【技术实现步骤摘要】
本专利技术涉及全身骨扫描图像处理，尤其涉及一种优化骨扫描图像的方法及相关装置。
技术介绍
1、肿瘤研究以及治愈肿瘤病患是世界各个政府目前非常重视的问题。肿瘤骨转移是恶性肿瘤最严重的危害之一，也是肿瘤病人临床死亡的主要原因。骨转移是晚期胂瘤的常见疾病，许多类型的恶性胂瘤都可能发生骨转移，一旦发生骨转移，多数病人无法有效医治。
2、随着医学的发展和进步，骨扫描已成为骨肿瘤检查主要检查项目之一。到目前为止，无论是各种成像技术的发展，包括pet/ct功能成像的出现，全身骨显像在恶性肿瘤骨转移的筛查中仍然发挥着不可替代的作用。对于恶性肿瘤患者，全身骨扫描定期随访可早期发现骨转移，比x线骨片早3-6个月。
3、全身骨扫描为了满足诊断所需的影像质量标准，需要经过较长时间的扫描，这大大降低了医院的设备使用效率。目前虽然有不少专利应用于快速mri、pet等医学影像的优化，但与mri、pet优化的技术相比，骨扫描作为平面扫描技术，无法利用层与层之间的空间相关性，且不存在保留全图特征的k空间原始数据，因此目标想要提高骨扫描的图像质量只能通过延长扫描时间实现。
4、因此加快全身骨扫描影像检查效率是目前一个亟需解决的技术问题。
技术实现思路
1、本专利技术实施例提供了一种优化骨扫描图像的方法及相关装置，用于提升骨扫描影像的检查效率。
2、本申请实施例第一方面提供了一种优化骨扫描图像的方法，包括：
3、获取待优化的骨扫描图像，所述待优化的骨扫描图像包
4、将所述待优化的骨扫描图像输入至加速图像优化模型或低剂量图像优化模型，以得到所述加速图像优化模型或所述低剂量图像优化模型生成的骨扫描图像，其中，所述生成的骨扫描图像包括以标准骨扫描速度得到的标准骨扫描图像，或以标准药物剂量扫描时得到的标准剂量扫描图像；
5、将所述生成的骨扫描图像中的非整数像素点转化为整数像素点，以得到优化后的骨扫描图像，其中，所述优化后的骨扫描图像和真实骨扫描图像具有相似的物理特征。
6、优选的，所述将所述生成的骨扫描图像中的非整数像素点转化为整数像素点，包括：
7、获取所述生成的骨扫描图像中的全部像素点；
8、针对目标像素点，若所述目标像素点的像素值小于0，则将所述目标像素点的像素值调整为0；
9、若所述目标像素点的像素值为大于0的非整数x，则针对所述x，生成一个大于0小于1的随机数y，若y小于或等于所述x的小数部分，则将所述x调整为大于x的最小正整数，若所述y大于所述x的小数部分，则将所述x调整为小于x的最大正整数，其中，所述目标像素点为所述全部像素点中的任一像素点。
10、优选的，所述将所述生成的骨扫描图像中的非整数像素点转化为整数像素点，包括：
11、获取所述生成的骨扫描图像中的全部像素点；
12、针对目标像素点，若所述目标像素点的像素值小于0，则将所述目标像素点的像素值调整为0；
13、若所述目标像素点的像素值为大于0的非整数，则根据四舍五入原则，将所述大于0的非整数调整为整数，其中，所述目标像素点为所述全部像素点中的任一像素点。
14、优选的，所述加速图像优化模型包括卷积神经网络或生成对抗网络，所述低剂量图像优化模型包括卷积神经网络或生成对抗网络；
15、所述卷积神经网络包括主干优化网络结构。
16、优选的，在将所述生成的骨扫描图像中的非整数像素点转化为整数像素点之前，所述方法还包括：
17、将所述生成的骨扫描图像与加速因子矩阵点乘，以得到定量矫正后的骨扫描图像，其中，所述加速因子矩阵的分布与所述生成的骨扫描图像像素矩阵的分布相同，所述加速因子因子矩阵的数值为预设的加速因子值。
18、优选的，所述卷积神经网络还包括定量矫正网络结构和第一卷积模块，所述定量矫正网络结构包括第二卷积模块和第三卷积模块。
19、优选的，所述将所述待优化的骨扫描图像输入至加速图像优化模型或低剂量图像优化模型，以得到所述加速图像优化模型或所述低剂量图像优化模型生成的骨扫描图像，包括：
20、将所述待优化的骨扫描图像输入至所述第二卷积模块，以提取出所述待优化的骨扫描图像的图像特征，得到所述待优化的骨扫描图像的第一特征三维矩阵；
21、将所述第一特征三维矩阵与预先输入的加速因子特征矩阵在目标维度上进行叠加，以得到第二特征三维矩阵，其中，所述加速因子特征矩阵与所述第一特征三维矩阵在除所述目标维度以外的两个维度上的分布相同，所述加速因子特征矩阵中的数值为预设的加速因子值；
22、将所述第二特征三维矩阵输入至所述第三卷积模块，以对所述第二特征三维矩阵所对应的图像中的背景噪声进行弱化，对所述第二特征三维矩阵所对应的图像中的正常组织进行第一强化，对所述第二特征三维矩阵所对应的图像中的病灶组织进行第二强化，得到定量矫正权重矩阵；
23、将所述待优化的骨扫描图像输入至所述主干优化网络结构，以提取出所述待优化的骨扫描图像的第三特征三维矩阵；
24、将所述定量矫正权重矩阵和所述第三特征三维矩阵点乘，以得到第四特征三维矩阵；
25、将所述第四特征三维矩阵输入至所述第一卷积模块，以得到所述加速图像优化模型或所述低剂量图像优化模型生成的骨扫描图像。
26、优选的，所述加速图像优化模型或所述低剂量图像优化模型的损失函数包括：
27、l1损失函数、l2损失函数、感知损失函数和结构相似性损失函数中的至少一种。
28、优选的，在将待优化的骨扫描图像输入至加速图像优化模型或低剂量图像优化模型以前，所述方法还包括：
29、获取第一训练样本数据，利用所述第一训练样本数据对所述加速图像优化模型进行训练，直至所述加速图像优化模型的损失满足第一目标损失为止，其中，所述第一训练样本数据包括：多个对象中每个对象在注入相同药物剂量、骨扫描速度分别为加速骨扫描速度和标准骨扫描速度时，形态病灶相同的加速骨扫描图像和标准速度骨扫描图像，标准骨扫描速度小于40cm/min；
30、获取第二训练样本数据，利用第二训练样本数据对低剂量图像优化模型进行训练，直至低剂量图像优化模型的损失满足第二目标损失为止，所述第二训练样本数据包括：多个对象中每个对象在注入低药物剂量和注入标准药物剂量时，以相同扫描速度所获取到的形态病灶相同的低剂量骨扫描图像和标准药物剂量骨扫描图像。
31、优选的，获取每个对象的加速骨扫描图像和标准速度骨扫描图像，包括：
32、获取每个对象以标准骨扫描速度得到的标准速度骨扫描图像；
33、对标准速度骨扫描图像执行泊松降采样，以得到对应的加速骨扫本文档来自技高网...
【技术保护点】
1.一种优化骨扫描图像的方法，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，所述将所述生成的骨扫描图像中的非整数像素点转化为整数像素点，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述生成的骨扫描图像中的非整数像素点转化为整数像素点，包括：
4.根据权利要求1所述的方法，其特征在于，所述加速图像优化模型包括卷积神经网络或生成对抗网络，所述低剂量图像优化模型包括卷积神经网络或生成对抗网络；
5.根据权利要求4所述的方法，其特征在于，在将所述生成的骨扫描图像中的非整数像素点转化为整数像素点之前，所述方法还包括：
6.根据权利要求4所述的方法，其特征在于，所述卷积神经网络还包括定量矫正网络结构和第一卷积模块，所述定量矫正网络结构包括第二卷积模块和第三卷积模块。
7.根据权利要求6所述的方法，其特征在于，所述将所述待优化的骨扫描图像输入至加速图像优化模型或低剂量图像优化模型，以得到所述加速图像优化模型或所述低剂量图像优化模型生成的骨扫描图像，包括：
8.根据权利要求1至7中任一
9.一种优化骨扫描图像的装置，其特征在于，包括：
10.一种计算机装置，包括处理器，其特征在于，所述处理器在执行存储于存储器上的计算机程序时，用于实现如权利要求1至8中任一项所述的优化骨扫描图像的方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备执行时，用于实现如权利要求1至8中任一项所述的优化骨扫描图像的方法。
...【技术特征摘要】
1.一种优化骨扫描图像的方法，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，所述将所述生成的骨扫描图像中的非整数像素点转化为整数像素点，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述生成的骨扫描图像中的非整数像素点转化为整数像素点，包括：
4.根据权利要求1所述的方法，其特征在于，所述加速图像优化模型包括卷积神经网络或生成对抗网络，所述低剂量图像优化模型包括卷积神经网络或生成对抗网络；
5.根据权利要求4所述的方法，其特征在于，在将所述生成的骨扫描图像中的非整数像素点转化为整数像素点之前，所述方法还包括：
6.根据权利要求4所述的方法，其特征在于，所述卷积神经网络还包括定量矫正网络结构和第一卷积模块，所述定量矫正网络结构包括第二卷积模块和第三...
【专利技术属性】
技术研发人员：潘博洋，龚南杰，
申请(专利权)人：上海影动医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。