CN110136217A - 肝脏ct图像增强处理方法及系统 - Google Patents
肝脏ct图像增强处理方法及系统 Download PDFInfo
- Publication number
- CN110136217A CN110136217A CN201910241609.0A CN201910241609A CN110136217A CN 110136217 A CN110136217 A CN 110136217A CN 201910241609 A CN201910241609 A CN 201910241609A CN 110136217 A CN110136217 A CN 110136217A
- Authority
- CN
- China
- Prior art keywords
- image
- liver
- enhancing
- phase
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种肝脏CT图像增强处理方法及系统,该方法包括:收集特定肝脏的取自不同截面的处于平扫期及增强期的肝脏CT图像各N幅,其中,50≤N≤200;分别对处于平扫期的m幅肝脏CT图像及处于增强期的m幅肝脏CT图像采用滤波反投影法处理增强,获得平扫期A类增强图像及增强期A类增强图像,其中,m<N;分别对剩余的处于平扫期的k幅肝脏CT图像及处于增强期的k幅肝脏CT图像采用自适应统计迭代重建法处理增强,获得平扫期B类增强图像及增强期B类增强图像,其中,k=N‑m;以及分别将平扫期A类增强图像与平扫期B类增强图像整合,将增强期A类增强图像与增强期B类增强图像整合后,共同构建肝脏三维模型。
Description
技术领域
本发明涉及一种医学影像处理系统,特别涉及一种肝脏CT图像的处理系统及方法。
背景技术
近年来,CT已成为一种常见的腹部图像的影像方法,每年接受CT检查的患者数量迅猛增加。因此,通过改良CT图像增强处理技术获得更加清晰的图像、避免患者多次遭受辐射是目前CT的发展趋势。
目前,医学图像增强处理通常使用的增强方法包括滤波反投影法FBP、自适应统计迭代重建法ASiR、基于模型的迭代重建法VEO,其中滤波反投影法应用最为广泛,噪声指数和辐射剂量都很高,忽略了原始数据在获得过程中被量子噪声和电子噪声影响的问题,甚至在准化数据时放大了原始图像的噪声,造成直线条形状伪影和人工伪影。适应统计迭代重建法ASiR、基于模型的迭代重建法VEO能够在显著降低噪声的同时提高空间分辨率,然而增强过程耗费时间较长,效率较低不适合大量处理CT图像。
如中国专利申请20131012340.3号公开的一种图像增强的方法,包括:输入图像,采用第一类滤波器对图像进行滤波,得到滤波图,并根据图像和滤波图,得到第一高频信息图;对滤波图进行归一化线状结构检测,并进行阈值变换,得到增强位置图,采用第二类滤波器对图像进行滤波,得到增强位置图;根据第一高频信息图、噪声图增强位置图和增强系数图,得到图像的增强图。该专利申请基于线状结构检测和距离变换,能在不放大噪声的情况下对图像进行增强。然而,该专利申请的图像增强的方法图像经过两次滤波处理,变换过程会导致图像丧失部分像素信息,影响最终获得结果的还原。
又如中国专利20131004602.9号公开的一种图像增强方法及装置,其中图像增强方法包括步骤:提取原始图像的暗部和亮部区域,并对暗部和亮部区域的局部细节进行增强处理强度均值,对所得到的局部细节增强的图像进行整体量度调整,得到整体亮度调整后的图像;以及对整体亮度调整后的图像,进行饱和度的调整。该专利申请能够获得较佳的图像增强效果,使得图像增强后更复合人类视觉特性。然而,该专利申请的图像增强方法及装置达不到医学CT图像的精度要求,得到的图像较为粗糙不利于医生观察确定病灶。
再如中国专利申请20088000010.7号公开的一种数字图像增强,增强图像包括调整其亮度,然后进行亮度调整图像的对比度调整。调整亮度是使用一个真实世界亮度的估计。对比度调整涉及提取背景和对比度信息,基于背景信息通过一个调整印子调整对比度信息,并合并对背景和矫正的对比信息而获得输出图像。然而,该专利申请的数字图像增强通过调整亮度、对比度实现,得到的增强图像清晰度较低,不利于医生观察确定病灶。
因此,提供一种在保证成像质量不变的同时又可降低辐射剂量的肝脏CT图像增强处理方法及系统是业界急需解决的问题。
发明内容
本发明的目的是提供一种肝脏CT图像增强处理方法及系统,其在保证成像质量不变的同时,能够缩短增强过程的耗时。
根据本发明的一个方面,提供一种肝脏CT图像增强处理方法,包括以下步骤:(1)收集特定肝脏的取自不同截面的处于平扫期及增强期的肝脏CT图像各N幅,其中,50≤N≤200;(2)分别对处于平扫期的m幅肝脏CT图像及处于增强期的m幅肝脏CT图像采用滤波反投影法处理增强,获得平扫期A类增强图像及增强期A类增强图像,其中,m<N;(3)分别对剩余的处于平扫期的k幅肝脏CT图像及处于增强期的k幅肝脏CT图像采用自适应统计迭代重建法处理增强,获得平扫期B类增强图像及增强期B类增强图像,其中,k=N-m;以及(4)分别将平扫期A类增强图像与平扫期B类增强图像整合,将增强期A类增强图像与增强期B类增强图像整合后,共同构建肝脏三维模型。
可选择地,平扫期的肝脏CT图像通过CT定位结合超声或其它影像确定的扫描范围。
可选择地,增强期的肝脏CT图像扫描管电压为80和140mAs(单位时间内照射线量),螺距设定为1.375。
可选择地,肝脏CT图像的图像层厚设定为0.5~0.8毫米。最优地,肝脏CT图像的图像层厚设定为0.625毫米。
可选择地,m:k=1:1~5。
优选地,m:k=1:1。
可选择地,步骤(2)包括:(2.1)选定任意一个角度作为初始角度对初始角度下的肝脏CT图像上的像素进行射线投影得到投影图像,对投影图像作一维傅立叶变换得到一维傅立叶变换结果;(2.2)对步骤(2.1)得到的一维傅立叶变换结果做加权运算得到加权结果;(2.3)对步骤(2.2)得到的加权结果作一维逆傅立叶变换得到修正投影图像;(2.4)对步骤(2.3)得到的修正投影图像做反投影,得到反投影图像;(2.5)以初始角度为起点变换5~10度,重复步骤(2.1)~步骤(2.4)的过程,直到完成180度的变换反投影,将所得到的所有的反投影图像的重叠部分作为重建图像。
可选择地,步骤(3)包括:(3.1)在每一幅肝脏CT图像上建立正方形,正方形的边长长度为对应的肝脏CT图像上的肝脏区域的最长距离以涵盖肝脏区域,以正方形的中心为原点建立坐标系,在坐标系中正方形的图像函数设定为二元函数,将二元函数在正方形外的函数值赋值为0,将正方形分割成为N2个相等的小正方形,每个小正方形为一个像素,对N2个像素从1到J赋值,将像素j的灰度值设定为xj,其中,1≤j≤J,J=N2;(3.2)对xj赋予初值,并设置修正指数C以及收敛数值D,对xj做ART迭代,得到第i次迭代结果xj i,i>1;(3.3)比较步骤(3.2)中获得的第i次迭代结果迭代xj i与初值xj的差值,若差值超过收敛数值D,则更新初值xj,其中,更新后的xj为xj=xj i+C;(3.4)将步骤(3.3)中得到的更新后的xj带入下一次迭代,不断重复步骤(3.2)和步骤(3.3)的过程,直到第k次迭代的第j个分量xj (k)小于或等于收敛数值D时停止,完成自适应统计迭代重建。
其中,自适应统计迭代重建法对于某个重建视角,首先在估计的物体图像上通过“前后投影”计算一个综合投影,这是对沿着该视角衰减的第一次估计,但存在较大误差,这种估计可能计数模拟真实CT系统中X射线先子穿过物体的过程,通过将X射线先子的初始位置设置在一个小区域而非单独的点来模拟有限的焦点大小在X射线光子和物体相互作用的建模过程中,通过计算光子在轻微不同方向和位置进入体素的路径长度来考虑重建像素的大小和尺寸。
可选择地,在步骤(2)之前,还包括:采用空域法在空间域中对每幅肝脏CT图像的像素灰度值直接进行运算处理,以滤除每幅肝脏CT图像中的噪声。
根据本发明的另一个方面,提供了一种肝脏CT图像增强处理系统,包括:数据采集模块,其用于获得针对特定肝脏的取自不同截面处于平扫期及增强期的肝脏CT图像各N幅,其中,50≤N≤200;以及图像增强模块,其与数据采集模块通信连接,其中,图像增强模块包括滤波增强单元、迭代重建增强单元以及整合单元,滤波增强单元用于对处于平扫期的m幅肝脏CT图像及处于增强期的m幅肝脏CT图像采用滤波反投影法处理增强,获得平扫期A类增强图像及增强期A类增强图像,其中,m<N;迭代重建增强单元用于对剩余的处于平扫期的k幅肝脏CT图像及处于增强期的k幅肝脏CT图像采用自适应统计迭代重建法处理增强,获得平扫期B类增强图像及增强期B类增强图像,其中,k=N-m;整合单元分别与滤波增强单元及迭代重建增强单元通信连接,用于分别将平扫期A类增强图像与平扫期B类增强图像整合,将增强期A类增强图像与增强期B类增强图像整合后,构建肝脏三维模型。
可选择地,滤波增强单元包括:依次通信连接的投影子单元、加权子单元、修正子单元、反投影子单元、以及重建子单元,其中,投影子单元用于对选定的初始角度下的肝脏CT图像上的像素进行射线投影以得到投影图像,并对投影图像作一维傅立叶变换以得到一维傅立叶变换结果;加权子单元用于对得到的一维傅立叶变换结果做加权运算以得到加权结果;修正子单元用于对得到的加权结果作一维逆傅立叶变换以得到修正投影图像;反投影子单元用于对得到的修正投影图像做反投影,以得到反投影图像;重建子单元用于对在经过以初始角度为起点每次变换5~10度,直到完成180度的变换反投影后,将所得到的所有的反投影图像的重叠部分作为重建图像。
可选择地,迭代重建增强单元包括:依次通信连接的函数设定单元、赋值迭代单元、比较更新单元、以及迭代重建单元,函数设定单元用于在每一幅肝脏CT图像上建立正方形,正方形的边长长度为对应的肝脏CT图像上的肝脏区域的最长距离以涵盖肝脏区域,以正方形的中心为原点建立坐标系,在坐标系中正方形的图像函数设定为二元函数,将二元函数在正方形外的函数值赋值为0,将正方形分割成为N2个相等的小正方形,每个小正方形为一个像素,对N2个像素从1到J赋值,将像素j的灰度值设定为xj,其中,1≤j≤J,J=N2;赋值迭代单元用于对xj赋予初值,并设置修正指数C以及收敛数值D,对xj做ART迭代,得到第i次迭代结果xj i,i>1;比较更新单元用于比较赋值迭代单元获得的第i次迭代结果迭代xj i与初值xj的差值,若差值超过收敛数值D,则更新初值xj,其中,更新后的xj为xj=xj i+C;迭代重建单元用于将比较更新单元得到的更新后的xj带入下一次迭代,使得赋值迭代单元及比较更新单元重复工作,直到第k次迭代的第j个分量xj (k)小于或等于收敛数值D时停止,完成自适应统计迭代重建。
可选择地,修正指数C和/或收敛数值D可设为0或1。
可选择地,还包括与数据采集模块及图像增强模块通信连接的图像平滑模块,其用于滤除每幅肝脏CT图像中的噪声。
可选择地,还包括:肝脏信息数据库及检索模块,其中,肝脏信息数据库与数据采集模块及图像增强模块通信连接,用于存储若干个肝脏CT图像及对应的肝脏三维模型;检索模块与肝脏信息数据库通信连接,用于供用户输入检索信息在肝脏信息数据库中检索目标CT图像及对应的肝脏三维模型。
本发明的有益效果是:(1)、采用滤波反投影法与自适应统计迭代重建法结合对肝脏CT图像做增强处理,在保证成像质量不变的同时,可降低60%~80%的辐射剂量,缩短增强过程耗时,2分钟内即可完成全部肝脏CT图像增强处理,提高工作效率;(2)、为后续肝脏三维重建做基础,能够获得还原性更高更清晰的肝脏三维图像,对于肝脏CT领域的研究和发展提供了新思路;(3)、肝脏信息数据库包括大数据量的肝脏数据,通过开放平台共享,全球各地专家可以共享数字化肝脏数据、讨论病例,有利于医生之间交流,共享知识,符合国家互联网+战略方向。
附图说明
图1示出了本发明的肝脏CT图像增强处理方法的流程示意图。
图2示出了本发明的肝脏CT图像增强处理系统的构造示意图
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
首先,请参考图1,作为一种非限制性实施方式,本发明提供了一种肝脏CT图像增强处理方法,首先,在步骤S1中,收集特定肝脏的取自不同截面的处于平扫期及增强期的肝脏CT图像各N幅,其中,50≤N≤200。接着,在步骤S2中,分别对处于平扫期的m幅肝脏CT图像及处于增强期的m幅肝脏CT图像采用滤波反投影法处理增强,获得平扫期A类增强图像及增强期A类增强图像,其中,m<N。随后,在步骤S3中,分别对剩余的处于平扫期的k幅肝脏CT图像及处于增强期的k幅肝脏CT图像采用自适应统计迭代重建法处理增强,获得平扫期B类增强图像及增强期B类增强图像,其中,k=N-m。最后,在步骤S4中,分别将平扫期A类增强图像与平扫期B类增强图像整合,将增强期A类增强图像与增强期B类增强图像整合后,共同构建肝脏三维模型。
具体而言,步骤S2包括:(2.1)选定任意一个角度作为初始角度对初始角度下的肝脏CT图像上的像素进行射线投影得到投影图像,对投影图像作一维傅立叶变换得到一维傅立叶变换结果;(2.2)对步骤(2.1)得到的一维傅立叶变换结果做加权运算得到加权结果;(2.3)对步骤(2.2)得到的加权结果作一维逆傅立叶变换得到修正投影图像;(2.4)对步骤(2.3)得到的修正投影图像做反投影,得到反投影图像;(2.5)以初始角度为起点变换5~10度,重复步骤(2.1)~步骤(2.4)的过程,直到完成180度的变换反投影,将所得到的所有的反投影图像的重叠部分作为重建图像。
步骤S3包括:(3.1)在每一幅肝脏CT图像上建立正方形,正方形的边长长度为对应的肝脏CT图像上的肝脏区域的最长距离以涵盖肝脏区域,以正方形的中心为原点建立坐标系,在坐标系中正方形的图像函数设定为二元函数,将二元函数在正方形外的函数值赋值为0,将正方形分割成为N2个相等的小正方形,每个小正方形为一个像素,对N2个像素从1到J赋值,将像素j的灰度值设定为xj,其中,1≤j≤J,J=N2;(3.2)对xj赋予初值,并设置修正指数C以及收敛数值D,对xj做ART迭代(代数重建法),得到第i次迭代结果xj i,i>1;(3.3)比较步骤(3.2)中获得的第i次迭代结果迭代xj i与初值xj的差值,若差值超过收敛数值D,则更新初值xj,其中,更新后的xj为xj=xj i+C;(3.4)将步骤(3.3)中得到的更新后的xj带入下一次迭代,不断重复步骤(3.2)和步骤(3.3)的过程,直到第k次迭代的第j个分量xj (k)小于或等于收敛数值D时停止,完成自适应统计迭代重建。
作为一种可选择实施方式,在步骤S2之前,还包括:采用空域法在空间域中对每幅肝脏CT图像的像素灰度值直接进行运算处理,以滤除每幅肝脏CT图像中的噪声。
基于相同的发明构思,请参照图2,本发明还提供了一种肝脏CT图像增强处理系统,包括:数据采集模块10、图像增强模块20、以及图像平滑模块30。
其中,数据采集模块10用于获得针对特定肝脏的取自不同截面处于平扫期及增强期的肝脏CT图像各100幅。
图像增强模块20包括滤波增强单元210、迭代重建增强单元220以及整合单元230。滤波增强单元210用于对处于平扫期的50幅肝脏CT图像及处于增强期的50幅肝脏CT图像采用滤波反投影法处理增强,获得平扫期A类增强图像及增强期A类增强图像。迭代重建增强单元220用于对剩余的处于平扫期的50幅肝脏CT图像及处于增强期的50幅肝脏CT图像采用自适应统计迭代重建法处理增强,获得平扫期B类增强图像及增强期B类增强图像。整合单元230用于分别将平扫期A类增强图像与平扫期B类增强图像整合,将增强期A类增强图像与增强期B类增强图像整合后,构建肝脏三维模型。
作为一种可选择实施方式,滤波增强单元210包括:投影子单元2101、加权子单元2102、修正子单元2103、反投影子单元2104、以及重建子单元2105。其中,投影子单元2101用于对选定的初始角度下的肝脏CT图像上的像素进行射线投影以得到投影图像,并对投影图像作一维傅立叶变换以得到一维傅立叶变换结果。加权子单元2102用于对得到的一维傅立叶变换结果做加权运算以得到加权结果。修正子单元2103用于对得到的加权结果作一维逆傅立叶变换以得到修正投影图像。反投影子单元2104用于对得到的修正投影图像做反投影,从而得到反投影图像。重建子单元2105用于对在经过以初始角度为起点每次变换5度,共变换36次,直到完成180度的变换反投影后,将所得到的所有的反投影图像的重叠部分作为重建图像。
迭代重建增强单元220包括:函数设定单元2201、赋值迭代单元2202、比较更新单元2203、以及迭代重建单元2204。其中,函数设定单元2201用于在每一幅肝脏CT图像上建立正方形,正方形的边长长度为对应的肝脏CT图像上的肝脏区域的最长距离以涵盖肝脏区域,以正方形的中心为原点建立坐标系,在坐标系中正方形的图像函数设定为二元函数,将二元函数在正方形外的函数值赋值为0,将正方形分割成为N2个相等的小正方形,每个小正方形为一个像素,对N2个像素从1到J赋值,将像素j的灰度值设定为xj,其中,1≤j≤J,J=N2。赋值迭代单元2202用于对xj赋予初值,并设置修正指数C以及收敛数值D,对xj做ART迭代,得到第i次迭代结果xj i,i>1。比较更新单元2203用于比较赋值迭代单元获得的第i次迭代结果迭代xj i与初值xj的差值,若差值超过收敛数值D,则更新初值xj,其中,更新后的xj为xj=xj i+C。迭代重建单元2204用于将比较更新单元得到的更新后的xj带入下一次迭代,使得赋值迭代单元及比较更新单元重复工作,直到第k次迭代的第j个分量xj (k)小于或等于收敛数值D时停止,完成自适应统计迭代重建。
图像平滑模块30可滤除每幅肝脏CT图像中的噪声。
作为另一种可选择实施方式,肝脏CT图像增强处理系统还包括肝脏信息数据库40及检索模块50。其中,肝脏信息数据库40与数据采集模块10及图像增强模块20通信连接,用于存储所有的进入系统进行增强处理的肝脏CT图像及对应的经处理后获得的肝脏三维模型。检索模块50与肝脏信息数据库40通信连接,用于供用户输入检索信息在肝脏信息数据库中检索目标CT图像及对应的肝脏三维模型。
尽管在此已详细描述本发明的优选实施方式,但要理解的是本发明并不局限于这里详细描述和示出的具体结构,在不偏离本发明的实质和范围的情况下可由本领域的技术人员实现其它的变型和变体。
Claims (10)
1.一种肝脏CT图像增强处理方法,其特征在于,包括以下步骤:
(1)收集特定肝脏的取自不同截面的处于平扫期及增强期的肝脏CT图像各N幅,其中,50≤N≤200;
(2)分别对处于平扫期的m幅肝脏CT图像及处于增强期的m幅肝脏CT图像采用滤波反投影法处理增强,获得平扫期A类增强图像及增强期A类增强图像,其中,m<N;
(3)分别对剩余的处于平扫期的k幅肝脏CT图像及处于增强期的k幅肝脏CT图像采用自适应统计迭代重建法处理增强,获得平扫期B类增强图像及增强期B类增强图像,其中,k=N-m;以及
(4)分别将平扫期A类增强图像与平扫期B类增强图像整合,将增强期A类增强图像与增强期B类增强图像整合后,共同构建肝脏三维模型。
2.如权利要求1所述的肝脏CT图像增强处理方法,其特征在于,m:k=1:1~5。
3.如权利要求1所述的肝脏CT图像增强处理方法,其特征在于,步骤(2)包括:
(2.1)选定任意一个角度作为初始角度对初始角度下的肝脏CT图像上的像素进行射线投影得到投影图像,对所述投影图像作一维傅立叶变换得到一维傅立叶变换结果;
(2.2)对步骤(2.1)得到的一维傅立叶变换结果做加权运算得到加权结果;
(2.3)对步骤(2.2)得到的加权结果作一维逆傅立叶变换得到修正投影图像;
(2.4)对步骤(2.3)得到的修正投影图像做反投影,得到反投影图像;
(2.5)以初始角度为起点变换5~10度,重复步骤(2.1)~步骤(2.4)的过程,直到完成180度的变换反投影,将所得到的所有的所述反投影图像的重叠部分作为重建图像。
4.如权利要求1所述的肝脏CT图像增强处理方法,其特征在于,步骤(3)包括:
(3.1)在每一幅肝脏CT图像上建立正方形,所述正方形的边长长度为对应的肝脏CT图像上的肝脏区域的最长距离以涵盖所述肝脏区域,以所述正方形的中心为原点建立坐标系,在所述坐标系中所述正方形的图像函数设定为二元函数,将所述二元函数在所述正方形外的函数值赋值为0,将所述正方形分割成为N2个相等的小正方形,每个所述小正方形为一个像素,对N2个像素从1到J赋值,将像素j的灰度值设定为xj,其中,1≤j≤J,J=N2;
(3.2)对xj赋予初值,并设置修正指数C以及收敛数值D,对xj做ART迭代,得到第i次迭代结果xj i,i>1;
(3.3)比较步骤(3.2)中获得的第i次迭代结果迭代xj i与初值xj的差值,若差值超过收敛数值D,则更新初值xj,其中,更新后的xj为xj=xj i+C;
(3.4)将步骤(3.3)中得到的更新后的xj带入下一次迭代,不断重复步骤(3.2)和步骤(3.3)的过程,直到第k次迭代的第j个分量xj (k)小于或等于收敛数值D时停止,完成自适应统计迭代重建。
5.如权利要求1~4中任一项所述的肝脏CT图像增强处理方法,其特征在于,在步骤(2)之前,还包括:采用空域法在空间域中对每幅肝脏CT图像的像素灰度值直接进行运算处理,以滤除每幅肝脏CT图像中的噪声。
6.一种肝脏CT图像增强处理系统,其特征在于,包括:
数据采集模块,其用于获得针对特定肝脏的取自不同截面处于平扫期及增强期的肝脏CT图像各N幅,其中,50≤N≤200;以及
图像增强模块,其与所述数据采集模块通信连接,其中,所述图像增强模块包括滤波增强单元、迭代重建增强单元以及整合单元,
所述滤波增强单元用于对处于平扫期的m幅肝脏CT图像及处于增强期的m幅肝脏CT图像采用滤波反投影法处理增强,获得平扫期A类增强图像及增强期A类增强图像,其中,m<N;
所述迭代重建增强单元用于对剩余的处于平扫期的k幅肝脏CT图像及处于增强期的k幅肝脏CT图像采用自适应统计迭代重建法处理增强,获得平扫期B类增强图像及增强期B类增强图像,其中,k=N-m;
所述整合单元分别与所述滤波增强单元及所述迭代重建增强单元通信连接,用于分别将平扫期A类增强图像与平扫期B类增强图像整合,将增强期A类增强图像与增强期B类增强图像整合后,构建肝脏三维模型。
7.如权利要求6所述的肝脏CT图像增强处理系统,其特征在于,所述滤波增强单元包括:依次通信连接的投影子单元、加权子单元、修正子单元、反投影子单元、以及重建子单元,
其中,所述投影子单元用于对选定的初始角度下的肝脏CT图像上的像素进行射线投影以得到投影图像,并对投影图像作一维傅立叶变换以得到一维傅立叶变换结果;
所述加权子单元用于对得到的所述一维傅立叶变换结果做加权运算以得到加权结果;
所述修正子单元用于对得到的所述加权结果作一维逆傅立叶变换以得到修正投影图像;
所述反投影子单元用于对得到的所述修正投影图像做反投影,以得到反投影图像;
所述重建子单元用于对在经过以所述初始角度为起点每次变换5~10度,直到完成180度的变换反投影后,将所得到的所有的反投影图像的重叠部分作为重建图像。
8.如权利要求6所述的肝脏CT图像增强处理系统,其特征在于,所述迭代重建增强单元包括:依次通信连接的函数设定单元、赋值迭代单元、比较更新单元、以及迭代重建单元,
所述函数设定单元用于:在每一幅肝脏CT图像上建立正方形,所述正方形的边长长度为对应的肝脏CT图像上的肝脏区域的最长距离以涵盖所述肝脏区域,以所述正方形的中心为原点建立坐标系,在所述坐标系中所述正方形的图像函数设定为二元函数,将所述二元函数在所述正方形外的函数值赋值为0,将所述正方形分割成为N2个相等的小正方形,每个所述小正方形为一个像素,对N2个像素从1到J赋值,将像素j的灰度值设定为xj,其中,1≤j≤J,J=N2;
所述赋值迭代单元用于对xj赋予初值,并设置修正指数C以及收敛数值D,对xj做ART迭代,得到第i次迭代结果xj i,i>1;
所述比较更新单元用于比较所述赋值迭代单元获得的第i次迭代结果迭代xj i与初值xj的差值,若差值超过收敛数值D,则更新初值xj,其中,更新后的xj为xj=xj i+C;
所述迭代重建单元用于将所述比较更新单元得到的更新后的xj带入下一次迭代,使得所述赋值迭代单元及所述比较更新单元重复工作,直到第k次迭代的第j个分量xj (k)小于或等于收敛数值D时停止,完成自适应统计迭代重建。
9.如权利要求6所述的肝脏CT图像增强处理系统,其特征在于,还包括与所述数据采集模块及所述图像增强模块通信连接的图像平滑模块,其用于滤除每幅肝脏CT图像中的噪声。
10.如权利要求6所述的肝脏CT图像增强处理系统,其特征在于,还包括:肝脏信息数据库及检索模块,
其中,所述肝脏信息数据库与所述数据采集模块及图像增强模块通信连接,用于存储若干个肝脏CT图像及对应的肝脏三维模型;
所述检索模块与所述肝脏信息数据库通信连接,用于供用户输入检索信息在所述肝脏信息数据库中检索目标CT图像及对应的肝脏三维模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910241609.0A CN110136217B (zh) | 2019-03-28 | 2019-03-28 | 肝脏ct图像增强处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910241609.0A CN110136217B (zh) | 2019-03-28 | 2019-03-28 | 肝脏ct图像增强处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110136217A true CN110136217A (zh) | 2019-08-16 |
| CN110136217B CN110136217B (zh) | 2025-04-18 |
Family
ID=67568721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910241609.0A Active CN110136217B (zh) | 2019-03-28 | 2019-03-28 | 肝脏ct图像增强处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110136217B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110853742A (zh) * | 2019-11-12 | 2020-02-28 | 上海联影医疗科技有限公司 | 一种图像重建方法、系统、装置及存储介质 |
| US11763498B2 (en) | 2019-11-12 | 2023-09-19 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image reconstruction |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101266290A (zh) * | 2007-02-19 | 2008-09-17 | 威斯康星校友研究基金会 | 迭代的高度约束的图像重建方法 |
| CN102842141A (zh) * | 2012-07-03 | 2012-12-26 | 东南大学 | 一种旋转x射线造影图像迭代重建方法 |
| CN108335304A (zh) * | 2018-02-07 | 2018-07-27 | 华侨大学 | 一种腹部ct扫描序列图像的主动脉瘤分割方法 |
| CN108765514A (zh) * | 2018-06-06 | 2018-11-06 | 上海交通大学 | 一种ct图像重建的加速方法及装置 |
| CN109272562A (zh) * | 2018-08-21 | 2019-01-25 | 上海联影医疗科技有限公司 | 一种迭代重建的系统和方法 |
-
2019
- 2019-03-28 CN CN201910241609.0A patent/CN110136217B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101266290A (zh) * | 2007-02-19 | 2008-09-17 | 威斯康星校友研究基金会 | 迭代的高度约束的图像重建方法 |
| CN102842141A (zh) * | 2012-07-03 | 2012-12-26 | 东南大学 | 一种旋转x射线造影图像迭代重建方法 |
| CN108335304A (zh) * | 2018-02-07 | 2018-07-27 | 华侨大学 | 一种腹部ct扫描序列图像的主动脉瘤分割方法 |
| CN108765514A (zh) * | 2018-06-06 | 2018-11-06 | 上海交通大学 | 一种ct图像重建的加速方法及装置 |
| CN109272562A (zh) * | 2018-08-21 | 2019-01-25 | 上海联影医疗科技有限公司 | 一种迭代重建的系统和方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110853742A (zh) * | 2019-11-12 | 2020-02-28 | 上海联影医疗科技有限公司 | 一种图像重建方法、系统、装置及存储介质 |
| CN110853742B (zh) * | 2019-11-12 | 2023-03-28 | 上海联影医疗科技股份有限公司 | 一种图像重建方法、系统、装置及存储介质 |
| US11763498B2 (en) | 2019-11-12 | 2023-09-19 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image reconstruction |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110136217B (zh) | 2025-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107481297B (zh) | 一种基于卷积神经网络的ct图像重建方法 | |
| Huang et al. | Metal artifact reduction on cervical CT images by deep residual learning | |
| CN112614169B (zh) | 基于深度学习网络的2d/3d脊椎ct层级配准方法 | |
| US11227418B2 (en) | Systems and methods for deep learning-based image reconstruction | |
| CN104408758A (zh) | 一种低剂量能谱ct图像处理方法 | |
| Li et al. | Incorporation of residual attention modules into two neural networks for low‐dose CT denoising | |
| CN109685871B (zh) | 图像重建方法、计算机设备及计算机可读存储介质 | |
| CN112991341B (zh) | 基于厚层ct图像生成薄层ct图像的系统及方法 | |
| CN108596995B (zh) | 一种pet-mri最大后验联合重建方法 | |
| CN110009613A (zh) | 基于深度稠密网络的低剂量ct成像方法、装置及系统 | |
| CN110264421B (zh) | 一种ct坏通道校正方法 | |
| CN110211193B (zh) | 三维ct层间图像插值修复与超分辨处理方法及装置 | |
| CN113177991A (zh) | 一种基于计划ct校正cbct中散射伪影的方法 | |
| CN106910179A (zh) | 基于小波变换的多模态医学图像融合方法 | |
| CN113706643B (zh) | 一种基于同形适应学习的头部ct金属伪影校正方法 | |
| CN103679801A (zh) | 一种基于多视角x光片的心血管三维重建方法 | |
| CN109741254A (zh) | 字典训练及图像超分辨重建方法、系统、设备及存储介质 | |
| CN114241077B (zh) | 一种ct图像分辨率优化方法及装置 | |
| Chan et al. | An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction | |
| CN118941662A (zh) | 基于混合特征哈希表与小波隐式神经表示的稀疏视图spect重建方法 | |
| CN109767410B (zh) | 一种肺部ct与mri影像融合算法 | |
| CN110136217A (zh) | 肝脏ct图像增强处理方法及系统 | |
| CN120219640B (zh) | 一种基于超分辨率的乳头保护区三维重建方法及系统 | |
| CN116228753A (zh) | 肿瘤预后评估方法、装置、计算机设备和存储介质 | |
| CN107292351A (zh) | 一种结节的匹配方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |