CT数据重建方法和装置、电子设备和计算机可读存储介质

ct数据重建方法和装置、电子设备和计算机可读存储介质
技术领域
1.本技术涉及医疗设备技术领域，尤其涉及一种ct数据重建方法和装置、电子设备和计算机可读存储介质。


背景技术：

2.在医疗领域中，ct作为基础的检查手段已经得到了广泛的应用，但是目前ct受限于其空间分辨能力的限制，而在对颞骨等精细人体结构的成像方面就无法满足诊断的要求，从而会使得医生在对于微小隐匿病变进行诊断时无法使用ct作为检查手段，从而影响了ct在临床应用方面的效能。
3.ct扫描数据获得之后还需要进行ct数据重建才能够获得医生或患者可以直观观看的ct扫描图像，但是由于传统的ct重建方法使用ct扫描数据进行重建时对于数据的要求较高，并且在数据较差常常会产生伪影或变形，这严重影响了ct扫描数据的使用效果。


技术实现要素：

4.本技术实施例提供一种ct数据重建方法和装置、电子设备和计算机可读存储介质，以解决现有技术中ct扫描数据重建图像质量差和效率低的缺陷。
5.为达到上述目的，本技术实施例提供了一种ct数据重建方法，包括：
6.获取详视扫描投影数据和宽视扫描投影数据；
7.对所述详视扫描投影数据进行目标区域投影估计计算，以获得详视估计数据；
8.对所述详视估计数据进行解析重建处理以获得目标区域的第一估计图像数据；
9.对所述宽视扫描投影数据进行重建处理，以获得第二估计图像数据中所述目标区域内的第一宽视估计图像数据；
10.根据所述第一估计图像数据以及所述第一宽视估计图像数据，使用图像优化模型确定所述目标区域的高分辨率图像数据。
11.本技术实施例还提供了一种ct数据重建装置，包括：
12.获取模块，用于获取详视扫描投影数据和宽视扫描投影数据；
13.估计计算模块，用于对所述详视扫描投影数据进行目标区域投影估计计算，以获得详视估计数据；
14.第一重建模块，用于对所述详视估计数据进行解析重建处理以获得目标区域的第一估计图像数据；
15.第二重建模块，用于对所述宽视扫描投影数据进行重建处理，以获得第二估计图像数据中所述目标区域内的第一宽视估计图像数据；
16.确定模块，用于根据所述第一估计图像数据以及所述第一宽视估计图像数据，使用图像优化模型确定所述目标区域的高分辨率图像数据。
17.本技术实施例还提供了一种电子设备，包括：
18.存储器，用于存储程序；
19.处理器，用于运行所述存储器中存储的所述程序，所述程序运行时执行本技术实施例提供的ct数据重建方法。
20.本技术实施例还提供了一种计算机可读存储介质，其上存储有可被处理器执行的计算机程序，其中，该程序被处理器执行时实现如本技术实施例提供的ct数据重建方法。
21.本技术实施例提供的ct数据重建方法和装置、电子设备和计算机可读存储介质，通过获取详视扫描投影数据和宽视扫描投影数据，并对详视扫描投影数据进行目标区域投影估计计算，进而获得目标区域的高分辨率估计图像数据，对宽视扫描投影数据进行重建处理，以获得第二估计图像数据，根据第一估计图像数据以及所述第一宽视估计图像数据，使用图像优化模型确定所述目标区域的高分辨率图像数据，从而能够利用宽视扫描的数据完备特性和详视扫描的高分辨率特性来结合进行ct图像的重建，不仅提升了重建ct图像的质量，并且大大提高了重建效率。
22.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
23.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
24.图1是本技术实施例的ct扫描方案的应用场景示意图；
25.图2为本技术提供的ct扫描方法的一个实施例的流程图；
26.图3为本技术提供的ct扫描装置的一个实施例的结构示意图；
27.图4为本技术提供的电子设备实施例的结构示意图。
具体实施方式
28.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
29.实施例一
30.本技术实施例提供的方案可应用于任何具有ct扫描能力的系统，例如ct扫描系统等等。图1为本技术实施例提供的ct扫描方案的应用场景示意图，图1所示的场景仅仅是本技术的技术方案所能够应用的场景的示例之一。
31.在医疗领域中，ct作为基础的检查手段已经得到了广泛的应用，但是目前ct受限于其空间分辨能力的限制，而在对颞骨等精细人体结构的成像方面就无法满足诊断的要求，从而会使得医生在对于微小隐匿病变进行诊断时无法使用ct作为检查手段，从而影响了ct在临床应用方面的效能。
32.ct扫描数据获得之后还需要进行ct数据重建才能够获得医生或患者可以直观观看的ct扫描图像，但是由于传统的ct重建方法使用ct扫描数据进行重建时对于数据的要求
较高，并且在数据较差常常会产生伪影或变形，这严重影响了ct扫描数据的使用效果。
33.例如，在如图1中所示的场景中，当需要对图1中的扫描对象的颞骨区域进行扫描成像时，现有技术中通常基于扫描获得的投影数据使用解析重建算法来进行重建，这样的解析重建算法通常对于数据要求较高，如果扫描获得的扫描数据质量较差，则会导致最终重建的图像中产生伪影或变形，这尤其是在对例如颞骨这样的具有精细结构的部位进行扫描时影响更为严重，甚至导致本次扫描数据无法在诊断中使用，患者需要再次进行扫描，因此患者会经受到额外的辐射伤害。
34.在本技术实施例提供的方案中，可以基于宽视扫描方式获得的宽视投影数据和详视扫描数据来进行数据融合处理，其中，宽视投影数据通常是基于较低分辨率的，但是其扫描范围较广，因此能够获得更完备的扫描结果，而详视投影数据通常是基于高分辨率的，但是其扫描范围比较集中，因此能够获得更高分辨率的扫描结果。因此，能够利用宽视扫描的数据完备特性和详视扫描的高分辨率特性来结合进行ct图像的重建，不仅提升了重建ct图像的质量，并且大大提高了重建效率。
35.例如，在本技术实施例中，可以使用roi来表示目标区域，即待扫描部位的区域。在本技术实施例中可以使用高分辨率探测器来进行目标区域roi的集中扫描。本技术实施例中还可以使用常规分辨率探测器作为宽视探测器来进行更大范围的扫描。因此，在例如如图1中所示的场景中，常规探测器和光源形成的扫描束流以及高分辨率探测器和光源形成的扫描束流分别形成宽视扫描和详视扫描。以上方式在轴向维度(垂直于图中的二维平面)延伸，扩展成三维成像。
36.基于这样获得的宽视扫描数据和详视扫描数据，在本技术实施例中可以首先对于详视扫描数据经过通常的数据预处理，例如去本底、除空气、负对数运算等获得投影数据，记为p
hr-roi
，其可以表示为：
[0037][0038]
其中μ
roi
表示roi内部的线衰减系数分布，表示roi外部常规分辨率的线衰减系数分布，h
hr-roi
表示详视扫描的系统矩阵，n
hr
表示随机噪声。可以通过roi投影估计网络模型基于输入的p
hr-roi
来获得对h
hr-roi
μ
roi
的估计数据。
[0039]
其中用来表示待优化的神经网络所代表的运算子，为该网络的输出，p
hr-roi
为详视扫描数据经过通常的数据预处理，例如去本底、除空气、负对数运算等获得的投影数据。
[0040]
之后可以对于目标区域roi的投影数据进行重建运算，即其中w为扇束或锥束扫描下滤波反投影类算法中的加权，f为滤波，表示在扇束或锥束扫描下的加权反投影过程。
[0041]
因此，可以获得目标区域的投影数据
[0042]
之后，可以类似地对于宽视扫描数据进行常规的数据预处理，例如去本底、除空气、负对数运算等，从而可以获得投影数据，记为p
nr
，其可以表示为：
[0043]
[0044]
其中h
nr
为宽视扫描的系统矩阵，n
nr
为随机噪声，μ
nr
常规分辨率的线衰减系数分布，并且可以分为两个部分：μ
nr-roi
为roi区域的常规分辨率的线衰减系数分布，
[0045]
为roi区域外常规分辨率的线衰减系数分布。因此，在本技术实施例中，可以使用本领域的常见重建方式对于μ
nr
进行重建，从而可以获得估计图像对应地得到和此步骤可以使用本领域内公知的迭代方法进行，也可通过解析重建算法来进行。例如，在使用解析重建方法的情况下，可以计算roi区域外像素的高分辨投影数据：其中，是对应高分辨探测器和roi区域外常规分辨率像素化定义情况下的系统矩阵。
[0046]
最后可以使用目标区域的第一估计图像数据和目标区域内第一宽视估计图像数据μ
nr-roi
来输入到图像生成算法模型中来获得高质量的目标区域的高分辨率图像
[0047]
此外，可以对于这样获得的目标区域内的第一高分辨率投影数据ga和目标区域外的第二高分辨率投影数据gb逐像素求和来获得目标区域的第三高分辨率投影数据：之后，可以定义代价函数1为与p
hr-roi
之间的距离：并定义代价函数2为与之间的距离：因此，可以使用这样获得的代价函数1和代价函数2来训练roi投影估计网络。例如，可以通过最小化价函数2来训练roi投影估计网络。例如，可以通过最小化来进行训练。
[0048]
此外，在本技术实施例中，在获得了高质量的目标区域的高分辨率图像之后，还可以进一步定义代价函数3为与之间的距离：因此，还可以使用代价函数3来对图像优化模型进行训练。例如，与代价函数1和2的使用类似地，可以通过最小化代价函数3来进行上述训练。
[0049]
此外，为了获取用于训练的训练数据集，在本技术实施例中，还可以基于详视和宽视扫描模式的投影仿真过程以及噪声叠加过程来获得训练数据。例如，可以通过对预置的模体或人体进行扫描并使用常规重建方法获得目标区域高分辨率估计训练数据此处下标“train”表示用来训练的数据。当然，在本技术实施例中，也可以数字模体来获得该高分辨率图像训练数据。类似地，可以通过对预置模体或人体进行扫描并使用常规重建方法获得常规分辨率的宽视估计训练数据或者也可以从公开的数据源来获得该数据。此外，例如，本技术实施例中的训练数据中使用的投影数据可以是对目标区域的高分辨率图像和常规分辨率图像进行数据增广处理，例如灰度变换、旋转、移位、仿射变换等来进行数据增广而获得的训练数据。并且通过进行配对而最终形成数据[和]构成训练数据集。在本技术实施例中，宽视估计训练数据和详视估计训练数据可以分别包括投影数据和图像数据。可以使用这样获得的训练数据对roi投影估计网络进行训练。在实际ct扫描过程中，可以将详视扫描获得的投影数据p
hr-roi
和宽视扫描获得的投影数据p
nr
作为上述ct数据重建方法的输入，从而获得作为详视估计图像数据。并且可以把作
为宽视估计图像数据，也可以用本领域内的常规去噪方法对进一步去噪后作为输出。
[0050]
在颞骨锥束ct扫描的情况下，医生通常需要清颞骨的微细结构，因此需要对该区域进行超高分辨率的扫描和成像。因此，可以将颞骨区域作为本技术实施例的目标区域并使用详视扫描探测器进行详视扫描。因此，得到高分辨率详视扫描的投影数据并可以通过3维u-net网络来获得其网络参数为θ
net1
。此网络的输入维度n、m、l可以分别为探测器长宽数目和角度数目。
[0051]
因此，可以对进行第一步重建运算，即其中w为锥束扫描下fdk算法中的加权，f为rl滤波，为在锥束扫描下完成如fdk算法的加权反投影过程。之后可以计算roi区域的高分辨投影数据：对于宽视扫描数据进行常规的数据预处理，例如去本底、除空气、负对数运算等，从而可以获得投影数据p
nr
。使用fdk算法对p
nr
进行重建处理得到估计图像数据其可以包括两个部分，即roi区域内的估计数据和roi区域外的估计数据之后可以计算roi区域外的高分辨投影数据：其中，是对应高分辨探测器和roi区域外常规分辨率像素化定义情况下的系统矩阵。
[0052]
最后可以对目标区域内第一宽视估计图像数据μ
nr-roi
插值至与目标区域的第一估计图像数据同样的分辨率，之后使用目标区域的第一估计图像数据和目标区域内第一宽视估计图像数据μ
nr-roi
来输入到图像优化模型中来获得高质量的目标区域的高分辨率图像
[0053]
此外，可以对于这样获得的目标区域内的第一高分辨率投影数据ga和目标区域外的第二高分辨率投影数据gb逐像素求和来获得目标区域的第三高分辨率投影数据：之后，可以定义代价函数1为与p
hr-roi
之间的范数距离：并定义代价函数2为与之间的范数距离：其中为仿真中的roi区域真值。在本技术实施例中，范数距离可以用来表示向量之间的距离，并且可以包括1范数，即向量各个元素绝对值之和，也被称为曼哈顿距离，还可以包括2范数，即向量各个元素平方和的1/2次方，也被称为欧氏距离。
[0054]
因此，可以使用这样获得的代价函数1和代价函数2来训练roi投影估计网络。例如，可以通过最小化来进行训练。
[0055]
此外，在本技术实施例中，在获得了高质量的目标区域的高分辨率图像之后，还可以进一步定义代价函数3为与之间的范数距离：之间的范数距离：其中为ctis loss代价函数。因此，还可以使用代价函数3来对图像优化模型进行训练。例如，与代价函数1和2的使用类似地，可以通过最小化代价函数3来进行上述训练。
[0056]
因此，根据本技术实施例的ct数据重建方案，通过获取详视扫描投影数据和宽视扫描投影数据，并对详视扫描投影数据进行目标区域投影估计计算，进而获得目标区域的高分辨率估计图像数据，对宽视扫描投影数据进行重建处理，以获得第二估计图像数据，根据第一估计图像数据以及所述第一宽视估计图像数据，使用图像优化模型确定所述目标区域的高分辨率图像数据，从而能够利用宽视扫描的数据完备特性和详视扫描的高分辨率特性来结合进行ct图像的重建，不仅提升了重建ct图像的质量，并且大大提高了重建效率。
[0057]
上述实施例是对本技术实施例的技术原理和示例性的应用框架的说明，下面通过多个实施例来进一步对本技术实施例具体技术方案进行详细描述。
[0058]
实施例二
[0059]
图2为本技术提供的ct数据重建方法一个实施例的流程图。如图2所示，该ct数据重建方法可以包括如下步骤：
[0060]
s201，获取详视扫描投影数据和宽视扫描投影数据。
[0061]
在步骤s201中可以分别获取详视扫描投影数据和宽视扫描投影数据。例如，在本技术实施例中可以使用高分辨率探测器来进行目标区域roi的集中扫描。本技术实施例中还可以使用常规分辨率探测器作为宽视探测器来进行更大范围的扫描。因此，在例如如图1中所示的场景中，常规探测器和光源形成的扫描束流以及高分辨率探测器和光源形成的扫描束流分别形成宽视扫描和详视扫描。以上方式在轴向维度(垂直于图中的二维平面)延伸，扩展成三维成像。
[0062]
宽视投影数据通常是基于较低分辨率的，但是其扫描范围较广，因此能够获得更完备的扫描结果，而详视投影数据通常是基于高分辨率的，但是其扫描范围比较集中，因此能够获得更高分辨率的扫描结果。因此，能够利用宽视扫描的数据完备特性和详视扫描的高分辨率特性来结合进行ct图像的重建，不仅提升了重建ct图像的质量，并且大大提高了重建效率。
[0063]
此外，在步骤s201之前，可以先获取宽视扫描数据和目标区域的详视扫描数据，之后对于详视扫描数据经过通常的数据预处理，例如去本底、除空气、负对数运算等获得投影数据，记为p
hr-roi
，其可以表示为：
[0064][0065]
其中μ
roi
表示roi内部的线衰减系数分布，表示roi外部常规分辨率的线衰减系数分布，h
hr-roi
表示详视扫描的系统矩阵，n
hr
表示随机噪声。
[0066]
类似地对于宽视扫描数据进行常规的数据预处理，例如去本底、除空气、负对数运算等，从而可以获得投影数据，记为p
nr
，其可以表示为：
[0067][0068]
其中h
nr
为宽视扫描的系统矩阵，n
nr
为随机噪声，μ
nr
常规分辨率的线衰减系数分布，并且可以分为两个部分：μ
nr-roi
为roi区域的常规分辨率的线衰减系数分布，
[0069]
为roi区域外常规分辨率的线衰减系数分布。
[0070]
s202，对详视扫描投影数据进行目标区域投影估计计算，以获得详视估计数据。
[0071]
在步骤s202中可以对于步骤s201中获得的目标区域的详视扫描投影数据进行投影估计计算，例如可以通过roi投影估计网络模型基于步骤s201中获得的p
hr-roi
来获得对hhr-roi
μ
roi
的估计数据其中表示神经网络的运算子。
[0072]
s203，对详视估计数据进行解析重建处理以获得目标区域的第一估计图像数据。
[0073]
在步骤s203可以对于步骤s202中获得的目标区域roi的投影数据进行重建处理，例如可以使用其中w为扇束或锥束扫描下滤波反投影类算法中的加权，f为滤波，表示在扇束或锥束扫描下的加权反投影过程，从而可以获得目标区域roi的第一估计图像数据
[0074]
s204，对宽视扫描投影数据进行重建处理，以获得第二估计图像数据中目标区域内的第一宽视估计图像数据。
[0075]
在步骤s204，可以使用本领域的常见重建方式对于步骤s201中获得的宽视扫描投影数据进行重建以获得第二估计图像数据μ
nr
，该估计图像数据可以包括roi区域内的估计图像数据和roi区域外的估计图像数据此步骤可以使用本领域内公知的迭代方法进行，也可通过解析重建算法来进行。
[0076]
s205，根据第一估计图像数据以及第一宽视估计图像数据，使用图像优化模型确定目标区域的高分辨率图像数据。
[0077]
在步骤s205可以使用目标区域的第一估计图像数据和目标区域内第一宽视估计图像数据μ
nr-roi
来输入到图像生成算法模型中来获得高质量的目标区域的高分辨率图像
[0078]
此外，在本技术实施例中，在步骤s204获得了第二估计图像数据之后，可以计算roi区域外像素的高分辨投影数据：其中，是对应高分辨探测器和roi区域外常规分辨率像素化定义情况下的系统矩阵。
[0079]
此外，可以对于这样获得的目标区域内的第一高分辨率投影数据ga和目标区域外的第二高分辨率投影数据gb逐像素求和来获得目标区域的第三高分辨率投影数据：之后，可以定义代价函数1为与p
hr-roi
之间的距离：并定义代价函数2为与之间的距离：因此，可以使用这样获得的代价函数1和代价函数2来训练roi投影估计网络。例如，可以通过最小化价函数2来训练roi投影估计网络。例如，可以通过最小化来进行训练。
[0080]
此外，在本技术实施例中，在获得了高质量的目标区域的高分辨率图像之后，还可以进一步定义代价函数3为与之间的距离：因此，还可以使用代价函数3来对图像生成算法模型进行训练。例如，与代价函数1和2的使用类似地，可以通过最小化代价函数3来进行上述训练。
[0081]
此外，为了获取用于训练的训练数据集，在本技术实施例中，还可以基于详视和宽视扫描模式的投影仿真过程以及噪声叠加过程来获得训练数据。例如，可以通过对预置的模体或人体进行扫描并使用常规重建方法获得目标区域高分辨率估计图像训练数据当然，在本技术实施例中，也可以数字模体来获得该高分辨率图像训练数据。类似地，可以通过对预置模体或人体进行扫描并使用常规重建方法获得常规分辨率的宽视估计
训练数据或者也可以从公开的数据源来获得该数据。此外，可以对这样获得的目标区域的高分辨率图像训练数据和常规分辨率的宽视估计训练数据进行数据增广处理，例如灰度变换、旋转、移位、仿射变换等来进行数据增逛。从而最终形成数据[和]构成训练数据集。
[0082]
在实际ct扫描过程中，可以将详视扫描获得的投影数据p
hr-roi
和宽视扫描获得的投影数据p
nr
作为上述ct数据重建方法的输入，从而获得作为详视估计图像数据。并且可以把作为宽视估计图像数据，也可以用本领域内的常规去噪方法对进一步去噪后作为输出。
[0083]
因此，根据本技术实施例的ct数据重建方案，通过获取详视扫描投影数据和宽视扫描投影数据，并对详视扫描投影数据进行目标区域投影估计计算，进而获得目标区域的高分辨率估计图像数据，对宽视扫描投影数据进行重建处理，以获得第二估计图像数据，根据第一估计图像数据以及所述第一宽视估计图像数据，使用图像优化模型确定所述目标区域的高分辨率图像数据，从而能够利用宽视扫描的数据完备特性和详视扫描的高分辨率特性来结合进行ct图像的重建，不仅提升了重建ct图像的质量，并且大大提高了重建效率。
[0084]
实施例三
[0085]
图3为本技术提供的ct数据重建装置一个实施例的结构示意图，可用于执行如图2所示的方法步骤。如图3所示，该ct数据重建装置可以包括：获取模块31、估计计算模块32、第一重建模块33、第二重建模块34和确定模块35。
[0086]
获取模块31可以用于获取详视扫描投影数据和宽视扫描投影数据。
[0087]
获取模块31可以分别获取详视扫描投影数据和宽视扫描投影数据。例如，在本技术实施例中可以使用高分辨率探测器来进行目标区域roi的集中扫描。本技术实施例中还可以使用常规分辨率探测器作为宽视探测器来进行更大范围的扫描。因此，在例如如图1中所示的场景中，常规探测器和光源形成的扫描束流以及高分辨率探测器和光源形成的扫描束流分别形成宽视扫描和详视扫描。以上方式在轴向维度(垂直于图中的二维平面)延伸，扩展成三维成像。
[0088]
宽视投影数据通常是基于较低分辨率的，但是其扫描范围较广，因此能够获得更完备的扫描结果，而详视投影数据通常是基于高分辨率的，但是其扫描范围比较集中，因此能够获得更高分辨率的扫描结果。因此，能够利用宽视扫描的数据完备特性和详视扫描的高分辨率特性来结合进行ct图像的重建，不仅提升了重建ct图像的质量，并且大大提高了重建效率。
[0089]
此外，获取模块31还可以先获取宽视扫描数据和目标区域的详视扫描数据，之后对于详视扫描数据经过通常的数据预处理，例如去本底、除空气、负对数运算等获得投影数据，记为p
hr-roi
，其可以表示为：
[0090][0091]
其中μ
roi
表示roi内部的线衰减系数分布，表示roi外部常规分辨率的线衰减系数分布，h
hr-roi
表示详视扫描的系统矩阵，n
hr
表示随机噪声。
[0092]
类似地对于宽视扫描数据进行常规的数据预处理，例如去本底、除空气、负对数运
算等，从而可以获得投影数据，记为p
nr
，其可以表示为：
[0093][0094]
其中h
nr
为宽视扫描的系统矩阵，n
nr
为随机噪声，μ
nr
常规分辨率的线衰减系数分布，并且可以分为两个部分：μ
nr-roi
为roi区域的常规分辨率的线衰减系数分布，
[0095]
为roi区域外常规分辨率的线衰减系数分布。
[0096]
估计计算模块32可以用于对详视扫描投影数据进行目标区域投影估计计算，以获得详视估计数据。
[0097]
估计计算模块32可以对于获取模块31获得的目标区域的详视扫描投影数据进行投影估计计算，例如可以通过roi投影估计网络模型基于获取模块31获得的p
hr-roi
来获得对h
hr-roi
μ
roi
的估计数据其中表示神经网络的运算子。
[0098]
第一重建模块33可以用于对详视估计数据进行解析重建处理以获得目标区域的第一估计图像数据。
[0099]
第一重建模块33可以对于估计计算模块32获得的目标区域roi的投影数据进行重建处理，例如可以使用其中w为扇束或锥束扫描下滤波反投影类算法中的加权，f为滤波，表示在扇束或锥束扫描下的加权反投影过程，从而可以获得目标区域roi的第一估计图像数据
[0100]
第二重建模块34可以用于对宽视扫描投影数据进行重建处理，以获得第二估计图像数据。
[0101]
第二重建模块34可以使用本领域的常见重建方式对于获取模块31获得的宽视扫描投影数据进行重建以获得第二估计图像数据μ
nr
，该估计图像数据可以包括roi区域内的估计图像数据和roi区域外的估计图像数据此步骤可以使用本领域内公知的迭代方法进行，也可通过解析重建算法来进行。
[0102]
确定模块35可以用于根据第一估计图像数据以及第一宽视估计图像数据，使用图像优化模型确定目标区域的高分辨率图像数据。
[0103]
确定模块35可以使用目标区域的第一估计图像数据和目标区域内第一宽视估计图像数据μ
nr-roi
来输入到图像生成算法模型中来获得高质量的目标区域的高分辨率图像
[0104]
此外，在本技术实施例中，在第二重建模块34获得了第二估计图像数据之后，可以进一步计算roi区域外像素的高分辨投影数据：其中，是对应高分辨探测器和roi区域外常规分辨率像素化定义情况下的系统矩阵。
[0105]
此外，可以对于这样获得的目标区域内的第一高分辨率投影数据ga和目标区域外的第二高分辨率投影数据gb逐像素求和来获得目标区域的第三高分辨率投影数据：之后，可以定义代价函数1为与之间的距离：并定义代价函数2为与之间的距离：因此，可以使用这样获得的代价函数1和代
价函数2来训练roi投影估计网络。例如，可以通过最小化价函数2来训练roi投影估计网络。例如，可以通过最小化来进行训练。
[0106]
此外，在本技术实施例中，在获得了高质量的目标区域的高分辨率图像之后，还可以进一步定义代价函数3为与之间的距离：因此，还可以使用代价函数3来对图像优化模型进行训练。例如，与代价函数1和2的使用类似地，可以通过最小化代价函数3来进行上述训练。
[0107]
此外，为了获取用于训练的训练数据集，在本技术实施例中，还可以基于详视和宽视扫描模式的投影仿真过程以及噪声叠加过程来获得训练数据。例如，可以通过对预置的模体或人体进行扫描并使用常规重建方法获得目标区域高分辨率估计图像训练数据当然，在本技术实施例中，也可以数字模体来获得该高分辨率图像训练数据。类似地，可以通过对预置模体或人体进行扫描并使用常规重建方法获得常规分辨率的宽视估计训练数据或者也可以从公开的数据源来获得该数据。此外，可以对这样获得的目标区域的高分辨率图像训练数据和常规分辨率的宽视估计训练数据进行数据增广处理，例如灰度变换、旋转、移位、仿射变换等来进行数据增逛。从而最终形成数据[和]构成训练数据集。
[0108]
在实际ct扫描过程中，可以将详视扫描获得的投影数据p
hr-roi
和宽视扫描获得的投影数据p
nr
作为上述ct数据重建方法的输入，从而获得作为详视估计图像数据。并且可以把作为宽视估计图像数据，也可以用本领域内的常规去噪方法对进一步去噪后作为输出。
[0109]
因此，根据本技术实施例的ct数据重建方案，通过获取详视扫描投影数据和宽视扫描投影数据，并对详视扫描投影数据进行目标区域投影估计计算，进而获得目标区域的高分辨率估计图像数据，对宽视扫描投影数据进行重建处理，以获得第二估计图像数据，根据第一估计图像数据以及所述第一宽视估计图像数据，使用图像优化模型确定所述目标区域的高分辨率图像数据，从而能够利用宽视扫描的数据完备特性和详视扫描的高分辨率特性来结合进行ct图像的重建，不仅提升了重建ct图像的质量，并且大大提高了重建效率。
[0110]
实施例四
[0111]
以上描述了ct数据重建装置的内部功能和结构，该装置可实现为一种电子设备。图4为本技术提供的电子设备实施例的结构示意图。如图4所示，该电子设备包括存储器41和处理器42。
[0112]
存储器41，用于存储程序。除上述程序之外，存储器41还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。
[0113]
存储器41可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0114]
处理器42，不仅仅局限于中央处理器(cpu)，还可能为图形处理器(gpu)、现场可编
辑门阵列(fpga)、嵌入式神经网络处理器(npu)或人工智能(ai)芯片等处理芯片。处理器42，与存储器41耦合，执行存储器41所存储的程序，该程序运行时执行上述实施例二的ct数据重建方法。
[0115]
进一步，如图4所示，电子设备还可以包括：通信组件43、电源组件44、音频组件45、显示器46等其它组件。图4中仅示意性给出部分组件，并不意味着电子设备只包括图4所示组件。
[0116]
通信组件43被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如wifi、3g、4g或5g，或它们的组合。在一个示例性实施例中，通信组件43经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件43还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0117]
电源组件44，为电子设备的各种组件提供电力。电源组件44可以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。
[0118]
音频组件45被配置为输出和/或输入音频信号。例如，音频组件45包括一个麦克风(mic)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器41或经由通信组件43发送。在一些实施例中，音频组件45还包括一个扬声器，用于输出音频信号。
[0119]
显示器46包括屏幕，其屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅检测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
[0120]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0121]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。