运动补偿方法、装置、CT设备及CT系统制造方法及图纸

本发明专利技术实施例提供一种运动补偿方法、装置、CT设备及CT系统。本发明专利技术实施例通过根据预设的运动向量场模型，在预设运动范围内确定M个初始运动向量场，针对目标重建位置，分别根据每个初始运动向量场，对待处理的心脏CT扫描数据进行运动补偿后进行图像重建，得到M幅初步重建图像，利用已训练好的分类模型对M幅初步重建图像进行分类，根据分类结果选择运动伪影小于预设阈值的至少一幅图像，根据至少一幅图像，确定目标运动向量场，根据目标运动向量场，对心脏CT扫描数据进行运动补偿，得到目标数据，通过分类模型筛选出运动伪影小于预设阈值的图像用于进行运动伪影的估计，提高了运动向量场的有效性，进而提高了运动补偿的准确性。

【技术实现步骤摘要】
运动补偿方法、装置、CT设备及CT系统
本专利技术涉及医学图像处理
，尤其涉及一种运动补偿方法、装置、CT设备及CT系统。
技术介绍
CT(ComputedTomography，电子计算机断层扫描)冠状动脉血管成像是目前临床应用广泛的安全无创的影像学技术，能够准确诊断心脏血管相关疾病，是心脏成像中热门的研究方向。心脏成像的难点是在CT扫描时，心脏一直处于运动状态，因此获取到的图像中往往包含运动伪影，影响了图像质量。针对运动伪影，相关技术中采用心脏冠脉运动补偿技术来重建，这种技术根据冠脉运动向量场(简称运动场)进行运动补偿后再进行图像重建。
技术实现思路
为克服相关技术中存在的问题，本专利技术提供了一种数据重建方法、装置、CT设备及CT系统，提高运动补偿的准确性。根据本专利技术实施例的第一方面，提供一种运动补偿方法，包括：根据预设的运动向量场模型，在预设运动范围内确定M个初始运动向量场；M为自然数；针对目标重建位置，分别根据所述M个初始运动向量场中的每个初始运动向量场，对待处理的心脏CT扫描数据进行运动补偿后进行图像重建，得到M幅初步重建图像；利用已训练好的分类模型对所述M幅初步重建图像进行分类，根据分类结果从所述M幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；根据所述至少一幅图像，确定目标运动向量场；根据所述目标运动向量场，对所述心脏CT扫描数据进行运动补偿，得到目标数据。根据本专利技术实施例的第二方面，提供一种运动补偿装置，包括：初始场确定模块，用于根据预设的运动向量场模型，在预设运动范围内确定M个初始运动向量场；M为自然数；初步重建模块，用于针对目标重建位置，分别根据所述M个初始运动向量场中的每个初始运动向量场，对待处理的心脏CT扫描数据进行运动补偿后进行图像重建，得到M幅初步重建图像；分类及选择模块，用于利用已训练好的分类模型对所述M幅初步重建图像进行分类，根据分类结果从所述M幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；目标场确定模块，用于根据所述至少一幅图像，确定目标运动向量场；补偿模块，用于根据所述目标运动向量场，对所述心脏CT扫描数据进行运动补偿，得到目标数据。根据本专利技术实施例的第三方面，提供一种CT设备，包括：内部总线，以及通过内部总线连接的存储器、处理器和外部接口；其中，所述外部接口，用于连接CT系统的探测器，所述探测器包括多个探测器室及相应的处理电路；所述存储器，用于存储图像重建的控制逻辑对应的机器可读指令；所述处理器，用于读取所述存储器上的所述机器可读指令，并执行如下操作：根据预设的运动向量场模型，在预设运动范围内确定M个初始运动向量场；M为自然数；针对目标重建位置，分别根据所述M个初始运动向量场中的每个初始运动向量场，对待处理的心脏CT扫描数据进行运动补偿后进行图像重建，得到M幅初步重建图像；利用已训练好的分类模型对所述M幅初步重建图像进行分类，根据分类结果从所述M幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；根据所述至少一幅图像，确定目标运动向量场；根据所述目标运动向量场，对所述心脏CT扫描数据进行运动补偿，得到目标数据。根据本专利技术实施例的第四方面，提供一种CT系统，包括探测器、扫描床和CT设备，所述探测器包括多个探测器室及相应的处理电路；其中：所述探测器室，用于在所述CT系统扫描过程中，探测穿过扫描对象的X射线并转换为电信号；所述处理电路，用于将所述电信号转换成脉冲信号，采集脉冲信号的能量信息；所述CT设备，用于：根据预设的运动向量场模型，在预设运动范围内确定M个初始运动向量场；M为自然数；针对目标重建位置，分别根据所述M个初始运动向量场中的每个初始运动向量场，对待处理的心脏CT扫描数据进行运动补偿后进行图像重建，得到M幅初步重建图像；利用已训练好的分类模型对所述M幅初步重建图像进行分类，根据分类结果从所述M幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；根据所述至少一幅图像，确定目标运动向量场；根据所述目标运动向量场，对所述心脏CT扫描数据进行运动补偿，得到目标数据。本专利技术实施例提供的技术方案可以包括以下有益效果：本专利技术实施例，通过根据预设的运动向量场模型，在预设运动范围内确定M个初始运动向量场，针对目标重建位置，分别根据所述M个初始运动向量场中的每个初始运动向量场，对待处理的心脏CT扫描数据进行运动补偿后进行图像重建，得到M幅初步重建图像，利用已训练好的分类模型对所述M幅初步重建图像进行分类，根据分类结果从所述M幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像，根据所述至少一幅图像，确定目标运动向量场，根据所述目标运动向量场，对所述心脏CT扫描数据进行运动补偿，得到目标数据，通过分类模型筛选出运动伪影小于预设阈值的图像用于进行运动伪影的估计，提高了运动向量场的有效性，进而提高了运动补偿的准确性。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。图1是本专利技术实施例提供的运动补偿方法的流程示例图。图2是不同类别图像的示例图。图3是本专利技术实施例提供的运动补偿装置的功能方块图。图4是本专利技术实施例提供的CT设备的一个硬件结构图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术实施例的一些方面相一致的装置和方法的例子。在本专利技术实施例使用的术语是仅仅出于描述特定本专利技术实施例的目的，而非旨在限制本专利技术实施例。在本专利技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本专利技术实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本专利技术实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。期相补偿仅需要半圈的View数据进行运动补偿，因此在计算量和计算复杂度上，期相补偿方法非本文档来自技高网...

【技术保护点】
1.一种运动补偿方法，其特征在于，包括：/n根据预设的运动向量场模型，在预设运动范围内确定M个初始运动向量场；M为自然数；/n针对目标重建位置，分别根据所述M个初始运动向量场中的每个初始运动向量场，对待处理的心脏CT扫描数据进行运动补偿后进行图像重建，得到M幅初步重建图像；/n利用已训练好的分类模型对所述M幅初步重建图像进行分类，根据分类结果从所述M幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；/n根据所述至少一幅图像，确定目标运动向量场；/n根据所述目标运动向量场，对所述心脏CT扫描数据进行运动补偿，得到目标数据。/n

【技术特征摘要】
1.一种运动补偿方法，其特征在于，包括：
根据预设的运动向量场模型，在预设运动范围内确定M个初始运动向量场；M为自然数；
针对目标重建位置，分别根据所述M个初始运动向量场中的每个初始运动向量场，对待处理的心脏CT扫描数据进行运动补偿后进行图像重建，得到M幅初步重建图像；
利用已训练好的分类模型对所述M幅初步重建图像进行分类，根据分类结果从所述M幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；
根据所述至少一幅图像，确定目标运动向量场；
根据所述目标运动向量场，对所述心脏CT扫描数据进行运动补偿，得到目标数据。


2.根据权利要求1所述的方法，其特征在于，根据所述目标运动向量场，对所述心脏CT扫描数据进行运动补偿，得到目标数据之后，还包括：
根据所述目标数据进行图像重建，得到目标重建图像。


3.根据权利要求1所述的方法，其特征在于，根据所述至少一幅图像，确定目标运动向量场，包括：
基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值；
根据所述至少一幅图像的运动伪影估值中的最小值，确定运动向量场的初始参数值；
根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场。


4.根据权利要求3所述的方法，其特征在于，基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值，包括：
获取所述至少一幅图像中各个图像的熵值，将熵值作为图像的运动伪影估值。


5.根据权利要求3所述的方法，其特征在于，根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场，包括：
令运动向量场的参数值等于所述初始参数值，得到基础运动向量场；
在预设范围内查找使得图像的熵值最小的运动向量场，作为目标运动向量场。


6.根据权利要求1所述的方法，其特征在于，所述运动向量场模型为多项式。


7.根据权利要求1所述的方法，其特征在于，所述分类模型的训练方法包括：
设置深度学习网络模型和初始参数值；
获得若干组训练数据，每组训练数据包括标签图像和所述标签图像对应的图像类别；所述图像类别包括运动伪影小于预设阈值的图像和运动伪影大于或等于预设阈值的图像；
利用所述训练数据对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，以所述训练完毕的深度学习网络模型作为分类模型。


8.一种运动补偿装置，其特征在于，包括：
初始场确定模块，用于根据预设的运动向量场模型，在预设运动范围内确定...

【专利技术属性】
技术研发人员：郭志飞，
申请(专利权)人：沈阳先进医疗设备技术孵化中心有限公司，
类型：发明
国别省市：辽宁;21