基于稀疏投影数据的PET成像方法、装置、设备及存储介质制造方法及图纸

技术编号:17797165 阅读:71 留言:0更新日期:2018-04-25 20:41
本发明专利技术适用图像处理技术领域,提供了一种基于稀疏投影数据的PET成像方法、装置、设备及存储介质,该方法包括:根据PET设备扫描得到的稀疏投影数据,生成PET重建图像,通过训练好的生成式对抗网络中的生成器网络对PET重建图像进行修复处理,得到PET修复图像,将PET修复图像设置为稀疏投影数据对应的PET图像并输出,从而有效地对PET重建图像进行伪影去除和细节恢复,有效地提高了PET重建图像的图像质量。

PET imaging method, device, device and storage medium based on sparse projection data

The invention is applicable to the field of image processing technology, providing a PET imaging method, device, equipment and storage medium based on sparse projection data. The method includes: the sparse projection data obtained by scanning the PET device, generating the PET reconstruction image, and using a trained generating type of generator network in the network to weigh the weight of the PET. The image is repaired, the image of PET repair is obtained, and the PET repair image is set to the PET image corresponding to the sparse projection data and output, thus effectively eliminating the artifact and recovering the details of the PET reconstruction image, and effectively improving the image quality of the PET reconstructed image.

【技术实现步骤摘要】
基于稀疏投影数据的PET成像方法、装置、设备及存储介质
本专利技术属于图像处理
,尤其涉及一种基于稀疏投影数据的PET成像方法、装置、设备及存储介质。
技术介绍
正电子发射断层成像技术(PositronEmissionTomography,PET)可以从细胞及分子水平研究机体的生理或病理信息,是一种先进的现代医学影像技术,目前,该技术已经成为脑功能成像和癌症早期诊断特别重要的医学检查手段。PET图像重建算法可以分为解析法和迭代法。解析法以滤波反投影算法为代表,其实现方法简单,但重建图像的质量较差。迭代法将物理和统计因素加入到重建过程中,分为代数迭代法和统计迭代法,其中,统计迭代算法可以更加精确地反映PET成像过程,重建图像的效果很好。然而,PET设备采用现有的这些图像重建算法对低计数、欠采样数据进行PET成像时,重建后的PET图像细节易丢失、且存在较多伪影。
技术实现思路
本专利技术的目的在于提供一种基于稀疏投影数据的PET成像方法、装置、设备及存储介质,旨在解决现有技术中依据稀疏投影数据进行PET图像重建时,PET重建图像伪影噪声较多、且图像细节容易丢失的问题。一方面,本专利技术提供了一种基于稀疏投影数据的PET成像方法,所述方法包括下述步骤:接收通过PET设备扫描得到的稀疏投影数据,根据所述稀疏投影数据进行图像重建,获得PET重建图像;通过预先训练好的生成式对抗网络中的生成器网络对所述PET重建图像进行修复处理,以得到所述PET重建图像对应的修复图像;将所述PET重建图像对应的修复图像设置为所述稀疏投影数据对应的PET图像,输出所述稀疏投影数据对应的PET图像。另一方面,本专利技术提供了一种基于稀疏投影数据的PET成像装置,所述装置包括:PET图像重建单元,用于接收通过PET设备扫描得到的稀疏投影数据,根据所述稀疏投影数据进行图像重建,生成PET重建图像;重建图像修复单元,用于通过预先训练好的生成式对抗网络中的生成器网络对所述PET重建图像进行修复处理,以得到所述PET重建图像对应的修复图像;以及修复图像输出单元,用于将所述PET重建图像对应的修复图像设置为所述稀疏投影数据对应的PET图像,输出所述稀疏投影数据对应的PET图像。另一方面,本专利技术还提供了一种PET设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述基于稀疏投影数据的PET成像所述的步骤。另一方面,本专利技术还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述基于稀疏投影数据的PET成像方法所述的步骤。本专利技术根据PET设备扫描得到的稀疏投影数据进行图像重建,获得PET重建图像,通过训练好的生成式对抗网络中的生成器网络对PET重建图像进行修复处理,获得PET重建图像对应的修复图像,将该修复图像设置为稀疏投影数据对应的PET图像并输出,从而通过训练生成式对抗网络对PET重建图像进行后处理,有效地提高了PET重建图像伪影去除、细节恢复的修复效果,提高了稀疏投影数据PET成像的图像质量。附图说明图1是本专利技术实施例一提供的基于稀疏投影数据的PET成像方法的实现流程图;图2是本专利技术实施例二提供的基于稀疏投影数据的PET成像方法的实现流程图;图3是本专利技术实施例二中生成器网络的结构示例图;图4是本专利技术实施例二提供的基于稀疏投影数据的PET成像方法中对生成式对抗网络进行训练的实现流程图;图5是本专利技术实施例三提供的基于稀疏投影数据的PET成像装置的结构示意图;图6是本专利技术实施例四提供的基于稀疏投影数据的PET成像装置的结构示意图;图7是本专利技术实施例四提供的基于稀疏投影数据的PET成像装置的优选结构示意图;以及图8是本专利技术实施例五提供的PET设备的结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本专利技术进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本专利技术,并不用于限定本专利技术。以下结合具体实施例对本专利技术的具体实现进行详细描述:实施例一:图1示出了本专利技术实施例一提供的基于稀疏投影数据的PET成像方法的实现流程,为了便于说明,仅示出了与本专利技术实施例相关的部分,详述如下:在步骤S101中,接收通过PET设备扫描得到的稀疏投影数据,根据稀疏投影数据进行图像重建,获得PET重建图像。在本专利技术实施例中,在接收PET设备低计数采样得到的稀疏投影数据后,可通过预设的PET图像重建算法对稀疏投影数据进行PET图像重建,生成PET重建图像。作为示例地,PET图像重建算法可为滤波反投影算法、代数迭代法等。在步骤S102中,通过预先训练好的生成式对抗网络中的生成器网络对PET重建图像进行修复处理,以得到PET重建图像对应的修复图像。在本专利技术实施例中,稀疏投影数据的PET重建图像上易出现图像伪影、图像细节丢失,在这里通过训练好的生成式对抗网络中的生成器网络对PET重建图像进行修复处理,以去除PET重建图像上的图像伪影和恢复PET重建图像丢失的图像细节,该生成式对抗网络(Generativeadversarialnetworks)包括生成器网络和判别器网络。在训练时,生成器网络用于对预设训练图像集中有伪影的PET图像进行修复处理,得到相应的修复图像,判别器网络用于对该修复图像是生成器处理后的图像还是训练图像集中无伪影的PET图像进行判断,同时也用于对训练图像集中无伪影的PET图像是来自于生成器还是来自于训练图像集进行判断。生成式对抗网络的具体训练过程可参照实施例二中步骤S201和步骤S202的详细描述,在此不再赘述。在步骤S103中,将PET重建图像对应的修复图像设置为稀疏投影数据对应的PET图像,输出稀疏投影数据对应的PET图像。在本专利技术实施例中,将PET重建图像对应的修复图像设置为稀疏投影数据对应的PET图像并输出,完成基于稀疏投影数据的PET成像。在本专利技术实施例中,对PET设备扫描得到的稀疏投影数据进行图像重建,生成PET重建图像,通过训练好的生成式对应网络中的生成器网络对PET重建图像进行修复,生成PET重建图像对应的修复图像,从而有效地对稀疏投影数据对应的PET重建图像进行伪影去除和细节修复,有效地提高了基于稀疏投影数据进行PET成像时的图像质量。实施例二:图2示出了本专利技术实施例二提供的基于稀疏投影数据的PET成像方法的实现流程,为了便于说明,仅示出了与本专利技术实施例相关的部分,详述如下:在步骤S201中,根据预设的卷积运算、激活函数和池化操作,构建生成式对抗网络。在本专利技术实施例中,生成式对抗网络包括生成器网络和判别器网络。根据预设的卷积运算、批标准化方式和激活函数,可构建得到生成器网络的子网络层,根据卷积运算、批标准化方式、激活函数和池化操作,可构建得到判别器网络的子网络层。在生成器网络的子网络层中不使用池化操作,以保证生成器网络不改变图像大小。作为示例地,卷积运算的公式可表示为:其中,i、j表示图像像素的位置,I为输入图像,K为卷积核,m、n为卷积核的宽和高。在本专利技术实施例中,将生成器网络的子网络层连接构建得到生成器网络,将判别器网络的子网络层和预设的全连接网络层连接构建得到判别器网络。其本文档来自技高网...
基于稀疏投影数据的PET成像方法、装置、设备及存储介质

【技术保护点】
一种基于稀疏投影数据的PET成像方法,其特征在于,所述方法包括下述步骤:接收通过PET设备扫描得到的稀疏投影数据,根据所述稀疏投影数据进行图像重建,获得PET重建图像;通过预先训练好的生成式对抗网络中的生成器网络对所述PET重建图像进行修复处理,以得到所述PET重建图像对应的修复图像;将所述PET重建图像对应的修复图像设置为所述稀疏投影数据对应的PET图像,输出所述稀疏投影数据对应的PET图像。

【技术特征摘要】
1.一种基于稀疏投影数据的PET成像方法,其特征在于,所述方法包括下述步骤:接收通过PET设备扫描得到的稀疏投影数据,根据所述稀疏投影数据进行图像重建,获得PET重建图像;通过预先训练好的生成式对抗网络中的生成器网络对所述PET重建图像进行修复处理,以得到所述PET重建图像对应的修复图像;将所述PET重建图像对应的修复图像设置为所述稀疏投影数据对应的PET图像,输出所述稀疏投影数据对应的PET图像。2.如权利要求1所述的方法,其特征在于,接收通过PET设备扫描得到的稀疏投影数据的步骤之前,所述方法还包括:根据预设的卷积运算、激活函数和池化操作,构建所述生成式对抗网络,所述生成式对抗网络包括判别器网络和所述生成器网络;根据预设的自适应矩估计算法、预设的随机隐退算法和预设的训练图像集,对所述生成式对抗网络进行训练,所述训练图像集中每组图像样本包括有伪影的PET图像和对应的无伪影的PET图像。3.如权利要求2所述的方法,其特征在于,根据预设的卷积运算、激活函数和池化操作,构建所述生成式对抗网络的步骤,包括:将所述卷积运算和所述激活函数组合构成所述生成器网络的子网络层;将所述卷积运算、所述激活函数和所述池化操作组合构成所述判别器网络的子网络层;将所述生成器网络的子网络层连接构建得到所述生成器网络,将所述判别器网络的子网络层和预设的全连接网络层连接构建得到所述判别器网络。4.如权利要求3所述的方法,其特征在于,将所述生成器网络的子网络层连接构建得到所述生成器网络,将所述判别器网络的子网络层和预设的全连接网络层连接构建得到所述判别器网络的步骤,包括:在所述生成器网络除最后一层子网络层外的剩余子网络层中添加预设的批标准化处理,在所述判别器网络的第一层子网络层中添加所述批标准化处理。5.如权利要求2所述的方法,其特征在于,根据预设的自适应矩估计算法、预设的随机隐退算法和预设的训练图像集,对所述生成式对抗网络进行训练的步骤,包括:初始化所述自适应矩估计算法的算法参数,并在所述训练图像集中获取当前批次图像样本;根据所述随机隐退算法,通过所述生成器网络对所述当前批次图像样本中有伪影的PET图像进行修复处理,以得到所述有伪影的PET图像对应的修复图像;根据所述随机隐退算法,通过所述判别器网络对所述有伪影的PET图像对应的修复图像、所述无伪影的PET图像分别进行分类;根据所述分类结果、所述生成器网络的目标函数和所述判别器网络的目标函数,通过所述自适应矩估计算法对所述生成器网络的权值和所述判别器网络的权值进行迭代更新;判断当前迭代次数是否超过预设的最大迭代次数,是则输出所述生成式对抗网络,否则将所述...

【专利技术属性】
技术研发人员:胡战利孙峰毅杨永峰梁栋刘新郑海荣
申请(专利权)人:深圳先进技术研究院
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1