将CBCT图像生成为CT图像的方法、装置及终端设备制造方法及图纸

本发明专利技术涉及图像处理领域，其实施方式提供了一种将CBCT图像生成为CT图像的方法，所述方法包括：将待转化的CBCT图像输入训练好的CycleGAN模型，生成对应的CT图像；所述训练好的CycleGAN模型采用以下步骤获得：选择或构建CycleGAN模型；采用CBCT图像和CT图像组成的训练样本对所述CycleGAN模型进行训练。同时还提供了对应的将CBCT图像生成为CT图像的装置，以及一种终端设备。本发明专利技术提供的实施方式适用于医学图像中的CBCT图像与CT图像的相互转化。

【技术实现步骤摘要】
将CBCT图像生成为CT图像的方法、装置及终端设备
本专利技术涉及图像处理领域，特别涉及一种将CBCT图像生成为CT图像的方法、一种将CBCT图像生成为CT图像的装置、一种终端设备以及对应的存储介质。
技术介绍
颌面部骨折是交通事故、意外伤害、竞技运动等事故中常见的外伤类型。因为其解剖结构复杂多样，仅依靠临床症状及体征的诊断难度较大，常需要影像学的辅助诊断。其中锥形束CT(CBCT)的三维影像既能够更加清晰、直观地表现骨折的位置及移位的方向，又拥有传统CT所不具备的放射剂量低、空间分辨率高、应用方便等优点，近年来被广泛应用于颌面部肿瘤、整形等手术和关节病的辅助检查中。上述优点也使得CBCT在冬奥会等大型活动的现场外伤急症救治的诊疗中具有较好的应用前景。然而CBCT图像中包含大量信息，仅通过临床医生的视觉检查难以全面准确评估诸如骨骼结构、边界和隐匿骨折线等细节。因此，传统诊疗模式在处理以“快速、准确、高效”为特点的大型赛事及突发事件现场的救治存在较大困难。近年来，深度学习技术已逐步用于医学领域，在检测癌症、白内障、骨折、脑出血等疾病方面均有较好的效果。其中卷积神经网络(CNN)是医学图像诊断方面最尖端的技术，其高精确性和稳定性弥补了人眼诊断漏诊和误诊的不足，在肺结核、肺结节CT图像、乳腺癌、脑部病变及白内障分级等疾病分类的精确度已证明达到了人类专家的级别。基于CBCT的颌面部骨折的人工智能诊断技术诊断需要基于一定数量CBCT的数据库训练，但目前颌面部骨折多使用螺旋CT辅助诊断，CBCT数据量不足，使得训练效果难以达到诊断要求。GAN(GenerativeAdversarialNetworks)：生成式对抗网络，是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。CycleGAN属于GAN的其中一种。
技术实现思路
有鉴于此，本专利技术旨在提出一种将CBCT图像生成为CT图像的方法、装置及设备，以至少部分地解决上述问题。在本专利技术的第一方面，提供了一种将CBCT图像生成为CT图像的方法，所述方法包括：将待转化的CBCT图像输入训练好的CycleGAN模型，生成对应的CT图像；所述训练好的CycleGAN模型采用以下步骤获得：选择或构建CycleGAN模型；采用CBCT图像和CT图像组成的训练样本对所述CycleGAN模型进行训练。可选的，所述CycleGAN模型包括两个生成器和两个判别器，所述生成器采用U-Net结构，所述判别器采用PatchGAN结构，所述CycleGAN模型的损失函数由身份损失、对抗损失及循环一致性损失组成，利用梯度下降法进行循环反复的模型权重更新。可选的，所述CBCT图像和CT图像组成的训练样本，包括：从由CT样本和CBCT样本组成的训练数据集中，选择CT图像和CBCT图像组成图像对；将所述图像对进行预处理后得到所述训练样本。可选的，所述将所述图像对进行预处理后得到所述训练样本，包括：将所述图像对中的CT图像的亨氏单位值或CBCT图像的像素灰度值映射至预设范围；提取像素灰度值映射后的图像对中的图像区域；对所述图像区域的灰度进行归一化，得到所述训练样本。可选的，所述将所述图像对中的CT图像的亨氏单位值或CBCT图像的像素灰度值映射至预设范围，包括：将CT图像的亨氏单位值或CBCT图像的像素灰度值按照线性映射至[0,255]，映射公式如下：y＝(x－xmin)/(xmax－xmin)*255其中，y表示映射后的值，xmin表示CT最小的亨氏单位值或CBCT最小的像素灰度值，xmax表示CT最大的亨氏单位值或CBCT最大的像素灰度值。可选的，所述提取像素灰度值映射后的图像对中的图像区域，包括：采用大津阈值分割法获取所述像素灰度值映射后的图像的二值掩膜图；采用形态学开闭运算对所述二值掩膜图进行处理；用处理后的二值掩膜图与预处理前的图像对进行点乘运算，得到中间图像；将所述二值掩膜图进行形态学膨胀运算，生成图像选择框；采用所述图像选择框从所述中间图像中提取出所述图像区域。可选的，所述对所述图像区域的灰度进行归一化，包括：将所述图像区域的灰度范围从所述预设范围变换为[-1,1]之间。可选的，所述训练好的CycleGAN模型，包括：采用包括多例CT样本和多例CBCT样本组成的训练数据集，迭代训练预设轮数；其中每例CT和CBCT样本均为由多张图像组成的图像序列。在本专利技术的第二方面，还提供了一种将CBCT图像生成为CT图像的装置，所述装置包括：图像输入模块，用于获取待转化的CBCT图像；模型运算模块，用于将所述待转化的CBCT图像经过训练好的CycleGAN模型，生成对应的CT图像；图像输出模块，用于输出所述对应的CT图像。在本专利技术的第三方面，还提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前述将CBCT图像生成为CT图像的方法的步骤。在本专利技术第四方面，还提供一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的将CBCT图像生成为CT图像的方法。通过本专利技术提供的上述技术方案，具有以下有益效果：本专利技术拟基于卷积神经网络算法，对颌面部骨折CBCT数据进行算法转换，生成对应CT图像特征的数据模型。进而对数据模型进行深度学习训练，测试集模型验证，借助人类经验学习人工智能辅助冻伤和颌面创伤诊断，形成智能化诊断平台，提高疾病诊治的稳定性和反应效率。本专利技术的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明构成本专利技术的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施方式及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是本专利技术一种实施方式提供的将CBCT图像生成为CT图像的方法的流程示意图；图2是本专利技术一种实施方式提供的提取图像区域步骤的实施示意图；图3是本专利技术一种实施方式提供的将CBCT图像生成为CT图像的装置的结构示意图；图4是本专利技术一种实施方式提供的终端设备的示意图。具体实施方式需要说明的是，在不冲突的情况下，本专利技术中的实施方式及实施方式中的特征可以相互组合。以下结合附图对本专利技术的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本专利技术，并不用于限制本专利技术。图1是本专利技术一种实施方式提供的将CBCT图像生成为CT图像的方法的流程示意图，如图1所示。在本专利技术的第一方面，提供了一种将CBCT图像生成为CT图像的方法，所述方法包括：选择或构建CycleGAN模型；采用CBCT图像和CT图像组成的训练样本对所述CycleGAN模型进行训练；将待转化的CBCT图像输入训练好的CycleGAN模型，生成对应的CT图像。在实际的实施方式中，上述的步骤可分为训练好的CycleGAN模型的构建步骤和使用步骤，即构建和使用可以是分离的。通过本本文档来自技高网...

【技术保护点】
1.一种将CBCT图像生成为CT图像的方法，其特征在于，所述方法包括：/n将待转化的CBCT图像输入训练好的CycleGAN模型，生成对应的CT图像；所述训练好的CycleGAN模型采用以下步骤获得：/n选择或构建CycleGAN模型；/n采用CBCT图像和CT图像组成的训练样本对所述CycleGAN模型进行训练。/n

【技术特征摘要】
1.一种将CBCT图像生成为CT图像的方法，其特征在于，所述方法包括：
将待转化的CBCT图像输入训练好的CycleGAN模型，生成对应的CT图像；所述训练好的CycleGAN模型采用以下步骤获得：
选择或构建CycleGAN模型；
采用CBCT图像和CT图像组成的训练样本对所述CycleGAN模型进行训练。


2.根据权利要求1所述的方法，其特征在于，所述CycleGAN模型包括两个生成器和两个判别器，所述生成器采用U-Net结构，所述判别器采用PatchGAN结构，所述CycleGAN模型的损失函数由身份损失、对抗损失及循环一致性损失组成，利用梯度下降法进行循环反复的模型权重更新。


3.根据权利要求1所述的方法，其特征在于，所述CBCT图像和CT图像组成的训练样本，包括：
从由CT样本和CBCT样本组成的训练数据集中，选择CT图像和CBCT图像组成图像对；
将所述图像对进行预处理后得到所述训练样本。


4.根据权利要求3所述的方法，其特征在于，所述将所述图像对进行预处理后得到所述训练样本，包括：
将所述图像对中的CT图像的亨氏单位值或CBCT图像的像素灰度值映射至预设范围；
提取像素灰度值映射后的图像对中的图像区域；
对所述图像区域的灰度进行归一化，得到所述训练样本。


5.根据权利要求4所述的方法，其特征在于，所述将所述图像对中的CT图像的亨氏单位值或CBCT图像的像素灰度值映射至预设范围，包括：将CT图像的亨氏单位值或CBCT图像的像素灰度值按照线性映射至[0,255]，映射公式如下：
y＝(x－xmin)/(xmax－xmin)*255
其中，y表...

【专利技术属性】
技术研发人员：徐子能，贺洋，揭璧朦，张益，仝雁行，彭歆，丁鹏，白海龙，
申请(专利权)人：北京羽医甘蓝信息技术有限公司，北京大学口腔医学院，
类型：发明
国别省市：北京;11