基于人工智能的CBCT图像增强方法、装置和存储介质制造方法及图纸

本发明专利技术提供一种基于人工智能的CBCT图像增强方法、装置和存储介质，本发明专利技术的CBCT图像增强方法包括如下步骤：S1：准备成对的CBCT与CT训练图像数据；S2：使用准备好的成对CBCT与CT训练图像数据训练学习网络，以得到将CBCT图像转换成CT图像的网络模型；S3：将CBCT图像输入网络模型，以得到增强后的CBCT图像。通过本发明专利技术方法增强的CBCT图像噪声更小、对比度高、CT值更准确，可以有效提高临床医生摆位精度和摆位速度，而且通过本方法处理后的CBCT图像，更有利于自适应计划的制作，进一步提高放疗效果。果。果。

【技术实现步骤摘要】
基于人工智能的CBCT图像增强方法、装置和存储介质


[0001]本专利技术涉及图像处理
，尤其涉及一种基于人工智能的CBCT图像增强方法、装置和存储介质。

技术介绍

[0002]为满足物理师和技师在放疗患者临床摆位验证方面的需求，可采用锥形束电子计算机断层扫描(Cone Beam Computed Tomography，CBCT)技术获取治疗室内患者的三维容积影像，然后与计划CT影像进行三维配准确定患者摆位偏差，至此医护人员可根据该摆位偏差修正患者的摆位。
[0003]与诊断用CT相比，CBCT球管的电流和曝光时间相对较小，机架旋转一圈探测器的采样次数更少，且CBCT探测器与CT探测器相比，受散射影响更大，灵敏度低。因此CBCT图像比CT图像噪声大、对比度低，这将影响医生摆位的精度，为了解决此问题，需要对CBCT图像进行增强。
[0004]现有技术中，通常采用如下方法对CBCT图像进行增强：
[0005]1、在图像空间域使用各种卷积算子进行图像降噪和边缘增强，例如高斯算子、canny算子、拉普拉斯算子等；
[0006]2、在频域进行高通滤波，去除图像中的低频信息，降低图像的噪声；
[0007]3、对图像的灰度直方图进行处理，增加图像的对比度。
[0008]但是现有技术的鲁棒性不强，对于不同的图像的效果不能完全保持一致，而且去除噪声的过程中不可避免的会损失部分图像信息，导致图像边缘变模糊，在图像对比度增强后，可能会改变图像CT值。

技术实现思路

[0009]为了解决上述技术问题，本专利技术公开了一种基于人工智能的CBCT图像增强方法、装置和存储介质，通过本专利技术方法增强的CBCT图像噪声更小、对比度高、CT值更准确，可以有效提高临床医生摆位精度和摆位速度，而且之前受限于CBCT较差的CT值准确性，自适应计划无法顺利实施，通过本方法处理后的CBCT图像，更有利于自适应计划的制作，进一步提高放疗效果。
[0010]具体地，本专利技术提供了一种基于人工智能的CBCT图像增强方法，其包括如下步骤：S1：准备成对的CBCT与CT训练图像数据；S2：使用准备好的成对CBCT与CT训练图像数据训练学习网络，以得到将CBCT图像转换成CT图像的网络模型；S3：将CBCT图像输入网络模型，以得到增强后的CBCT图像。
[0011]在进一步的技术方案中，步骤S1包括：S11：使用配准框架对CBCT图像与CT图像进行配准；S12：对配对好的CBCT图像与CT图像进行像素归一化以及灰度值归一化处理。
[0012]在进一步的技术方案中，步骤S11包括：S111：对CBCT图像与CT图像进行刚性配准，以矫正全局大尺度偏移；S112：在进行刚性配准后，对CBCT图像与CT图像进一步进行弹性配
准，以保证两组图像中体内组织一一对应。
[0013]在进一步的技术方案中，在步骤S2中，基于pix2pix
‑
gans模型来进行深度学习，pix2pix
‑
gans模型包括生成器和判别器，生成器基于输入的CBCT图像生成伪CT图像，判别器用于区分CBCT图像与伪CT图像。
[0014]在进一步的技术方案中，所述生成器采用U
‑
Net结构，所述判别器使用PatchGAN结构。
[0015]在进一步的技术方案中，所述U
‑
Net结构采用将输入图像先降采样到低维度，再升采样到原始分辨率的结构，且加入skip
‑
connection，对应的feature maps和decode之后的同样大小的feature maps按通道拼一起，用来保留不同分辨率下像素级的细节信息。
[0016]在进一步的技术方案中，所述PatchGAN结构使用GAN用于构建高频信息，通过对图像的每个大小为N x N的patch进行真假判别，并将一张图片所有patch的结果取平均作为最终的判别器输出。
[0017]在进一步的技术方案中，在步骤S12中，将像素大小统一为1mm，将灰度值限制在(
‑
1024,2048)，若像素灰度值小于
‑
1024则置为
‑
1024，若像素灰度值大于2048则置为2048，然后将灰度值归一化到(
‑
1，1)。
[0018]本专利技术还提供了一种基于人工智能的CBCT图像增强装置，其包括：CBCT与CT训练图像数据准备模块，用于准备成对的CBCT与CT训练图像数据；网络模型训练模块，用于使用准备好的成对CBCT与CT训练图像数据训练学习网络，以得到将CBCT图像转换成CT图像的网络模型；增强CBCT图像输出模块，用于将CBCT图像输入网络模型，以得到增强后的CBCT图像。
[0019]本专利技术另外提供了一种计算机存储介质，其存储有计算机程序，所述计算机程序在被运行时执行如上所述的方法。
[0020]本专利技术中的算法可以在完全保持原有边缘的情况下，去除图像中的噪声，且去噪效果比现有技术更好。
附图说明
[0021]图1是本专利技术的CBCT图像增强方法流程示意图；
[0022]图2是本专利技术的图像配准的流程示意图；
[0023]图3A是配准前的CBCT与CT图像；
[0024]图3B是对CBCT与CT图像进行刚性配准后的结果；
[0025]图3C是对CBCT与CT图像进行弹性配准后的结果；
[0026]图4是本专利技术的pix2pix
‑
gans网络结构的示意图；
[0027]图5是本专利技术的生成器u
‑
net网络结构的示意图。
具体实施方式
[0028]下面结合具体实施例对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。
[0029]在本专利技术中，设计了一个深度学习模型，使用该模型可以将CBCT图像转换成CT图像，经过转换后，CBCT图像质量与CT接近，图像中的噪声和伪影明显消失，图像对比度也得
到增强。
[0030]如图1所示，本专利技术的基于人工智能的CBCT图像增强方法可以包括如下步骤：
[0031]1、准备CBCT与CT的成对数据，CT图像通过CT模拟定位机获得，CBCT的获取时间与CT接近，为了保证CBCT与CT图像空间信息一致，先使用刚性配准将CT与CBCT整体轮廓匹配上，再使用弹性配准保证两组图像中体内组织一一对应。
[0032]2、将配对好的CBCT和CT图像做像素大小归一化、灰度值归一化。
[0033]3、使用准备好的CBCT与CT图像训练深度学习网络，得到将CBCT转换成CT图像的网络模型；
[0034]4、后续再次重建CBCT时，将重建好的CBCT图像输入网络模型，即可得到增强后的图像。
[0035]由于病人的CBCT和CT数据是在不同的时刻采集的，因此存在一定的偏移和变形，因此在训练模型前，需要使用配准框架对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的CBCT图像增强方法，其特征在于，包括如下步骤：S1：准备成对的CBCT与CT训练图像数据；S2：使用准备好的成对CBCT与CT训练图像数据训练学习网络，以得到将CBCT图像转换成CT图像的网络模型；S3：将CBCT图像输入网络模型，以得到增强后的CBCT图像。2.根据权利要求1所述的方法，其特征在于，步骤S1包括：S11：使用配准框架对CBCT图像与CT图像进行配准；S12：对配对好的CBCT图像与CT图像进行像素归一化以及灰度值归一化处理。3.根据权利要求2所述的方法，其特征在于，步骤S11包括：S111：对CBCT图像与CT图像进行刚性配准，以矫正全局大尺度偏移；S112：在进行刚性配准后，对CBCT图像与CT图像进一步进行弹性配准，以保证两组图像中体内组织一一对应。4.根据权利要求1所述的方法，其特征在于，在步骤S2中，基于pix2pix
‑
gans模型来进行深度学习，pix2pix
‑
gans模型包括生成器和判别器，生成器基于输入的CBCT图像生成伪CT图像，判别器用于区分CBCT图像与伪CT图像。5.根据权利要求4所述的方法，其特征在于，所述生成器采用U
‑
Net结构，所述判别器使用PatchGAN结构。6.根据权利要求5所述的方法，其特征在于，所述U
‑
Net结构采用将输入图像先降采样到低维度，再升采样到原始分辨率的结构...

【专利技术属性】
技术研发人员：费旋珈，姚毅，
申请(专利权)人：苏州雷泰医疗科技有限公司，
类型：发明
国别省市：