【技术实现步骤摘要】
一种低剂量CT图像模拟方法
本专利技术涉及一种医学影像设备
，尤其涉及一种低剂量CT图像模拟方法。
技术介绍
电子计算机断层扫描（ComputedTomography，CT）具有扫描时间快，图像清晰等特点，可用于多种疾病的检查，已经成为医院中最重要的检查工具之一，CT扫描中的辐射问题也受到了越来越广泛的关注。因此，发展能够在CT扫描检测中减少对患者辐射剂量的新技术已经成为医学领域的迫切需求。目前已有大量研究把卷积神经网络、生成对抗神经网络等深度学习方法运用到了低剂量CT图像重建中，并取得了良好的效果。这些深度学习方法在训练时要求训练数据（低剂量CT图像）和标签（高剂量CT图像）必须是一一对应的，但是在医学临床中符合这样要求的数据几乎不可能得到。因此，急需一种使用高剂量CT图像模拟出具有真实低剂量CT图像特征的低剂量CT图像的方法。传统研究主要有以下几种方法：（1）在高剂量图片的基础上，直接添加泊松或高斯噪声，得到含噪声的低剂量图像；（2）在高剂量图片的基础上，利用解析正投方法得到含噪声的投影数据，并在此数据上进行反投重建，得到低剂量的图像；（3）以高剂量图片...
【技术保护点】
1.一种低剂量CT图像模拟方法，其特征在于，包括如下步骤：步骤10、获取非一一对应的原始高剂量CT图像和原始低剂量CT图像；步骤20、对所述原始高剂量CT图像和原始低剂量CT图像进行预处理，分别得到原始高剂量CT图像数据和原始低剂量CT图像数据；步骤30、构建由低剂量生成网络、高剂量生成网络、低剂量判别网络和高剂量判别网络构成的CT图像模拟网络模型，并初始化网络参数；步骤40、将所述原始高剂量CT图像数据和原始低剂量CT图像数据输入所述CT图像模拟网络模型，交替训练所述生成网络和判别网络，直至得到网络模型的最优参数并保存；步骤50、向设置为最优参数的所述低剂量CT图像模拟网...
【技术特征摘要】
1.一种低剂量CT图像模拟方法，其特征在于，包括如下步骤：步骤10、获取非一一对应的原始高剂量CT图像和原始低剂量CT图像；步骤20、对所述原始高剂量CT图像和原始低剂量CT图像进行预处理，分别得到原始高剂量CT图像数据和原始低剂量CT图像数据；步骤30、构建由低剂量生成网络、高剂量生成网络、低剂量判别网络和高剂量判别网络构成的CT图像模拟网络模型，并初始化网络参数；步骤40、将所述原始高剂量CT图像数据和原始低剂量CT图像数据输入所述CT图像模拟网络模型，交替训练所述生成网络和判别网络，直至得到网络模型的最优参数并保存；步骤50、向设置为最优参数的所述低剂量CT图像模拟网络模型输入高剂量CT图像，即可生成与所述高剂量CT图像一一对应的模拟低剂量CT图像。2.根据权利要求1所述的一种低剂量CT图像模拟方法，其特征在于，所述“非一一对应的原始高剂量CT图像和原始低剂量CT图像”包括不同人体同一部位的原始高剂量CT图像和原始低剂量CT图像，以及同一人体同一部位的原始高剂量CT图像和原始低剂量CT图像。3.根据权利要求1所述的一种低剂量CT图像模拟方法，其特征在于，所述步骤20具体为：对所述原始高剂量CT图像和原始低剂量CT图像切割成设定大小的图像块，然后将CT值进行归一化，分别得到原始高剂量CT图像数据和原始低剂量CT图像数据。4.根据权利要求1所述的一种低剂量CT图像模拟方法，其特征在于，所述步骤30具体为：构建由低剂量生成网络、高剂量生成网络、低剂量判别网络和高剂量判别网络构成的CT图像模拟网络模型；所述低剂量生成网络用于将原始高剂量CT图像数据生成模拟低剂量CT图像数据，所述高剂量生成网络用于将原始低剂量CT图像数据生成模拟高剂量CT图像数据，所述低剂量判别网络用于计算所述原始低剂量CT图像数据与模拟低剂量CT图像数据的损失，所述高剂量判别网络用于计算所述原始高剂量CT图像数据与所述模拟高剂量CT图像数据的损失；所述生成网络和判别网络的参数随机初始化设置成-1到1之间的任意实数...
【专利技术属性】
技术研发人员：任艳君，叶宏伟，周龙，
申请(专利权)人：浙江明峰智能医疗科技有限公司，
类型：发明
国别省市：浙江,33
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。