基于深度卷积神经网络的CT图像处理方法、处理装置及电子设备制造方法及图纸

本发明专利技术提供了一种基于深度卷积神经网络的CT图像处理方法、装置及电子设备，其中的处理方法包括：获取包括有患者目标部位的原始厚层CT图像；对原始厚层CT图像实施去床及裁剪处理，获得裁剪后的厚层CT图像；对裁剪后的厚层CT图像实施归一化处理；根据患者目标部位的种类实施对厚层CT图像的尺寸调整及切片处理，获得具有预定尺寸的厚层CT图像；将厚层CT图像输入至训练好的深度卷积神经网络模型中，获得薄层CT预测图像；对薄层CT预测图像实施后处理，获得最终的薄层CT图像。本发明专利技术通过预先训练好的深度卷积神经网络模型，将厚层CT图像转换为高质量的薄层CT图像，进而提升了重建得到的DRR图像的质量，最终提高了与X

【技术实现步骤摘要】
基于深度卷积神经网络的CT图像处理方法、处理装置及电子设备


[0001]本专利技术涉及医疗领域，尤其涉及一种基于深度卷积神经网络的CT图像处理方法、处理装置及电子设备。

技术介绍

[0002]IGPS图像引导定位系统的核心是X射线图像与治疗计划CT图像的二维
‑
三维图像配准，一般来说，现从CT图像获得数字重建图像(DigitallyReconstructedRadiograph，DRR)，然后实施X射线图像与DRR图像的二维
‑
二维图像配准。CT图像的质量直接决定了DRR图像的质量，从而最终决定配准效果、配准成功率。
[0003]现阶段，医院大多采用厚度为5mm、3mm等厚度的厚层CT图像，这种厚层CT图像的层间距离大、层间分辨率低，因此生成的DRR图像的质量较差，直接了影响了其与X射线图像的配准效果、配准成功率。
[0004]针对头颈部、盆腔部，由于骨骼结构明显，采用这种厚层CT图像生成的DRR图像与X射线图像配准，效果尚且能够接受。但是，针对胸腹部，由于骨骼结构不明显，且会受到呼吸运动的干扰，此时，再采用这种厚层CT图像生成的DRR图像与X射线图像配准，大大降低了配准成功率并延长摆位验证所用的时间。。
[0005]传统的放射治疗过程中，对厚层CT图像大多采用基于灰度或者基于形状和基于灰度的图像断层间数据插值的方法。采用该方法得到的CT图像并没有较大改进，有时会出现失真现象，更严重的会出现锯齿形状的结果，而且重建得到的DRR图像在骨骼结构、纹理上并没有较大的改进，有时还增加很多伪影，与X
‑
ray图像进行配准的精度和成功率仍然需要进一步提高。

技术实现思路

[0006]为了解决传统的厚层CT图像处理方法存在的问题，本专利技术了一种基于深度卷积神经网络的CT图像处理方法、处理装置及电子设备。
[0007]本专利技术提出的基于深度卷积神经网络的CT图像处理方法，包括如下步骤：
[0008]获取包括有患者目标部位的原始厚层CT图像；
[0009]对原始厚层CT图像实施去床及裁剪处理，获得裁剪后的厚层CT图像；
[0010]对裁剪后的厚层CT图像实施归一化处理；
[0011]根据患者目标部位的种类实施对厚层CT图像的尺寸调整及切片处理，获得具有预定尺寸的厚层CT图像；
[0012]将厚层CT图像输入至训练好的与预定尺寸相对应的深度卷积神经网络模型中，获得薄层CT预测图像；
[0013]对薄层CT预测图像实施后处理，获得最终的薄层CT图像。
[0014]在一些实施例中，对原始厚层CT图像实施去床及裁剪处理，获得裁剪后的厚层CT
图像；包括：
[0015]计算原始厚层CT图像的最佳椭圆区域；
[0016]对最佳椭圆区域的图像进行图像处理，获得多个连通区域；
[0017]将多个连通区域按照预设阈值要求整合得到一个区域，并根据整合后的区域获取去床后的CT厚层图像；
[0018]计算去床后的厚层CT图像的最大轮廓边界；
[0019]根据最大轮廓边界裁剪去床后的厚层CT图像，获得裁剪后的厚层CT图像。
[0020]在一些实施例中，计算原始厚层CT图像的最佳椭圆区域，包括：对原始厚层CT图像进行二值化处理，获得二值图像；对二值图像进行边缘检测及形态学运算，获取图像集中的最大二值图像；求取长半轴、短半轴和所述最大二值图像的质心，获得最佳椭圆区域；
[0021]对所述最佳椭圆区域的图像进行图像处理，获得多个连通区域，包括：对最佳椭圆区域的图像进行二值化处理，获取二值图像；对二值图像进行处理获得多个连通区域。
[0022]在一些实施例中，患者目标部位包括头颈部、盆腔部及胸腹部，其中：
[0023]患者目标部位为头颈部或盆腔部时，根据所述患者目标部位的种类实施对厚层CT图像的尺寸调整及切片处理，获得具有预定尺寸的厚层CT图像，包括：
[0024]将裁剪后的厚层CT图像的尺寸调整为第一尺寸；
[0025]对完成尺寸调整的厚层CT图像实施切片处理，获得第一厚层CT图像集；
[0026]患者目标部位为胸腹部时，根据所述患者目标部位的种类实施对厚层CT图像的尺寸调整及切片处理，获得具有预定尺寸的厚层CT图像，包括：
[0027]将裁剪后的厚层CT图像的尺寸调整为第一尺寸；
[0028]从裁剪后的厚层CT图像中获取具有第二尺寸的脊柱区域的局部图像；
[0029]对完成尺寸调整的厚层CT图像及获取到的局部图像分别实施切片处理，获得第二厚层CT图像集和第三厚层CT图像集。
[0030]在一些实施例中，深度卷积神经网络模型包括对应于第一尺寸图像的第一深度卷积神经网络模型和对应于第二尺寸图像的第二深度卷积神经网络模型；
[0031]患者目标部位为头颈部或盆腔部时，将所述厚层CT图像输入至训练好的与预定尺寸相对应的深度卷积神经网络模型中，获得薄层CT预测图像，包括：
[0032]将第一厚层CT图像集输入至第一深度卷积神经网络模型内，获得第一薄层CT预测图像；
[0033]患者目标部位为胸腹部时，将所述厚层CT图像输入至训练好的与预定尺寸相对应的深度卷积神经网络模型中，获得薄层CT预测图像，包括：
[0034]将第二厚层CT图像集输入至第一深度卷积神经网络模型内，获得第二薄层CT预测图像；
[0035]将第三厚层CT图像集输入至第二深度卷积神经网络模型内，取得第三薄层CT预测图像。
[0036]在一些实施例中，患者目标部位为头颈部或盆腔部时，对所述薄层CT预测图像实施后处理，获得最终的薄层CT图像，包括：
[0037]将第一薄层CT预测图像的尺寸恢复为与裁剪后的厚层CT图像的尺寸一致；
[0038]对完成尺寸调整后的第一薄层CT预测图像实施反归一化处理；
[0039]将完成反归一化处理后的第一薄层CT预测图像的尺寸调整为与原始厚层CT图像一致，即获得最终的薄层CT图像；
[0040]患者目标部位为胸腹部时，对所述薄层CT预测图像实施后处理，获得最终的薄层CT图像，包括：
[0041]将第二薄层CT预测图像的尺寸恢复为与裁剪后的厚层CT图像的尺寸一致；
[0042]使用第三薄层CT预测图像替换第二薄层CT预测图像中的对应区域的图像，获得融合后的薄层CT预测图像；
[0043]对融合后的薄层CT预测图像实施反归一化处理；
[0044]将完成反归一化处理后的融合后的薄层CT预测图像的尺寸调整为与原始厚层CT图像一致，即获得最终的薄层CT图像。
[0045]在一些实施例中，第一尺寸为256
×
256，第二尺寸为128
×
128。
[0046]本专利技术提出的基于深度卷积神经网络的CT图像处理装置，包括：
[0047]图像获取模块，用于获取包括有患者目标部位的原始厚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的CT图像处理方法，其特征在于，其包括：获取包括有患者目标部位的原始厚层CT图像；对所述原始厚层CT图像实施去床及裁剪处理，获得裁剪后的厚层CT图像；对所述裁剪后的厚层CT图像实施归一化处理；根据所述患者目标部位的种类实施对所述厚层CT图像的尺寸调整及切片处理，获得具有预定尺寸的厚层CT图像；将所述厚层CT图像输入至训练好的与所述预定尺寸相对应的深度卷积神经网络模型中，获得薄层CT预测图像；对所述薄层CT预测图像实施后处理，获得最终的薄层CT图像。2.如权利要求1所述的基于深度卷积神经网络的CT图像处理方法，其特征在于，所述对所述原始厚层CT图像实施去床及裁剪处理，获得裁剪后的厚层CT图像；包括：计算所述原始厚层CT图像的最佳椭圆区域；对所述最佳椭圆区域的图像进行图像处理，获得多个连通区域；将多个连通区域按照预设阈值要求整合得到一个区域，并根据整合后的区域获取去床后的CT厚层图像；计算所述去床后的厚层CT图像的最大轮廓边界；根据所述最大轮廓边界裁剪所述去床后的厚层CT图像，获得所述裁剪后的厚层CT图像。3.如权利要求2所述的基于深度卷积神经网络的CT图像处理方法，其特征在于，所述计算所述原始厚层CT图像的最佳椭圆区域，包括：对所述原始厚层CT图像进行二值化处理，获得二值图像；对所述二值图像进行边缘检测及形态学运算，获取图像集中的最大二值图像；求取长半轴、短半轴和所述最大二值图像的质心，获得最佳椭圆区域；所述对所述最佳椭圆区域的图像进行图像处理，获得多个连通区域，包括：对所述最佳椭圆区域的图像进行二值化处理，获取二值图像；对所述二值图像进行处理获得多个连通区域。4.如权利要求1所述的基于深度卷积神经网络的CT图像处理方法，其特征在于，所述患者目标部位包括头颈部、盆腔部及胸腹部，其中：所述患者目标部位为头颈部或盆腔部时，所述根据所述患者目标部位的种类实施对所述厚层CT图像的尺寸调整及切片处理，获得具有预定尺寸的厚层CT图像，包括：将所述裁剪后的厚层CT图像的尺寸调整为第一尺寸；对完成尺寸调整的所述厚层CT图像实施切片处理，获得第一厚层CT图像集；所述患者目标部位为胸腹部时，所述根据所述患者目标部位的种类实施对所述厚层CT图像的尺寸调整及切片处理，获得具有预定尺寸的厚层CT图像，包括：将所述裁剪后的厚层CT图像的尺寸调整为第一尺寸；从所述裁剪后的厚层CT图像中获取具有第二尺寸的脊柱区域的局部图像；对完成尺寸调整的所述厚层CT图像及获取到的所述局部图像分别实施切片处理，获得第二厚层CT图像集和第三厚层CT图像集。5.如权利要求4所述的基于深度卷积神经网络的CT图像处理方法，其特征在于：
所述深度卷积神经网络模型包括对应于第一尺寸图像的第一深度卷积神经网络模型和对应于第二尺寸图像的第二深度卷积神经网络模型；所述患者目标部位为头颈部或盆腔部时，所述将所述厚层CT图像输入至训练好的与所述预定尺寸相对应的深度卷积神经网络模型中，获得薄层CT预测图像，包括：将所述第一厚层CT图像集输入至所述第一深度卷积神经网络模型内，获得第一薄层CT预测图像；所述患者目标部位为胸腹部时，所述将所述厚层CT图像输入至训练好的与所述预定尺寸相对应的深度卷积神经网络模型中，获得薄层CT预测图像，包括：将所述第二厚层CT图像集输入至所述第一深度卷积神经网络模型内，获得第二薄层CT预测图像；将所述第三厚层CT图像集输入至所述第二深度卷积神经网络模型内，取得第三薄层CT预测图像。6.如权利要求5所述的基于深度卷积神经网络的CT图像处理方...

【专利技术属性】
技术研发人员：菅影超，马善达，吴烨峰，王虹，陈佳琪，
申请(专利权)人：江苏瑞尔医疗科技有限公司，
类型：发明
国别省市：