预测截断图像的系统和方法、准备数据的方法及其介质技术方案

本发明专利技术涉及预测截断图像的系统和方法、准备数据的方法及其介质。其中准备数据的方法包括虚拟模拟步骤，用于对图像数据进行虚拟模拟，以同时得到有数据截断的虚拟失真图像和没有数据截断的虚拟精标准图像。所述预测截断图像的方法基于训练的学习网络预测截断图像，所述训练的学习网络是基于通过上述准备数据的方法来得到的虚拟失真图像和虚拟精标准图像构成的数据集进行数据训练得到的。还提供与上述方法对应的系统以及记录的指令可实现上述方法的记录介质。

The system and method for predicting the truncated image, the method for preparing the data and the medium thereof

【技术实现步骤摘要】
预测截断图像的系统和方法、准备数据的方法及其介质
本专利技术涉及医疗成像领域，特别涉及在计算机断层扫描(CT)成像中为预测截断图像准备数据以及基于该数据预测截断图像的技术。
技术介绍
在CT扫描的过程中，使用检测器来采集通过患者身体后的X射线的数据，之后再对这些采集到的X射线数据进行处理以得到投影数据。可利用这些投影数据来重建切片图像。完整的投影数据可重建准确的切片图像以用于诊断。然而，如果患者体型较大或摆放特殊的姿势，那么该患者身体的某些部位就会超出扫描域，检测器也就无法采集到完整的投影数据，这被称之为数据截断。这种数据截断会带来截断伪影，并最终导致得到失真的重建图像。失真的图像在放射治疗中肯定是不理想的，因为医生在诊断时必需要知道身体皮肤的线条和沿着射线束的CT数，这样才可以准确判断出应该施加到患者身上的放射剂量，但是失真的图像无法准确体现上述信息。这样一来，如何恢复扫描域外的图像(我们称之为截断图像)就是必须要解决的问题。有好几种用于处理上述截断问题的传统方法，它们通过一些数学模型来预测被截断的投影数据，比如利用水模来预测截断部分，但是这些传统方法所恢复的截断图像的质量会随不同的实际情况而改变，性能也都不够理想。此外，不同的用户往往涉及不同的病人集，他们所需要的图像数据也有侧重点，但传统方法中从来未涉及要将图像数据进行分类。近年来，又涌现出一种新技术，其中通过人工智能(AI)的方式来预测截断图像。通过AI来预测截断图像，其无疑有着传统技术无法比拟的巨大优势。然而，AI的性能取决于其输入数据。医院或研究机构和部门每天都会持续积累原始图像数据，但我们显然不能简单地将这些积累的原始图像数据都输入到AI网络中进行学习，因为AI的性能取决的是输入数据的质量，而不是数量。另一方面，通过AI来预测截断图像，必须要有对应失真图像的输入数据集和对应没有数据截断的精标准图像的精标准数据集被同时输入进AI网络中，然而这样的图像并不容易获取，或者，数据类型也较为单一。
技术实现思路
本专利技术的一个目的在于克服现有技术中的上述和/或其他问题，其能够获得充足、可靠的数据用于算法验证，从而大大有助于提高对截断图像进行预测的准确率。根据本专利技术的第一方面，提供一种用于为预测截断图像准备数据的方法，其包括虚拟模拟步骤，用于对图像数据进行虚拟模拟，以同时得到有数据截断的虚拟失真图像和没有数据截断的虚拟精标准图像。较佳地，在所述虚拟模拟步骤前，所述方法还包括自适应分类步骤，该自适应分类步骤用于根据预先定义的特征对采集到的图像数据进行自适应分类，所述虚拟模拟步骤用于对所述分类后的图像数据进行虚拟模拟。所述预先定义的特征可包括图像数据类型。进一步地，所述预先定义的特征还可包括所述图像数据类型对应的可能性。所述图像数据类型可为患者的解剖部位。较佳地，所述虚拟模拟步骤进一步包括：接收没有数据截断的原始图像；使所述原始图像中对应目标物体的部分虚拟平移(offset)以部分地移出扫描域，从而得到虚拟精标准图像；对所述虚拟精标准图像进行模拟扫描并进行虚拟数据采集，以生成虚拟截断数据；以及对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。较佳地，所述虚拟模拟步骤进一步包括：接收没有数据截断的原始图像，所述原始图像被用作虚拟精标准图像；使所述原始图像保持在扫描域内，并对该原始图像进行正投影处理以得到该原始图像的正弦图；切除所述正弦图的左侧通道和右侧通道，并用填充值进行填补，以生成虚拟截断数据；以及对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。更较佳地，上述填充值为边缘填充值。根据本专利技术的第二方面，提供一种用于预测截断图像的方法，包括如下步骤：基于训练的学习网络预测截断图像，所述训练的学习网络是基于通过采用上述准备数据的方法来得到的虚拟失真图像和虚拟精标准图像构成的数据集进行数据训练得到的。根据本专利技术的第三方面，提供一种用于预测截断图像的系统，包括：虚拟模拟装置，用于对图像数据进行虚拟模拟，以同时得到有数据截断的虚拟失真图像和没有数据截断的虚拟精标准图像；以及预测装置，用于基于训练的学习网络预测截断图像，所述训练的学习网络是基于所述虚拟失真图像和虚拟精标准图像构成的数据集进行数据训练得到的。较佳地，所述系统还包括自适应分类器，用于根据预先定义的特征对采集到的图像数据进行自适应分类，所述虚拟模拟装置用于对分类后的图像数据进行虚拟模拟。较佳地，所述虚拟模拟装置进一步被配置为：接收没有数据截断的原始图像；使所述原始图像中对应目标物体的部分虚拟平移(offset)以部分地移出扫描域，从而得到虚拟精标准图像；对所述虚拟精标准图像进行模拟扫描并进行虚拟数据采集，以生成虚拟截断数据；以及对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。较佳地，所述虚拟模拟装置进一步被配置为：接收没有数据截断的原始图像，所述原始图像被用作虚拟精标准图像；使所述原始图像保持在扫描域内，并对该原始图像进行正投影处理以得到该原始图像的正弦图；切除所述正弦图的左侧通道和右侧通道，并用填充值进行填补，以生成虚拟截断数据；以及对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。根据本专利技术的第四方面，还提供一种计算机可读存储介质，其上记录的指令能够实现上述方法和系统。根据本专利技术的用于为预测截断图像准备数据的方法，能够智能地模拟出真实的数据截断，得到截断图像的预测所需要的失真图像和精标准图像；不仅如此，其还能够附加地将图像数据智能分类到不同的类别，从而更加有利于上述失真图像和精标准图像。而根据本专利技术的用于预测截断图像的方法和系统基于训练的学习网络预测截断图像，所述训练的学习网络正是基于由上述虚拟失真图像和虚拟精标准图像构成的数据集进行数据训练得到的，由此能够快速且更加准确地获得预测结果。通过下面的详细描述、附图以及权利要求，其他特征和方面会变得清楚。附图说明通过结合附图对于本专利技术的示例性实施例进行描述，可以更好地理解本专利技术，在附图中：图1是根据本专利技术示例性实施例的用于为预测截断图像准备数据的方法的流程图；图2是图1所示方法中虚拟模拟步骤的第一实施例的流程图；图3是图1所示方法中虚拟模拟步骤的第一实施例的示意图；图4是图1所示方法中虚拟模拟步骤的第二实施例的流程图；图5是图1所示方法中虚拟模拟步骤的第二实施例的示意图；图6是根据本专利技术示例性实施例的用于为预测截断图像准备数据的方法的可选实施例的流程图；图7示出了图6所示方法中自适应分类步骤中数据分类的一个示例；图8是根据本专利技术示例性实施例的用于预测截断图像的方法的流程图；图9是根据本专利技术示例性实施例的用于预测截断图像的系统的示意性框图；以及图10示出了根据本专利技术示例性实施例的用于预测截断图像的系统的一个示例。具体实施例以下将描述本专利技术的具体实施方式，需要指出的是，在这些实施方式的具体描述本文档来自技高网...

【技术保护点】
1.一种用于为预测截断图像准备数据的方法，包括如下步骤：/n虚拟模拟步骤，用于对图像数据进行虚拟模拟，以同时得到有数据截断的虚拟失真图像和没有数据截断的虚拟精标准图像。/n

【技术特征摘要】
1.一种用于为预测截断图像准备数据的方法，包括如下步骤：
虚拟模拟步骤，用于对图像数据进行虚拟模拟，以同时得到有数据截断的虚拟失真图像和没有数据截断的虚拟精标准图像。


2.如权利要求1所述的方法，其特征在于，在所述虚拟模拟步骤前，所述方法还包括自适应分类步骤，该自适应分类步骤用于根据预先定义的特征对采集到的图像数据进行自适应分类，所述虚拟模拟步骤用于对所述分类后的图像数据进行虚拟模拟。


3.如权利要求2所述的方法，其特征在于，所述预先定义的特征包括图像数据类型。


4.如权利要求3所述的方法，其特征在于，所述预先定义的特征还包括所述图像数据类型对应的可能性。


5.如权利要求3所述的方法，其特征在于，所述图像数据类型为患者的解剖部位。


6.如权利要求1所述的方法，其特征在于，所述虚拟模拟步骤进一步包括：
接收没有数据截断的原始图像；
使所述原始图像中对应目标物体的部分虚拟平移(offset)以部分地移出扫描域，从而得到虚拟精标准图像；
对所述虚拟精标准图像进行模拟扫描并进行虚拟数据采集，以生成虚拟截断数据；以及
对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。


7.如权利要求1所述的方法，其特征在于，所述虚拟模拟步骤进一步包括：
接收没有数据截断的原始图像，所述原始图像被用作虚拟精标准图像；
使所述原始图像保持在扫描域内，并对该原始图像进行正投影处理以得到该原始图像的正弦图；
切除所述正弦图的左侧通道和右侧通道，并用填充值进行填补，以生成虚拟截断数据；以及
对所述虚拟截断数据进行图像重建处理，以得到虚拟失真图像。


8.如权利要求7所述的方法，其特征在于，所述填充值为边缘填充值。


9.一种用于预测截断图像...

【专利技术属性】
技术研发人员：赵冰洁，王学礼，孙妍，
申请(专利权)人：通用电气公司，
类型：发明
国别省市：美国;US