【技术实现步骤摘要】
一种利用双平面X光图片重建CT图片的方法
[0001]本专利技术涉及医学成像
，尤其涉及一种利用双平面X光图片重建CT图片的方法。
技术介绍
[0002]如今X射线成像已经是一项成熟的医学成像技术，在医学领域有着广泛的应用，最常见的X光图片可以让我们无创地看到身体内部，例如组织、器官、骨骼等，这些组织和器官重叠地投影在二维平面上，导致很多软组织和器官难以辨别；计算机断层扫描(CT)是一种成像设备，它通过X射线设备在身体周围旋转时捕获一组X射线生成3D体积；CT使组织和器官在三维空间中呈现，解决了器官和软组织重叠的问题；然而，相对于X光机，CT扫描会给患者带来更多的辐射剂量，此外，CT扫描仪通常也比X光机成本更高。目前使用数百个X射线投影，利用标准的重建算法可以精确重建出3D的CT，但是数据的采集是需要X射线设备在身体周围旋转的，很显然这无法在X光机上实现；
[0003]现有基于深度学习生成对抗网络(GAN)的网络框架X2CT
‑
GAN已用于从单个肺部X光图片和双平面肺部X光图片重建肺部CT，但...
【技术保护点】
【技术特征摘要】
1.一种利用双平面X光图片重建CT图片的方法，其特征在于，包括以下步骤：步骤一、数据集处理，获取1018张CT图片，利用数字重建放射影像技术分别合成1018张正面X光图片和1018张侧面X光图片，并将其中的916组双平面X光图片和对应的CT图片作为训练集，剩余的作为测试集；步骤二、网络模型建立，基于包含3D生成器和3D鉴别器的X2CT
‑
GAN网络框架，在3D生成器的编码器和解码器中加入动态注意力模块和Transformer网络，并使用PatchGan作为3D鉴别器网络，初步构建获得TRCT
‑
GAN网络模型；步骤三、损失函数的优化，基于包含对抗损失函数、重建损失函数和投影损失函数的X2CT
‑
GAN网络框架，在TRCT
‑
GAN网络模型中的投影损失函数中加入感知损失函数进行优化，获得最终的TRCT
‑
GAN网络模型；步骤四、模型的训练，利用训练集和测试集对TRCT
‑
GAN网络模型进行训练和测试，获得训练后的TRCT
‑
GAN网络模型；步骤五、CT图片的重建，将患者的正面X光图片和对应的侧面X光图片作为TRCT
‑
GAN网络模型的输入，由TRCT
‑
GAN网络输出获得重建的CT图片。2.根据权利要求1所述的一种利用双平面X光图片重建CT图片的方法，其特征在于：所述步骤二中TRCT
‑
GAN网络模型的3D生成器包含两个并行的编码器和解码器，在编码器和解码器中加入动态注意力模块，后在编码器和解码器之间添加跳转连接模块，并在解码器中加入融合网络模块。3.根据权利要求1所述的一种利用双平面X光图片重建CT图片的方法，其特征在于：所述步骤二中动态注意力模块由包含动态注意力权值的耦合注意力分支与非注意力分支构成。4.根据权利要求1所述的一种利用双平面X光图片重...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。