图像重建方法、系统、电子设备及可读存储介质技术方案

本公开提供了一种图像重建方法、系统、电子设备及可读存储介质。该图像重建方法包括：获取目标样本图像；提取目标样本图像的风格特征得到目标风格特征；将目标风格特征输入第一卷积神经网络生成相应的目标滤波核函数；基于目标滤波核函数对待重建数据进行图像重建，获得重建图像。该方法只需要从目标用户偏好的图像中提取出目标风格特征，将目标风格特征输入训练过的网络模型中，就可以根据该目标风格特征直接推理得到目标滤波核函数，进而进行相应风格特征的图像重建，不再需要反复进行繁琐的调试，可以快速获得满足不同需求的滤波核函数，大量减少生成滤波核函数所需的时间成本、人力成本。人力成本。人力成本。

【技术实现步骤摘要】
图像重建方法、系统、电子设备及可读存储介质


[0001]本公开涉及图像重建
，特别涉及一种图像重建方法、系统、电子设备及可读存储介质。

技术介绍

[0002]现有的CT重建技术多采用FBP(滤波反投影)技术进行图像重建。在滤波过程中，kernel函数(滤波核函数)的选择决定了生成的断层图像的风格特征。滤波核函数的本质上是由不同频率的滤波系数所组成的曲线。
[0003]在实际应用中，不同的医院、不同的医生或者不同的扫描部位所需要的滤波核函数往往是不同的。目前的滤波核函数，主要依赖于开发者通过经验去调整现有的滤波核函数，使用第一次调整后的滤波核函数进行图像重建生成一批样图供临床医生们评审，收集临床医生们的反馈意见，并结合经验再次调整该滤波和函数所对应的曲线。重复上述过程，直到基于所调整的滤波核函数重建的图像符合临床医生们的需求。这不仅需要开发者拥有丰富的经验，而且反复调整、生成样图、收集意见这个过程的工作量巨大，使得难以获得满足不同需求的滤波核函数。

技术实现思路

[0004]为解决上述技术问题，本公开提供一种图像重建方法、系统、电子设备及可读存储介质，只需要从目标用户偏好的图像中提取出目标风格特征，将目标风格特征输入训练过的网络模型中，就可以根据该目标风格特征直接推理得到目标滤波核函数，进而进行相应风格特征的图像重建，不再需要反复进行繁琐的调试，可以快速获得满足不同需求的滤波核函数，大量减少生成滤波核函数所需的时间成本、人力成本。
[0005]第一方面，本公开提供一种图像重建方法，该方法包括：
[0006]获取目标样本图像；
[0007]提取所述目标样本图像的风格特征得到目标风格特征；
[0008]将所述目标风格特征输入第一卷积神经网络生成相应的目标滤波核函数；
[0009]基于所述目标滤波核函数对待重建数据进行图像重建，获得重建图像。
[0010]较佳地，所述提取所述目标样本图像的风格特征得到目标风格特征的步骤包括：
[0011]使用包括多个卷积核的第二卷积神经网络基于所述目标样本图像提取得到多个通道的图像特征；
[0012]使用Gram矩阵基于所述多个通道的图像特征获取所述目标风格特征。
[0013]较佳地，所述第一卷积神经网络基于训练数据集训练神经网络模型得到，训练过程为根据目标损失函数反向传播误差，迭代更新所述神经网络模型的模型参数，直至所述目标损失函数小于预设阈值；其中，所述训练数据集包括若干样本图像和重建所述样本图像的样本滤波核函数。
[0014]较佳地，所述目标损失函数根据第一损失函数确定，所述第一损失函数基于第一
滤波核函数和样本滤波核函数获取，所述第一损失函数用于表征图像风格差异；其中，所述第一滤波核函数根据所述样本图像的风格特征生成。
[0015]较佳地，所述目标损失函数根据所述第一损失函数与第二损失函数确定，所述第二损失函数为第一图像噪声与第二图像噪声的差值，所述第二损失函数用于表征图像噪声差异；所述第一图像噪声为所述样本图像的空气图像噪声；所述第二图像噪声为利用所述第一滤波核函数基于所述样本图像对应的实际采集重建条件和CT数据进行图像重建得到的图像的空气图像噪声；其中，所述空气图像噪声为图像中不包括成像物体的区域的图像噪声。
[0016]较佳地，所述第二图像噪声由使用图像噪声变化系数调整基准图像噪声得到；所述基准图像噪声用于表征，利用所述第一滤波核函数基于所述样本图像对应的CT数据按照预设采集重建条件进行图像重建得到的图像的空气图像噪声；所述图像噪声变化系数根据所述实际采集重建条件与所述预设采集重建条件之间的差异确定。
[0017]较佳地，所述基准图像噪声为抽样频率噪声贡献值之和；所述抽样频率噪声贡献值为预设噪声贡献值与对应的波幅值的乘积；其中，所述预设噪声贡献值为在所述预设采集重建条件下不同频率分量对图像噪声的贡献值，所述频率分量和对应的波幅值由对所述第一滤波核函数进行抽样得到。
[0018]第二方面，本公开提供一种图像重建系统，该系统包括：
[0019]样本图像获取模块，用于获取目标样本图像；
[0020]风格特征获取模块，用于提取所述目标样本图像的风格特征得到目标风格特征；
[0021]目标函数生成模块，用于将所述目标风格特征输入第一卷积神经网络生成相应的目标滤波核函数；
[0022]图像重建模块，用于基于所述目标滤波核函数对待重建数据进行图像重建，获得重建图像。
[0023]较佳地，所述风格特征获取模块包括：
[0024]图像特征提取单元，用于使用包括多个卷积核的第二卷积神经网络基于所述目标样本图像提取得到多个通道的图像特征；
[0025]风格特征生成单元，用于使用Gram矩阵基于所述多个通道的图像特征获取所述目标风格特征。
[0026]较佳地，该图像重建系统还包括模型训练模块，用于基于训练数据集训练神经网络模型得到所述第一卷积神经网络。训练过程为根据目标损失函数反向传播误差，迭代更新所述神经网络模型的模型参数，直至所述目标损失函数小于预设阈值；其中，所述训练数据集包括若干样本图像和重建所述样本图像的样本滤波核函数。
[0027]较佳地，所述目标损失函数根据第一损失函数确定，所述第一损失函数基于第一滤波核函数和样本滤波核函数获取，所述第一损失函数用于表征图像风格差异；其中，所述第一滤波核函数根据所述样本图像的风格特征生成。
[0028]较佳地，所述目标损失函数根据所述第一损失函数与第二损失函数确定，所述第二损失函数为第一图像噪声与第二图像噪声的差值，所述第二损失函数用于表征图像噪声差异；所述第一图像噪声为所述样本图像的空气图像噪声；所述第二图像噪声为利用所述第一滤波核函数基于所述样本图像对应的实际采集重建条件和CT数据进行图像重建得到
的图像的空气图像噪声；其中，所述空气图像噪声为图像中不包括成像物体的区域的图像噪声。
[0029]较佳地，所述第二图像噪声由使用图像噪声变化系数调整基准图像噪声得到；所述基准图像噪声用于表征，利用所述第一滤波核函数基于所述样本图像对应的CT数据按照预设采集重建条件进行图像重建得到的图像的空气图像噪声；所述图像噪声变化系数根据所述实际采集重建条件与所述预设采集重建条件之间的差异确定。
[0030]较佳地，所述基准图像噪声为抽样频率噪声贡献值之和；所述抽样频率噪声贡献值为预设噪声贡献值与对应的波幅值的乘积；其中，所述预设噪声贡献值为在所述预设采集重建条件下不同频率分量对图像噪声的贡献值，所述频率分量和对应的波幅值由对所述第一滤波核函数进行抽样得到。
[0031]第三方面，本公开提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现第一方面及其任一种实施方式所述的图像重建方法。
[0032]第四方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像重建方法，其特征在于，所述方法包括：获取目标样本图像；提取所述目标样本图像的风格特征得到目标风格特征；将所述目标风格特征输入第一卷积神经网络生成相应的目标滤波核函数；基于所述目标滤波核函数对待重建数据进行图像重建，获得重建图像。2.根据权利要求1所述的图像重建方法，其特征在于，所述提取所述目标样本图像的风格特征得到目标风格特征的步骤包括：使用包括多个卷积核的第二卷积神经网络基于所述目标样本图像提取得到多个通道的图像特征；使用Gram矩阵基于所述多个通道的图像特征获取所述目标风格特征。3.根据权利要求1所述的图像重建方法，其特征在于，所述第一卷积神经网络基于训练数据集训练神经网络模型得到，训练过程为根据目标损失函数反向传播误差，迭代更新所述神经网络模型的模型参数，直至所述目标损失函数小于预设阈值；其中，所述训练数据集包括若干样本图像和重建所述样本图像的样本滤波核函数。4.根据权利要求3所述的方法，其特征在于，所述目标损失函数根据第一损失函数确定，所述第一损失函数基于第一滤波核函数和样本滤波核函数获取，所述第一损失函数用于表征图像风格差异；其中，所述第一滤波核函数根据所述样本图像的风格特征生成。5.根据权利要求4所述的方法，其特征在于，所述目标损失函数根据所述第一损失函数与第二损失函数确定，所述第二损失函数为第一图像噪声与第二图像噪声的差值，所述第二损失函数用于表征图像噪声差异；所述第一图像噪声为所述样本图像的空气图像噪声；所述第二图像噪声为利用所述第一滤波核函数基于所述样本图像对应的实际采集重建条件和CT数据进行图像重建得到的图像的空气图像噪声...

【专利技术属性】
技术研发人员：王鑫，郭炜强，李山奎，鲍园，
申请(专利权)人：上海联影医疗科技股份有限公司，
类型：发明
国别省市：