基于智能扫描协议的CT智能成像方法、装置及系统制造方法及图纸

本发明专利技术公开了一种基于智能扫描协议的CT智能成像方法、装置及系统，其中，所述方法包括：启动CT成像系统，获得CT三维定位像及病人文本信息；基于第一神经网络模型提取CT三维定位像中的解剖器官特征，以及基于第二神经网络模型提取病人文本信息中的病人体征信息；根据解剖器官特征和病人体征信息相结合确定用于优化辨别解剖器官特征的成像质量的每个角度下扫描协议参数及每个角度下图像成像参数；基于每个角度下扫描协议参数来对病人进行扫描测量，获得测量数据；基于每个角度下图像成像参数及测量数据进行CT图像重建，获得CT图像。在本发明专利技术实施例中，可实现优化CT扫描协议，在不增大计算量的前提下得到感兴趣区域的高质量成像。

【技术实现步骤摘要】
基于智能扫描协议的CT智能成像方法、装置及系统
本专利技术涉及医疗图像处理
，尤其涉及一种基于智能扫描协议的CT智能成像方法、装置及系统。
技术介绍
在目前医学CT影像装置中，影像医生或技师根据患者身材和脏器解剖形态的个体差异手动修改扫描协议来降低X射线辐射剂量同时保证CT影像质量，比如降低球管管电流、调节球管管电压等；X射线动态调制(dynamicfluencefieldmodulation，DFFM)技术，包括硬件导向的DFFM技术和软件技术导向的DFFM技术，可以用于优化CT扫描协议。上述两种DFFM技术均在不同程度上优化CT扫描协议，实现微辐射剂量扫描；但是，硬件导向的DFFM技术需要重新设计CT影像装置中硬件部分，这不利于新技术在已有设备上推广使用；而软件技术导向的DFFM技术则只针对全局图像，不能保证局部感兴趣区域成像质量，缺乏临床任务导向，且计算量巨大。
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智能扫描协议的CT智能成像方法、装置及系统，可实现优化CT扫描协议，在不增大计算量的前提下得到感兴趣区域的高质量成像。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智能扫描协议的CT智能成像方法，所述方法包括：启动CT成像系统，获得CT三维定位像及病人文本信息；基于第一神经网络模型智能提取所述CT三维定位像中的解剖器官特征，以及基于第二神经网络模型智能提取所述病人文本信息中的病人体征信息；根据所述解剖器官特征和所述病人体征信息相结合自动确定用于优化辨别所述解剖器官特征的成像质量的每个角度下扫描协议参数及每个角度下图像成像参数；基于所述每个角度下扫描协议参数来对病人进行扫描测量，获得测量数据；基于所述每个角度下图像成像参数及所述测量数据进行CT图像重建，获得CT图像。可选的，所述第一神经网络模型为U-Net神经网络模型，所述U-Net神经网络模型包含编码过程和解码过程，其中，所述编码过程采用残差块的结构，所述解码过程采用全卷积网络；所述第一神经网络模型的训练过程如下：定义训练集为S＝{(Xi,Yi),i＝1,2,3,...,n}，其中，Xi表示第i幅输入三维定位像，Yi∈{0,1,…,m,…,M}表示第i幅输入三维定位像的脏器标签，其中Yi＝m定义为不同的重建目标区域，所述第一神经网络模型是以端到端的方式进行训练，采用的第一损失函数为第一交叉熵函数，所述第一交叉熵函数定义如下：其中，表示第i幅输入三维定位像的第k个像素的概率，k＝{1,2,3,...,|Xi|}；|Xi|表示Xi总的像素个数；表示三维定位像水平预测的概率图，可以通过像素水平的所有计算得到；所述第一损失函数采用Adam算法迭代更新所述第一神经网络模型权值参数。可选的，所述第二神经网络模型为双向递归神经网络模型，所述双向递归神经网络模型包含向前推算的递归神经网络和向后推算的递归神经网络；所述第二神经网络模型的训练过程如下：定义训练集为D＝{(xj,yj),j＝1,2,3,...,h}，其中，xj表示j个病人输入的文本信息；yj为j个病人输入的体征标签信息；所述第二神经网络模型是以端到端的方式进行训练，采用的第二损失函数为第二交叉熵损失函数，所述第二交叉熵损失函数定义如下：其中，yt表示时刻t正确的词；表示第二神经网络模型预测的词；所述第二损失函数采用反向传播算法更新第二神经网络模型权值参数。可选的，所述解剖器官特征包括位置、方位、大小、形状和深度；所述病人体征信息包括年龄、性别、身高和体态。可选的，所述根据所述解剖器官特征和所述病人体征信息相结合自动确定用于优化辨别所述解剖器官特征的成像质量的每个角度下扫描协议参数及每个角度下图像成像参数，包括：构建目标方程进行优化，其中所述目标方程如下：式中，ΩA表示待求解的自适应扫描协议参数；ΩR表示待求解的自适应图像成像参数；S表示局部噪声功率谱的估计；T表示局部调制传递函数的估计；表示基于任务驱动结合病人驱动的参数估计，包含病人核心信息和CT三维定位像高维形态学特征、纹理特征即j表示成像任务索引序号；fx、fy、fz分别表示沿待重建三维图像f的x轴、y轴、z轴的方向分量；基于所述解剖器官特征和所述病人体征信息通过深度学习网络优化出所述解剖器官特征的成像质量的每个角度下扫描协议参数及每个角度下图像成像参数。可选的，所述图像成像参数包括滤波反投影、迭代重建和滤波核大小。可选的，所述滤波反投影的重建算法为：其中，f表示待重建的CT图像；P(w,θ)表示对应θ角度的单位投影的傅里叶变换；重建算法的里层的积分是P(w,θ)|w|的逆傅里叶变换，在空间域中，表示单位投影被一频域相应|w|的函数做滤波运输。可选的，所述迭代重建的重建算法目标函数为：其中，y表示CT投影数据；A表示图像投影的系统矩阵；表示正则化项；所述目标函数采用交替方向乘子法算法进行优化求解。另外，本专利技术实施例还提供了一种基于智能扫描协议的CT智能成像装置，所述装置包括：信息获得模块：用于启动CT成像系统，获得CT三维定位像及病人文本信息；智能提取模块：用于基于第一神经网络模型智能提取所述CT三维定位像中的解剖器官特征，以及基于第二神经网络模型智能提取所述病人文本信息中的病人体征信息；参数确定模块：用于根据所述解剖器官特征和所述病人体征信息相结合自动确定用于优化辨别所述解剖器官特征的成像质量的每个角度下扫描协议参数及每个角度下图像成像参数；扫描测量模块：用于基于所述每个角度下扫描协议参数来对病人进行扫描测量，获得测量数据；图像重建模块：用于基于所述每个角度下图像成像参数及所述测量数据进行CT图像重建，获得CT图像。另外，本专利技术实施例还提供了一种基于智能扫描协议的CT智能成像系统，所述系统包括计算机终端和CT设备终端，其中所述计算机终端和所述CT设备终端被配置为执行上述中任意一项所述的CT智能成像方法。在本专利技术实施例中，可实现优化CT扫描协议，在不增大计算量的前提下得到感兴趣区域的高质量成像。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。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智能扫描协议的CT智能成像方法的流程示意图；图2是本专利技术实施例中的基于智能扫描协议的CT智能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基于智能扫描协议的CT智能成像系统的结构组成示意图。本文档来自技高网...

【技术保护点】
1.一种基于智能扫描协议的CT智能成像方法，其特征在于，所述方法包括：/n启动CT成像系统，获得CT三维定位像及病人文本信息；/n基于第一神经网络模型智能提取所述CT三维定位像中的解剖器官特征，以及基于第二神经网络模型智能提取所述病人文本信息中的病人体征信息；/n根据所述解剖器官特征和所述病人体征信息相结合自动确定用于优化辨别所述解剖器官特征的成像质量的每个角度下扫描协议参数及每个角度下图像成像参数；/n基于所述每个角度下扫描协议参数来对病人进行扫描测量，获得测量数据；/n基于所述每个角度下图像成像参数及所述测量数据进行CT图像重建，获得CT图像。/n

【技术特征摘要】
1.一种基于智能扫描协议的CT智能成像方法，其特征在于，所述方法包括：
启动CT成像系统，获得CT三维定位像及病人文本信息；
基于第一神经网络模型智能提取所述CT三维定位像中的解剖器官特征，以及基于第二神经网络模型智能提取所述病人文本信息中的病人体征信息；
根据所述解剖器官特征和所述病人体征信息相结合自动确定用于优化辨别所述解剖器官特征的成像质量的每个角度下扫描协议参数及每个角度下图像成像参数；
基于所述每个角度下扫描协议参数来对病人进行扫描测量，获得测量数据；
基于所述每个角度下图像成像参数及所述测量数据进行CT图像重建，获得CT图像。


2.根据权利要求1所述的CT智能成像方法，其特征在于，所述第一神经网络模型为U-Net神经网络模型，所述U-Net神经网络模型包含编码过程和解码过程，其中，所述编码过程采用残差块的结构，所述解码过程采用全卷积网络；
所述第一神经网络模型的训练过程如下：
定义训练集为S＝{(Xi,Yi),i＝1,2,3,...,n}，其中，Xi表示第i幅输入三维定位像，Yi∈{0,1,…,m,…,M}表示第i幅输入三维定位像的脏器标签，其中Yi＝m定义为不同的重建目标区域，所述第一神经网络模型是以端到端的方式进行训练，采用的第一损失函数为第一交叉熵函数，所述第一交叉熵函数定义如下：



其中，表示第i幅输入三维定位像的第k个像素的概率，k＝{1,2,3,...,|Xi|}；|Xi|表示Xi总的像素个数；表示三维定位像水平预测的概率图，可以通过像素水平的所有计算得到；所述第一损失函数采用Adam算法迭代更新所述第一神经网络模型权值参数。


3.根据权利要求1所述的CT智能成像方法，其特征在于，所述第二神经网络模型为双向递归神经网络模型，所述双向递归神经网络模型包含向前推算的递归神经网络和向后推算的递归神经网络；
所述第二神经网络模型的训练过程如下：
定义训练集为D＝{(xj,yj),j＝1,2,3,...,h}，其中，xj表示j个病人输入的文本信息；yj为j个病人输入的体征标签信息；所述第二神经网络模型是以端到端的方式进行训练，采用的第二损失函数为第二交叉熵损失函数，所述第二交叉熵损失函数定义如下：



其中，yt表示时刻t正确的词；表示第二神经网络模型预测的词；所述第二损失函数采用反向传播算法更新第二神经网络模型权值参数。


4.根据权利要求1所述的CT智能成像方法，其特征在于，所述解剖器官特征包括位置、方位、大小、形状和深度；所述病人体征信息包括生化指标、年龄、性别、身高和体态。


5.根据权利要求1所述的CT智...

【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