一种SPECT成像预测模型创建方法、装置、设备及存储介质
文献发布时间:2023-06-19 11:32:36
技术领域
本发明涉及SPECT技术领域,特别涉及一种SPECT成像预测模型创建方法、装置、设备及存储介质。
背景技术
单光子发射计算机断层成像(Single-Photon Emission Computed Tomogra phy,SPECT)是一种通过向生物体内注射放射性同位素标记的化合物,在生物代谢过程中,在不同方向相同时间内收集衰变产生的高能γ粒子以获得投影信号,通过计算重建进行成像的医学影像技术。由于信号收集依赖于放射性同位素半衰期和信号收集角度数量,SPECT图像在临床应用中面临成像时间长,对人体有一定辐射损害等问题,但如果减少成像角度或缩短成像时间,则会造成成像的结果具有信噪比低,易产生伪影等一系列损害图像质量的缺点。因此如何在短采集时长下生成高质量的SPECT图像是目前亟需解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种SPECT成像预测模型创建方法、装置、设备及介质,能够,在保留医学影像的成像质量的情况下大幅度降低SPECT成像时间,提高受试者SPECT成像舒适度,减小运动伪影。其具体方案如下:
第一方面,本申请公开了一种SPECT成像预测模型创建方法,包括:
获取含有多个扫描图像组的训练集;其中,每个扫描图像组中包括相互对应的标准采集时长SPECT图像和短采集时长SPECT图像;
以深度卷积神经网络为基础进行网络构建,得到待训练网络;
将所述训练集中的短采集时长SPECT图像作为输入侧训练数据,将所述训练集中的标准采集时长SPECT图像作为输出侧训练数据,对所述待训练网络进行训练,得到SPECT成像预测模型,以便利用所述SPECT成像预测模型预测得到短采集时长SPECT图像在标准采集时长下的SPECT预测图像。
可选的,所述扫描图像组中包括相互对应的所述标准采集时长SPECT图像、所述短采集时长SPECT图像和CT图像;其中,所述CT图像作为所述待训练网络的输入侧训练数据。
可选的,所述获取含有多个扫描图像组的训练集,包括:
通过单光子发射计算机断层成像设备得到同一采集条件下的标准采集时长γ粒子信号和短采集时长γ粒子信号;
利用重建算法对所述标准采集时长γ粒子信号和所述短采集时长γ粒子信号进行重建,得到对应的标准采集时长SPECT图像和短采集时长SPECT图像;
基于所述标准采集时长SPECT图像和所述短采集时长SPECT图像,得到所述扫描图像组。
可选的,所述通过单光子发射计算机断层成像设备得到同一采集条件下的标准采集时长γ粒子信号和短采集时长γ粒子信号,包括:
利用所述单光子发射计算机断层成像设备按照标准采集时长和短采集时长,采集得到同一采集条件下的标准采集时长γ粒子信号和短采集时长γ粒子信号;
或,利用所述单光子发射计算机断层成像设备按照标准采集时长采集得到标准采集时长γ粒子信号,然后对所述标准采集时长γ粒子信号进行降采集得到对应的短采集时长γ粒子信号。
可选的,所述采集条件包括采集开始时刻、被采集者、放射性同位素药物计量和采集角度。
可选的,所述重建算法包括滤波反投影重建算法、代数重建算法和快速子集共轭梯度重建算法中的任意一项。
可选的,所述以深度卷积神经网络为基础进行网络构建,得到待训练网络,包括:
以U2-Net网络结构为基础进行网络构建,得到所述待训练网络。
第二方面,本申请公开了一种SPECT成像预测模型创建装置,包括:
训练集获取模块,用于获取含有多个扫描图像组的训练集;其中,每个扫描图像组中包括相互对应的标准采集时长SPECT图像和短采集时长SPECT图像;
网络构建模块,用于以深度卷积神经网络为基础进行网络构建,得到待训练网络;
模型训练模块,用于将所述训练集中的短采集时长SPECT图像作为输入侧训练数据,将所述训练集中的标准采集时长SPECT图像作为输出侧训练数据,对所述待训练网络进行训练,得到SPECT成像预测模型,以便利用所述SPECT成像预测模型预测得到短采集时长SPECT图像在标准采集时长下的SPECT预测图像。
第三方面,本申请公开了一种SPECT成像预测方法,包括:
获取待预测短采集时长SPECT图像;
将所述待预测短采集时长SPECT图像输入至SPECT成像预测模型,以预测得到所述待预测短采集时长SPECT图像在标准采集时长下的SPECT预测图像;其中,所述SPECT成像预测模型为利用含有多个扫描图像组的训练集对基于深度卷积神经网络构建的待训练网络进行训练得到的模型;其中,所述扫描图像组中包括相互对应的标准采集时长SPECT图像和短采集时长SPECT图像。
第四方面,本申请公开了一种SPECT成像预测装置,包括:
图像获取模块,用于获取待预测短采集时长SPECT图像;
图像预测模块,用于将所述待预测短采集时长SPECT图像输入至SPECT成像预测模型,以预测得到所述待预测短采集时长SPECT图像在标准采集时长下的SPECT预测图像;其中,所述SPECT成像预测模型为利用含有多个扫描图像组的训练集对基于深度卷积神经网络构建的待训练网络进行训练得到的模型;其中,所述扫描图像组中包括相互对应的标准采集时长SPECT图像和短采集时长SPECT图像。
第五方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现前述的SPECT成像预测模型创建方法。
第六方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中计算机程序被处理器执行时实现前述的SPECT成像预测模型创建方法。
本申请中,获取含有多个扫描图像组的训练集;其中,每个扫描图像组中包括相互对应的标准采集时长SPECT图像和短采集时长SPECT图像;以深度卷积神经网络为基础进行网络构建,得到待训练网络;将所述训练集中的短采集时长SPECT图像作为输入侧训练数据,将所述训练集中的标准采集时长SPECT图像作为输出侧训练数据,对所述待训练网络进行训练,得到SPECT成像预测模型,以便利用所述SPECT成像预测模型预测得到短采集时长SPECT图像在标准采集时长下的SPECT预测图像。可见,通过将训练集中的短采集时长SPECT图像作为输入侧训练数据,并将训练集中的标准采集时长SPECT图像作为输出侧训练数据,训练得到SPECT成像预测模型,然后利用SPECT成像预测模型预测得到短采集时长SPECT图像在标准采集时长下的SPECT预测图像。能在保留医学影像的成像质量的情况下大幅度降低SPECT成像时间,并提高受试者SPECT成像舒适度,减小运动伪影。
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作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种SPECT成像预测模型创建方法流程图;
图2为本申请提供的一种SPECT成像预测模型结构示意图;
图3为本申请提供的一种具体的SPECT成像预测模型创建方法流程图;
图4为本申请提供的一种SPECT成像示意图;
图5为本申请提供的一种SPECT成像预测方法流程图;
图6为本申请提供的一种SPECT成像预测模型创建装置结构示意图;
图7为本申请提供的一种SPECT成像预测装置结构示意图;
图8为本申请提供的一种电子设备结构图。
具体实施方式
现有技术中,SPECT图像在临床应用中面临成像时间长,对人体有一定辐射损害等问题,但如果减少成像角度或缩短成像时间,则会造成成像的结果具有信噪比低,易产生伪影等一系列损害图像质量的缺点。为克服上述技术问题,本申请提出一种SPECT成像预测模型创建方法,
本申请实施例公开了一种SPECT成像预测模型创建方法,参见图1所示,该方法可以包括以下步骤:
步骤S11:获取含有多个扫描图像组的训练集;其中,每个扫描图像组中包括相互对应的标准采集时长SPECT图像和短采集时长SPECT图像。
本实施例中,首先获取含有多个扫描图像组作为训练集,其中,每个扫描图像组中包括相互对应的标准采集时长SPECT图像和短采集时长SPECT图像。可以理解的是,标准采集时长SPECT图像和短采集时长SPECT图像是在相同采集条件下,由单光子发射计算机断层成像扫描仪根据标准采集策略和快速扫描策略采集并重建得到的图像,并且SPECT图像可以为基于SPECT设备或者SPECT+CT设备获取的。
本实施例中,所述扫描图像组中可以包括相互对应的所述标准采集时长SPECT图像、所述短采集时长SPECT图像和CT图像;其中,所述CT图像作为所述待训练网络的输入侧训练数据。可以理解的是,上述扫描图像组中除了标准采集时长SPECT图像和短采集时长SPECT图像之外,还可以包括与上述标准采集时长SPECT图像和短采集时长SPECT图像对应的CT图像,即CT图像也为针对该采集者的CT图像,具体的,上述CT图像可以通过SPECT+CT设备获取也可以通过CT设备获取。可以理解的是,CT图像具有解剖结构清晰的优势,SPECT图像具有反映器官的生理、代谢和功能的特点,通过组建含有标准采集时长SPECT图像、短采集时长SPECT图像和CT图像的训练集,以便后续训练利用各类图像特点提高训练效果。
步骤S12:以深度卷积神经网络为基础进行网络构建,得到待训练网络。
本实施例中,以深度卷积神经网络为基础进行网络构建,得到待训练网络,具体的基于卷积层、BN(Batch Normalization)层和Relu层构建子编码器和子解码器,然后通过池化层或采样层依次连接不同预设数量的子编码器和子解码器,以构建不同尺寸大小的编码器和解码器,最后通过串联连接所述不同尺寸大小的编码器和解码器,得到待训练网络。具体的,上述深度卷积神经网络可以为一个具有N个卷积神经网络单元(CNN,ConvolutionalNeural Networks)串联构成的包括对称串接连接的编码器-解码器结构的图像重建卷积网络,其中,每一个卷积神经网络单元由预设数量的卷积层、池化层、非线性层、跳过连接层(skip connection)以及对应的下采样和上采样层组成。
本实施例中,所述以深度卷积神经网络为基础进行网络构建,得到待训练网络,可以包括:以U2-Net网络结构为基础进行网络构建,得到所述待训练网络。可以理解的是,以U2-Net网络结构为基础构建包含多个串联连接的编码器和解码器的待训练网络,具体的,上述待训练网络的结构示意图如图2所示,编码器和解码器结构的每一级由RSU单元(residual U-block)组成,每个RSU由3-5级串接连接的子编码器和子解码器组成。子编码器和子解码器由若干个3x3卷积层、BN层和Relu非线性层组成,子编码器和子解码器间由2x2池化层或者上采样层连接。且通过RSU中包含的空洞卷积(Dilation Conv),混合不同大小的感受野,因此无论分辨率如何,该模型都能从浅层和深层捕获局部和全局信息,在不显著增加计算量的情况下也增加了整个网络的深度。同时利用跳跃连接(Skip Connection)将对应尺度上的特征信息引入上采样过程,在深度网络中解决训练过程中梯度爆炸和梯度消失的问题。
步骤S13:将所述训练集中的短采集时长SPECT图像作为输入侧训练数据,将所述训练集中的标准采集时长SPECT图像作为输出侧训练数据,对所述待训练网络进行训练,得到SPECT成像预测模型,以便利用所述SPECT成像预测模型预测得到短采集时长SPECT图像在标准采集时长下的SPECT预测图像。
本实施例中,得到训练集并构建完成待训练网络后,将上述训练集中的短采集时长SPECT图像作为输入侧训练数据,将上述训练集中的标准采集时长SPECT图像作为输出侧训练数据,对上述构建的待训练网络进行训练,得到SPECT成像预测模型,以便利用该SPECT成像预测模型预测得到短采集时长SPECT图像在标准采集时长下的SPECT预测图像。其中,上述训练集可以分割为训练数据和测试数据,通过训练数据对模型进行训练,再通过测试数据对模型性能进行测试,以得到满足预测标准的SPECT成像预测模型。
由上可见,本实施例中获取含有多个扫描图像组的训练集;其中,每个扫描图像组中包括相互对应的标准采集时长SPECT图像和短采集时长SPECT图像;以深度卷积神经网络为基础进行网络构建,得到待训练网络;将所述训练集中的短采集时长SPECT图像作为输入侧训练数据,将所述训练集中的标准采集时长SPECT图像作为输出侧训练数据,对所述待训练网络进行训练,得到SPECT成像预测模型,以便利用所述SPECT成像预测模型预测得到短采集时长SPECT图像在标准采集时长下的SPECT预测图像。可见,通过将训练集中的短采集时长SPECT图像作为输入侧训练数据,并将训练集中的标准采集时长SPECT图像作为输出侧训练数据,训练得到SPECT成像预测模型,然后利用SPECT成像预测模型预测得到短采集时长SPECT图像在标准采集时长下的SPECT预测图像。能在保留医学影像的成像质量的情况下大幅度降低SPECT成像时间,并提高受试者SPECT成像舒适度,减小运动伪影。
本申请实施例公开了一种具体的SPECT成像预测模型创建方法,参见图3所示,该方法可以包括以下步骤:
步骤S21:利用单光子发射计算机断层成像设备按照标准采集时长和短采集时长,采集得到同一采集条件下的标准采集时长γ粒子信号和短采集时长γ粒子信号。
本实施例中,利用单光子发射计算机断层成像设备,具体可以利用SPECT/CT扫描仪按照标准采集时长和短采集时长,采集得到同一采集条件下的标准采集时长γ粒子信号和短采集时长γ粒子信号。本实施例中,所述采集条件可以包括采集开始时刻、被采集者、放射性同位素药物计量和采集角度。可以理解的,使用单光子发射计算机断层成像设备收集大于10组同一采集条件下的标准采集时长的γ粒子信号和短采集时长的γ粒子信号,即同一患者同一时间注射相同同位素标记的相同剂量化合物,并采集相同角度数量的投影信号组,即得到相同投影角度下采集到的γ粒子数量不同的两种信号。
其中,上述短采集时长γ粒子信可以为标准采集时长的1/7,例如,利用SPECT/CT扫描仪Siemens-Symbia-Intevo采集20例全身定量骨显像的受试者,其中,注射剂量可以为25~30mci,对受试者设置两种扫描协议,一种是标准扫描,每帧20秒,即得到标准采集时长的γ粒子信号,另一种是快速扫描,每帧3秒,得到1/7采集时长的γ粒子信号。其他采样参数为:60帧,单探头旋转180°,单次旋转6°。采用有序子集共轭梯度(OSCG)算法重建SPECT投影数据得到相互对应的标准采集时长SPECT图像和短采集时长SPECT图像。需要说明的是本实施例采集范围包括但不限于脑、骨、心脏等部位。
本实施例中,还可以利用所述单光子发射计算机断层成像设备按照标准采集时长采集得到标准采集时长γ粒子信号,然后对所述标准采集时长γ粒子信号进行降采集得到对应的短采集时长γ粒子信号。可以理解的是,短采集时长γ粒子信号可以通过采集获取,也可以通过对标准采集时长γ粒子信号进行降采样获取得到。
步骤S22:利用重建算法对所述标准采集时长γ粒子信号和所述短采集时长γ粒子信号进行重建,得到对应的标准采集时长SPECT图像和短采集时长SPECT图像。
本实施例中,利用重建算法对获取的标准采集时长γ粒子信号和短采集时长γ粒子信号进行重建,得到对应的标准采集时长SPECT图像和短采集时长SPECT图像。本实施例中,所述重建算法包括但不限于滤波反投影重建算法(FBP,Filter Back Projection)、代数重建算法(ART,Algebraic Reconstruction Technique)和快速子集共轭梯度重建算法(OSCG,Ordered Subset Conjugate Gradiental)。
步骤S23:基于所述标准采集时长SPECT图像和所述短采集时长SPECT图像,得到所述扫描图像组以获取含有多个扫描图像组的训练集。
本实施例中,根据上述得到的标准采集时长SPECT图像和短采集时长SPECT图像,得到扫描图像组,以获取含有多个扫描图像组的训练集。
步骤S24:以深度卷积神经网络为基础进行网络构建,得到待训练网络。
步骤S25:将所述训练集中的短采集时长SPECT图像作为输入侧训练数据,将所述训练集中的标准采集时长SPECT图像作为输出侧训练数据,对所述待训练网络进行训练,得到SPECT成像预测模型,以便利用所述SPECT成像预测模型预测得到短采集时长SPECT图像在标准采集时长下的SPECT预测图像。
本实施例中,通过训练得到的SPECT成像预测模型,根据输入的1/7SPECT图像,预测得到1/7SPECT图像在标准采集时长下的SPECT预测图像。在训练得到SPECT成像预测模型后,可以通过利用结构相似性指数(SSIM,Structural SIMilarity)和峰值信噪比(PSNR,Peak Signal to Noise Ratio)指标对模型进行定性和定量评价,以检测模型效果。例如图4所示的1/7SPECT图像,和深度学习重建得到的SPECT预测图像,以及标准采集下的SPECT图像,可见,预测得到的SPECT图像质量与标准SPECT图像相当,远优于原始的1/7SPECT图像,在1/7SPECT图像上识别病变区域相对困难,而在预测的SPECT图像上识别病变区域较为容易。
其中,关于上述步骤S24、步骤S25的具体过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
由上可见,利用单光子发射计算机断层成像设备按照标准采集时长和短采集时长,采集得到同一采集条件下的标准采集时长γ粒子信号和短采集时长γ粒子信号,然后利用重建算法对所述标准采集时长γ粒子信号和所述短采集时长γ粒子信号进行重建,得到对应的标准采集时长SPECT图像和短采集时长SPECT图像;最后基于所述标准采集时长SPECT图像和所述短采集时长SPECT图像,得到所述扫描图像组以获取含有多个扫描图像组的训练集。由此一来,将短采集时长SPECT图像作为输入侧训练数据,将标准采集时长SPECT图像作为输出侧训练数据,对待训练网络进行训练得到SPECT成像预测模型,可以根据短采集时长SPECT图像预测出对应标准采集时长SPECT图像,相比于传统SPECT成像方法,本实施例中能在保留图像质量的情况下大幅度减小成像时间,并提高受试者SPECT成像舒适度,能够提高信噪比减小运动伪影。
本申请实施例公开了一种SPECT成像预测方法,参见图5所示,该方法可以包括以下步骤:
步骤S31:获取待预测短采集时长SPECT图像。
本实施例中,首先获取待预测短采集时长SPECT图像。
步骤S32:将所述待预测短采集时长SPECT图像输入至SPECT成像预测模型,以预测得到所述待预测短采集时长SPECT图像在标准采集时长下的SPECT预测图像;其中,所述SPECT成像预测模型为利用含有多个扫描图像组的训练集对基于深度卷积神经网络构建的待训练网络进行训练得到的模型;其中,所述扫描图像组中包括相互对应的标准采集时长SPECT图像和短采集时长SPECT图像。
本实施例中,将获取的待预测短采集时长SPECT图像输入至SPECT成像预测模型,以预测得到上述待预测短采集时长SPECT图像在标准采集时长下的SPECT预测图像;其中,上述SPECT成像预测模型为利用含有多个扫描图像组的训练集对基于深度卷积神经网络构建的待训练网络进行训练得到的模型;其中,上述扫描图像组中包括相互对应的标准采集时长SPECT图像和短采集时长SPECT图像。
本实施例中,含有多个扫描图像组的训练集的获取过程包括:通过单光子发射计算机断层成像设备得到同一采集条件下的标准采集时长γ粒子信号和短采集时长γ粒子信号;利用重建算法对所述标准采集时长γ粒子信号和所述短采集时长γ粒子信号进行重建,得到对应的标准采集时长SPECT图像和短采集时长SPECT图像;基于所述标准采集时长SPECT图像和所述短采集时长SPECT图像,得到所述扫描图像组。其中,上述通过单光子发射计算机断层成像设备得到同一采集条件下的标准采集时长γ粒子信号和短采集时长γ粒子信号,可以包括:利用所述单光子发射计算机断层成像设备按照标准采集时长和短采集时长,采集得到同一采集条件下的标准采集时长γ粒子信号和短采集时长γ粒子信号;或,利用所述单光子发射计算机断层成像设备按照标准采集时长采集得到标准采集时长γ粒子信号,然后对所述标准采集时长γ粒子信号进行降采集得到对应的短采集时长γ粒子信号。其中,上述采集条件包括采集开始时刻、被采集者、放射性同位素药物计量和采集角度。其中,上述重建算法包括但不限于滤波反投影重建算法、代数重建算法和快速子集共轭梯度重建算法。本实施例中,上述待训练网络可以为以U2-Net网络结构为基础进行网络构建,得到的待训练网络。
由上可见,本实施例中利用SPECT成像预测模型对获取的短采集时长SPECT图像进行预测,得到与短采集时长SPECT图像对应的标准采集时长下的SPECT预测图像。通过这种方式,能在保留医学影像的成像质量的情况下大幅度降低SPECT成像时间,并提高受试者SPECT成像舒适度,减小运动伪影。
相应的,本申请实施例还公开了一种SPECT成像预测模型创建装置,参见图6所示,该装置包括:
训练集获取模块11,用于获取含有多个扫描图像组的训练集;其中,每个扫描图像组中包括相互对应的标准采集时长SPECT图像和短采集时长SPECT图像;
网络构建模块12,用于以深度卷积神经网络为基础进行网络构建,得到待训练网络;
模型训练模块13,用于将所述训练集中的短采集时长SPECT图像作为输入侧训练数据,将所述训练集中的标准采集时长SPECT图像作为输出侧训练数据,对所述待训练网络进行训练,得到SPECT成像预测模型,以便利用所述SPECT成像预测模型预测得到短采集时长SPECT图像在标准采集时长下的SPECT预测图像。
由上可见,本实施例中获取含有多个扫描图像组的训练集;其中,每个扫描图像组中包括相互对应的标准采集时长SPECT图像和短采集时长SPECT图像;以深度卷积神经网络为基础进行网络构建,得到待训练网络;将所述训练集中的短采集时长SPECT图像作为输入侧训练数据,将所述训练集中的标准采集时长SPECT图像作为输出侧训练数据,对所述待训练网络进行训练,得到SPECT成像预测模型,以便利用所述SPECT成像预测模型预测得到短采集时长SPECT图像在标准采集时长下的SPECT预测图像。可见,通过将训练集中的短采集时长SPECT图像作为输入侧训练数据,并将训练集中的标准采集时长SPECT图像作为输出侧训练数据,训练得到SPECT成像预测模型,然后利用SPECT成像预测模型预测得到短采集时长SPECT图像在标准采集时长下的SPECT预测图像。能在保留医学影像的成像质量的情况下大幅度降低SPECT成像时间,并提高受试者SPECT成像舒适度,减小运动伪影。
在一些具体实施例中,所述扫描图像组具体可以包括相互对应的所述标准采集时长SPECT图像、所述短采集时长SPECT图像和CT图像;其中,所述CT图像作为所述待训练网络的输入侧训练数据。
在一些具体实施例中,所述训练集获取模块11具体可以包括:
γ粒子信号采集单元,用于通过单光子发射计算机断层成像设备得到同一采集条件下的标准采集时长γ粒子信号和短采集时长γ粒子信号;
图像重建单元,用于利用重建算法对所述标准采集时长γ粒子信号和所述短采集时长γ粒子信号进行重建,得到对应的标准采集时长SPECT图像和短采集时长SPECT图像;
扫描图像组确定单元,用于基于所述标准采集时长SPECT图像和所述短采集时长SPECT图像,得到所述扫描图像组。
在一些具体实施例中,所述γ粒子信号采集单元具体可以包括:
第一采集单元,用于利用所述单光子发射计算机断层成像设备按照标准采集时长和短采集时长,采集得到同一采集条件下的标准采集时长γ粒子信号和短采集时长γ粒子信号;
第二采集单元,用于利用所述单光子发射计算机断层成像设备按照标准采集时长采集得到标准采集时长γ粒子信号,然后对所述标准采集时长γ粒子信号进行降采集得到对应的短采集时长γ粒子信号。
在一些具体实施例中,所述采集条件具体可以包括采集开始时刻、被采集者、放射性同位素药物计量和采集角度。
在一些具体实施例中,所述重建算法具体可以包括滤波反投影重建算法、代数重建算法和快速子集共轭梯度重建算法中的任意一项。
在一些具体实施例中,所述网络构建模块12具体可以包括:
网络构建单元,用于以U2-Net网络结构为基础进行网络构建,得到所述待训练网络。
相应的,本申请实施例还公开了一种SPECT成像预测装置,参见图7所示,该装置包括:
图像获取模块21,用于获取待预测短采集时长SPECT图像;
图像预测模块22,用于将所述待预测短采集时长SPECT图像输入至SPECT成像预测模型,以预测得到所述待预测短采集时长SPECT图像在标准采集时长下的SPECT预测图像;其中,所述SPECT成像预测模型为利用含有多个扫描图像组的训练集对基于深度卷积神经网络构建的待训练网络进行训练得到的模型;其中,所述扫描图像组中包括相互对应的标准采集时长SPECT图像和短采集时长SPECT图像。
由上可见,本实施例中利用SPECT成像预测模型对获取的短采集时长SPECT图像进行预测,得到与短采集时长SPECT图像对应的标准采集时长下的SPECT预测图像。通过这种方式,能在保留医学影像的成像质量的情况下大幅度降低SPECT成像时间,并提高受试者SPECT成像舒适度,减小运动伪影。
进一步的,本申请实施例还公开了一种电子设备,参见图8所示,图中的内容不能被认为是对本申请的使用范围的任何限制。
图8为本申请实施例提供的一种电子设备30的结构示意图。该电子设备30,具体可以包括:至少一个处理器31、至少一个存储器32、电源33、通信接口34、输入输出接口35和通信总线36。其中,所述存储器32用于存储计算机程序,所述计算机程序由所述处理器31加载并执行,以实现前述任一实施例公开的SPECT成像预测模型创建方法中的相关步骤。
本实施例中,电源33用于为电子设备30上的各硬件设备提供工作电压;通信接口34能够为电子设备30创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口35,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器32作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作系统321、计算机程序322及包括扫描图像组在内的数据323等,存储方式可以是短暂存储或者永久存储。
其中,操作系统321用于管理与控制电子设备30上的各硬件设备以及计算机程序322,以实现处理器31对存储器32中海量数据323的运算与处理,其可以是Windows Server、Netware、Unix、Linux等。计算机程序322除了包括能够用于完成前述任一实施例公开的由电子设备30执行的SPECT成像预测模型创建方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请实施例还公开了一种计算机存储介质,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现前述任一实施例公开的SPECT成像预测模型创建方法步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种SPECT成像预测模型创建方法、装置、设备及介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
- 一种SPECT成像预测模型创建方法、装置、设备及存储介质
- 一种业务预测模型创建方法、装置及计算机可读存储介质