生成含有运动伪影的CT图像的方法、装置及存储介质与流程

本申请涉及图像处理领域，特别是涉及生成含有运动伪影的ct图像的方法、装置及存储介质。

背景技术：

x射线计算机断层扫描(computedtomography，ct)技术已被广泛应用于医学诊断，是当今临床诊断不可或缺的医学成像技术之一。ct成像理论都假设在成像过程中患者保持静止不动，但是ct成像需要一定的时间，病人会发生自主或非自主运动，导致重建的ct图像存在运动伪影，影响ct成像质量。因此，研究运动伪影的校正方法具有重要意义。

近年来，基于人工智能和深度学习方法在ct图像运动伪影识别与校正方面，取得了一定的进展。然而，基于深度学习的方法需要大量数据用于训练和测试，特别需要清晰ct图像和与之对应的含有运动伪影的ct图像，满足要求的数据集在实际中难以获取。

目前针对ct图像运动伪影的研究主要是集中在对伪像识别、抑制与矫正，但是，对于如何基于清晰ct图像生成与之对应的含有运动伪像的ct图像，既能验真，又解决小样本问题，从而为基于人工智能和深度学习方法提供大量数据集，鲜有讨论。

技术实现要素：

本申请提供了生成含有运动伪影的ct图像的方法、装置及存储介质，解决了现有技术中难以得到与清晰ct图像对应的含有运动伪影的ct图像的的技术问题，达到了为基于人工智能和深度学习的新型算法开发提供大量的、接近真实情况的训练数据集的目的。

本发明采用的技术手段如下：

一种生成含有运动伪影的ct图像的方法，包括：

接收无运动伪影的ct图像；

对所述接收到的ct图像进行处理，得到所述ct图像的投影数据；

确定运动伪影参数，并根据所述运动伪影参数调整所述投影数据；

对调整后的投影数据进行ct图像重建，得到含有运动伪影的ct图像。

进一步地，所述对所述接收到的ct图像进行处理，得到所述ct图像的投影数据，包括：

选择感兴趣区域；

对所述感兴趣区域内的像素进行线性映射；

设置投影角度个数，生成投影数据正弦图；

相应地，对调整后的投影数据进行ct图像重建之后，还包括：

重新映射所述感兴趣区域内的像素。

进一步地，所述对感兴趣区域内的像素进行线性映射包括：将所述感兴趣区域内的像素与感兴趣区域内的像素最小值的差值作为映射后的像素值。

进一步地，所述生成投影数据正弦图包括：采用平行射线束投影的方法或扇形射线束投影的方法生成投影数据正弦图。

进一步地，所述运动伪影参数包括运动伪影的方向和/或伪影的严重程度；

所述根据所述运动伪影参数调整所述投影数据，包括：根据所述运动伪影的方向和/或伪影的严重程度调整所述投影数据正弦图。

进一步地，所述对调整后的投影数据进行ct图像重建，得到含有运动伪影的ct图像，包括：

对调整后的投影数据进行滤波反投影计算，得到含有运动伪影的ct图像；或，

对调整后的投影数据进行迭代计算，得到含有运动伪影的ct图像。

一种识别和去除ct图像中的运动伪影的方法，包括：

重复执行上述生成含有运动伪影的ct图像的方法，生成ct图像运动伪影数据集，所述ct图像运动伪影数据集包括：多对无运动伪影的ct图像和含有运动伪影的ct图像；

将所述ct图像运动伪影数据集作为训练数据集训练深度学习网络模型；

基于所述深度学习网络模型，识别和去除ct图像中的运动伪影。

一种生成含有运动伪影的ct图像的装置，其特征在于，包括：

接收单元，用于接收无运动伪影的ct图像；

计算单元，用于对所述接收单元接收到的ct图像进行处理，得到所述接收单元接收到的ct图像的投影数据；

确定单元，用于确定运动伪影参数，并根据所述运动伪影参数调整所述计算单元得到的投影数据；

生成单元，用于对所述确定单元得到的调整后的投影数据进行ct图像重建，得到含有运动伪影的ct图像。

一种识别和去除ct图像中的运动伪影的装置，其特征在于，包括：

训练数据生成单元，用于重复执行上述生成含有运动伪影的ct图像的方法，生成ct图像运动伪影数据集，所述ct图像运动伪影数据集包括：多对无运动伪影的ct图像和含有运动伪影的ct图像；

训练单元，用于将所述训练数据生成单元生成的所述ct图像运动伪影数据集作为训练数据集训练深度学习网络模型；

识别和去除单元，用于基于所述训练单元得到的深度学习网络模型，识别和去除ct图像中的运动伪影。

一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令集；所述计算机指令集被处理器执行时实现上述生成含有运动伪影的ct图像的方法或上述识别和去除ct图像中的运动伪影的方法。

本发明的优点和积极效果：基于人工智能和深度学习方法进行ct图像运动伪影识别，需要海量的数据进行训练和测试，然而，数据的获取，特别是真实可信的、并且同时包含清晰图像以及与之对应的含有运动伪影的ct图像，具有很大的困难。本发明提供了一种通过清晰ct图像生成大量与之对应的含有运动伪影的ct图像的方法，针对无运动伪影的清晰ct图像，根据ct图像重建原理计算投影数据，在投影过程中设置成像物体运动，然后进行图像重建，从而生成与清晰ct图像对应的含有运动伪影的ct图像。该方法产生的含有运动伪影的头部ct图像，考虑了ct重建理论和运动伪影产生情形，与患者进行头部ct扫描过程中产生运动伪影的情景基本一致。虽为仿真数据，但却非常接近真实情况，为深度学习提供大量的、接近真实情况的训练数据集。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种生成含有运动伪影的ct图像的方法流程图。

图2为本发明提供的一种头部ct图像运动伪影数据集生成方法的示意图。

图3为本发明提供的基于滤波反投影方法生成含有运动伪影ct图像方法的示意图。

图4为本发明提供的基于迭代方法生成含有运动伪影ct图像方法的示意图。

图5为本发明提供的识别和去除ct图像中的运动伪影的方法的实施流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

目前，基于人工智能和深度学习方法进行ct图像运动伪影识别，需要海量的数据进行训练和测试，然而，数据的获取，特别是真实可信的、并且同时包含清晰图像以及与之对应的含有运动伪影的ct图像，具有很大的困难。

本发明提供了一种通过清晰ct图像生成大量与之对应的含有运动伪影的ct图像的方法，针对无运动伪影的清晰ct图像，根据ct图像重建原理计算投影数据，在投影过程中设置成像物体运动，然后进行图像重建，从而生成与清晰ct图像对应的含有运动伪影的ct图像。该方法具体包括：接收无运动伪影的ct图像；对所述接收到的ct图像进行处理，得到所述ct图像的投影数据；确定运动伪影参数，并根据所述运动伪影参数调整所述投影数据；对调整后的投影数据进行ct图像重建，得到含有运动伪影的ct图像。该方法产生的含有运动伪影的头部ct图像，考虑了ct重建理论和运动伪影产生情形，与患者进行头部ct扫描过程中产生运动伪影的情景基本一致。虽为仿真数据，但却非常接近真实情况，为深度学习提供大量的、接近真实情况的训练数据集。

以下结合附图对本发明实施例做进一步详述。

一种生成含有运动伪影的ct图像的方法，如图1所示，包括以下步骤：

步骤1：接收清晰ct图像数据。清晰ct图像也就是无运动伪影的ct图像。如图2(a)所示，可以是来自临床的清晰头部ct图像，像素单位为hu。

步骤2：对ct图像进行预处理，包括感兴趣区域选择、像素值的线性映射。

感兴趣区域选择可以是：以图像的中心为圆心，设定半径选取圆形感兴趣区域。还可以是按照设定的图像模板选定感兴趣区域，如，针对图2(a)所示的来自临床的头部ct图像，以图2(b)作为模板，根据像素值，将图2(a)中与图2(b)中白色区域对应的区域选定为感兴趣区域。

然后，对感兴趣区域以内的像素值，进行线性映射。

线性映射的一种可选方式是：将所述感兴趣区域内的像素与感兴趣区域内的像素最小值的差值作为映射后的像素值，具体地，设图像2(a)中感兴趣区域内的像素的最小值和最大值分别为pmin和pmax，则根据公式pnew＝p-pmin对感兴趣区域内的像素进行线性映射。其中，p为原始像素值，pnew为映射后的像素值。经过线性映射映射后的结果如图2(c)所示。

步骤3：设置投影角度个数，生成投影数据正弦图。

投影角度覆盖0-180°，投影个数为360或360的整数倍。生成投影数据正弦图的可选方式是：采用平行射线束通过rodan变换生成投影数据正弦图，如图2(d)所示。还可以是：采用扇形射线束投影的方法生成投影数据正弦图。

步骤4：确定运动伪影参数，并根据运动伪影参数调整投影数据。

该运动伪影参数可以由人工设置，也可以由程序自动设置，可以包括运动伪影的方向和/或伪影的严重程度。

根据运动伪影参数调整投影数据可以通过调整步骤3中生成的投影正弦图来实现。

例如，可以设置运动伪影的方向为50°，然后，根据设置的运动伪影的方向，在计算相应方向的投影数据时，对原始图像进行移动，包括上、下、左、右平移或旋转，而在计算其它角度的投影数据时原始图像保持不变。伪影的严重程度，可以通过调整平移或旋转的多少来实现。例如，可以设置运动伪影的方向为48.5-51.5°，向上平移10个像素(～5mm)，处理后的投影数据正弦图如图3(a)所述。图3(b)显示的是运动伪影方向为46-54°，向上平移10个像素(～5mm)的投影数据正弦图。

步骤5：确定ct图像重建方法以及配置相应参数。

ct图像重建方法可以是：滤波反投影(filterbackprojection，fbp)法或迭代算法，对于fbp方法，需要确定滤波器类型，滤波器类型包括shepp-logan、ram-lak、hamming、hanning、cosine等；对于迭代算法，需要确定迭代次数、迭代步长和迭代停止条件等。

在本实施例中，对于滤波反投影(fbp)方法，选择shepp-logan滤波器。对于迭代算法，迭代次数为200，松弛因子为1。

步骤6：根据步骤5确定的算法以及相关参数，进行数值计算。通过数值计算，即可获得含有运动伪影的ct图像。

对于fbp算法，采用经典滤波反投影算法即可。对于迭代算法，可以采用代数重建算法(algebraicreconstructiontechnique,art)或者art的改进算法，如联合迭代重建算法(simultaneousart,sart)或乘型代数重建方法(multiplicativeatr，matr)。

在本实施例中，对于fbp方法，采用基于radon逆变换的滤波反投影算法。对于图3(a)和(b)所示的投影数据正弦图，其生产的带有运动伪影的ct图像分别如图3(c)和(d)所示。对于迭代算法，采用代数重建算法(algebraicreconstructiontechnique,art)。对于图3(a)和(b)所示的投影数据正弦图，其生产的带有运动伪影的ct图像分别如图4(a)和(b)所示。

步骤7：对步骤6数值仿真生成的含有运动伪影的ct图像，按照步骤2中线性映射，将图像重新映射回原来的动态范围。

具体地，对于感兴趣区域内的数据pback＝pnew-abs(pmin)。

如图2(e)到图2(f)所示，其中图2(e)由没有运动伪影的投影数据图2(d)重建而来，因此没有伪影。图2(f)由图2(e)通过上述动态范围重新映射得到，因为本方法基于ct重建原理，可以看出图2(f)准确地复原出了原始图像图2(a)。

本发明实施例提供了一种通过清晰ct图像生成大量与之对应的含有运动伪影的ct图像的方法，针对无运动伪影的清晰ct图像，根据ct图像重建原理计算投影数据，在投影过程中设置成像物体运动，然后进行图像重建，从而生成与清晰ct图像对应的含有运动伪影的ct图像。该方法产生的含有运动伪影的头部ct图像，考虑了ct重建理论和运动伪影产生情形，与患者进行头部ct扫描过程中产生运动伪影的情景基本一致。虽为仿真数据，但却非常接近真实情况，为深度学习提供大量的、接近真实情况的训练数据集。

本发明实施例提供了一种识别和去除ct图像中的运动伪影的方法，如图5所示，包括以下步骤：

步骤8：重复执行上述实施例中的步骤2到步骤7，生成大量ct运动伪影数据集，包括清晰和带有伪影的ct图像对。

步骤9：将生成的大量ct运动伪影数据集作为训练数据集训练深度学习网络模型；基于该深度学习网络模型，识别和去除ct图像中的运动伪影。

对应本申请中的生成含有运动伪影的ct图像的方法，本申请还提供了生成含有运动伪影的ct图像的装置，包括：接收单元10、计算单元11、确定单元12以及生成单元13，其中：

接收单元10，用于接收无运动伪影的ct图像；

计算单元11，用于对所述接收单元接收到的ct图像进行处理，得到所述接收单元10接收到的ct图像的投影数据；

确定单元12，用于确定运动伪影参数，并根据所述运动伪影参数调整所述计算单元11得到的投影数据；

生成单元13，用于对所述确定单元12得到的调整后的投影数据进行ct图像重建，得到含有运动伪影的ct图像。

对于本发明实施例的而言，由于其与上面实施例中的相对应，所以描述的比较简单，相关相似之处请参见上面实施例中部分的说明即可，此处不再详述。

对应本申请中的识别和去除ct图像中的运动伪影的方法，本申请还提供了一种识别和去除ct图像中的运动伪影的装置，包括：

训练数据生成单元，用于重复执行上述实施例中的生成含有运动伪影的ct图像的方法，生成ct图像运动伪影数据集，该ct图像运动伪影数据集包括：多对无运动伪影的ct图像和含有运动伪影的ct图像；

训练单元，用于将所述训练数据生成单元生成的ct图像运动伪影数据集作为训练数据集训练深度学习网络模型；

识别和去除单元，用于基于所述训练单元得到的深度学习网络模型，识别和去除ct图像中的运动伪影。

对于本发明实施例的而言，由于其与上面实施例中的相对应，所以描述的比较简单，相关相似之处请参见上面实施例中部分的说明即可，此处不再详述。

本申请实施例还公开了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机指令集，计算机指令集被处理器执行时实现如上文任一实施例所提供的生成含有运动伪影的ct图像的方法或识别和去除ct图像中的运动伪影的方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

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。