一种基于深度学习的CT三维数据处理方法技术

本发明专利技术涉及一种基于深度学习的CT三维数据处理方法，属于安检图像技术领域，解决了现有技术中计算资源使用率低以及压缩效率低等问题。通过获取CT安检HLX数据，经采样，得到稀疏数据；利用预训练的自编码器对稀疏数据进行处理，得到编码后的稀疏数据并存储；在使用时，利用预训练的自编码器，对编码后的稀疏数据进行解码处理，得到稀疏数据；利用预训练的生成器对稀疏数据进行处理，获得补间角度数据；基于补间角度数据，恢复CT安检HLX数据，进而得到CT安检三维图像。该方法对CT安检HLX数据进行采样、压缩、存储，压缩效率高；使用经过训练的自编码器和生成器，使得CT安检三维图像损失极小；对多种数据进行统一采样，计算资源利用率高。高。高。

【技术实现步骤摘要】
一种基于深度学习的CT三维数据处理方法


[0001]本专利技术涉及安检图像
，尤其涉及一种基于深度学习的CT三维数据处理方法。

技术介绍

[0002]现今安检CT技术的高速发展，产生了大量的安检CT三维图像，随之带来的CT数据量成倍的增加。CT三维图像的数据量很大，如何有效、经济、快速地存储、传输和显示这些数据就越来越成为难点。
[0003]目前关于安检CT三维图像压缩分有损压缩和无损压缩两种，无损压缩包括Huffman(霍夫曼)编码、algorithm(算术)编码等压缩方法。这种压缩率比较低。有损压缩包括DCT(离散余弦)编码、Predictive(预测)编码、vector quantization(量化)等等压缩方法。由于无损压缩的压缩比太小，无法满足节省存储空间并实现快速传输的要求，因此必须进行有损压缩，但目前CT三维图像的有损压缩，主要对CT三维图像进行有损量化，其中有损量化主要是保留CT三维图像像素变化不大的区域，删除CT三维图像中像素变化较大的区域，并结合游长编码算法，将各通道的重复性像素分开压缩，同时结合CT三维图像的空间信息执行冗余压缩，虽然上述可实现对CT三维图像的压缩，但将图像分成不同通道及不同空间信息进行分开压缩，从而导致过多计算资源被浪费，压缩效率低的问题。
[0004]综上，现有安检CT三维图像压缩技术中存在计算资源使用率低以及压缩效率低的问题。

技术实现思路

[0005]鉴于上述的分析，本专利技术实施例旨在提供一种基于深度学习的CT三维数据压缩方法，用以解决现有安检CT三维图像压缩技术中存在计算资源使用率低以及压缩效率低的问题。
[0006]本专利技术的目的主要是通过以下技术方案实现的：
[0007]本专利技术实施例提供了一种基于深度学习的CT三维数据处理方法，包括如下步骤：
[0008]获取CT安检HLX数据，并对该数据进行采样，得到稀疏数据；
[0009]利用预训练的自编码器对所述稀疏数据进行编码处理，得到编码后的稀疏数据并存储；
[0010]在使用时，利用预训练的自编码器，对所述编码后的稀疏数据进行解码处理，得到稀疏数据；利用预训练的生成器对稀疏数据进行处理，获得补间角度数据；基于补间角度数据，恢复CT安检HLX数据，进而得到CT安检三维图像。
[0011]基于上述方法的进一步改进，获取CT安检HLX数据，并对该数据进行采样，得到稀疏数据，包括：
[0012]对安检目标物体进行多扫描角度、多扫描圈数的扫描，得到CT安检HLX数据；其中，多扫描角度指每种所述数据均通过以m1为扫描间隔角度而连续扫描获得，m1为正整数且能
够整除360；多扫描圈数指每种所述数据均包括n1个连续扫描圈数，n1为正整数；CT安检HLX数据包括高/低能投影数据、电子密度数据和原子序数数据；
[0013]基于所述多扫描角度和多扫描圈数得到采样间隔角度和采样圈数；其中，采样间隔角度m2和采样圈数n2均为预设的正整数，且m2大于m1，n2小于n1；
[0014]基于所述采样间隔角度，得到采样角度；
[0015]对所述CT安检HLX数据中的四类数据均以相同的采样圈数和采样角度进行采样；
[0016]采样后得到稀疏数据，包括稀疏电子密度数据、稀疏原子序数数据和稀疏高/低能投影数据。
[0017]基于上述方法的进一步改进，利用预训练的自编码器对所述稀疏数据进行处理，得到编码后的稀疏数据并存储，包括：
[0018]利用预训练的自编码器对采样得到稀疏数据进行压缩，得到低维稀疏数据，即编码后的稀疏数据；其中，低维指的是该数据的分辨率尺寸比压缩前的数据低；
[0019]对编码后的稀疏数据进行存储。
[0020]基于上述方法的进一步改进，所述预训练的自编码器，其训练过程包括：
[0021]构建自编码器，包括编码器和解码器；其中，
[0022]编码器用于压缩特征，包括多层卷积和多层GDN模块，使用GDN模块参与网络学习；解码器用于解压缩特征，包括多层转置卷积和多层IGDN模块；其中，特征指的是对应类型的图像数据中的高/低能特征信息、电子密度特征信息和原子序数特征信息；
[0023]通过对用于训练的CT安检HLX数据进行采样，获取用于训练的稀疏数据，将其作为输入，对所述编码器进行训练，输出用于训练的低维稀疏数据，再将该数据作为输入，对所述解码器进行训练；重复这一步骤；
[0024]当用于训练的低维稀疏数据与用于训练的稀疏数据的压缩比趋于稳定，且自编码器输入和输出的用于训练的稀疏数据趋于一致时，完成自编码器的训练。
[0025]基于上述方法的进一步改进，所述预训练的生成器基于生成对抗网络进行训练而获得，包括：
[0026]步骤1.构建生成对抗网络，包括第一生成网络与第一鉴别网络；
[0027]步骤2.对第一生成网络进行初始化，即对网络参数进行随机生成，得到第二生成网络；然后对第一鉴别网络进行训练，使得预训练的鉴别网络能够对第二生成网络所生成的补间角度数据和采样前相同角度的对应类型数据进行鉴别；经过训练后得到第二鉴别网络；
[0028]步骤3.基于所述第二鉴别网络，训练第二生成网络，使得第二鉴别网络不能对第二生成网络生成的补间角度数据和采样前对应角度的对应类型数据进行鉴别；通过训练得到第三生成网络；
[0029]步骤4.在第三生成网络的基础上，继续训练第二鉴别网络，使得第二鉴别网络能够对第三生成网络生成的补间角度数据和采样前对应角度的对应类型数据进行鉴别；通过训练得到第三鉴别网络；
[0030]步骤5.重复步骤2～步骤4的过程，不断进化生成网络和鉴别网络，最后得到的生成网络能够基于稀疏数据生成对应类型的补间角度数据，此时的生成网络即为所述预训练的生成器；其中，稀疏数据包括稀疏高/低能投影数据、稀疏电子密度数据和稀疏原子序数
数据，对应类型的补间角度数据包括补间角度高/低能投影数据、补间角度电子密度数据和补间角度原子序数数据。
[0031]基于上述方法的进一步改进，在所述生成对抗网络中，所述生成网络的输入是用于训练的稀疏电子密度数据、稀疏原子序数数据和稀疏高/低能投影数据；
[0032]所述生成网络的输出是用于训练的补间角度数据；
[0033]所述鉴别网络的输入，包括用于训练的高/低能投影数据、电子密度数据和原子序数数据，以及对应类型的用于训练的所述补间角度数据，用于对所述两种输入数据进行鉴别；
[0034]所述鉴别网络的输出是一个0～1的数字，用于表示鉴别网络的两种所述输入数据之间的相似度；其中，输出数字越大，则表示鉴别网络的两种所述输入数据的相似度越高，输出数字越小则表示相似度越低。
[0035]基于上述方法的进一步改进，所述生成对抗网络，表示为：
[0036][0037]其中：
[0038]x表示采样前的高/低能投影数据、电子密度数据和原子序数数据；其中，训练时只选取该数据中与采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的CT三维数据处理方法，其特征在于，包括如下步骤：获取CT安检HLX数据，并对该数据进行采样，得到稀疏数据；利用预训练的自编码器对所述稀疏数据进行编码处理，得到编码后的稀疏数据并存储；在使用时，利用预训练的自编码器，对所述编码后的稀疏数据进行解码处理，得到稀疏数据；利用预训练的生成器对稀疏数据进行处理，获得补间角度数据；基于补间角度数据，恢复CT安检HLX数据，进而得到CT安检三维图像。2.根据权利要求1所述的基于深度学习的CT三维数据处理方法，其特征在于，获取CT安检HLX数据，并对该数据进行采样，得到稀疏数据，包括：对安检目标物体进行多扫描角度、多扫描圈数的扫描，得到CT安检HLX数据；其中，多扫描角度指每种所述数据均通过以m1为扫描间隔角度而连续扫描获得，m1为正整数且能够整除360；多扫描圈数指每种所述数据均包括n1个连续扫描圈数，n1为正整数；CT安检HLX数据包括高/低能投影数据、电子密度数据和原子序数数据；基于所述多扫描角度和多扫描圈数得到采样间隔角度和采样圈数；其中，采样间隔角度m2和采样圈数n2均为预设的正整数，且m2大于m1，n2小于n1；基于所述采样间隔角度，得到采样角度；对所述CT安检HLX数据中的四类数据均以相同的采样圈数和采样角度进行采样；采样后得到稀疏数据，包括稀疏电子密度数据、稀疏原子序数数据和稀疏高/低能投影数据。3.根据权利要求2所述的基于深度学习的CT三维数据处理方法，其特征在于，利用预训练的自编码器对所述稀疏数据进行处理，得到编码后的稀疏数据并存储，包括：利用预训练的自编码器对采样得到稀疏数据进行压缩，得到低维稀疏数据，即编码后的稀疏数据；其中，低维指的是该数据的分辨率尺寸比压缩前的数据低；对编码后的稀疏数据进行存储。4.根据权利要求3所述的基于深度学习的CT三维数据处理方法，其特征在于，所述预训练的自编码器，其训练过程包括：构建自编码器，包括编码器和解码器；其中，编码器用于压缩特征，包括多层卷积和多层GDN模块，使用GDN模块参与网络学习；解码器用于解压缩特征，包括多层转置卷积和多层IGDN模块；其中，特征指的是对应类型的图像数据中的高/低能特征信息、电子密度特征信息和原子序数特征信息；通过对用于训练的CT安检HLX数据进行采样，获取用于训练的稀疏数据，将其作为输入，对所述编码器进行训练，输出用于训练的低维稀疏数据，再将该数据作为输入，对所述解码器进行训练；重复这一步骤；当用于训练的低维稀疏数据与用于训练的稀疏数据的压缩比趋于稳定，且自编码器输入和输出的用于训练的稀疏数据趋于一致时，完成自编码器的训练。5.根据权利要求4所述的基于深度学习的CT三维数据处理方法，其特征在于，所述预训练的生成器基于生成对抗网络进行训练而获得，包括：步骤1.构建生成对抗网络，包括第一生成网络与第一鉴别网络；步骤2.对第一生成网络进行初始化，即对网络参数进行随机生成，得到第二生成网络；
然后对第一鉴别网络进行训练，使得预训练的鉴别网络能够对第二生成网络所生成的补间角度数据和采样前相同角度的对应类型数据进行鉴别；经过训练后得到第二鉴别网络；步骤3.基于所述第二鉴别网络，训练第二生成网络，使得第二鉴别网络不能对第二生成网络生成的补...

【专利技术属性】
技术研发人员：张文杰，魏增辉，乔建森，徐圆飞，
申请(专利权)人：北京航星机器制造有限公司，
类型：发明
国别省市：