快速低剂量的锥束CT成像方法、装置及锥束CT成像设备

快速低剂量的锥束ct成像方法、装置及锥束ct成像设备
技术领域
1.本发明属于生物医学工程技术领域，尤其涉及一种快速低剂量的锥束ct成像方法、装置及锥束ct成像设备。


背景技术：

2.cbct(cone beam computed tomography，锥束ct)是一种新型ct成像设备，广泛用于口腔科、骨科、放疗科。锥束ct利用x射线采集锥束ct投影数据，进而根据锥束ct投影数据进行图像重建。然而，cbct要采用x射线进行扫描，这将对扫描对象产生电离辐射伤害。并且，由于采用的平板探测器帧频较小，整个扫描时间在10秒以上，活体扫描对象容易移动导致重建图像出现运动伪影，造成图像重建后的三维图像质量不高。
3.稀疏采样可以降低扫描剂量并能提高扫描速度，但如何尽可能提高图像质量以满足诊断要求，成为亟待解决的技术问题。


技术实现要素：

4.本发明的目的在于提供一种快速低剂量的锥束ct成像方法、装置及锥束ct成像设备，旨在解决现有技术中无法在稀疏采样锥束ct投影数据时重建高质量图像的技术问题。
5.第一方面，本发明提供了一种快速低剂量的锥束ct成像方法，包括：
6.将稀疏采样的锥束ct投影数据转换为三维正弦图；
7.对所述三维正弦图进行数据插值得到上采样正弦图；
8.采用人工智能算法对所述上采样正弦图进行数据修复；
9.对数据修复后的所述上采样正弦图数据进行图像重建，构建锥束ct三维图像。
10.可选的，所述将稀疏采样的锥束ct投影数据转换为三维正弦图数据的步骤包括：
11.获取稀疏采样的各锥束ct投影数据的投影角度；
12.按照投影角度顺序对所述锥束ct投影数据进行堆叠得到三维正弦图。
13.可选的，所述采用人工智能算法对所述上采样正弦图进行数据修复的步骤包括：
14.将所述上采样正弦图输入至预先训练的人工智能算法中；
15.采用人工智能算法将所述上采样正弦图进行运算，输出经过修复的上采样正弦图。
16.可选的，所述对数据修复后的所述上采样正弦图数据进行图像重建，构建锥束ct三维图像的步骤包括：
17.将所述数据修复后的上采样正弦图转换为新锥束ct投影数据；
18.采用图像重建算法对所述新锥束ct投影数据进行图像重建，得到三维图像。
19.可选的，所述方法还包括：
20.预先收集多组全采样锥束ct投影数据；
21.从所述全采样锥束ct投影数据中进行数据抽取，构建稀疏采样锥束ct投影数据集；
22.分别对所述稀疏采样锥束ct投影数据和所述全采样锥束ct投影数据进行三维正弦图的数据转换，得到稀疏采样正弦图和全采样正弦图；
23.采用数据插值法对所述稀疏采样正弦图进行上采样，得到上采样正弦图切片；
24.采用上采样正弦图切片和全采样正弦图切片以迭代方式对人工智能算法进行训练，建立两种切片之间的映射关系；
25.将所述映射关系确定为已训练的人工智能算法。
26.可选的，人工智能算法训练时，所述锥束ct上采样正弦图切片和全采样正弦图切片可以配对或非配对的方式输入。
27.可选的，所述人工智能算法包括监督学习算法、半监督学习算法、弱监督学习算法、非监督学习算法。
28.第二方面，本发明还提供了一种快速低剂量的锥束ct成像装置，包括：
29.第一数据转换模块，用于将稀疏采样的锥束ct投影数据转换为三维正弦图；
30.数据插值模块，用于对所述三维正弦图进行数据插值得到上采样正弦图；
31.数据修复模块，用于采用人工智能算法对所述上采样正弦图进行数据修复；
32.第二数据转换模块，用于将数据修复后的所述上采样正弦图转换为新锥束ct投影数据；
33.图像重建模块，用于对所述新锥束投影数据进行图像重建，构建锥束ct三维图像。
34.第三方面，本发明还提供了一种锥束ct成像设备，包括：
35.处理器；以及
36.与所述处理器通讯连接的存储器；其中，
37.所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如第一方面所述的方法。
38.第四方面，本发明提供了一种计算机可读性存储介质，其上存储有计算机程序，所述计算机程序在被执行时实现如第一方面的方法。
39.本发明提供的快速低剂量的锥束ct成像方法及装置、锥束ct成像设备中，预先将稀疏采样的锥束ct投影数据转换为三维正弦图，并对所述三维正弦图数据进行数据插值得到上采样正弦图，再采用人工智能算法对所述上采样正弦图进行数据修复后，对数据修复后的所述上采样正弦图数据进行图像重建，构建锥束ct三维图像。由于采用人工智能算法对经过数据插值后的上采样正弦图进行数据修复，进而构建三维图像，从而根据稀疏采样的锥束ct投影数据即可构建高质量的锥束ct三维图像。
附图说明
40.图1是根据实施例一示出的一种快速低剂量的锥束ct成像方法的实现流程图。
41.图2是根据实施例一示出的锥束ct成像设备的一种成像示意图。
42.图3是根据实施例一示出的一种cbct稀疏采样示意图。
43.图4是根据实施例一示出的一种稀疏采样锥束ct重建图像。
44.图5是根据实施例一示出的一种快速低剂量的锥束ct成像方法中u-net算法的结构示意图。
45.图6是根据实施例一示出的一种快速低剂量的锥束ct成像方法中基于u-net算法
的成像方法示意图。
46.图7是根据实施例一示出的一种快速低剂量的锥束ct成像方法中基于u-net算法的训练方法示意图。
47.图8是根据实施例一示出的一种快速低剂量的锥束ct成像方法中cyclegan算法的结构示意图。
48.图9是根据实施例一示出的一种快速低剂量的锥束ct成像方法中cyclegan算法的生成器结构示意图。
49.图10是根据实施例一示出的一种快速低剂量的锥束ct成像方法中基于cyclegan算法的成像方法示意图。
50.图11是根据实施例一示出的一种快速低剂量的锥束ct成像方法中基于cyclegan算法的训练方法示意图。
51.图12是根据实施例二示出的一种快速低剂量的锥束ct成像装置的框图。
具体实施方式
52.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
53.以下结合具体实施例对本发明的具体实现进行详细描述：
54.实施例一：
55.图1是实施例一示出的快速低剂量的锥束ct成像方法的实现流程图。实施例一示出的快速低剂量的锥束ct成像方法适用于锥束ct成像设备中，锥束ct成像设备中设置有处理器，在稀疏采样到锥束ct投影数据后，采用人工智能算法对数据插值后的上采样正弦图进行数据修复，进而构建锥束ct三维图像，使在只需稀疏采样少量锥束ct投影数据，即可构建锥束ct三维图像。
56.步骤s110，将稀疏采样的锥束ct投影数据转换为三维正弦图。
57.步骤s120，对三维正弦图进行数据插值得到上采样正弦图。
58.步骤s130，采用人工智能算法对上采样正弦图进行数据修复。
59.步骤s140，对数据修复后的上采样正弦图进行图像重建，构建锥束ct三维图像。
60.锥束ct(cbct，cone beam computed tomography)主要由平板探测器、脉冲x射线源、计算机、机架等组成。如图2所示，在旋转圆周上采集几百个投影数据，经图像重建后得到ct图像。
61.锥束ct已经广泛用于口腔科、骨科、放疗科。锥束ct利用x射线采集几百个投影数据才能进行图像重建，长时间的x射线图像采集将对扫描对象带来电离辐射伤害；平板探测器帧频较小，活体扫描对象容易移动导致重建图像出现运动伪影。因此，快速低剂量成像是cbct产品的主要需求，也是未来重要的发展方向。
62.图3是根据本实施例示出的cbct稀疏采样示意图。如图3所示，稀疏采样通过减小旋转圆周上采集投影数据的次数，实现扫描剂量和扫描时间同时降低，是一种快速低剂量扫描方式。然而，如图4所示，因稀疏采样的锥束ct投影数据并不完备，解析重建得到的锥束ct图像中容易出现大量条状伪影。
63.可见，在降低锥束ct扫描剂量的同时，如何高精度成像显得尤为重要。
64.本方案中，预先将稀疏采样的锥束ct投影数据转换为三维正弦图。
65.具体的，数据转换时，先获取稀疏采样的各锥束ct投影数据的投影角度；再按照投影角度顺序对锥束ct投影数据进行堆叠得到三维正弦图，从而建立投影数据之间的角度相关性，使三维正弦图包含所有角度的信息。
66.在进行数据转换后，将对三维正弦图进行数据插值得到上采样正弦图，以便制作用于人工智能算法输入的图像数据。进行数据插值时，可以是线性插值方法、偏微分方程方法、频域方法等，也可以是其他的数据插值方法。
67.然而，数据插值虽然可以有效减少条状伪影，但也会导致上采样正弦图中结构信息的丢失，引入二次伪影。因此，数据插值后，将采用人工智能算法对上采样正弦图进行数据修复。
68.在采用人工智能算法对上采样正弦图进行数据修复时，先将上采样正弦图输入至预先训练的人工智能算法中；然后采用人工智能算法对上采样正弦图进行运算，输出经过修复的上采样正弦图。
69.通过对上采样正弦图进行数据增强，有效去除了噪声和伪影，在只需稀疏采样锥束ct投影数据的情况下，有效保证了图像重建的效果。
70.具体的，将上采样正弦图转换为新锥束ct投影数据；然后采用图像重建算法对新锥束ct投影数据进行图像重建，得到三维图像。
71.图像重建算法可以是常规算法，也可以是其他算法，在此不具体描述。
72.人工智能算法又称“模型”或“网络”，内部包含大量参数，经过大量数据训练后，其参数值得到优化、确定，最终达到预期功能。
73.需要说明的是，在采用人工智能算法对上采样正弦图进行数据修复前，需预先进行深度学习的训练，以构建人工智能算法。
74.在进行深度学习的训练时，预先收集多组全采样锥束ct投影数据；从全采样锥束ct投影数据中进行数据抽取，构建稀疏采样锥束ct投影数据集，疏采样锥束ct投影数据集中包含了多个稀疏采样锥束ct投影数据；然后分别对稀疏采样锥束ct投影数据和全采样锥束ct投影数据进行三维正弦图的数据转换，得到稀疏采样正弦图和全采样正弦图；并采用数据插值法对稀疏采样正弦图进行上采样，得到上采样正弦图切片；再采用上采样正弦图切片和全采样正弦图切片以迭代方式对人工智能算法进行训练，建立两种切片之间的映射关系，并将该映射关系确定为已训练的人工智能算法。
75.本方案中，上采样正弦图切片与全采样正弦图切片分别来自源域、目标域，二者一起输入人工智能算法，经过多次迭代，算法内部参数逐步更新至最优值，建立起上采样正弦图与全采样正弦图之间的映射。人工智能算法经过训练之后，当输入插值数据后，就会输出类似原始数据的合成数据。
76.需要说明的是，人工智能算法训练时，人工智能算法包括监督学习算法、半监督学习算法、弱监督学习算法、非监督学习算法，例如u-net、cyclegan等算法。采用人工智能算法将上采样正弦图及相应的全采样正弦图进行迭代运算时，上采样正弦图与全采样正弦图可以配对或非配对的方式输入。
77.例如，可采用u-net算法进行快速低剂量锥束ct成像。
78.u-net是一个经典的全卷积网络，采用u形结构，如图5所示。图5中，网络前半部分称为压缩路径(contracting path)，可视为编码器，由4个模块(block)组成，每个模块主要包含2个卷积层，对图像起到下采样作用；后半部分称为扩展路径(expansive path)，可视为解码器，由4个模块组成，每个模块主要包含反卷积层，对图像起到上采样作用。
79.基于u-net的低剂量锥束ct成像方案如图6所示，上采样正弦图经u-net进行数据修复，与原始的稀疏投影数据一起，经图像重建，得到三维重建图像。
80.采用配对数据训练u-net，属于监督学习，训练方式如图7所示。两组训练数据分别是上采样正弦图、全采样正弦图，二者以配对方式输入网络，即输入网络的数据以相同的序号分别读取自源域、目标域。
81.又例如，可基于cyclegan算法进行快速低剂量锥束ct成像。
82.cyclegan是在gan的基础上发展来的，后者由一个生成器和一个鉴别器组成。生成器的功能是合成能最大程度还原捕捉到的训练集特征的图像；鉴别器的作用是正确区分训练集中的真实图像和生成器合成的假图像，并将分类结果反馈给生成器，使生成器合成更接近真实数据的图像，由此构成博弈。cyclegan通过引入循环一致性，同时训练生成器g和f，确保转换到目标域y中的图像经生成器f可转换回与原始图像近似的图像，如图8所示。
83.图8中，x和y分别是源域、目标域对应的数据集，dx和dy表示鉴别器，分别用于鉴别生成器f和g合成的图像是否足够接近真实图像。
84.cyclegan的生成器主要由编码器，特征转换模块，解码器三部分组成，如图9所示。图中，conv表示卷积，deconv表示反卷积。
85.基于cyclegan的低剂量锥束ct成像方案如图10所示，上采样正弦图经cyclegan进行数据修复后，经图像重建得到重建图像。
86.采用非配对数据训练cyclegan，属于非监督学习，训练方式如图11所示。两组训练数据分别是上采样正弦图、全采样正弦图，二者以非配对方式输入网络，即输入网络的数据序号分别随机读取自源域、目标域。
87.通过本方案的方法，只需通过稀疏采样获得锥束ct投影数据，并在进行数据转换将其转换为上采样正弦图后，采用人工智能算法进行数据修复，有效保证了图像质量，从而用户只需要提供稀疏采样的锥束ct投影数据，经过少量数据训练后，就可以实现快速低剂量锥束ct成像，在保证低剂量采集的同时，有效保证了图像质量，并且大大提高了方案的兼容性和可推广性。
88.实施例二：
89.图12是实施例二示出的低剂量的锥束ct成像装置的框图。该装置可执行上述任一所示的低剂量的锥束ct成像方法的全部或者部分步骤。该装置包括：
90.第一数据转换模块10，用于将稀疏采样的锥束ct投影数据转换为三维正弦图；
91.数据插值模块20，用于对三维正弦图进行数据插值得到上采样正弦图；
92.数据修复模块30，用于采用人工智能算法对上采样正弦图进行数据修复；
93.第二数据转换模块40，用于将数据修复后的所述上采样正弦图转换为新锥束ct投影数据；
94.图像重建模块50，用于对新锥束ct投影数据进行图像重建，构建锥束ct三维图像。
95.实施例三：
96.本发明实施例三提供了一种锥束ct成像设备，该锥束ct成像设备可执行上述任一所示的快速低剂量的锥束ct成像方法的全部或者部分步骤。该锥束ct成像设备包括：
97.处理器；以及
98.与处理器通信连接的存储器；其中，
99.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一示例性实施例所述的方法，此处将不做详细阐述说明。
100.在本实施例中，还提供了一种存储介质，该存储介质为计算机可读存储介质，例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质例如包括指令的存储器，上述指令可由服务器系统的处理器执行以完成上述低剂量的锥束ct成像方法。
101.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。