基于决策树的PET图像超分辨重建方法、装置、设备及介质与流程

本发明属于医学成像技术领域，尤其涉及一种基于决策树的pet图像超分辨重建方法、装置、设备及介质。

背景技术：

正电子发射断层成像(positronemissiontomography，简称pet)是一种发射型成像技术(emissiontomography，简称et)，它通过把放射性药物注入体内的方法来显示不同组织的新陈代谢情况。pet技术是继计算机断层成像(computedtomography，简称ct)和磁共振成像(magneticresonanceimaging，简称mri)之后应用于临床的一种新型影像技术，其临床价值是毋庸置疑的。高质量的pet图像可以提高医生的诊断精确度，而衡量图像质量的一个重要指标是图像分辨率，因此，在图像处理领域里，提高图像分辨率成了业界一个重要目标。

图像分辨率描述的是图像包含的像素点数，更多的像素意味着图像包含的信息量更大，图像可以承载更多的场景细节，这样的图像有着更高的应用价值。在20世纪60年代，超分辨率(super-resolution)重建技术的概念首次出现，这些技术主张从一幅图像或者序列图像帧中恢复高分辨率图像，在tasi和huang的积极推动下得到迅速而广泛的发展。在医学成像领域，例如pet成像，超分辨率重建算法可以弥补pet物理成像设备的局限，增强pet图像细节信息，提高医学影像的质量，从而辅助医生更好的对病情进行检测和分析，以做出正确的诊断，具有广泛的重要的应用价值。

然而，在现有的超分辨率重建算法中，基于重建的方法是通过加入先验知识来得到高分辨率图像，这类方法重建得到的图像分辨率提高的不太明显，特别是对于特征结构不一致的pet图像，而基于学习的方法所需样本集过大，重建耗时较长，还需人工手动分割聚类图像样本集，聚类特征也不完全一致，因此，重建得到的pet图像的效果也不太理想。

技术实现要素：

本发明的目的在于提供一种基于决策树的pet图像超分辨重建方法、装置、设备及介质，旨在解决由于现有技术无法提供一种有效的pet图像超分辨重建方法，导致重建得到的pet图像的图像质量不佳的问题。

一方面，本发明提供了一种基于决策树的pet图像超分辨重建方法，所述方法包括下述步骤：

当接收到目标pet图像的超分辨率重建请求时，将所述目标pet图像进行图像块提取，得到对应的pet图像块；

通过预先训练好的随机森林中的每颗决策树对所述pet图像块进行图像块相似特征聚类，获得所述pet图像块在所述每颗决策树中决策出的、对应的图像块映射矩阵，其中，所述随机森林由多颗独立的决策树组成；

根据所述每颗决策树决策出的、对应的所述图像块映射矩阵预测所述pet图像块对应的高分辨率图像块；

根据所述高分辨率图像块重建出所述目标pet图像对应的高分辨率pet图像。

另一方面，本发明提供了一种基于决策树的pet图像超分辨重建装置，所述装置包括：

图像块提取单元，用于当接收到目标pet图像的超分辨率重建请求时，将所述目标pet图像进行图像块提取，得到对应的pet图像块；

映射矩阵获得单元，用于通过预先训练好的随机森林中的每颗决策树对所述pet图像块进行图像块相似特征聚类，获得所述pet图像块在所述每颗决策树中决策出的、对应的图像块映射矩阵，其中，所述随机森林由多颗独立的决策树组成；

图像块预测单元，用于根据所述每颗决策树决策出的、对应的所述图像块映射矩阵预测所述pet图像块对应的高分辨率图像块；以及

图像重建单元，用于根据所述高分辨率图像块重建出所述目标pet图像对应的高分辨率pet图像。

另一方面，本发明还提供了一种图像处理设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述基于决策树的pet图像超分辨重建方法所述的步骤。

另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于决策树的pet图像超分辨重建方法所述的步骤。

本发明对待进行超分辨率重建的目标pet图像进行图像块提取，得到对应的pet图像块，通过随机森林中的每颗决策树对pet图像块进行图像块相似特征聚类，获得pet图像块在每颗决策树中决策出的、对应的图像块映射矩阵，根据每颗决策树决策出的、对应的图像块映射矩阵预测pet图像块对应的高分辨率图像块，根据高分辨率图像块重建出目标pet图像对应的高分辨率pet图像，从而提高了对目标pet图像进行超分辨率重建的精确度，同时提高了重建得到的高分辨率pet图像的分辨率和清晰度，进而提高了基于pet图像的临床诊疗的准确性。

附图说明

图1是本发明实施例一提供的基于决策树的pet图像超分辨重建方法的实现流程图；

图2是本发明实施例二提供的基于决策树的pet图像超分辨重建方法的实现流程图；

图3是本发明实施例三提供的基于决策树的pet图像超分辨重建装置的结构示意图；

图4是本发明实施例四提供的基于决策树的pet图像超分辨重建装置的结构示意图；以及

图5是本发明实施例五提供的图像处理设备的结构示意图。

具体实施方式

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。

以下结合具体实施例对本发明的具体实现进行详细描述：

实施例一：

图1示出了本发明实施例一提供的基于决策树的pet图像超分辨重建方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在步骤s101中，当接收到目标pet图像的超分辨率重建请求时，将目标pet图像进行图像块提取，得到对应的pet图像块。

本发明实施例适用于医学图像处理平台、系统或设备，例如个人计算机、服务器等。目标pet图像可以是通过pet成像设备现场采集的或者从预先建立的医学资料库中下载的，pet成像设备采集的图像或多或少都会出现噪声，影响目标pet图像质量，而网络下载难免会对原始pet图像进行压缩以缩小图像体积，从而造成目标pet图像的图像分辨率降低，为了不影响诊治，需要对目标pet图像进行超分辨率重建。当接收到目标pet图像的超分辨率重建请求时，根据目标pet图像的图像尺寸和预设的图像块数量，对pet图像进行图像块提取，得到对应的数量个pet图像块。

在步骤s102中，通过预先训练好的随机森林中的每颗决策树对pet图像块进行图像块相似特征聚类，获得pet图像块在每颗决策树中决策出的、对应的图像块映射矩阵。

在本发明实施例中，将pet图像块分别输入到预先训练好的随机森林的每颗决策树中进行图像块相似特征聚类，每颗决策树根据pet图像块决策出对应的图像块映射矩阵，即从决策树的根节点开始，将pet图像块递归地分配到决策树中的节点，直到到达该决策树的叶子节点，该叶子节点对应的图像块映射矩阵即为pet图像块在该决策树中决策出的图像块映射矩阵。其中，随机森林由多颗独立的决策树组成，决策树由各节点组成，包括根节点、非叶子节点、以及叶子节点，非叶子节点又包括左、右子节点。

在本发明实施例中，优选地，将随机森林中的决策树的数量设置为10，从而提高随机森林决策结果的准确性。

在步骤s103中，根据每颗决策树决策出的、对应的图像块映射矩阵预测pet图像块对应的高分辨率图像块。

在本发明实施例中，根据预设的叶子节点映射模型ml(y)＝w^l·φ(y)和每颗决策树决策出的、对应的图像块映射矩阵对pet图像块进行预测，获得pet图像块在每颗决策树中预测得到的、对应的预测结果(该预测结果为初始高分辨率图像块)，再根据模型综合所有决策树的预测结果，即对所有决策树的预测结果取平均，得到最终的高分辨率图像块其中，w^l为pet图像块分类到决策树中第l个叶子节点的图像块映射矩阵，φ(y)＝y为预设的基函数，y为pet图像块，t为随机森林中决策树的数量，l(t)为pet图像块y被分裂到第t棵决策树的第l个叶子节点，是预测得到的高分辨率图像块。

在步骤s104中，根据高分辨率图像块重建出目标pet图像对应的高分辨率pet图像。

在本发明实施例中，将预测得到的所有高分辨率图像块进行堆叠，使得图像维度变大，进而重建出目标pet图像对应的高分辨率pet图像。

在本发明实施例中，对待进行超分辨率重建的目标pet图像进行图像块提取，得到对应的pet图像块，通过随机森林中的每颗决策树对pet图像块进行图像块相似特征聚类，获得pet图像块在每颗决策树中决策出的、对应的图像块映射矩阵，根据每颗决策树决策出的、对应的图像块映射矩阵预测pet图像块对应的高分辨率图像块，根据高分辨率图像块重建出目标pet图像对应的高分辨率pet图像，从而提高了对目标pet图像进行超分辨率重建的精确度，同时提高了重建得到的高分辨率pet图像的分辨率和清晰度，进而提高了基于pet图像的临床诊疗的准确性。

实施例二：

图2示出了本发明实施例二提供的基于决策树的pet图像超分辨重建方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在步骤s201中，根据预设的训练样本和预设的分裂函数从决策树的根节点开始进行递归分裂，直至分裂的深度达到预设的决策树深度阈值时，结束决策树的构建，以实现决策树的图像块相似特征聚类训练。

在本发明实施例中，从决策树的第一个节点(即根节点)开始，根据预设的分裂函数的分裂结果将训练样本中满足左分裂结果的样本分配到左子节点中，满足右分裂结果的样本分配到右子节点中，然后再分别对左右子节点对应的左右子节点样本按照分裂函数的分裂结果进行再次分裂，依此依次进行递归分裂，直至子节点对应的子训练样本不可分，即产生叶子节点或者分裂的深度达到预设的决策树深度阈值时，决策树就停止生长，即结束决策树的构建，同时递归分裂的左右子节点即分裂聚类所有训练样本，也即完成了决策树的图像块相似特征聚类训练。随机森林中所有决策树训练过程互相独立，从而提高了由决策树组成的随机森林模型的稳定性。随机森林中决策树的训练样本采用重采样方式进行抽取，即决策树存在重复样本的情况，所有决策树的训练样本的数量是相同的，且训练样本是由高分辨率训练图像块和与该高分辨率训练图像块对应的低分辨率训练图像块组成的训练图像块对组成的，从而提高了决策树的训练时间。

在根据预设的训练样本和预设的分裂函数从决策树的根节点开始进行递归分裂之前，优选地，通过预设的图像退化公式将pet高分辨率训练图像进行退化处理，得到对应的pet低分辨率训练图像，对pet高分辨率训练图像和pet低分辨率训练图像分别进行图像块提取，得到对应的高分辨率训练图像块和低分辨率训练图像块，将高分辨率训练图像块和与该高分辨率训练图像块对应的低分辨率训练图像块组成的训练图像块对集合设置为训练样本，从而提高后续决策树预测结果的准确性。

在本发明实施例中，优选地，分裂函数为分裂函数值为0的低分辨率训练图像块y被分裂到左子节点，低分辨率训练图像块对应的高分辨率训练图像块也被分裂到左子节点，表示为反之被分裂到右子节点，表示为其中，rθ(y)＝y[θ]-θth，θ是训练样本中低分辨率训练图像块y的特征，rθ(y)是特征θ的响应函数，y[θ]是y的特征矩阵的一维向量，θth是预设阈值，{h,l}表示为高分辨率训练图像块h和与其对应的低分辨率训练图像块l组成的训练图像块对，从而提高训练样本中聚类的图像块特征的相似性。

在根据预设的训练样本和预设的分裂函数从决策树的根节点开始进行递归分裂时，优选地，通过下述步骤实现递归分裂：

1)对决策树待分裂的当前节点对应的当前节点训练样本中的低分辨率训练图像块进行图像块特征提取，直至提取到的图像块特征满足预设的特征选取公式，选取图像块特征作为节点分裂特征，其中，当前节点训练样本属于训练样本。

在本发明实施例中，当需要对决策树的当前节点进行分裂时，先对当前节点对应的当前节点训练样本的图像块特征进行遍历提取，直至提取到的图像块特征满足预设的特征选取公式，再选取该图像块特征作为节点分裂特征，其中，当前节点训练样本属于训练样本。

在本发明实施例中，优选地，特征选取公式为以根据该特征选取公式判断提取到的特征θ是不是最优特征，即根据该特征θ使得计算误差最小，其中，是第n个训练样本yⁿ的均值(即同一个空间位置上的像素均值)，k是预先设置的超参数，n是训练样本的数量，x^c、y^c分裂到决策树中子节点的高分辨率训练图像块和低分辨率训练图像块，m(yⁿ)是决策树对yⁿ进行预测的预测结果，xⁿ是待重建的训练样本yⁿ对应的高分辨率图像块，le为左子节点，ri为右子节点。

2)根据节点分裂特征和分裂函数对当前节点训练样本进行左、右子节点分裂。

在本发明实施例中，分裂函数根据选取的、最优的节点分裂特征对当前节点训练样本进行左、右子节点分裂。

通过上述步骤1)和2)实现决策树当前节点的分裂，从而提高训练样本中聚类的图像块特征的相似性。

在对决策树待分裂的当前节点对应的当前节点训练样本中的低分辨率训练图像块进行图像块特征提取的步骤之前，优选地，当当前节点所在的深度达到预设的决策树深度阈值，或者当前节点训练样本中低分辨率训练图像块的数量小于预设的图像块数量阈值(例如，高、低分辨率图像块各一块)时，停止对当前节点训练样本进行左右子节点分裂，将当前节点设置为决策树的叶子节点，并通过当前节点训练样本学习图像块映射矩阵，从而降低决策树过拟合的概率。

在本发明实施例中，优选地，将决策树深度阈值设置为15，从而降低决策树过拟合的概率。

在将当前节点设置为决策树的叶子节点，并通过当前节点训练样本学习图像块映射矩阵时，优选地，在决策树的每一个叶子节点，根据叶子节点对应的当前节点训练样本，使用公式w^lt＝(φ(y)^tφ(y)+λi)^-1φ(y)^t·y学习叶子节点对应的图像块映射矩阵，其中，w^l为叶子节点对应的图像块映射矩阵，i是预设的单位矩阵，λ是预设的正则化参数(例如，0.01)，φ(y)为预设的基函数，y为低分辨率训练图像块，从而使得学习到的图像块映射矩阵能更准确的反映高低分辨率训练图像块之间的映射关系。

在步骤s202中，当接收到目标pet图像的超分辨率重建请求时，将目标pet图像进行图像块提取，得到对应的pet图像块。

在步骤s203中，通过预先训练好的随机森林中的每颗决策树对pet图像块进行图像块相似特征聚类，获得pet图像块在每颗决策树中决策出的、对应的图像块映射矩阵。

在步骤s204中，根据每颗决策树决策出的、对应的图像块映射矩阵预测pet图像块对应的高分辨率图像块。

在步骤s205中，根据高分辨率图像块重建出目标pet图像对应的高分辨率pet图像。

在本发明实施例中，步骤s202-步骤s205的具体实施方式可参考实施例一的步骤s101-步骤s104的描述，在此不再赘述。

在本发明实施例中，首先，根据预设的训练样本和预设的分裂函数从决策树的根节点开始进行递归分裂，直至分裂的深度达到预设的决策树深度阈值，以完成决策树的构建，实现决策树的图像块相似特征聚类训练，再根据训练好的随机森林对目标pet图像进行超分辨率重建，得到对应的高分辨率pet图像，从而提高了决策树的训练时间，以及提高了由决策树组成的随机森林模型的稳定性，进而提高了重建得到的高分辨率pet图像的分辨率和清晰度。

实施例三：

图3示出了本发明实施例三提供的基于决策树的pet图像超分辨重建装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：

图像块提取单元31，用于当接收到目标pet图像的超分辨率重建请求时，将目标pet图像进行图像块提取，得到对应的pet图像块；

映射矩阵获得单元32，用于通过预先训练好的随机森林中的每颗决策树对pet图像块进行图像块相似特征聚类，获得pet图像块在每颗决策树中决策出的、对应的图像块映射矩阵；

图像块预测单元33，用于根据每颗决策树决策出的、对应的图像块映射矩阵预测pet图像块对应的高分辨率图像块；以及

图像重建单元34，用于根据高分辨率图像块重建出目标pet图像对应的高分辨率pet图像。

在本发明实施例中，基于决策树的pet图像超分辨重建装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。具体地，各单元的实施方式可参考前述实施例一的描述，在此不再赘述。

实施例四：

图4示出了本发明实施例四提供的基于决策树的pet图像超分辨重建装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：

决策树构建单元41，用于根据预设的训练样本和预设的分裂函数从决策树的根节点开始进行递归分裂，直至分裂的深度达到预设的决策树深度阈值时，结束决策树的构建，以实现决策树的图像块相似特征聚类训练；

图像块提取单元42，用于当接收到目标pet图像的超分辨率重建请求时，将目标pet图像进行图像块提取，得到对应的pet图像块；

映射矩阵获得单元43，用于通过预先训练好的随机森林中的每颗决策树对pet图像块进行图像块相似特征聚类，获得pet图像块在每颗决策树中决策出的、对应的图像块映射矩阵；

图像块预测单元44，用于根据每颗决策树决策出的、对应的图像块映射矩阵预测pet图像块对应的高分辨率图像块；以及

图像重建单元45，用于根据高分辨率图像块重建出目标pet图像对应的高分辨率pet图像。

其中，优选地，决策树构建单元41包括：

特征选取单元411，用于对决策树待分裂的当前节点对应的当前节点训练样本中的低分辨率训练图像块进行图像块特征提取，直至提取到的图像块特征满足预设的特征选取公式，选取图像块特征作为节点分裂特征，当前节点训练样本属于训练样本；

节点分裂单元412，用于根据节点分裂特征和分裂函数对当前节点训练样本进行左、右子节点分裂；

节点分裂停止单元413，用于当当前节点所在的深度达到决策树深度阈值，或者当前节点训练样本中低分辨率训练图像块的数量小于预设的图像块数量阈值时，停止对当前节点训练样本进行左右子节点分裂；以及

映射矩阵学习单元414，用于将当前节点设置为决策树的叶子节点，并通过当前节点训练样本学习图像块映射矩阵。

在本发明实施例中，基于决策树的pet图像超分辨重建装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。具体地，各单元的实施方式可参考前述方法实施例的描述，在此不再赘述。

实施例五：

图5示出了本发明实施例五提供的图像处理设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。

本发明实施例的图像处理设备5包括处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52。该处理器50执行计算机程序52时实现上述基于决策树的pet图像超分辨重建方法实施例中的步骤，例如图1所示的步骤s101至s104。或者，处理器50执行计算机程序52时实现上述各装置实施例中各单元的功能，例如图3所示单元31至34的功能。

在本发明实施例中，对待进行超分辨率重建的目标pet图像进行图像块提取，得到对应的pet图像块，通过随机森林中的每颗决策树对pet图像块进行图像块相似特征聚类，获得pet图像块在每颗决策树中决策出的、对应的图像块映射矩阵，根据每颗决策树决策出的、对应的图像块映射矩阵预测pet图像块对应的高分辨率图像块，根据高分辨率图像块重建出目标pet图像对应的高分辨率pet图像，从而提高了对目标pet图像进行超分辨率重建的精确度，同时提高了重建得到的高分辨率pet图像的分辨率和清晰度，进而提高了基于pet图像的临床诊疗的准确性。

本发明实施例的图像处理设备可以为个人计算机、服务器。该图像处理设备5中处理器50执行计算机程序52时实现基于决策树的pet图像超分辨重建方法时实现的步骤可参考前述方法实施例的描述，在此不再赘述。

实施例六：

在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述基于决策树的pet图像超分辨重建方法实施例中的步骤，例如，图1所示的步骤s101至s104。或者，该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能，例如图3所示单元31至34的功能。

在本发明实施例中，对待进行超分辨率重建的目标pet图像进行图像块提取，得到对应的pet图像块，通过随机森林中的每颗决策树对pet图像块进行图像块相似特征聚类，获得pet图像块在每颗决策树中决策出的、对应的图像块映射矩阵，根据每颗决策树决策出的、对应的图像块映射矩阵预测pet图像块对应的高分辨率图像块，根据高分辨率图像块重建出目标pet图像对应的高分辨率pet图像，从而提高了对目标pet图像进行超分辨率重建的精确度，同时提高了重建得到的高分辨率pet图像的分辨率和清晰度，进而提高了基于pet图像的临床诊疗的准确性。

本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，rom/ram、磁盘、光盘、闪存等存储器。

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。