一种高分辨率CT影像处理方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供了一种高分辨率CT影像处理方法、装置、设备及存储介质，包括以下步骤：输入高分辨率CT影像；通过卷积层实现所述高分辨率CT影像的初步平滑；通过CT处理子网络结构对平滑后的CT图像进行降采样。本发明专利技术所述方法通过小网络结构学习参数对CT影像数据进行可学习参数的降采样，实现了使用较小尺寸的特征图有效表征高分辨CT影像的作用，解决了现有网络结构处理高分辨率CT影像时耗费计算资源，内存占用较大的问题。另外，与现有技术相比，本发明专利技术所述CT处理子网络结构中的最大池化层保留了输入特征图的高频信息，使网络更容易学习，同时利用核大小为2，步幅为2的卷积层实现可学习参数的降采样，将降采样后得到的不同特征信息的特征图堆叠后使用1*1卷积进行特征融合后作为输出。输出。输出。

【技术实现步骤摘要】
一种高分辨率CT影像处理方法、装置、设备及存储介质


[0001]本专利技术涉及医疗器械
，具体涉及一种高分辨率CT影像处理方法、装置、设备及存储介质。

技术介绍

[0002]髋关节置换手术是治疗退行性髋关节疾病，提高患者生活质量最有效的方法之一，随着中国人口老龄化问题凸显，髋关节置换手术的现实意义更加显著。成功的髋关节置换手术依赖于准确、完备、详尽的手术规划方案，然而假体规划需要参考完整的髋骨和股骨，因此输入的CT影像数据需要包含完整的髋骨和股骨信息，即全长下肢CT影像。全长下肢CT影像一般分辨率较高，处理时耗费计算资源，内存占用较大，往往不能直接用于CNN的训练，通常需要一定的处理缩小尺寸后再作为CNN的输入。
[0003]现有的技术方案往往采取对高分辨率CT影像进行降采样或者裁剪关键区域操作以进行后续流程。但是降采样后的CT会损失很多细节信息，从而引入精度问题；另外裁剪关键区域需要首先确定关键区域，如果关键区域过大，比如对全长股骨进行处理时，依然存在耗费计算资源较高的问题，同时需要引入额外的操作，耗时耗力。

技术实现思路

[0004]本专利技术的目的在于解决上述
技术介绍
中描述的现有技术方案的缺点，提供一种高分辨率CT影像处理方法、装置、设备及存储介质，通过小网络结构学习参数对CT影像数据进行可学习参数的降采样，实现了使用较小尺寸的特征图有效表征高分辨CT影像的作用。
[0005]本专利技术通过以下技术方案予以实现：第一方面，本专利技术提供一种高分辨率CT影像处理方法，包括以下步骤：输入高分辨率CT影像；通过卷积层实现所述高分辨率CT影像的初步平滑；通过CT处理子网络结构对平滑后的CT图像进行降采样。
[0006]进一步地，所述卷积层采用Conv+BN+Relu的模型结构，其中卷积核大小为3，步长为1，通道数为1。
[0007]进一步地，所述CT处理子网络由两个融合池化层顺序链接组成。
[0008]进一步地，所述融合池化层的结构为：首先使输入CT影像特征图通过模型结构为Conv+BN+ReLu的卷积层，其中卷积核大小为3，步长为1；保留最大池化的优势，对输入CT影像特征图分别做一次最大池化操作和卷积操作，其中卷积层采用Conv+BN+ReLu的模型结构，卷积核大小为2，步长为2；将最大池化后的CT影像特征图与卷积操作后的CT影像特征图组合到一起，通过模型结构为Conv+BN+Relu的卷积层得到与原始CT影像相同通道数的CT影像特征图，其中卷积核大小为1，步长为1。
[0009]第二方面，本专利技术提供一种高分辨率CT影像处理装置，该装置包括：输入模块，用于输入高分辨率CT影像；平滑模块，用于通过卷积层实现所述高分辨率CT影像的初步平滑；降采样模块，用于通过CT处理子网络结构对平滑后的CT图像进行降采样。
[0010]第三方面，本专利技术提供一种高分辨率CT影像处理设备，所述设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序指令，其中，所述处理器用于执行存储器中存储的计算机程序指令，以实现上述所述高分辨率CT影像处理的方法。
[0011]第四方面，本专利技术还提供一种高分辨率CT影像处理存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述所述高分辨率CT影像处理的方法。
[0012]本专利技术提供了一种高分辨率CT影像处理方法、装置、设备及存储介质，通过小网络结构学习参数对CT影像数据进行可学习参数的降采样，实现了使用较小尺寸的特征图有效表征高分辨CT影像的作用，解决了现有网络结构处理高分辨率CT影像时耗费计算资源，内存占用较大的问题。另外，与现有技术相比，本专利技术所述CT处理子网络结构中的最大池化层保留了输入特征图的高频信息，使网络更容易学习，同时利用核大小为2，步幅为2的卷积层实现可学习参数的降采样，将降采样后得到的不同特征信息的特征图堆叠后使用1*1卷积进行特征融合后作为输出。
附图说明
[0013]下面将参考附图来描述本专利技术示例性实施例的特征、优点和技术效果。
[0014]图1是本专利技术实施例提供的高分辨率CT影像处理方法流程图；图2是本专利技术实施例提供的融合池化层的结构示意图；图3是本专利技术实施例提供的高分辨率CT影像处理装置示意图；图4是本专利技术实施例提供的一种计算设备的结构示意图。
具体实施方式
[0015]下面将详细描述本公开的各个方面的特征和示例性实施例，为了使本公开 的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本公开进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本公开， 而不是限定本公开。对于本领域技术人员来说，本公开可以在不需要这些具体 细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本 公开的示例来提供对本公开更好的理解。
[0016]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将 一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些 实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0017]为了更好地理解本专利技术，下面结合附图对本专利技术实施例进行详细描述。
[0018]图1是本专利技术实施例提供的高分辨率CT影像处理方法流程图。
[0019]如图1所示，本专利技术提供一种高分辨率CT影像处理方法，包括以下步骤：S101，输入高分辨率CT影像；S102，通过卷积层实现所述高分辨率CT影像的初步平滑；S103，通过CT处理子网络结构对平滑后的CT图像进行降采样。
[0020]可选地，S102中所述卷积层采用Conv+BN+Relu的模型结构，其中卷积核大小为3，步长为1，通道数为1。
[0021]可选地，S103中所述CT处理子网络由两个融合池化层顺序链接组成。
[0022]图2是本专利技术实施例提供的融合池化层的结构示意图，如图2所示，所述融合池化层的结构为：首先使输入CT影像特征图通过模型结构为Conv+BN+Relu的卷积层，其中卷积核大小为3，步长为1；进一步地，保留最大池化的优势，对输入CT影像特征图分别做一次最大池化操作和卷积操作，其中卷积层采用Conv+BN+Relu的模型结构，卷积核大小为2，步长为2；将最大池化后的CT影像特征图与卷积操作后的CT影像特征图组合到一起，通过模型结构为Conv+BN+Relu的卷积层得到与原始CT影像相同维度的小尺寸CT影像特征图，其中卷积核大小为1，步长为1。
[0023]图3是本专利技术实施例提供的高分辨率CT影像处理装本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高分辨率CT影像处理方法，其特征在于，包括以下步骤：S101，输入高分辨率CT影像；S102，通过卷积层实现所述高分辨率CT影像的初步平滑；S103，通过CT处理子网络结构对平滑后的CT图像进行降采样。2.根据权利要求1所述的一种高分辨率CT影像处理方法，其特征在于，S102中所述卷积层采用Conv+BN+Relu的模型结构，其中卷积核大小为3，步长为1，通道数为1。3.根据权利要求1所述的一种高分辨率CT影像处理方法，其特征在于，S103中所述CT处理子网络由两个融合池化层顺序链接组成。4.根据权利要求3所述的一种高分辨率CT影像处理方法，其特征在于，所述融合池化层的结构为：首先使输入CT影像特征图通过模型结构为Conv+BN+ReLu的卷积层，其中卷积核大小为3，步长为1；保留最大池化的优势，对输入CT影像特征图分别做一次最大池化操作和卷积操作，其中卷积层采用Conv+BN+Relu的模型结构，卷积核大小为2，步长为2；将最大池化...

【专利技术属性】
技术研发人员：丁玉国，翟方文，乔天，
申请(专利权)人：杭州键嘉医疗科技股份有限公司，
类型：发明
国别省市：