一种运动模糊CT图像三维重建的方法技术

本发明专利技术公开了一种运动模糊CT图像三维重建的方法，该方法包括:步骤一：从运动模糊的CT图像还原出清晰的CT图像；步骤二：重建CT图像的三维模型；通过采用GAN图像翻译网络去模糊算法，将运动模糊的CT图像与对应的清晰图像按照像素进行匹配，清晰图像用来监督模糊图像的训练过程，实现了把模糊图像翻译为清晰图像的结果；同时通过基于黄金分割与等值面方向平滑相融合的移动立方体算法进行CT图像的三维重建，为医护人员提供了一个逼真、实时性强的医学三维器官结果，便于医护人员利用其三维器官模型对病人病灶进行判断，具有精度高、实用性强的特点。

【技术实现步骤摘要】
一种运动模糊CT图像三维重建的方法
本专利技术涉及医疗设备
，特别涉及一种运动模糊CT图像三维重建的方法。
技术介绍
CT图像作为一种在病理治疗过程中的辅助手段，可以有效的为医护人员提供人体器官的二维图像，医护人员可以依靠经验由多幅二维图像去估计病灶的大小及形状，以便对病人的病情做出正确的判断，在此基础上可以实现矫形手术、放射治疗的手术规划，极大的提高了医疗诊断的准确性；而现有的CT图像在成像的过程中，病人自主或者非自主的运动会造成CT图像产生模糊的问题，自主运动包含老人或小孩无意识的位置移动或者身体摆动，非自主运动表示病患自身无法控制的抖动(例如帕金森病人)；而受到病人自主或者非自主运动的影响，CT图像会出现模糊的现象，以至于定量分析时会影响诊断和治疗的精确性；而且现有的CT图像仅能提供人体器官的二维图像，诊断时，医生仅能依靠经验由多幅CT图像的二维图像去估计病灶的大小及形状，如果不是非常有经验的医生，可能会出现误诊的情况发生，不利于病人病情的治疗，因此广大医务工作者在治疗过程中，迫切希望能够提供逼真、实时性强的医学三维器官结果，广大医务工作者迫切希望能够提供逼真、实时性强的医学三维器官结果；因此，急需一种既可以解决CT成像的过程中CT图像产生模糊的问题，也可以为医护人员提供逼真、实时性强的医学三维器官结果的方法，满足医护人员在对病人病情判断、处理的需求。
技术实现思路
针对上述存在的问题，本专利技术旨在提供一种运动模糊CT图像三维重建的方法，通过采用GAN图像翻译网络去模糊算法，该算法将运动模糊的CT图像与对应的清晰图像按照像素进行匹配，清晰图像用来监督模糊图像的训练过程，实现了把模糊图像翻译为清晰图像的结果；同时通过基于黄金分割与等值面方向平滑相融合的移动立方体算法进行CT图像的三维重建，为医护人员提供了一个逼真、实时性强的医学三维器官结果，便于医护人员利用其三维器官模型对病人病灶进行判断，具有精度高、实用性强的特点。为了实现上述目的，本专利技术所采用的技术方案如下：一种运动模糊CT图像三维重建的方法，所述该方法包括：步骤一：从运动模糊的CT图像还原出清晰的CT图像利用GAN图像翻译网络去模糊算法，将运动模糊的CT图像与对应的清晰图像按照像素进行匹配，清晰图像用来监督模糊图像的训练过程，实现了把模糊图像翻译为清晰图像的结果；步骤二：建立CT图像的三维模型在得到清晰的CT图像的基础上，利用黄金分割算法计算二维CT图像上的等值点和法向量；然后利用等值面方向平滑算法计算出二维CT图像中每个三角面片法向矢量的均值，从而得到等值面的新矢量场，对所有三角面片在空间排列上进行方向平滑；绘制出二维CT图像中每个三角面片的三维显示结果，得到重建后的CT图像的三维模型。优选的，步骤一所述的从运动模糊的CT图像还原出清晰的CT图像的具体过程为：S1.设由运动引起的模糊CT图像的模型如下：Ib＝K(m)*Ic+N(1)其中：Ib表示模糊图像，K(m)表示由未知运动m计算出的模糊核，Ic表示理想的清晰图像，*表示卷积运算，N表示噪声分量，者自主或者非自主的运动通常是无规律的，因此，模糊核K(m)是未知的；S2.根据模糊CT图像的模型，构建关于模糊核K(m)的GAN图像翻译网络框架，所述网络框架包括一个生成器和一个鉴别器；生成器负责将模糊CT图像翻译为清晰CT图像，清晰的CT图像按照对应的像素点对模糊的CT图像进行监督；鉴别器通过损失函数来鉴别原始清晰图像与生成器的输出图像之间的差距；S3.根据生成器输出图像的像素点需求，选择目标函数，所述目标函数包括重建损失函数和对抗损失函数；重建损失函数是由L2范数定义，由此获取高精度的图像轮廓；对抗损失函数能够让生成器输出图像的内部细节信息更接近于真实CT图像的数据分布，所述目标函数定义如下：L＝LReconstruction+λLadv(2)其中：设定λ＝0.01，LReconstruction为重建损失函数，Ladv为对抗损失函数；S4.根据鉴别器中清晰真实的CT图像像素点和生成器输出图像的区别，建立生成式对抗网络，将生成器输出图像与鉴别器中清晰的真实CT图像进行真、假鉴别后，输出清晰真实的CT图像与生成器的输出图像的相似概率值。优选的，步骤S2所述的生成器包含模糊图像的编码网络和清晰图像的解码网络，并在生成器中利用U-net方法、skipconnection思想将模糊图像的编码网络和清晰图像的解码网络相连，使得编码网络的下采样层中特征可以直接传递到解码网络的上采样层中；其中：所述编码网络中采用C64-C128-C256-C512-C512-C512的6个卷积层，C表示卷积层；所述解码网络中采用DC512-DC512-DC512-DC256-DC128-DC64-C3的6个反卷积层与1个卷积层，DC表示反卷积层；在卷积层中，每个卷积核的大小均为5x5；在卷积和反卷积层中，每层后都使用Lrelu激活函数，最后一个卷积层的清晰图像重建使用tanh激活函数。优选的，步骤S2所述的鉴别器包含4个卷积层和2个全连接层，且鉴别器的输入包含清晰的真实图像的像素点与生成器的输出图像的像素点两个部分，通过将清晰的真实图像的像素点与生成器的输出图像的像素点进行对比，输出清晰的真实图像与生成器的输出图像的相似概率值；其中：在卷积和全连接层中，每层后都使用Lrelu激活函数，全连接层的最后一层使用sigmoid激活函数。优选的，步骤S3所述的重建损失函数和对抗损失函数的函数模型如下：(1)重建损失函数，设生成图像和相应清晰CT图像之间的像素级欧氏距离进行如下表示：其中：f为清晰CT图像If的真实值，表示生成的清晰图像，即模糊图像Is经过生成器Gω之后的输出结果为(2)对抗损失函数，设网络对抗性损失模型如下：其中：f为清晰CT图像If的真实值，表示生成的清晰图像，ψ表示鉴别器网络的参数，Dψ(f)和是鉴别器网络的输出值，E代表期望。优选的，步骤S4所述的生成式对抗网络包含生成模型和判别模型两个对抗模块，所述生成模型G是一个生成图像的网络，它通过模糊图像z生成清晰图像G(z)；所述判别模型D用于判断清晰图像G(z)是不是“真实的”，它的参数x代表一张图像，输出D(x)表示x为真实图像的概率；训练时，生成模型G的目标就是欺骗判别模型D，判别模型D的目标就是尽量把G生成的图像和真实的图像分别开来；这样，G和D构成了一个动态的“博弈过程”；其G与D之间的博弈，模型为：其中：E表示期望,优选的，步骤二所述的利用黄金分割算法计算二维CT图像上的等值点和法向量的具体过程为：(1)利用体素棱边的黄金分割点确定交点的坐标如果交点在棱边的x轴上，交点的坐标设为:如果交点在棱边的y轴上，交点的坐标设为:如果交点在棱边的z轴上，交点的坐标设为:...

【技术保护点】
1.一种运动模糊CT图像三维重建的方法，其特征在于，所述该方法包括：/n步骤一：从运动模糊的CT图像还原出清晰的CT图像/n利用GAN图像翻译网络去模糊算法，将运动模糊的CT图像与对应的清晰图像按照像素进行匹配，清晰图像用来监督模糊图像的训练过程，实现了把模糊图像翻译为清晰图像的结果；/n步骤二：建立CT图像的三维模型/n在得到清晰的CT图像的基础上，利用黄金分割算法计算二维CT图像上的等值点和法向量；/n然后利用等值面方向平滑算法计算出二维CT图像中每个三角面片法向矢量的均值，从而得到等值面的新矢量场，对所有三角面片在空间排列上进行方向平滑；绘制出二维CT图像中每个三角面片的三维显示结果，得到重建后的CT图像的三维模型。/n

【技术特征摘要】
1.一种运动模糊CT图像三维重建的方法，其特征在于，所述该方法包括：
步骤一：从运动模糊的CT图像还原出清晰的CT图像
利用GAN图像翻译网络去模糊算法，将运动模糊的CT图像与对应的清晰图像按照像素进行匹配，清晰图像用来监督模糊图像的训练过程，实现了把模糊图像翻译为清晰图像的结果；
步骤二：建立CT图像的三维模型
在得到清晰的CT图像的基础上，利用黄金分割算法计算二维CT图像上的等值点和法向量；
然后利用等值面方向平滑算法计算出二维CT图像中每个三角面片法向矢量的均值，从而得到等值面的新矢量场，对所有三角面片在空间排列上进行方向平滑；绘制出二维CT图像中每个三角面片的三维显示结果，得到重建后的CT图像的三维模型。


2.根据权利要求1所述的一种运动模糊CT图像三维重建的方法，其特征在于，步骤一所述的从运动模糊的CT图像还原出清晰的CT图像的具体过程为：
S1.设由运动引起的模糊CT图像的模型如下：
Ib＝K(m)*Ic+N(1)
其中：Ib表示模糊图像，K(m)表示由未知运动m计算出的模糊核，Ic表示理想的清晰图像，*表示卷积运算，N表示噪声分量，者自主或者非自主的运动通常是无规律的，因此，模糊核K(m)是未知的；
S2.根据模糊CT图像的模型，构建关于模糊核K(m)的GAN图像翻译网络框架，所述网络框架包括一个生成器和一个鉴别器；生成器负责将模糊CT图像翻译为清晰CT图像，清晰的CT图像按照对应的像素点对模糊的CT图像进行监督；鉴别器通过损失函数来鉴别原始清晰图像与生成器的输出图像之间的差距；
S3.根据生成器输出图像的像素点需求，选择目标函数，所述目标函数包括重建损失函数和对抗损失函数；重建损失函数是由L2范数定义，由此获取高精度的图像轮廓；对抗损失函数能够让生成器输出图像的内部细节信息更接近于真实CT图像的数据分布，所述目标函数定义如下：
L＝LReconstruction+λLadv(2)
其中：设定λ＝0.01，LReconstruction为重建损失函数，Ladv为对抗损失函数；
S4.根据鉴别器中清晰真实的CT图像像素点和生成器输出图像的区别，建立生成式对抗网络，将生成器输出图像与鉴别器中清晰的真实CT图像进行真、假鉴别后，输出清晰真实的CT图像与生成器的输出图像的相似概率值。


3.根据权利要求2所述的一种运动模糊CT图像三维重建的方法，其特征在于，步骤S2所述的生成器包含模糊图像的编码网络和清晰图像的解码网络，并在生成器中利用U-net方法、skipconnection思想将模糊图像的编码网络和清晰图像的解码网络相连，使得编码网络的下采样层中特征可以直接传递到解码网络的上采样层中；
其中：所述编码网络中采用C64-C128-C256-C512-C512-C512的6个卷积层，C表示卷积层；所述解码网络中采用DC512-DC512-DC512-DC256-DC128-DC64-C3的6个反卷积层与1个卷积层，DC表示反卷积层；在卷积层中，每个卷积核的大小均为5x5；在卷积和反卷积层中，每层后都使用Lrelu激活函数，最后一个卷积层的清晰图像重建使用tanh激活函数。


4.根据权利要求2所述的一种运动模糊CT图像三维重建的方法，其特征在于，步骤S2所述的鉴别器包含4个卷积层和2个全连接层，且鉴别器的输入包含清晰的真实图像的像素点与生成器的输出图像的像素点两个部分，通过将清晰的真实图像的像素点与生成器的输出图像的像素点进行对比，输出清晰的真实图像与生成器的输出图像的相似概率值；其中：在卷积和全连接层中，每层后都使用Lrelu激活函数，全连接层的最后一层使用sigmoid激活函数。


5.根据权利要求3所述的一种运动模糊CT图像三维重建的方法，其特征在于，步骤S3所述的重建损失函数和对抗损失函数的函数模型如下：
(1)重建损失函数，设生成图像和相应清晰CT图像之间的像素级欧氏距离进行如下表示：



其中：f为清晰CT图...

【专利技术属性】
技术研发人员：张婧，李占利，李洪安，孙瑜，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西;61