一种利用双平面X光图片重建CT图片的方法技术

本发明专利技术公开一种利用双平面X光图片重建CT图片的方法，包括步骤一、数据集处理获得训练集和测试集，步骤二、TRCT

【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，但是该方法在网络的特征提取部分丢失很多有价值的信息，二维特征到三维特征的转换不稳定，导致重建的CT在复杂解剖结构的部位没有清晰的边界和内部纹理，有较多的伪影存在，因此，本专利技术提出一种利用双平面X光图片重建CT图片的方法以解决现有技术中存在的问题。

技术实现思路

[0004]针对上述问题，本专利技术的目的在于提出一种利用双平面X光图片重建CT图片的方法，该利用双平面X光图片重建CT图片的方法通过加入动态注意力模块，大大增强了特征的上下文关联，同时通过Transformer网络模块的加入，增强X光图片的特征表示，让二维特征在转换为三维特征的过程中保留更多有价值的特征，添加感知损失函数优化投影损失函数，有效避免了正交投影造成的信息损失，进一步确保了CT图的重建效果，保留了图像更多的细节。
[0005]为实现本专利技术的目的，本专利技术通过以下技术方案实现：一种利用双平面X光图片重建CT图片的方法，包括以下步骤：
[0006]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；
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]进一步改进在于：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。
[0012]进一步改进在于：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。
[0013]进一步改进在于：所述步骤二中编码器和解码器的2D特征和3D特征桥接过程加入Transformer网络进行处理，具体为先将二维特征变为一维特征，经过嵌入层并加入位置编码，然后经过Layernorm层和多头自注意力层形成残差连接，最后再经过Layernorm层和前馈层后形成残差连接输出特征。
[0014]进一步改进在于：所述步骤三中对抗损失函数为LSGAN中的对抗损失函数，表达式如下
[0015][0016][0017]其中x为输入的两张X光图片，y为重建的CT图，p表示所对应的数据分布情况，E表示最大似然估计，D表示鉴别器，G表示生成器，鉴别器和生成器交替训练。
[0018]进一步改进在于：所述步骤三中的重建损失函数和投影损失函数分别由下式表达
[0019][0020][0021]其中P
ap
(
·
)表示轴向平面上的投影，P
cp
(
·
)表示冠状面上的投影，P
sp
(
·
)表示矢状面上的投影，x为输入的两张X光图片，y为重建的CT图，E表示最大似然估计。
[0022]进一步改进在于：所述步骤三中利用感知损失函数优化投影损失函数具体表达式如下
[0023][0024]其中V表示输入已经过VGG预训练模型，VGG预训练模型为已经训练好的用来提取图像特征的网络模型，包括13个卷积层和3个全连接层。
[0025]进一步改进在于：所述步骤四中网络训练时使用Adam优化器进行训练，网络初始学习率为4
×
e
‑4，动量参数β1＝0.5，β2＝0.99，共训练100次，在训练第70次后使用线性学习衰减策略降低学习率直至最后一次训练后学习率为0。
[0026]本专利技术的有益效果为：本专利技术通过加入动态注意力模块，大大增强了特征的上下文关联，同时通过Transformer网络模块的加入，增强X光图片的特征表示，让二维特征在转换为三维特征的过程中保留更多有价值的特征，添加感知损失函数优化投影损失函数，有效避免了正交投影造成的信息损失，进一步确保了CT图的重建效果，保留了图像更多的细节；
[0027]经过本专利技术重建的CT图片是对低成本的X光图片的一个良好的补充和增强，具有巨大的临床价值。
附图说明
[0028]图1为本专利技术实施例1方法流程图。
[0029]图2为本专利技术实施例1的TRCT
‑
GAN网络生成器模型结构图。
[0030]图3为本专利技术实施例1动态注意力模块结构图。
[0031]图4为本专利技术实施例1跳转连接模块结构图。
[0032]图5为本专利技术实施例1的Transformer网络模块结构图。
[0033]图6为本专利技术实施例2定性分析的评估结果标记图。
[0034]图7为本专利技术实施例2从CT的侧面比较实施例1方法的重建效果标记图。
具体实施方式
[0035]为了加深对本专利技术的理解，下面本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：王宇锋，
申请(专利权)人：安徽大学，
类型：发明
国别省市：