脏器组织高辨识成像方法、装置、存储介质及计算机设备制造方法及图纸

本发明专利技术公开了一种脏器组织高辨识成像方法、装置、存储介质及计算机设备，其中，所述方法包括：获得单kVp的CT测量数据；对所述CT测量数据进行数据校正处理，获得校正后的CT测量数据；将所述校正后的CT测量数据输入收敛的第一神经网络模型中生成并输出CT骨图像或软组织图像。在本发明专利技术实施例中，只需输入常规的单kVp的CT测量数据即可到高质量的CT骨图像或软组织图像，高效且减少病人的辐射剂量。

【技术实现步骤摘要】
脏器组织高辨识成像方法、装置、存储介质及计算机设备
本专利技术涉及医疗图像处理
，尤其涉及一种基于人工智能的脏器组织高辨识成像方法、装置、存储介质及计算机设备。
技术介绍
X线胸片是一种广泛应用于肺部疾病诊断的影像学技术，因为其价格低廉、常规有效、相对安全；然而，肋骨和锁骨等解剖结构的重叠给影像科医生阅读诊断带来了困难；因此，X线胸片对骨结构的分离对影像科医生和计算机辅助诊断方案有极大的帮助。随着数字化X射线摄影的发展，数字摄影双能减影(DualEnergySubtraction，DES)技术已经实现X线胸片中骨与软组织的分离；双能减影是指采用两次曝光的方法得到两幅图像，将其进行图像减影分别重建为软组织图像和骨组织图像；但是双能减影成像质量容易受到两次曝光之间的呼吸、心跳、运动等因素的影响，会产生运动伪影，容易导致误诊；此外，短时间的交替输出高低两种能量X射线束对球管要求高、损耗大，由于需要专门的设备，只有少数的医院使用DES装置，并且，两次高低能量曝光也会使病人所受到的辐射剂量增加。
技术实现思路
本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于人工智能的脏器组织高辨识成像方法、装置、存储介质及计算机设备，只需输入常规的单kVp的CT测量数据即可到高质量的CT骨图像或软组织图像，高效且减少病人的辐射剂量。为了解决上述中至少一个技术问题，本专利技术实施例提供了一种基于人工智能的脏器组织高辨识成像方法，所述方法包括：获得单kVp的CT测量数据；对所述CT测量数据进行数据校正处理，获得校正后的CT测量数据；将所述校正后的CT测量数据输入收敛的第一神经网络模型中生成并输出CT骨图像或软组织图像。可选的，所述对所述CT测量数据进行数据校正处理，获得校正后的CT测量数据，包括：基于传统非局部均值滤波算法对所述CT测量数据进行滤波处理，获得滤波后的CT测量数据；将所述滤波后的CT测量数据输入收敛的第二神经网络模型中进行数据校正处理，输出校正后的CT测量数据。可选的，所述基于传统非局部均值滤波算法对所述CT测量数据进行滤波处理，获得滤波后的CT测量数据，包括：设CT测量数据为y，滤波后的CT测量数据为x，i和j分别表示滤波后的CT测量数据x和CT测量数据y的像素点，权值w(i,j)表示像素点i和j的相似度；所述权值w(i,j)是由像素点i和j为中心的矩形领域Y(i)和Y(j)的距离确定的，如下：基于所述权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的CT测量数据；基于所述权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的CT测量数据的具体公式如下：x(i)＝∑w(i,j)*y(j)；其中，Z(i)表示归一化系数，δ2表示平滑参数。可选的，所述第二神经网络模型为U-Net网络结构搭建的神经网络；所述第二神经网络模型的训练过程如下：获取配对的“CT测量数据-高剂量CT测量数据”数据集；对所获取的“CT测量数据-高剂量CT测量数据”数据集进行最小-最大值归一化处理，获得归一化数据集；利用所述归一化数据集对所述第二神经网络模型进行端到端进行训练，直至收敛或达到训练次数阈值。可选的，所述第一神经网络模型为多尺度下的神经网络或级联神经网络。可选的，所述第一神经网络模型为采用残差网络模型搭建的神经网络；所述第一神经网络模型的训练过程如下：获取配对的“CT测量数据-CT骨图像或软组织图像”数据集；对所述“CT测量数据-CT骨图像或软组织图像”数据集进行数据增强处理，获得增强后的数据集，所述增强处理包括旋转和放缩处理；利用增强后的数据集对所述第一神经网络模型进行端到端训练，直至收敛或达到训练次数阈值；所述第一神经网络模型的代价函数设计为2范数均方根误差，记为：其中，表示第一神经网络模型的第i个训练样本的最终预测图像；表示第i个训练样本的目标CT骨图像或软组织图像；N表示训练样本数；Θ表示需要学习的参数。可选的，所述多尺度下的神经网络包括旋转和放缩；所述旋转和放缩包括对所述校正后的CT测量数据进行旋转和方式，在所述第一神经网络模型中对所述校正后的CT测量数据进行上下采样操作。另外，本专利技术实施例还提供了一种基于人工智能的脏器组织高辨识成像装置，所述装置包括：数据获得模块：用于获得单kVp的CT测量数据；数据校正模块：用于对所述CT测量数据进行数据校正处理，获得校正后的CT测量数据；图像生成模块：用于将所述校正后的CT测量数据输入收敛的第一神经网络模型中生成并输出CT骨图像或软组织图像。另外，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述中任意一项所述的脏器组织高辨识成像方法。另外，本专利技术实施例还提供了一种计算机设备，其包括：一个或多个处理器；存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于：执行上述中任意一项所述的脏器组织高辨识成像方法。在本专利技术实施例中，只需输入常规的单kVp的CT测量数据即可到高质量的CT骨图像或软组织图像，无需担心两次曝光之间的呼吸、心跳、运动等的影响，且对球管要求较低，耗能较少，因此高效且减少病人的辐射剂量。附图说明为了更清楚地说明本专利技术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，显而易见的，下面描述中的附图仅仅是本专利技术的一些实施例，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，还可以根据这些附图获得其它的附图。图1是本专利技术实施例中的基于人工智能的脏器组织高辨识成像方法的方法流程示意图；图2是本专利技术实施例中的基于人工智能的脏器组织高辨识成像装置的结构组成示意图；图3是本专利技术实施例中的计算机设备的结构组成示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。实施例请参阅图1，图1是本专利技术实施例中的基于人工智能的脏器组织高辨识成像方法的方法流程示意图。如图1所示，一种基于人工智能的脏器组织高辨识成像方法，所述方法包括：S11：获得单kVp的CT测量数据；在本专利技术具体实施过程中，通过获得介入放射设备的kVp(千伏峰值，为CT设备输出能力单位)的CT测量数据，即通过在CT设备上，设定相应的kVp数据，再在该kVp数据的基础上设定相应的CT测量数据，即可获得单kVp的本文档来自技高网...

【技术保护点】
1.一种脏器组织高辨识成像方法，其特征在于，所述方法包括：/n获得单kVp的CT测量数据；/n对所述CT测量数据进行数据校正处理，获得校正后的CT测量数据；/n将所述校正后的CT测量数据输入收敛的第一神经网络模型中生成并输出CT骨图像或软组织图像。/n

【技术特征摘要】
1.一种脏器组织高辨识成像方法，其特征在于，所述方法包括：
获得单kVp的CT测量数据；
对所述CT测量数据进行数据校正处理，获得校正后的CT测量数据；
将所述校正后的CT测量数据输入收敛的第一神经网络模型中生成并输出CT骨图像或软组织图像。


2.根据权利要求1所述的脏器组织高辨识成像方法，其特征在于，所述对所述CT测量数据进行数据校正处理，获得校正后的CT测量数据，包括：
基于传统非局部均值滤波算法对所述CT测量数据进行滤波处理，获得滤波后的CT测量数据；
将所述滤波后的CT测量数据输入收敛的第二神经网络模型中进行数据校正处理，输出校正后的CT测量数据。


3.根据权利要求2所述的脏器组织高辨识成像方法，其特征在于，所述基于传统非局部均值滤波算法对所述CT测量数据进行滤波处理，获得滤波后的CT测量数据，包括：
设CT测量数据为y，滤波后的CT测量数据为x，i和j分别表示滤波后的CT测量数据x和CT测量数据y的像素点，权值w(i,j)表示像素点i和j的相似度；
所述权值w(i,j)是由像素点i和j为中心的矩形领域Y(i)和Y(j)的距离确定的，如下：



基于所述权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的CT测量数据；
基于所述权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的CT测量数据的具体公式如下：
x(i)＝∑w(i,j)*y(j)；
其中，Z(i)表示归一化系数，δ2表示平滑参数。


4.根据权利要求2所述的脏器组织高辨识成像方法，其特征在于，所述第二神经网络模型为U-Net网络结构搭建的神经网络；
所述第二神经网络模型的训练过程如下：
获取配对的“CT测量数据-高剂量CT测量数据”数据集；
对所获取的“CT测量数据-高剂量CT测量数据”数据集进行最小-最大值归一化处理，获得归一化数据集；
利用所述归一化数据集对所述第二神经网络模型进行端到端进行训练，直至收敛或达到训练次数阈值。


5.根据权利要求1所述的脏器组织高辨识成...

【专利技术属性】
技术研发人员：谌高峰，张浩，蔡敏占，
申请(专利权)人：广州海兆印丰信息科技有限公司，
类型：发明
国别省市：广东;44