一种协同成像方法、装置、存储介质和协同成像设备制造方法及图纸

本申请适用于图像处理技术领域，提供了一种协同成像方法、装置、存储介质和协同成像设备，包括：获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集；将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。本申请可缩短图像重建的时间，在提高协同成像效果的同时，还可进一步提高成像效率。

A collaborative imaging method, device, storage medium and equipment

【技术实现步骤摘要】
一种协同成像方法、装置、存储介质和协同成像设备
本申请属于图像处理
，尤其涉及一种协同成像方法、装置、存储介质和协同成像设备。
技术介绍
近30年来，以磁共振成像(MagneticResonanceImaging，MRI)、电子计算机断层扫描(ComputedTomography，CT)、正电子发射型计算机断层显像(PositronEmissionComputedTomography，PET)和超声为代表的高端医学影像技术和设备不断发展，功能和性能日趋完善，检查技术和方法亦在不断创新。临床应用上，PET/CT或PET/MRI是分子影像与多模态成像的一个典型代表。PET/MRI作为一种新兴和功能最强大的高端多模态医学影像技术与设备，已经在生物医学研究和临床诊断中发挥越来越重要的作用。PET/MRI的成功应用依赖于得到的PET和MRI以及它们的融合图像能够提供足够的解剖、功能、代谢信息，因此研究PET/MRI的成像理论与关键技术具有着重要的科研与应用价值。然而，现有的PET/MRI技术中，PET/MRI图像重建相对独立，重建的PET/MRI图像容易失真，并且成像效率较低。
技术实现思路
本申请实施例提供了一种协同成像方法、装置、存储介质和协同成像设备，可以解决现有的PET/MRI技术中，PET/MRI图像重建相对独立，重建的PET/MRI图像容易失真，并且成像效率较低的问题。第一方面，本申请实施例提供了一种协同成像方法，包括：获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集；将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。在第一方面的一种可能的实现方式中，所述协同成像模型的训练步骤，包括：获取多组样本图像数据，其中，每组所述样本图像数据包括同一图像采集区域的第一样本图像原始数据及其对应的第一标签图像数据，以及第二样本图像原始数据及其对应的第二标签图像数据，所述第一样本图像原始数据与所述第二样本图像原始数据存在样本位置对应关系；根据所述第一样本图像原始数据及其对应的第一标签图像数据、所述第二样本图像原始数据及其对应的第二标签图像数据以及所述样本位置对应关系，对待训练的深度学习网络进行迭代训练；根据预设损失函数，计算迭代训练过程中所述深度学习网络输出的误差；当所述误差小于或等于预设误差阈值时，停止训练，得到所述协同成像模型；当所述误差大于所述预设误差阈值时，返回执行所述根据所述第一样本图像原始数据及其对应的第一标签图像数据、所述第二样本图像原始数据及其对应的第二标签图像数据以及所述样本位置对应关系，对待训练的深度学习网络进行迭代训练，以及后续步骤。在第一方面的一种可能的实现方式中，所述根据所述第一样本图像原始数据及其对应的第一标签图像数据以及所述第二样本图像原始数据及其对应的第二标签图像数据，对待训练的深度学习网络进行迭代训练的步骤，包括：分别对所述第一样本图像原始数据与所述第二样本图像原始数据进行预处理，得到相同大小的第一样本张量和第二样本张量；根据所述样本位置对应关系，将所述第一样本张量与所述第二样本张量进行配对；将配对的所述第一样本张量与所述第二样本张量进行叠加，将样本张量叠加结果作为所述深度学习网络的训练样本输入，对所述深度学习网络进行迭代训练。在第一方面的一种可能的实现方式中，所深度学习网络的输出包括第一重建样本图像数据与第二重建样本图像数据，所述根据预设损失函数，计算迭代训练过程中所述深度学习网络输出的误差的步骤，包括：在迭代训练过程中，计算所述深度学习网络输出的第一重建样本图像数据与所述第一标签图像数据的第一均方误差，以及所述深度学习网络输出的第二重建样本图像数据与所述第二标签图像数据的第二均方误差；所述当所述误差小于或等于预设误差阈值时，停止训练，得到所述协同成像模型的步骤，包括：当所述第一均方误差的值，以及所述第二均方误差的值，均小于或等于预设误差阈值时，停止训练，得到所述协同成像模型。在第一方面的一种可能的实现方式中，所述深度学习网络包括多个级联的神经网络单元，每个所述神经网络单元包括一个编码器和一个解码器；所述编码器包括多个卷积层，所述卷积层用于对输入数据进行卷积处理及批量归一化处理；所述解码器包括多个反卷积层，所述反卷积层用于对所述编码器输出的数据进行反卷积及批量归一化处理。在第一方面的一种可能的实现方式中，所述根据预设损失函数，计算迭代训练过程中所述深度学习网络输出的误差的步骤，包括：根据下式计算迭代训练过程中所述深度学习网络输出的误差：其中，L为深度学习网络输出的误差，n为所述深度学习网络中级联的神经网络单元的个数，li为第i个神经网络单元输出的误差，ai为第i个神经网络单元在所述深度学习网络中的损失权重。在第一方面的一种可能的实现方式中，所述将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像的步骤，包括：分别对所述第一图像的原始数据与所述第二图像的原始数据进行预处理，得到相同大小的第一张量和第二张量；根据所述样本位置对应关系，将所述第一张量与所述第二张量进行配对；将配对的所述第一张量与所述第二张量进行叠加，将张量叠加结果输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。第二方面，本申请实施例提供了一种协同成像装置，包括：原始图像数据获取单元，用于获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集；图像重建单元，用于将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。第三方面，本申请实施例提供了一种协同成像设备，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第一方面所述的协同成像方法。第四方面，本申请实施例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第一方面所述的协同成像方法。第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在协同成像设备上运行时，使得协同成像设备执行如上述第一方面所述的协同成像方法。本申请实施本文档来自技高网...

【技术保护点】
1.一种协同成像方法，其特征在于，包括：/n获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集；/n将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。/n

【技术特征摘要】
1.一种协同成像方法，其特征在于，包括：
获取同一检测区域对应的第一图像的原始数据和第二图像的原始数据，其中，所述第一图像的原始数据与所述第二图像的原始数据存在位置对应关系，所述第一图像以及所述第二图像分别采用不同的图像采集方式采集；
将所述第一图像的原始数据、所述第二图像的原始数据以及所述位置对应关系输入至协同成像模型中进行图像重建，得到第一图像对应的第一重建图像和所述第二图像对应的第二重建图像。


2.根据权利要求1所述的协同成像方法，其特征在于，所述协同成像模型的训练步骤，包括：
获取多组样本图像数据，其中，每组所述样本图像数据包括同一图像采集区域的第一样本图像原始数据及其对应的第一标签图像数据，以及第二样本图像原始数据及其对应的第二标签图像数据，所述第一样本图像原始数据与所述第二样本图像原始数据存在样本位置对应关系；
根据所述第一样本图像原始数据及其对应的第一标签图像数据、所述第二样本图像原始数据及其对应的第二标签图像数据以及所述样本位置对应关系，对待训练的深度学习网络进行迭代训练；
根据预设损失函数，计算迭代训练过程中所述深度学习网络输出的误差；
当所述误差小于或等于预设误差阈值时，停止训练，得到所述协同成像模型；
当所述误差大于所述预设误差阈值时，返回执行所述根据所述第一样本图像原始数据及其对应的第一标签图像数据、所述第二样本图像原始数据及其对应的第二标签图像数据以及所述样本位置对应关系，对待训练的深度学习网络进行迭代训练，以及后续步骤。


3.根据权利要求2所述的协同成像方法，其特征在于，所述根据所述第一样本图像原始数据及其对应的第一标签图像数据以及所述第二样本图像原始数据及其对应的第二标签图像数据，对待训练的深度学习网络进行迭代训练的步骤，包括：
分别对所述第一样本图像原始数据与所述第二样本图像原始数据进行预处理，得到相同大小的第一样本张量和第二样本张量；
根据所述样本位置对应关系，将所述第一样本张量与所述第二样本张量进行配对；
将配对的所述第一样本张量与所述第二样本张量进行叠加，将样本张量叠加结果作为所述深度学习网络的训练样本输入，对所述深度学习网络进行迭代训练。


4.根据权利要求2所述的协同成像方法，其特征在于，所深度学习网络的输出包括第一重建样本图像数据与第二重建样本图像数据，所述根据预设损失函数，计算迭代训练过程中所述深度学习网络输出的误差的步骤，包括：
在迭代训练过程中，计算所述深度学习网络输出的第一重建样本图像数据与所述第一标签图像数据的第一均方误差，以及所述深度学习网络输出的第二重建样本图像数据与所述第二标签图像数据的第二均方误差；
所述当所述误差小于或等于预设误差阈值时，停止训练，得到...

【专利技术属性】
技术研发人员：王珊珊，郑海荣，龚宇，刘新，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44