C臂CT图像处理方法、装置、计算机设备及存储介质

本发明实施例涉及医学图像处理领域，尤其涉及一种c臂ct图像处理方法、装置、计算机设备及存储介质。

背景技术：

1、当前提升c臂ct(computed tomography，即电子计算机断层扫描)图像时间分辨率和动态成像定量精确度的方法主要包括：1)、利用时间基函数对每个像素的时间衰减曲线进行拟合。这类方法首先分解每个像素对应的时间衰减曲线到已知的基函数上，例如gaussian(高斯)、gamma-variate(伽马变量)、线性或高阶样条函数，分解系数为仅有的未知数。引入已知基函数可大幅降低待估计未知数数目，因此能够较好地约束该病态问题。拟合后的时间曲线函数具有高时间采样率。2)、时间域去卷积化。该方法中的每个像素对应的时间衰减曲线可建模为真值曲线与一个已知卷积核的卷积。因此估计真值曲线可通过求解一个去卷积问题得到。该真值曲线具有高时间采样率。3)、利用投影数据校准局部时间衰减曲线。该方法首先建模一个感兴趣区域的时间衰减曲线，然后对该时间衰减曲线进行局部校准。

2、本申请发明人在实现本发明实施例的过程中发现，现有技术无法提高c臂ct图像的时间分辨率。

技术实现思路

1、本发明实施例提供了一种c臂ct图像处理方法、装置、计算机设备及存储介质，解决了现有技术存在无法提高c臂ct图像时间分辨率的问题。

2、第一方面，本发明实施例提供了一种c臂ct图像处理方法，包括：

3、获取测量投影数据对应的初始图像序列；

4、将所述初始图像序列输入已训练的图像处理模型以得到重构图像序列，所述重构图像序列的时间分辨率高于所述初始图像序列的时间分辨率；

5、其中，所述已训练的图像处理模型用于确定所述初始图像序列对应的初始特征序列；在时间维度上对所述初始特征序列进行重采样以得到期望特征序列；确定所述期望特征序列对应的重构图像序列。

6、第二方面，本发明实施例还提供了一种c臂ct图像处理装置，包括：

7、图像获取模块，用于获取测量投影数据对应的初始图像序列；

8、图像重构模块，用于将所述初始图像序列输入已训练的图像处理模型以得到重构图像序列，所述重构图像序列的时间分辨率高于所述初始图像序列的时间分辨率；其中，所述已训练的图像处理模型用于确定所述初始图像序列对应的初始特征序列；在时间维度上对所述初始特征序列进行重采样以得到期望特征序列；确定所述期望特征序列对应的重构图像序列。

9、第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：

10、一个或多个处理器；

11、存储装置，用于存储一个或多个程序；

12、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如任意实施例所述的c臂ct图像处理方法。

13、第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如任意实施例所述的c臂ct图像处理方法。

14、相较于现有技术，本实施例提供的c臂ct图像处理方法的技术方案，由于已训练的图像处理模型通过在特征空间进行重采样的方式来提升图像序列的时间分辨率；因此，一方面，该已训练的图像处理模型在使用阶段的计算量很低，可以满足临床使用环境对数据处理速度的要求；另一方面，极大地减少了图像处理模型在训练阶段所需学习的网络参数，降低了网络参数对训练数据集的依赖程度以及过拟合程度，从而提高了模型的稳定性和可泛化性，并具有更强的可解释性。

技术特征：

1.一种c臂ct图像处理方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述已训练的图像处理模型包括：

3.根据权利要求2所述的方法，其特征在于，还包括：

4.根据权利要求3所述的方法，其特征在于，所述确定所述重构图像序列中的各重构图像的一个或多个投影角度，包括：

5.根据权利要求1所述的方法，其特征在于，所述图像处理模型包括依次连接的编码模型、重采样模型和解码模型，相应的，所述图像处理模型的训练方法包括：

6.根据权利要求5所述的方法，其特征在于，所述对所述图像处理模型中的编码模型和解码模型进行初始化以更新图像处理模型包括：

7.根据权利要求6所述的方法，其特征在于，所述第二图像序列的获取方法包括：

8.一种c臂ct图像处理装置，其特征在于，包括：

9.一种计算机设备，其特征在于，所述计算机设备包括：

10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的c臂ct图像处理方法。

技术总结
本发明实施例公开了一种C臂CT图像处理方法、装置、计算机设备及存储介质，该方法包括：获取测量投影数据对应的初始图像序列；将所述初始图像序列输入已训练的图像处理模型以得到重构图像序列，所述重构图像序列的时间分辨率高于所述初始图像序列的时间分辨率；其中，所述已训练的图像处理模型用于确定所述初始图像序列对应的初始特征序列；在时间维度上对所述初始特征序列进行重采样以得到期望特征序列；确定所述期望特征序列对应的重构图像序列。解决了现有技术存在无法提高C臂CT图像时间分辨率的问题。

技术研发人员：李印生,梁栋,刘新,郑海荣
受保护的技术使用者：中国科学院深圳先进技术研究院
技术研发日：
技术公布日：2024/3/17