CN113052840B - 一种基于低信噪比pet图像的处理方法 - Google Patents
一种基于低信噪比pet图像的处理方法 Download PDFInfo
- Publication number
- CN113052840B CN113052840B CN202110484347.8A CN202110484347A CN113052840B CN 113052840 B CN113052840 B CN 113052840B CN 202110484347 A CN202110484347 A CN 202110484347A CN 113052840 B CN113052840 B CN 113052840B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- noise ratio
- output
- convolution
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 5
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 239000000700 radioactive tracer Substances 0.000 description 15
- 230000002503 metabolic effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002285 radioactive effect Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006371 metabolic abnormality Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
表达本发明涉及一种基于低信噪比PET图像的处理方法,方法包括:获取待处理的低信噪比对应的第一图像;将第一图像输入值训练的生成器G中,并输出与高信噪比一致的第二图像;生成器G包括:合成网络和映射网络;映射网络对输入的第一图像进行编码调制处理,获取第一图像的样式表达;所述合成网络借助于映射网络的仿射变换将所述样式表达仿射为各层结构对应的样式,以使得各层结构对输入的第一图像进行卷积输出进行自适应性调整,获得第二图像。本发明的方法获取的第二图像具有更加丰富的纹理信息,能够达到临床分析要求,同时为实现精确化分割提供更好的条件。
Description
技术领域
本发明涉及医学成像领域,尤其涉及一种基于低信噪比PET图像的处理方法。
背景技术
利用深度学习技术分割人体全身PET图像的一些重要部位(例如肝、膀胱等)具有很高的临床应用价值,可以借此检查人体器官和组织的代谢情况以及是否存在代谢异常。但目前关于PET图像的分割技术主要集中在利用全剂量示踪剂的PET图像上。全剂量示踪剂的图像信噪比高,可以提供精确的代谢信息,但是却要求向患者注入足量的放射性示踪剂以及长时间的放射性扫描,对患者存在潜在的危害。低剂量示踪剂的图像相比全剂量图像可以减少放射对人体的影响,但图像信噪比低,高频信息缺失,既不利于图像的分割,也无法提供精准的代谢信息。
为此,亟需一种可以对低剂量示踪剂对应的PET图像进行处理的方法。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本发明提供一种基于低信噪比PET图像的处理方法。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
根据本发明的第一方面,本发明实施例提供一种基于低信噪比PET图像的处理方法,包括:
获取待处理的低信噪比的第一图像;
将第一图像输入值训练的生成器G中,并输出与高信噪比匹配的第二图像;
所述生成器G包括:合成网络和映射网络;
所述映射网络对输入的第一图像进行编码调制处理,获取第一图像的样式表达;
所述合成网络借助于映射网络的仿射变换将所述样式表达仿射为各层结构对应的样式,以使得各层结构对输入的第一图像进行卷积输出实现自适应性调整,获得第二图像。
可选地,所述方法还包括:
基于用户的感兴趣区域,确定所述感兴趣区域在所述第二图像中的边界信息;
依据所述边界信息进行分割,获取分割后的信息。
可选地,所述合成网络包括:
第一卷积层、四层基本模块和最后一个卷积层;
所述第一卷积层用于接收输入的第一图像并进行卷积处理,获得卷积特征;
所有基本模块包括:批归一化、激活、卷积、噪声模块和实例归一化AdaIN;
所述第一层基本模块的批归一化、激活、卷积和噪声模块依序对输入的卷积特征进行处理,并结合仿射变换后的第一层的样式输入至AdaIN,获得第一层的输出;
第二层基本模块的输入为卷积特征,其输出为第二层的输出,
第三层基本模块的输入为卷积特征和第一层的输出,其输出为第三层的输出;
第四层基本模块的输入为卷积特征、第一层的输出和第二层的输出,其输出为第四层的输出;
所述最后一个卷积层用于对卷积特征、第一层的输出、第二层的输出、第三层的输出和第四层的输出进行卷积处理,输出第二图像。
可选地,
其中,xi表示一个特征图,(γi,βi)是一组样式调整参数,μ(xi)为第i层特征图通道维度的均值,σ(xi)为第i层特征图通道维度的标准差,i表示通道的索引。
可选地,所述映射网络用于对输入的第一图像依次进行样式表达编码和仿射变换处理;
所述映射网络用于接收输入的第一图像,并生成具有输入的第一图像的低频信息的样式表达编码,以及将样式表达编码进行映射处理形成对应到每一层基本模块中AdaIN的调整参数,所述调整参数为带有输入图像的特征信息。
可选地,训练阶段,噪声模块的随机噪声为符合高斯正态分布的随机噪声;
使用阶段,噪声模块的随机噪声为0。
可选地,获取待处理的低信噪比的第一图像之前,所述方法还包括:
获取用于训练G的第三图像即高信噪比的PET图像和第四图像即低信噪比的PET图像;
将第四图像输入到建立的G中,并输出第五图像;
将第三图像和第五图像输入到鉴别器D,依据损失函数进行判断并调整G的训练参数,并交替进行G和D的训练,使得G最后输出的PET图像匹配第三图像,获得训练后的G;
其中,损失函数L为:
LGAN(G,D)为生成对抗损失;
LGAN(G,D)=-Ex,y[D(x,y)]+Ex[D(x,G(x)];
L1为用于抑制图像噪声且保证低频信息的损失函数;
LL1(G)=Ex,y[‖y-G(x)‖1];
-Ex,y[D(x,y)]表示样本是低信噪比的图像和高信噪比的图像组合的期望,D(x,y)表示判别器对真实测量的高信噪比图像的判别结果,D(x,G(x))表示判别器对采用G输出的图像的判别结果;
Lseg为分割使用的损失函数:
ti为分割的目标值,为0或者1;yi为网络的预测值,取值在(0,1)之间,ε为平滑系数;
第三图像为y;第四图像为x;β为超参数;
第三图像为PET采集设备采集并重建的高信噪比的PET图像,第四图像为在重建的第三图像的原始数据序列中抽取部分数据重建得到的,作为用于训练时输入的,低信噪比的PET图像。
第二方面,本发明实施例还提供一种电子设备,包括:存储器、处理器和总线,所述处理器和所述存储器通过所述总线连接;
所述存储器用于存储程序,所述处理器用于运行所述程序,其中,程序运行时执行第一方面任一所述的基于低信噪比PET图像的处理方法。
第三方面,本发明实施例还提供一种PET***,包括:PET图像重建设备和上述任意所述的电子设备,所述PET重建设备重建的PET图像经由所述电子设备进行处理。
(三)有益效果
本发明的有益效果是:本发明的方法是采用训练过的G对低信噪比即低剂量示踪剂的PET图像进行处理,获得与全剂量示踪剂即高信噪比的PET图像一致的第二图像,第二图像为具有高对比度且结构完整的PET图像。
本实施例的方法能够同时完成PET图像从低剂量到全剂量的翻译以及图像分割两个任务。转换后的高信噪比的PET图像可以达到临床需求,具有更加丰富的纹理细节,PET图像SUV值恢复,可以提供准确的代谢信息;同时,分割网络更加准确的分割出肝脏、膀胱器官,为进一步病例分析提供便利。该方法让患者在只需要服用低剂量放射性示踪剂的情况下实现病理检查,为患者与医生提供便捷。
附图说明
图1A和图1B为本发明一实施例提供的基于低信噪比PET图像的处理方法的流程示意图;
图2为本发明一实施例提供的生成器的结构示意图;
图3为本发明一实施例提供的包括生成器和鉴别器的总体架构图;
图4为本发明一实施例提供的生成器的结构示意图;
图5为本发明一实施例提供的映射网络的结构示意图;
图6为本发明的方法和现有的方法的结果对比示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
当前PET采集设备采集并重建PET图像的质量主要受两种因素影响,第一是示踪剂的量,第二是采集时间。为了获得高质量(即高信噪比)的PET图像,PET采集设备基于高剂量示踪剂/全剂量示踪剂并采集预设时长的图像进而重建出高信噪比的PET图像。
下述实施例中提及的低信噪比的PET图像可至少包括下述三种:
PET采集设备基于高剂量示踪剂并采集Z倍预设时长的图像重建出PET图像作为低信噪比的PET图像,Z为小于1大于0的数值;
PET采集设备基于低剂量示踪剂并采集预设时长的图像重建出PET图像作为低信噪比的PET图像,
PET采集设备基于低剂量示踪剂并采集Z倍预设时长的图像重建出PET图像作为低信噪比的PET图像。
本发明实施例中低剂量示踪剂可为对患者注射剂量小于0.08mCi/kg,例如,可采用0.05mCi/kg的放射性药物FDG注射至患者,以获取当前患者的PET图像,对本发明实施例的PET图像处理的方法进行验证。
本实施例中高剂量示踪剂可为对患者注射剂量大于等于0.08mCi/kg;通常PET***中采集患者的PET图像时患者注射的剂量为0.1mCi/kg,现有技术中为了提高PET图像质量,还增加注射给患者的剂量,如增加到0.12mCi/kg-0.15mCi/kg。
本实施例的方法可以针对2维PET图像和3维PET图像均适用,其主要是将低信噪比的PET图像翻译成高信噪比的PET图像。
实施例一
如图1A所示,本发明实施例提供一种基于低信噪比PET图像的处理方法,本实施例的方法的执行主体可为任一电子设备或计算机,本实施例的方法通常集成在PET-CT设备/PET设备中,实现对低信噪比PET图像的处理如翻译处理等。本实施例的方法可包括下述的步骤:
101、获取待处理的低信噪比的第一图像;
102、将第一图像输入值训练的生成器G中,并输出与高信噪比匹配的第二图像。
所述生成器G包括:合成网络和映射网络;
所述映射网络对输入的第一图像进行编码调制处理,获取第一图像的样式表达;
所述合成网络借助于映射网络的仿射变换将所述样式表达仿射为各层结构对应的样式,以使得各层结构对输入的第一图像进行卷积输出进行自适应性调整,获得第二图像。
本实施例的方法是采用训练过的G对低信噪比即低剂量示踪剂的PET图像进行处理,获得与高信噪比即全剂量示踪剂的PET图像一致的第二图像,第二图像为具有高对比度且结构完整的PET图像。
在一种可选的实现方式中,如图1B所示,上述方法还可包括下述的步骤103和步骤104:
103、基于用户的感兴趣区域,确定所述感兴趣区域在所述第二图像中的边界信息;
104、依据所述边界信息进行分割,获取分割后的信息。
本实施例的方法实现了对低信噪比的PET图像的翻译和分割,其能够有效提高低信噪比的PET图像的分割准确率以及修复低信噪比PET图像中缺失的结构与功能信息。
本实施例中,转换后的高信噪比的PET图像可以达到临床需求,具有更加丰富的纹理细节,PET图像SUV值恢复,可以提供准确的代谢信息;同时,分割网络更加准确的分割出肝脏、膀胱器官,为进一步病例分析提供便利。
实施例二
结合图2至图5所示,本发明实施例对上述的生成器G以及训练生成器G的鉴别器D分别进行说明。
如图2和图3所示,本实施例中生成器G包括合成网络和映射网络。
其中,所述合成网络包括:第一卷积层、4层基本模块和最后一个卷积层;
所述第一卷积层用于接收输入的第一图像并进行卷积处理,获得卷积特征;
所有基本模块包括:批归一化、激活、卷积、噪声模块和实例归一化AdaIN;
所述第一层基本模块的批归一化、激活、卷积和噪声模块依序对输入的卷积特征进行处理,并结合仿射变换后的第一层的样式输入至AdaIN,获得第一层的输出;
第二层基本模块的输入为卷积特征,其输出为第二层的输出,
第三层基本模块的输入为卷积特征和第一层的输出,其输出为第三层的输出;
第四层基本模块的输入为卷积特征、第一层的输出和第二层的输出,其输出为第四层的输出;
所述最后一个卷积层用于对卷积特征、第一层的输出、第二层的输出、第三层的输出和第四层的输出进行卷积处理,输出第二图像。
在本实施例中,
其中,xi表示一个特征图,(γi,βi)是一组样式调整参数,μ(xi)为第i层特征图通道维度的均值,σ(xi)为第i层特征图通道维度的标准差,i表示通道的索引。本实施例中的通道是指卷积时对应的通道。
前述每一层基本模块噪声模块的随机噪声在训练阶段可为符合高斯正态分布的随机噪声;在使用阶段,噪声模块的随机噪声可为0。
换一种表达方式可为:生成器的主体是一个密集连接网络,本实施例中加入了样式调整模块。密集连接网络的卷积核全为3*3卷积核,并加入批归一化层加快生成器的收敛,LeakyReLU激活函数增加生成器的非线性性。每一个卷积操作的输入均为来自之前卷积输出的特征的拼接,这样的密集连接操作大大减少了生成器模型的参数,但又为信息流增加了更多的路径。
生成器中密集连接网络逐渐编码的过程中,产生的众多特征图的重要性是不一的,于是本实施例中加入样式表达进行调整。参见图2只图5中的自适应性实例归一化(AdaIN)。
即,在具体应用中,为了精准的对每一级样式进行精准的调整,利用映射网络首先学出样式表达,然后通过仿射变换将样式表达仿射为样式对各层卷积输出进行调整。
此外,为了提高模型鲁棒性,在训练过程中加入噪声模块,对网络训练施以较小的扰动,而在测试阶段即使用阶段,噪声设置为0。
参见图5所示,所述映射网络用于对输入的第一图像依次进行样式表达编码和仿射变换处理(如图中的方框A);
所述映射网络用于接收输入的第一图像,并生成具有输入的第一图像的低频信息的样式表达编码,以及将样式表达编码进行映射处理形成对应到每一层基本模块中AdaIN的调整参数,所述调整参数为带有输入图像的特征信息。
对输入的第一图像进行像素归一化的归一化模块,
四级下采样的采样模块;所述采样模块借助于卷积层使通道数反比,并通过卷积使得特征图的尺寸减半,并通过激活函数得到通道数为16、尺寸为4*4*4的特征图层,将该特征图层展开成一维数组,并通过线性网络与激活函数处理,得到通道数为1,尺寸为512的样式表达编码;
此外,映射网络还用于将所述样式表达编码映射成2*4的向量并形成对应到每一层基本模块中AdaIN的调整参数γi、βi,4为G中基本模块的层数;每一层基本模块对应的特征图都对应一组调整参数。
在实际应用中,在图1A和图1B的方法实施之前,还包括下述的图中未示出的步骤100:
100、获取用于训练G的第三图像即高信噪比的PET图像和第四图像即低信噪比的PET图像;
将第四图像输入到建立的G中,并输出第五图像;
将第三图像和第五图像输入到鉴别器D,依据损失函数(即目标函数)进行判断并调整G的训练参数,并交替进行G和D的训练,使得G最后输出的PET图像匹配第三图像,获得训练后的G;其结果对比图如图6所示。
其中,目标函数/损失函数L为:
LGAN(G,D)为生成对抗损失;
LGAN(G,D)=-Ex,y[D(x,y)]+Ex[D(x,G(x)];
L1为用于抑制图像噪声且保证低频信息的损失函数;-Ex,y[D(x,y)]表示样本是低信噪比的图像和高信噪比的图像组合的期望,D(x,y)表示判别器对真实测量的高信噪比图像的判别结果,D(x,G(x))表示判别器对采用G输出的图像的判别结果;
LL1(G)=Ex,y[‖y-G(x)‖1];
Lseg为分割使用的损失函数:
ti为分割的目标值,为0或者1;yi为网络的预测值,取值在(0,1)之间,ε为平滑系数,可以平滑loss和梯度;
第三图像为y;第四图像为x;β为超参数;
第三图像为PET采集设备采集并重建的高信噪比的PET图像,第四图像为在重建的第三图像的原始数据序列中抽取部分数据重建得到的,作为用于训练时输入的,低信噪比的PET图像。
本实施例中训练后的生成器可以将低信噪比的图像翻译成高信噪比的图像,同时利用分割网络对生成器输出的图像进行重要部位的分割。
在训练过程中,生成器利用低信噪比的图像生成尽可能接近真实的高信噪比的PET图像,从而欺骗鉴别器,使鉴别器给生成的图像打高分,同时,生成的图像也要使分割网络分割更加准确。总体结构由基于样式的生成器,鉴别器以及分割网络组成,各个损失函数是在训练时用来优化这三个网络参数。
本实施例中采用PatchGAN的鉴别器网络结构对生成器输出图像与实际测量的高信噪比图像加以区别,进而与生成器组成生成对抗模型,促使生成器生成更加逼真的图像。
本实施例中的分割网络采用3D Unet结构,对生成的图像进行分割。
本实施例的方法包括:获取待处理的低信噪比的PET图像;将低信噪比PET图像输入到训练的G中,输出具备高信噪比的PET图像的特征信息的PET图像;将生成的PET图像继续输入到分割网络中,生成分割结果图像。生成器输出的PET图像与高信噪比的真实图像的清晰度一致;分割图像为对感兴趣区域的标注,沿器官边界勾勒分割边界。本实施例的方法能够修复图像信息,进而对生成的图像感兴趣区域进行分割,便于临床诊断。
根据本发明实施例的另一方面,本发明还提供一种电子设备,该电子设备包括:存储器、处理器和总线,所述处理器和所述存储器通过所述总线连接;
所述存储器用于存储程序,所述处理器用于运行所述程序,其中,程序运行时执行上述任意实施例所述的基于低信噪比PET图像的处理方法。
在具体实践过程中,上述的电子设备可以是PET设备或PET-CT设备,其各设备中集成有本实施例中的程序。
根据本发明实施例的再一方面,本发明实施例还提供一种PET***,其包括:PET图像重建设备和上述任意实施例所述的电子设备,所述PET重建设备重建的PET图像经由所述电子设备进行处理。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (8)
1.一种基于低信噪比PET图像的处理方法,其特征在于,包括:
获取待处理的低信噪比的第一图像;
将第一图像输入至训练的生成器G中,并输出与高信噪比匹配的第二图像;
所述生成器G包括:合成网络和映射网络;
所述映射网络对输入的第一图像进行编码调制处理,获取第一图像的样式表达;
所述合成网络借助于映射网络的仿射变换将所述样式表达仿射为各层结构对应的样式,以使得各层结构对输入的第一图像进行卷积输出实现自适应性调整,获得第二图像;
所述合成网络包括:
第一卷积层、四层基本模块和最后一个卷积层;
所述第一卷积层用于接收输入的第一图像并进行卷积处理,获得卷积特征;
所有基本模块包括:批归一化、激活、卷积、噪声模块和实例归一化AdaIN;
第一层基本模块的批归一化、激活、卷积和噪声模块依序对输入的卷积特征进行处理,并结合仿射变换后的第一层的样式输入至AdaIN,获得第一层的输出;
第二层基本模块的输入为卷积特征,其输出为第二层的输出,
第三层基本模块的输入为卷积特征和第一层的输出,其输出为第三层的输出;
第四层基本模块的输入为卷积特征、第一层的输出和第二层的输出,其输出为第四层的输出;
最后一个卷积层用于对卷积特征、第一层的输出、第二层的输出、第三层的输出和第四层的输出进行卷积处理,输出第二图像。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于用户的感兴趣区域,确定所述感兴趣区域在所述第二图像中的边界信息;
依据所述边界信息进行分割,获取分割后的信息。
3.根据权利要求1所述的方法,其特征在于,
其中,xi表示一个特征图,(γi,βi)是一组样式调整参数,μ(xi)为第i层特征图通道维度的均值,σ(xi)为第i层特征图通道维度的标准差,i表示通道的索引。
4.根据权利要求1或3所述的方法,其特征在于,所述映射网络用于对输入的第一图像依次进行样式表达编码和仿射变换处理;
所述映射网络用于接收输入的第一图像,并生成具有输入的第一图像的低频信息的样式表达编码,以及将样式表达编码进行映射处理形成对应到每一层基本模块中AdaIN的调整参数,所述调整参数为带有输入图像的特征信息。
5.根据权利要求1所述的方法,其特征在于,
训练阶段,噪声模块的随机噪声为符合高斯正态分布的随机噪声;
使用阶段,噪声模块的随机噪声为0。
6.根据权利要求1至3任一所述的方法,其特征在于,
获取待处理的低信噪比的第一图像之前,所述方法还包括:
获取用于训练G的第三图像即高信噪比的PET图像和第四图像即低信噪比的PET图像;
将第四图像输入到建立的G中,并输出第五图像;
将第三图像和第五图像输入到鉴别器D,依据损失函数进行判断并调整G的训练参数,并交替进行G和D的训练,使得G最后输出的PET图像匹配第三图像,获得训练后的G;
其中,损失函数L为:
LGAN(G,D)为生成对抗损失;
LGAN(G,D)=-Ex,y[D(x,y)]+Ex[D(x,G(x)];
LL1(G)为用于抑制图像噪声且保证低频信息的损失函数;
LL1(G)=Ex,y[||y-G(x)||1];
-Ex,y[D(x,y)]表示样本是低信噪比的图像和高信噪比的图像组合的期望,D(x,y)表示判别器对真实测量的高信噪比图像的判别结果,D(x,G(x))表示判别器对采用G输出的图像的判别结果;
Lseg为分割使用的损失函数:
ti为分割的目标值,为0或者1;yi为网络的预测值,取值在(0,1)之间,ε为平滑系数;
第三图像为y;第四图像为x;β为超参数;
第三图像为PET采集设备采集并重建的高信噪比的PET图像,第四图像为在重建的第三图像的原始数据序列中抽取部分数据重建得到的,作为用于训练时输入的,低信噪比的PET图像。
7.一种电子设备,其特征在于,包括:存储器、处理器和总线,所述处理器和所述存储器通过所述总线连接;
所述存储器用于存储程序,所述处理器用于运行所述程序,其中,程序运行时执行权利要求1至6任一所述的基于低信噪比PET图像的处理方法。
8.一种PET***,其特征在于,包括:PET图像重建设备和上述权利要求7所述的电子设备,PET图像重建设备重建的PET图像经由所述电子设备进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110484347.8A CN113052840B (zh) | 2021-04-30 | 2021-04-30 | 一种基于低信噪比pet图像的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110484347.8A CN113052840B (zh) | 2021-04-30 | 2021-04-30 | 一种基于低信噪比pet图像的处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052840A CN113052840A (zh) | 2021-06-29 |
CN113052840B true CN113052840B (zh) | 2024-02-02 |
Family
ID=76517931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110484347.8A Active CN113052840B (zh) | 2021-04-30 | 2021-04-30 | 一种基于低信噪比pet图像的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052840B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393551A (zh) * | 2021-06-30 | 2021-09-14 | 赛诺联合医疗科技(北京)有限公司 | 一种基于云服务器的影像*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493951A (zh) * | 2017-11-08 | 2019-03-19 | 上海联影医疗科技有限公司 | 用于降低辐射剂量的***和方法 |
CN110503654A (zh) * | 2019-08-01 | 2019-11-26 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、***及电子设备 |
CN111489412A (zh) * | 2019-01-25 | 2020-08-04 | 辉达公司 | 用于使用神经网络生成基本逼真图像的语义图像合成 |
CN112085677A (zh) * | 2020-09-01 | 2020-12-15 | 深圳先进技术研究院 | 一种图像处理方法、***和计算机存储介质 |
KR20210025972A (ko) * | 2019-08-28 | 2021-03-10 | 가천대학교 산학협력단 | 인공신경망과 cfr을 이용한 정량적 pet 동적 영상 재구성 시스템 |
CN112508175A (zh) * | 2020-12-10 | 2021-03-16 | 深圳先进技术研究院 | 用于低剂量pet重建的多任务学习型生成式对抗网络生成方法及*** |
CN112819914A (zh) * | 2021-02-05 | 2021-05-18 | 北京航空航天大学 | 一种pet图像处理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3616097A4 (en) * | 2017-04-25 | 2021-01-13 | The Board of Trustees of the Leland Stanford Junior University | DOSE REDUCTION FOR MEDICAL IMAGING USING DEEP NEURAL FOLDING NETWORKS |
EP3735177A1 (en) * | 2018-01-03 | 2020-11-11 | Koninklijke Philips N.V. | Full dose pet image estimation from low-dose pet imaging using deep learning |
US11132792B2 (en) * | 2018-02-22 | 2021-09-28 | Siemens Healthcare Gmbh | Cross domain medical image segmentation |
-
2021
- 2021-04-30 CN CN202110484347.8A patent/CN113052840B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493951A (zh) * | 2017-11-08 | 2019-03-19 | 上海联影医疗科技有限公司 | 用于降低辐射剂量的***和方法 |
CN111489412A (zh) * | 2019-01-25 | 2020-08-04 | 辉达公司 | 用于使用神经网络生成基本逼真图像的语义图像合成 |
CN110503654A (zh) * | 2019-08-01 | 2019-11-26 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、***及电子设备 |
KR20210025972A (ko) * | 2019-08-28 | 2021-03-10 | 가천대학교 산학협력단 | 인공신경망과 cfr을 이용한 정량적 pet 동적 영상 재구성 시스템 |
CN112085677A (zh) * | 2020-09-01 | 2020-12-15 | 深圳先进技术研究院 | 一种图像处理方法、***和计算机存储介质 |
CN112508175A (zh) * | 2020-12-10 | 2021-03-16 | 深圳先进技术研究院 | 用于低剂量pet重建的多任务学习型生成式对抗网络生成方法及*** |
CN112819914A (zh) * | 2021-02-05 | 2021-05-18 | 北京航空航天大学 | 一种pet图像处理方法 |
Non-Patent Citations (3)
Title |
---|
A Style-Based Generator Architecture for Generative Adversarial networks;Tero Karras等;《CVF Conference on Computer Vision and Pattern Recognition》;4401-4410 * |
Ultra-low-dose PET reconstruction using generative adversarial network with feature matching and take specific perceptual loss;Jiahong Ouyang等;《American Association of Physicists in Medicine》;3555-3564 * |
深度学习在医学影像中的应用综述;施俊;汪琳琳;王珊珊;陈艳霞;王乾;魏冬铭;梁淑君;彭佳林;易佳锦;刘盛锋;倪东;王明亮;张道强;沈定刚;;中国图象图形学报(10);7-35 * |
Also Published As
Publication number | Publication date |
---|---|
CN113052840A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Emami et al. | Generating synthetic CTs from magnetic resonance images using generative adversarial networks | |
Wang et al. | 3D auto-context-based locality adaptive multi-modality GANs for PET synthesis | |
Chen et al. | Fully automated multiorgan segmentation in abdominal magnetic resonance imaging with deep neural networks | |
US20120302880A1 (en) | System and method for specificity-based multimodality three- dimensional optical tomography imaging | |
CN107133549B (zh) | Ect运动门控信号获取方法及ect图像重建方法 | |
US11250543B2 (en) | Medical imaging using neural networks | |
CN111870245B (zh) | 一种跨对比度引导的超快速核磁共振成像深度学习方法 | |
Xue et al. | LCPR-Net: low-count PET image reconstruction using the domain transform and cycle-consistent generative adversarial networks | |
CN111340903A (zh) | 基于非衰减校正pet图像生成合成pet-ct图像的方法和*** | |
Singh et al. | Medical image generation using generative adversarial networks | |
CN109844815A (zh) | 使用从不同迭代提取的特征图像进行基于特征的图像处理 | |
CN110415310A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
Emami et al. | Attention-guided generative adversarial network to address atypical anatomy in synthetic CT generation | |
Kläser et al. | Deep boosted regression for MR to CT synthesis | |
WO2020113148A1 (en) | Single or a few views computed tomography imaging with deep neural network | |
CN110270015B (zh) | 一种基于多序列MRI的sCT生成方法 | |
CN113052840B (zh) | 一种基于低信噪比pet图像的处理方法 | |
CN114881848A (zh) | 一种多序列mr转ct的方法 | |
Amirkolaee et al. | Development of a GAN architecture based on integrating global and local information for paired and unpaired medical image translation | |
Xie et al. | Generation of contrast-enhanced CT with residual cycle-consistent generative adversarial network (Res-CycleGAN) | |
Lei et al. | Generative adversarial network for image synthesis | |
US11481934B2 (en) | System, method, and computer-accessible medium for generating magnetic resonance imaging-based anatomically guided positron emission tomography reconstruction images with a convolutional neural network | |
Lee et al. | Study on Optimal Generative Network for Synthesizing Brain Tumor‐Segmented MR Images | |
Lei et al. | Generative adversarial networks for medical image synthesis | |
CN115861464A (zh) | 基于多模mri同步生成的伪ct合成方法 |
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 |