行反向投影变换，确定所述加权误差的反向投影数据；以及
基于所述加权误差的反向投影数据，通过正则化所述待处理的图像确定正则项；以及
重建层，用于：
基于所述正则项和上一相邻子模型确定的上一子重建图像，确定子重建图像；以及
将所述子重建图像指定为要在下一子模型中下一个待处理的图像；
所述操作还包括：
基于多个所述图像重建模型执行多个减少干扰信息操作，确定多个结果图像；其中，基于多种优化算法或多种优化模型执行所述多个减少干扰信息的操作；
基于所述优化算法、模型参数和干扰信息的类型，确定与所述结果图像对应的权重值；
基于所述多个结果图像以及相应的权重值，确定所述重建图像。
24.一种图像重建***，包括：
至少一个包括一组指令的存储设备；以及
至少一个被配置为与所述至少一个存储设备通信的处理器，其中，当执行所述指令时，所述至少一个处理器被配置为指示所述***执行操作，包括：
获取待处理的投影数据；以及
基于图像重建模型处理所述投影数据，生成重建图像，其中，所述图像重建模型包括多个按顺序连接的子模型，所述多个按顺序连接的子模型中的每一个包括：
处理层，用于：
接收所述子模型中待处理的图像；
对所述待处理的图像执行正向投影变换，确定正向投影数据；
确定与初始采集的投影数据相关的第一质量权重，所述初始采集的投影数据与初始图像相关；
基于所述第一质量权重、所述正向投影数据和所述初始采集的投影数据，确定所述正向投影数据与所述初始采集的投影数据之间的加权误差；
对所述加权误差进行反向投影变换，确定所述加权误差的反向投影数据；以及
基于所述加权误差的反向投影数据，通过正则化所述待处理的图像确定正则项；以及
重建层，用于：
基于所述正则项和上一相邻子模型确定的上一子重建图像，确定子重建图像；以及
将所述子重建图像指定为要在下一子模型中下一个待处理的图像；
所述操作还包括：
基于多个所述图像重建模型执行多个减少干扰信息操作，确定多个结果图像；其中，基于多种优化算法或多种优化模型执行所述多个减少干扰信息的操作；
基于所述优化算法、模型参数和干扰信息的类型，确定与所述结果图像对应的权重值；
基于所述多个结果图像以及相应的权重值，确定所述重建图像。
CN202080003406.9A 2020-05-18 2020-05-18 用于图像重建的***和方法 Active CN112424835B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/090861 WO2021232194A1 (en) 2020-05-18 2020-05-18 Systems and methods for image reconstruction

Publications (2)

Publication Number Publication Date
CN112424835A CN112424835A (zh) 2021-02-26
CN112424835B true CN112424835B (zh) 2023-11-24

Family

ID=74783052

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202080003406.9A Active CN112424835B (zh) 2020-05-18 2020-05-18 用于图像重建的***和方法
CN202180035722.9A Pending CN115605915A (zh) 2020-05-18 2021-05-18 一种图像重建***和方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202180035722.9A Pending CN115605915A (zh) 2020-05-18 2021-05-18 一种图像重建***和方法

Country Status (4)

Country Link
US (2) US11847763B2 (zh)
EP (2) EP4136611A4 (zh)
CN (2) CN112424835B (zh)
WO (2) WO2021232194A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112424835B (zh) * 2020-05-18 2023-11-24 上海联影医疗科技股份有限公司 用于图像重建的***和方法
CN112649773B (zh) * 2020-12-22 2023-05-26 上海联影医疗科技股份有限公司 磁共振扫描方法、装置、设备及存储介质
CN112862804B (zh) * 2021-03-01 2023-04-07 河南科技大学第一附属医院 一种眼底视网膜血管图像处理***及方法
CN113706419B (zh) * 2021-09-13 2024-07-19 上海联影医疗科技股份有限公司 一种图像处理方法和***
CN114331865B (zh) * 2021-11-18 2024-07-23 清华大学 三维多板块激发序列的图像边缘伪影矫正方法和装置
WO2023123352A1 (en) * 2021-12-31 2023-07-06 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for motion correction for medical images
CN114648611B (zh) * 2022-04-12 2023-07-18 清华大学 局域轨道函数的三维重构方法及装置
CN114998551B (zh) * 2022-08-03 2022-11-18 江西博微新技术有限公司 网格重建质量优化方法、***、计算机及可读存储介质
WO2024046424A1 (zh) * 2022-08-31 2024-03-07 同方威视技术股份有限公司 用于静态ct设备的成像方法、静态ct设备、电子设备和介质
CN115984312B (zh) * 2023-03-15 2023-07-07 苏州大学 图像分割方法、电子设备及计算机可读存储介质
CN116228994B (zh) * 2023-05-09 2023-08-01 腾讯科技（深圳）有限公司 三维模型获取方法、装置、设备及存储介质
CN116563556B (zh) * 2023-07-05 2023-11-10 杭州海康威视数字技术股份有限公司 模型训练方法
CN117593611B (zh) * 2024-01-19 2024-05-17 荣耀终端有限公司 模型训练方法、图像重建方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104821002A (zh) * 2014-02-05 2015-08-05 西门子公司 计算机断层成像中图像数据的迭代重建
CN108292428A (zh) * 2015-12-11 2018-07-17 上海联影医疗科技有限公司 图像重建的***和方法
WO2018210648A1 (en) * 2017-05-17 2018-11-22 Koninklijke Philips N.V. Iterative image reconstruction/de-noising with artifact reduction
WO2019060843A1 (en) * 2017-09-22 2019-03-28 Nview Medical Inc. IMAGE RECONSTRUCTION USING MACHINE LEARNING REGULARIZERS
CN109712213A (zh) * 2018-12-24 2019-05-03 上海联影医疗科技有限公司 Pet图像重建方法、***、可读存储介质和设备

Family Cites Families (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6507633B1 (en) * 2001-02-15 2003-01-14 The Regents Of The University Of Michigan Method for statistically reconstructing a polyenergetic X-ray computed tomography image and image reconstructor apparatus utilizing the method
US8897528B2 (en) * 2006-06-26 2014-11-25 General Electric Company System and method for iterative image reconstruction
US20130002659A1 (en) * 2010-02-12 2013-01-03 The Regents Of The University Of California Graphics processing unit-based fast cone beam computed tomography reconstruction
DE102010029281A1 (de) * 2010-05-25 2011-12-01 Siemens Aktiengesellschaft Verfahren und Bildrekonstruktionseinrichtung zur Rekonstruktion von Bilddaten
US8989469B2 (en) * 2010-12-20 2015-03-24 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for simultaneous acquisition of scatter and image projection data in computed tomography
US8705827B2 (en) * 2011-04-15 2014-04-22 Georgia Tech Research Corporation Scatter correction methods
US8571291B2 (en) * 2011-10-19 2013-10-29 Kabushiki Kaisha Toshiba Combination weight applied to iterative reconstruction in image reconstruction
WO2013106512A1 (en) * 2012-01-10 2013-07-18 The Johns Hopkins University Methods and systems for tomographic reconstruction
US20130336562A1 (en) * 2012-06-15 2013-12-19 Toshiba Medical Systems Corporation Adaptively determined parameter values in iterative reconstruction method and system
US8917922B2 (en) * 2012-06-15 2014-12-23 Kabushiki Kaisha Toshiba Concurrent update iterative reconstruction (IR) method and system
EP2992504B1 (en) * 2013-04-29 2017-10-25 Koninklijke Philips N.V. De-noised reconstructed image data edge improvement
CN104166971B (zh) 2013-05-17 2015-07-22 上海联影医疗科技有限公司 一种ct图像重建的方法
US9406107B2 (en) * 2013-12-18 2016-08-02 General Electric Company System and method of computed tomography signal restoration via noise reduction
WO2015134662A2 (en) * 2014-03-04 2015-09-11 The Trustees Of Columbia University In The City Of New York Regularization of images
US9478048B2 (en) * 2014-07-02 2016-10-25 Siemens Medical Solutions Usa, Inc. Prior image based three dimensional imaging
WO2016137972A1 (en) * 2015-02-23 2016-09-01 Mayo Foundation For Medical Education And Research Methods for optimizing imaging technique parameters for photon-counting computed tomography
CN105046675B (zh) * 2015-08-24 2017-09-29 重庆邮电大学 基于mvct图像消除kvct图像中金属伪影的方法
US9911208B2 (en) * 2016-04-11 2018-03-06 Toshiba Medical Systems Corporation Apparatus and method of iterative image reconstruction using regularization-parameter control
US10213176B2 (en) * 2016-04-27 2019-02-26 Toshiba Medical Systems Corporation Apparatus and method for hybrid pre-log and post-log iterative image reconstruction for computed tomography
US11328391B2 (en) * 2016-05-06 2022-05-10 Mayo Foundation For Medical Education And Research System and method for controlling noise in multi-energy computed tomography images based on spatio-spectral information
US11200709B2 (en) * 2016-12-27 2021-12-14 Canon Medical Systems Corporation Radiation image diagnostic apparatus and medical image processing apparatus
CN106683144B (zh) 2016-12-30 2020-07-14 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
US20180197317A1 (en) * 2017-01-06 2018-07-12 General Electric Company Deep learning based acceleration for iterative tomographic reconstruction
US10559100B2 (en) * 2017-05-22 2020-02-11 Prismatic Sensors Ab Method and devices for image reconstruction
US20230154066A1 (en) * 2017-08-18 2023-05-18 Shanghai United Imaging Healthcare Co., Ltd. System and method for reconstructing an image
US10643319B2 (en) * 2018-01-30 2020-05-05 Canon Medical Systems Corporation Apparatus and method for context-oriented blending of reconstructed images
US11062489B2 (en) * 2018-02-13 2021-07-13 Wisconsin Alumni Research Foundation System and method for multi-architecture computed tomography pipeline
US11234666B2 (en) * 2018-05-31 2022-02-01 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning to improve image quality in position emission tomography (PET)
EP3813670A1 (en) * 2018-06-29 2021-05-05 Mayo Foundation for Medical Education and Research System and method for high fidelity computed tomography
US10832451B2 (en) * 2018-07-18 2020-11-10 Siemens Healthcare Gmbh Machine learning in iterative image reconstruction
US11195310B2 (en) * 2018-08-06 2021-12-07 General Electric Company Iterative image reconstruction framework
CN109523602B (zh) * 2018-10-22 2023-02-17 上海联影医疗科技股份有限公司 迭代重建优化方法、装置和计算机可读介质
CN109461192B (zh) * 2018-10-23 2022-12-16 上海联影医疗科技股份有限公司 图像迭代重建方法、装置、设备及存储介质
US10679385B1 (en) * 2018-12-17 2020-06-09 General Electric Company System and method for statistical iterative reconstruction and material decomposition
DE102019201079B4 (de) * 2019-01-29 2021-06-17 Siemens Healthcare Gmbh Verfahren und bildgebendes Gerät zum Erzeugen eines bewegungskompensierten Bildes, Computerprogramm und Speichermedium
US11315221B2 (en) * 2019-04-01 2022-04-26 Canon Medical Systems Corporation Apparatus and method for image reconstruction using feature-aware deep learning
US10970885B2 (en) * 2019-07-31 2021-04-06 General Electric Company Iterative image reconstruction
CN110853742B (zh) * 2019-11-12 2023-03-28 上海联影医疗科技股份有限公司 一种图像重建方法、***、装置及存储介质
US11166690B2 (en) * 2020-03-19 2021-11-09 Accuray, Inc. Noise and artifact reduction for image scatter correction
EP4131160A4 (en) * 2020-04-23 2024-01-24 Shanghai United Imaging Healthcare Co., Ltd. METHOD AND SYSTEM FOR OBTAINING IMAGES, METHOD AND SYSTEM FOR DETERMINING QUALITY OF IMAGES, AND METHOD AND SYSTEM FOR ACQUIRING MEDICAL IMAGES
US20230177746A1 (en) * 2020-05-08 2023-06-08 The Johns Hopkins University Machine learning image reconstruction
WO2021232195A1 (en) 2020-05-18 2021-11-25 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image optimization
CN112424835B (zh) * 2020-05-18 2023-11-24 上海联影医疗科技股份有限公司 用于图像重建的***和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104821002A (zh) * 2014-02-05 2015-08-05 西门子公司 计算机断层成像中图像数据的迭代重建
CN108292428A (zh) * 2015-12-11 2018-07-17 上海联影医疗科技有限公司 图像重建的***和方法
WO2018210648A1 (en) * 2017-05-17 2018-11-22 Koninklijke Philips N.V. Iterative image reconstruction/de-noising with artifact reduction
WO2019060843A1 (en) * 2017-09-22 2019-03-28 Nview Medical Inc. IMAGE RECONSTRUCTION USING MACHINE LEARNING REGULARIZERS
CN109712213A (zh) * 2018-12-24 2019-05-03 上海联影医疗科技有限公司 Pet图像重建方法、***、可读存储介质和设备

Also Published As

Publication number Publication date
CN112424835A (zh) 2021-02-26
WO2021232194A1 (en) 2021-11-25
US20230085203A1 (en) 2023-03-16
CN115605915A (zh) 2023-01-13
US11847763B2 (en) 2023-12-19
EP4136611A1 (en) 2023-02-22
EP4136611A4 (en) 2023-06-07
WO2021233316A1 (en) 2021-11-25
US20210104023A1 (en) 2021-04-08
EP4136615A4 (en) 2023-09-27
EP4136615A1 (en) 2023-02-22

Similar Documents

Publication Publication Date Title
CN112424835B (zh) 用于图像重建的***和方法
CN112368738B (zh) 用于图像优化的***和方法
CN109493951B (zh) 用于降低辐射剂量的***和方法
US11887221B2 (en) Systems and methods for image correction in positron emission tomography
CN110809782B (zh) 衰减校正***和方法
US11494877B2 (en) Systems and methods for image reconstruction
US11436720B2 (en) Systems and methods for generating image metric
WO2021068975A1 (en) Systems and methods for image reconstruction
WO2023029321A1 (en) Systems and methods for volume data rendering
US20240005508A1 (en) Systems and methods for image segmentation
US20230360312A1 (en) Systems and methods for image processing
US20230060613A1 (en) Blood parameter assessment systems and methods
WO2023123352A1 (en) Systems and methods for motion correction for medical images

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