CN113643394A - 散射校正方法、装置、计算机设备和存储介质 - Google Patents
散射校正方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113643394A CN113643394A CN202110832302.5A CN202110832302A CN113643394A CN 113643394 A CN113643394 A CN 113643394A CN 202110832302 A CN202110832302 A CN 202110832302A CN 113643394 A CN113643394 A CN 113643394A
- Authority
- CN
- China
- Prior art keywords
- image
- projection data
- data
- cone beam
- scattering
- 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.)
- Pending
Links
- 238000012937 correction Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003062 neural network model Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- 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
- 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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种散射校正方法、装置、计算机设备和存储介质。所述方法包括:将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像,其中,原始锥形束CT图像为对第一投影数据进行重建得到的;对处理后的锥形束CT图像进行前投影处理,得到第二投影数据;根据第一投影数据和第二投影数据,得到初始散射数据;根据第一投影数据和初始散射数据,得到目标投影数据;对目标投影数据进行重建,得到散射校正后的锥形束CT图像。采用本方法能够减小得到的散射校正后的锥形束CT图像的误差。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种散射校正方法、装置、计算机设备和存储介质。
背景技术
随着锥形束CT(CBCT)的发展,CBCT现已经广泛应用于医学诊断、图像引导放疗等领域,但由于其本身硬件结构的特性,相较于常规CT受散射光子的影响更为严重,因此,就需要对锥形束CT图像进行散射校正。
传统技术中,对锥形束CT图像进行散射校正的方法主要是通过先计算出实际扫描的射线源能谱和探测器响应曲线,然后建立一个射线源、物体和探测器三者之间与实际扫描相同的数学几何模型,最后计算出不同角度下探测器接收到的图像,该过程也被称为前投影,然后利用原始锥形束CT投影图像和得到的前投影图像,得到经过散射校正后的投影图像。
然而,传统的散射校正方法,存在得到的散射校正后的投影图像误差较大的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够减小得到的散射校正后的投影图像误差的散射校正方法、装置、计算机设备和存储介质。
一种散射校正方法,所述方法包括:
将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像,其中,所述原始锥形束CT图像为对第一投影数据进行重建得到的;
对所述处理后的锥形束CT图像进行前投影处理,得到第二投影数据;
根据所述第一投影数据和所述第二投影数据,得到初始散射数据;
根据所述第一投影数据和所述初始散射数据,得到目标投影数据;
对所述目标投影数据进行重建,得到散射校正后的锥形束CT图像。
在其中一个实施例中,所述根据所述第一投影数据和所述初始散射数据,得到目标投影数据,包括:
对所述初始散射数据进行滤波处理,得到所述初始散射数据对应的滤波后的散射数据;
根据所述第一投影数据和所述滤波后的散射数据,得到所述目标投影数据。
在其中一个实施例中,所述根据所述第一投影数据和所述滤波后的散射数据,得到所述目标投影数据,包括:
将所述第一投影数据与所述滤波后的散射数据的差值,确定为所述目标投影数据。
在其中一个实施例中,所述根据所述第一投影数据和所述第二投影数据,得到初始散射数据,包括:
将所述第一投影数据和所述第二投影数据在对应角度下的差值,确定为所述初始散射数据。
在其中一个实施例中,所述将所述第一投影图像和所述第二投影图像的差值图像,确定为所述初始散射图像之前,所述方法还包括:
将所述第一投影图像与预设的参考图像相除,将所述第一投影图像的灰度值转换成对应的衰减率,得到处理后的投影图像;其中,所述参考图像为控制锥形束CT设备进行空扫所得到的图像;
所述将所述第一投影图像和所述第二投影图像的差值图像,确定为所述初始散射图像,包括:
将所述处理后的投影图像与所述第二投影图像的差值图像,确定为所述初始散射图像。
在其中一个实施例中,所述将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像之前,所述方法还包括:
采用预设的散射校正方法,对所述原始锥形束CT图像进行散射校正,得到初始校正的锥形束CT图像;
所述将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像,包括:
将所述初始校正的锥形束CT图像输入所述神经网络模型,得到所述处理后的锥形束CT图像。
在其中一个实施例中,所述方法还包括:
获取样本锥形束CT图像和样本CT图像;
对所述样本CT图像进行重采样,得到重采样后的CT图像;所述重采样后的CT图像的层数与所述样本锥形束CT图像的层数一一对应;
将所述样本锥形束CT图像输入预设的初始神经网络模型,得到处理后的样本锥形束CT图像;
根据所述处理后的样本锥形束CT图像和所述重采样后的CT图像,对所述初始神经网络模型进行训练,得到所述神经网络模型。
一种散射校正装置,所述装置包括:
第一获取模块,用于将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像,其中,所述原始锥形束CT图像为对第一投影数据进行重建得到的;
处理模块,用于对所述处理后的锥形束CT图像进行前投影处理,得到第二投影数据;
第二获取模块,用于根据所述第一投影数据和所述第二投影数据,得到初始散射数据;
第三获取模块,用于根据所述第一投影数据和所述初始散射数据,得到目标投影数据;
重建模块,用于对所述目标投影数据进行重建,得到散射校正后的锥形束CT图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像,其中,所述原始锥形束CT图像为对第一投影数据进行重建得到的;
对所述处理后的锥形束CT图像进行前投影处理,得到第二投影数据;
根据所述第一投影数据和所述第二投影数据,得到初始散射数据;
根据所述第一投影数据和所述初始散射数据,得到目标投影数据;
对所述目标投影数据进行重建,得到散射校正后的锥形束CT图像。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像,其中,所述原始锥形束CT图像为对第一投影数据进行重建得到的;
对所述处理后的锥形束CT图像进行前投影处理,得到第二投影数据;
根据所述第一投影数据和所述第二投影数据,得到初始散射数据;
根据所述第一投影数据和所述初始散射数据,得到目标投影数据;
对所述目标投影数据进行重建,得到散射校正后的锥形束CT图像。
上述散射校正方法、装置、计算机设备和存储介质,通过将原始锥形束CT图像输入预设的神经网络模型,神经网络模型能够很好地降低输入的原始锥形束CT图像的噪声,提高得到处理后的锥形束CT图像各像素CT值的准确性,而处理后的锥形束CT图像与原始锥形束CT图像在几何上能够保持一致,在图像的效果上又与CT图像类似,有较低的噪声和十分准确的CT值,这样再对处理后的锥形束CT图像进行前投影处理,得到的第二投影数据不仅有较高的计算准确度,还克服了传统技术中使用CT图像与CBCT图像配准后进行前投影几何不对应导致重建结果边缘出现较多伪影的问题,能够准确地得到投影图像用于后续的散射图像估计,另外,根据第一投影数据和第二投影数据,能够准确地得到初始散射图像,进而可以根据第一投影数据初始散射数据,准确地得到目标投影数据,进而可以对目标投影数据进行重建,得到散射校正后的锥形束CT图像,由于得到的目标投影数据的准确度得到了提高,而散射校正后的锥形束CT图像是对目标投影数据进行重建得到的,进而提高了得到的散射校正后的锥形束CT图像的准确度,减小了得到的散射校正后的锥形束CT图像的误差。
附图说明
图1为一个实施例中散射校正方法的应用环境图;
图2为一个实施例中散射校正方法的流程示意图;
图3为一个实施例中散射校正方法的流程示意图;
图4为一个实施例中散射校正方法的流程示意图;
图5为一个实施例中散射校正方法的流程示意图;
图6为一个实施例中散射校正装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的散射校正方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过***总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中,如图2所示,提供了一种散射校正方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S201,将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像,其中,原始锥形束CT图像为对第一投影数据进行重建得到的。
其中,锥形束CT图像是X线发生器以较低的射线量(通常球管电流在10毫安左右)围绕投照体做环形DR(数字式投照),然后将围绕投照体多次(180次-360次)数字投照后“交集”中所获得数据在计算机中重组后获得的三维图像。具体地,计算机设备将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像;其中,原始锥形束CT图像为对第一投影数据进行重建得到的。需要说明的是,得到的处理后的锥形束CT图像为经过降噪、去伪影处理后的图像,与CT图像的效果类似,这样得到的处理后的锥形束CT图像与实际扫描结果更加吻合。可选的,预设的神经网络模型的网络结构可以为任一种网络结构,本实施例在此不做限制。可选的,第一投影数据可以为投影值,也可以为投影图像。
S202,对处理后的锥形束CT图像进行前投影处理,得到第二投影数据。
具体地,计算机设备对上述得到的处理后的锥形束CT图像进行前投影处理,得到第二投影数据。需要说明的是,这里得到的第二投影数据为多个投影角度下的前投影图像,其中,前投影的基本原理是先计算出实际扫描的射线源能谱和探测器响应曲线,然后建立一个射线源、物体和探测器三者之间与实际扫描相同的数学几何模型,最后计算出不同角度下探测器接收到的图像,该过程也被称为前投影。由于前投影过程只考虑物质对主射线的衰减作用,并不考虑康普顿散射,因此探测器接受到的信号就全部为经过衰减后对重建有贡献的主射线信号(在锥形束CT扫描中,一般认为探测器接收的光子,主要为主射线光子和对重建不利的散射光子)。可选的,第二投影数据可以为投影值,也可以为投影图像。
S203,根据第一投影数据和第二投影数据,得到初始散射数据。
具体地,计算机设备根据上述第一投影数据和上述第二投影数据,得到初始散射数据。可选的,计算机设备可以对第二投影数据的灰度值进行调整,使第一投影数据的灰度值和第二投影数据的灰度值表示的意义相同,然后再利用这两个数据相减得到初始散射数据。
S204,根据第一投影数据和初始散射数据,得到目标投影数据。
其中,目标投影数据为上述初始散射数据对应的散射校正后的投影数据。可选的,计算机设备可以将上述第一投影数据与初始散射数据的差值,确定为目标投影数据。
S205,对目标投影数据进行重建,得到散射校正后的锥形束CT图像。
可以理解的是,由于对处理后的锥形束CT图像进行前投影处理,得到的是多个投影角度的投影数据,这样计算机设备得到的初始散射数据也为多个角度下的数据,进而计算机设备得到的目标投影数据也为多个,计算机设备对这多个目标投影数据进行图像重建,即可得到散射校正后的锥形束CT图像。
上述散射校正方法中,通过将原始锥形束CT图像输入预设的神经网络模型,神经网络模型能够很好地降低输入的原始锥形束CT图像的噪声,提高得到处理后的锥形束CT图像各像素CT值的准确性,而处理后的锥形束CT图像与原始锥形束CT图像在几何上能够保持一致,在图像的效果上又与CT图像类似,有较低的噪声和十分准确的CT值,这样再对处理后的锥形束CT图像进行前投影处理,得到的第二投影数据不仅有较高的计算准确度,还克服了传统技术中使用CT图像与CBCT图像配准后进行前投影几何不对应导致重建结果边缘出现较多伪影的问题,能够准确地得到投影图像用于后续的散射图像估计,另外,根据第一投影数据和第二投影数据,能够准确地得到初始散射图像,进而可以根据第一投影数据和初始散射数据,准确地得到目标投影数据,进而可以对目标投影数据进行重建,得到散射校正后的锥形束CT图像,由于得到的目标投影数据的准确度得到了提高,而散射校正后的锥形束CT图像是对目标投影数据进行重建得到的,进而提高了得到的散射校正后的锥形束CT图像的准确度,减小了得到的散射校正后的锥形束CT图像的误差。
在上述根据第一投影数据和初始散射数据,得到目标投影数据的场景中,在一个实施例中,如图3所示,上述S204,包括:
S301,对初始散射数据进行滤波处理,得到初始散射数据对应的滤波后的散射数据。
具体地,计算机设备对上述得到的初始散射数据进行滤波处理,得到该初始散射数据对应的滤波后的散射图像。可选的,在本实施例中,对上述初始散射数据进行的滤波处理可以是均值滤波处理,也可以是低通滤波处理。
S302,根据第一投影数据和滤波后的散射数据,得到目标投影数据。
具体地,计算机设备根据上述第一投影数据和得到的滤波后的散射数据,得到目标投影数据。其中,上述目标投影数据为上述滤波后的散射数据对应的散射校正后的投影数据。可选的,计算机设备可以将上述第一投影图像与滤波后的散射数据的差值数据,确定为目标投影数据。
本实施例中,由于计算机设备对初始散射数据进行滤波处理,能够准确地得到初始散射数据对应的滤波后的散射数据,从而可以根据第一投影数据和得到的滤波后的散射数据,准确地得到滤波后的散射图像对应的散射校正后的投影图像即目标投影图像,提高了得到的目标投影图像的准确度。
在上述根据第一投影数据和第二投影数据,得到初始散射数据的场景中,在一个实施例中,上述S203,包括:将第一投影数据和第二投影数据在对应角度下的差值,确定为初始散射数据。
可以理解的是,由于对处理后的锥形束CT图像进行前投影处理,得到的是多个投影角度的投影数据,即得到的第二投影数据是多个投影角度下的投影数据,进而计算机设备在根据第一投影数据和第二投影数据,得到初始散射数据的场景中,是根据第二投影数据以及第二投影数据对应角度下的第一投影数据,得到的上述初始散射数据,即计算机设备可以将上述第一投影数据和上述第二投影数据在对应角度下的差值,确定为上述初始散射数据。可选的,计算机设备在将第一投影数据和第二投影数据在对应角度下的差值,确定为初始散射数据之前,计算机设备还可以将上述第一投影数据与预设的参考数据相除,将上述第一投影数据的灰度值转换成对应的衰减率,得到处理后的投影数据,然后将处理后的投影数据与上述第二投影数据在对应角度下的差值,确定为上述初始散射数据;其中,该预设的参考数据为控制锥形束CT设备进行空扫所得到的数据。
本实施例中,计算机设备将第一投影数据和第二投影数据在对应角度下的差值,确定为初始散射数据的过程比较简单,这样计算机设备能够快速地得到初始散射数据,从而提高了得到初始散射数据的效率。
在上述将原始锥形束CT图像输入预设的神经网络模型的场景中,计算机设备在将原始锥形束CT图像输入预设的神经网络模型之前,可以先对原始锥形束CT图像进行预设的散射校正处理,将校正处理后的图像输入预设的神经网络模型,在一个实施例中,上述S201之前,上述方法还包括:采用预设的散射校正方法,对原始锥形束CT图像进行散射校正,得到初始校正的锥形束CT图像;上述S201,包括:将初始校正的锥形束CT图像输入神经网络模型,得到处理后的锥形束CT图像。
具体地,计算机设备采用预设的散射校正方法,对原始锥形束CT图像进行散射校正,得到初始校正的锥形束CT图像,将该初始校正的锥形束CT图像输入上述神经网络模型,得到上述处理后的锥形束CT图像。可选的,预设的散射校正方法可以是SKS散射校正方法,也可以是其他的散射校正方法,例如,MC模拟等。
本实施例中,计算机设备采用预设的散射校正方法,能够对原始锥形束CT图像进行散射校正,得到初始校正的锥形束CT图像,由于初始校正的锥形束CT图像是经过校正的图像,这样将得到的初始校正的锥形束CT图像输入神经网络模型,能够使神经网络模型对输入的初始校正的锥形束CT图像进行准确地处理,从而提高了得到的处理后的锥形束CT图像的准确度。
在上述将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像的场景中,上述预设的神经网络模型为预先训练好的模型,在一个实施例中,如图4所示,上述方法还包括,
S401,获取样本锥形束CT图像和样本CT图像。
具体地,计算机设备获取样本锥形束CT图像和样本CT图像。可选的,在本实施例中,样本锥形束CT图像和样本CT图像可以为同一检测者同一部位所对应的图像,也可以为不同的检测者不同部位所对应的图像,可以理解的是,使用同一检测者同一部位对应的样本进行训练可以使网络达到更好的训练效果。可选的,计算机设备可以从从PACS(PictureArchiving and Communication Systems,影像归档和通信***)服务器中获取样本锥形束CT图像和样本CT图像。
S402,对样本CT图像进行重采样,得到重采样后的CT图像;重采样后的CT图像的层数与样本锥形束CT图像的层数一一对应。
具体地,计算机设备对上述获取的样本CT图像进行重采样,得到重采样后的CT图像,其中,重采样后的CT图像的层数与样本锥形束CT图像的层数一一对应。需要说明的是,样本锥形束CT图像和样本CT图像扫描同一部位的层厚不同,通常,样本CT图像的层厚大于样本锥形束CT图像,因此,需要对样本CT图像进行重采样,得到与样本锥形束CT图像的层数一一对应的重采样后的CT图像。
S403,将样本锥形束CT图像输入预设的初始神经网络模型,得到处理后的样本锥形束CT图像。
具体地,计算机设备将上述获取的样本锥形束CT图像输入预设的初始神经网络模型,得到处理后的样本锥形束CT图像。需要说明的是,得到的处理后的样本锥形束CT图像为经过降噪、去伪影处理后的图像,与样本CT图像的效果类似。可选的,预设的初始神经网络模型的网络结构可以为任一种网络结构,本实施例在此不做限制。
S404,根据处理后的样本锥形束CT图像和重采样后的CT图像,对初始神经网络模型进行训练,得到神经网络模型。
具体地,计算机设备根据上述得到的处理后的样本锥形束CT图像和重采样后的CT图像,对上述初始神经网络模型进行训练,得到上述神经网络模型。可选的,计算机设备可以根据得到的处理后的样本锥形束CT图像和重采样后的CT图像,得到上述初始神经网络模型的损失函数的值,根据该损失函数的值对上述初始神经网络模型进行训练,得到上述神经网络模型。可选的,计算机设备可以将上述损失函数的值达到稳定值或最小值时对应的初始神经网络模型确定为上述神经网络模型。示例性地,初始神经网络模型可以为Cycle-GAN网络,计算机设备可以将初始Cycle-GAN网络生成的处理后的样本锥形束CT图像的效果达到目标效果时,将此时对应的Cycle-GAN网络,确定为上述神经网络模型。
本实施例中,计算机设备通过对获取的样本CT图像进行重采样,能够得到与获取的样本锥形束CT图像的层数一一对应的重采样后的CT图像,从而可以将样本锥形束CT图像输入预设的初始神经网络模型,得到处理后的样本锥形束CT图像,进而可以根据处理后的样本锥形束CT图像和得到的重采样后的CT图像,对初始神经网络模型进行准确地训练,提高了得到的神经网络模型的准确度。
为了便于本领域技术人员的理解,以下对本申请提供的散射校正方法进行详细介绍,如图5所示,该方法可以包括:
S1,使用SKS散射校正方法,对原始锥形束CT投影图像进行散射校正,获得经过初步校正后的锥形束CT图像;
S2,将经过SKS方法初步校正后的锥形束CT图像输入到训练好的神经网络模型中,得到处理后的锥形束CT图像;
S3,使用神经网络模型生成的处理后的CT图像进行前投影,取得多个投影角度下的投影图像,该图像的灰度值为对应射线衰减率;
S4,使用原始锥形束CT投影图像除以空扫图像,将原始锥形束CT投影图像的灰度值转换成对应的衰减率,然后减去对应角度下生成的投影图像,得到初始散射图像;
S5,对获得的初始散射图像,使用均值滤波和低通滤波,使其更加平滑;
S6,将原始锥形束CT图像灰度值转换为对应射线衰减率,然后减去滤波后的散射图像,得到经过散射校正后的投影图像;
S7,使用FDK重建算法,对经过散射校正后的投影进行重建,最终得到经过散射校正后的锥形束CT图像。
需要说明的是,针对上述S1-S7中的描述可以参见上述实施例中相关的描述,且其效果类似,本实施例在此不再赘述。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种散射校正装置,包括:第一获取模块、处理模块、第二获取模块、第三获取模块和重建模块,其中:
第一获取模块,用于将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像,其中,原始锥形束CT图像为对第一投影数据进行重建得到的;
处理模块,用于对处理后的锥形束CT图像进行前投影处理,得到第二投影数据;
第二获取模块,用于根据第一投影数据和第二投影数据,得到初始散射数据;
第三获取模块,用于根据第一投影数据和初始散射数据,得到目标投影数据;
重建模块,用于对目标投影数据进行重建,得到散射校正后的锥形束CT图像。
本实施例提供的散射校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第三获取模块,包括:滤波单元和第一获取单元,其中:
滤波单元,用于对初始散射数据进行滤波处理,得到初始散射数据对应的滤波后的散射数据。
第一获取单元,用于根据第一投影数据和滤波后的散射数据,得到目标投影数据。
本实施例提供的散射校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第一获取单元,用于将第一投影数据与滤波后的散射数据的差值,确定为目标投影数据。
本实施例提供的散射校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第二获取模块,包括:第二获取单元,其中:
第二获取单元,用于将第一投影数据和第二投影数据在对应角度下的差值,确定为初始散射数据。
本实施例提供的散射校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置还包括:第四获取模块,其中:
第四获取模块,用于将第一投影数据与预设的参考数据相除,将第一投影数据的灰度值转换成对应的衰减率,得到处理后的投影数据;其中,参考数据为控制锥形束CT设备进行空扫所得到的数据;
第二获取单元,用于将处理后的投影数据与第二投影数据在对应角度下的差值,确定为初始散射图像。
本实施例提供的散射校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置还包括:校正模块,其中:
校正模块,用于采用预设的散射校正方法,对原始锥形束CT图像进行散射校正,得到初始校正的锥形束CT图像。
第一获取模块,用于将初始校正的锥形束CT图像输入神经网络模型,得到处理后的锥形束CT图像。
本实施例提供的散射校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置还包括:第五获取模块、重采样模块、第六获取模块和训练模块,其中:
第五获取模块,用于获取样本锥形束CT图像和样本CT图像。
重采样模块,用于对样本CT图像进行重采样,得到重采样后的CT图像;重采样后的CT图像的层数与样本锥形束CT图像的层数一一对应。
第六获取模块,用于将样本锥形束CT图像输入预设的初始神经网络模型,得到处理后的样本锥形束CT图像。
训练模块,用于根据处理后的样本锥形束CT图像和重采样后的CT图像,对初始神经网络模型进行训练,得到神经网络模型。
本实施例提供的散射校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于散射校正装置的具体限定可以参见上文中对于散射校正方法的限定,在此不再赘述。上述散射校正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像,其中,原始锥形束CT图像为对第一投影数据进行重建得到的;
对处理后的锥形束CT图像进行前投影处理,得到第二投影数据;
根据第一投影数据和第二投影数据,得到初始散射数据;
根据第一投影数据和初始散射数据,得到目标投影数据;
对目标投影数据进行重建,得到散射校正后的锥形束CT图像。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像,其中,原始锥形束CT图像为对第一投影数据进行重建得到的;
对处理后的锥形束CT图像进行前投影处理,得到第二投影数据;
根据第一投影数据和第二投影数据,得到初始散射数据;
根据第一投影数据和初始散射数据,得到目标投影数据;
对目标投影数据进行重建,得到散射校正后的锥形束CT图像。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种散射校正方法,其特征在于,所述方法包括:
将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像,其中,所述原始锥形束CT图像为对第一投影数据进行重建得到的;
对所述处理后的锥形束CT图像进行前投影处理,得到第二投影数据;
根据所述第一投影数据和所述第二投影数据,得到初始散射数据;
根据所述第一投影数据和所述初始散射数据,得到目标投影数据;
对所述目标投影数据进行重建,得到散射校正后的锥形束CT图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一投影数据和所述初始散射数据,得到目标投影数据,包括:
对所述初始散射数据进行滤波处理,得到所述初始散射数据对应的滤波后的散射数据;
根据所述第一投影数据和所述滤波后的散射数据,得到所述目标投影数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一投影数据和所述滤波后的散射数据,得到所述目标投影数据,包括:
将所述第一投影数据与所述滤波后的散射数据的差值,确定为所述目标投影数据。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一投影数据和所述第二投影数据,得到初始散射数据,包括:
将所述第一投影数据和所述第二投影数据在对应角度下的差值,确定为所述初始散射数据。
5.根据权利要求4所述的方法,其特征在于,所述将所述第一投影数据和所述第二投影数据在对应角度下的差值,确定为所述初始散射数据之前,所述方法还包括:
将所述第一投影数据与预设的参考数据相除,将所述第一投影数据的灰度值转换成对应的衰减率,得到处理后的投影数据;其中,所述参考数据为控制锥形束CT设备进行空扫所得到的数据;
所述将所述第一投影数据和所述第二投影数据在对应角度下的差值,确定为所述初始散射数据,包括:
将所述处理后的投影数据与所述第二投影数据在对应角度下的差值,确定为所述初始散射数据。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像之前,所述方法还包括:
采用预设的散射校正方法,对所述原始锥形束CT图像进行散射校正,得到初始校正的锥形束CT图像;
所述将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像,包括:
将所述初始校正的锥形束CT图像输入所述神经网络模型,得到所述处理后的锥形束CT图像。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取样本锥形束CT图像和样本CT图像;
对所述样本CT图像进行重采样,得到重采样后的CT图像;所述重采样后的CT图像的层数与所述样本锥形束CT图像的层数一一对应;
将所述样本锥形束CT图像输入预设的初始神经网络模型,得到处理后的样本锥形束CT图像;
根据所述处理后的样本锥形束CT图像和所述重采样后的CT图像,对所述初始神经网络模型进行训练,得到所述神经网络模型。
8.一种散射校正装置,其特征在于,所述装置包括:
第一获取模块,用于将原始锥形束CT图像输入预设的神经网络模型,得到处理后的锥形束CT图像,其中,所述原始锥形束CT图像为对第一投影数据进行重建得到的;
处理模块,用于对所述处理后的锥形束CT图像进行前投影处理,得到第二投影数据;
第二获取模块,用于根据所述第一投影数据和所述第二投影数据,得到初始散射数据;
第三获取模块,用于根据所述第一投影数据和所述初始散射数据,得到目标投影数据;
重建模块,用于对所述目标投影数据进行重建,得到散射校正后的锥形束CT图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110832302.5A CN113643394A (zh) | 2021-07-22 | 2021-07-22 | 散射校正方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110832302.5A CN113643394A (zh) | 2021-07-22 | 2021-07-22 | 散射校正方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113643394A true CN113643394A (zh) | 2021-11-12 |
Family
ID=78418094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110832302.5A Pending CN113643394A (zh) | 2021-07-22 | 2021-07-22 | 散射校正方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643394A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218868A (zh) * | 2023-11-07 | 2023-12-12 | 福建理工大学 | 一种基于几何散射图网络的交通流预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574828A (zh) * | 2015-12-22 | 2016-05-11 | 沈阳东软医疗***有限公司 | 图像散射校正方法、装置及设备 |
CN109064521A (zh) * | 2018-07-25 | 2018-12-21 | 南京邮电大学 | 一种使用深度学习的cbct去伪影方法 |
CN111127579A (zh) * | 2019-12-26 | 2020-05-08 | 南京安科医疗科技有限公司 | 一种基于神经网络去锥形束伪影的ct重建方法 |
CN112435307A (zh) * | 2020-11-26 | 2021-03-02 | 浙江大学 | 一种深度神经网络辅助的四维锥束ct影像重建方法 |
-
2021
- 2021-07-22 CN CN202110832302.5A patent/CN113643394A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574828A (zh) * | 2015-12-22 | 2016-05-11 | 沈阳东软医疗***有限公司 | 图像散射校正方法、装置及设备 |
CN109064521A (zh) * | 2018-07-25 | 2018-12-21 | 南京邮电大学 | 一种使用深度学习的cbct去伪影方法 |
CN111127579A (zh) * | 2019-12-26 | 2020-05-08 | 南京安科医疗科技有限公司 | 一种基于神经网络去锥形束伪影的ct重建方法 |
CN112435307A (zh) * | 2020-11-26 | 2021-03-02 | 浙江大学 | 一种深度神经网络辅助的四维锥束ct影像重建方法 |
Non-Patent Citations (1)
Title |
---|
HEHE CUI 等: "Local-filtration Based Scatter Correction for Conebeam CT Using Planning CT as a Prior", 《2019 INTERNATIONAL CONFERENCE ON MEDICAL IMAGING PHYSICS AND ENGINEERING (ICMIPE)》, pages 1 - 6 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218868A (zh) * | 2023-11-07 | 2023-12-12 | 福建理工大学 | 一种基于几何散射图网络的交通流预测方法 |
CN117218868B (zh) * | 2023-11-07 | 2024-03-22 | 福建理工大学 | 一种基于几何散射图网络的交通流预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570492B (zh) | 一种基于神经网络的ct伪影抑制方法、设备以及介质 | |
US10964072B2 (en) | Methods, systems, and media for noise reduction in computed tomography images | |
EP3362987B1 (en) | System and method for image correction | |
CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
JP2020506742A (ja) | 断層撮影再構成に使用するためのデータのディープラーニングに基づく推定 | |
US10867375B2 (en) | Forecasting images for image processing | |
JP6214226B2 (ja) | 画像処理装置、断層撮影装置、画像処理方法およびプログラム | |
CN111598989B (zh) | 一种图像渲染参数设置方法、装置、电子设备及存储介质 | |
US20140328532A1 (en) | Attenuation correction method and device for image in pet system | |
CN108606805B (zh) | 一种散射校正方法、装置及设备 | |
CN110084868B (zh) | 图像校正方法、装置、计算机设备和可读存储介质 | |
US20200175730A1 (en) | Imaging system extended field-of-view | |
CN112581554B (zh) | 一种ct成像方法、装置、存储设备及医学成像*** | |
CN106228520B (zh) | 图像增强方法及装置 | |
CN114943780A (zh) | 一种图像重建处理方法、***以及医疗影像设备 | |
CN113643394A (zh) | 散射校正方法、装置、计算机设备和存储介质 | |
US20230419455A1 (en) | System and method for image correction | |
US11484279B2 (en) | Systems to assess projection data inconsistency | |
US20230206404A1 (en) | Image processing apparatus, image processing method, and computer-readable medium | |
US10984564B2 (en) | Image noise estimation using alternating negation | |
US20220414832A1 (en) | X-ray imaging restoration using deep learning algorithms | |
CN114913259A (zh) | 截断伪影校正方法、ct图像校正方法、设备和介质 | |
CN114004738A (zh) | 数字化乳腺断层摄影图像的处理方法、装置、设备和介质 | |
CN113592968A (zh) | 断层扫描图像中金属伪影的消减方法和装置 | |
JP2021036969A (ja) | 機械学習装置、機械学習方法及びプログラム |
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 |