基于深度学习的虚拟CT图像的生成方法及装置制造方法及图纸

本发明专利技术涉及一种基于深度学习的虚拟CT图像的生成方法及装置，所述方法包括获取在预设时间范围内对患者同一部位检查的配对MRI图像数据和CT图像数据；对MRI图像数据和CT图像数据进行配准并重采样，获得像素级对应配对的配准数据集；将配准数据集输入预构建的残差密度块

【技术实现步骤摘要】
基于深度学习的虚拟CT图像的生成方法及装置


[0001]本专利技术属于医学图像处理
，具体涉及一种基于深度学习的虚拟CT图像的生成方法及装置。

技术介绍

[0002]医学成像是获取各种内脏器官高质量图像的重要方法，在疾病的诊断和治疗中发挥着重要作用。在放射治疗中，需要精确地照射到计划靶体积(PTV)以消除肿瘤，同时尽量减少不必要区域的照射以防止不良反应。因此，靶区和正常组织的精准勾画至关重要，目前放疗计划中主要采用CT进行靶区定位、器官勾画和剂量计算。与CT相比，磁共振成像(MRI)零辐射且具有更好的软组织对比度，有助于肿瘤和危及器官(OAR)的勾画，因此越来越多地用于放射治疗中。
[0003]核磁引导放疗（MRI
‑
g
‑
RT）消除了CT成像的需要，减少了扫描的次数和相关的医疗成本，也减少了患者的额外照射剂量，特别是对于在治疗过程中需要多次扫描的患者。但是，核磁引导放疗存在的难题是，MRI信号与组织质子密度和弛豫特性相关，而不是与组织衰减系数相关，这导致单独的核磁引导放疗无法完成放疗剂量计算，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虚拟CT图像的生成方法，其特征在于，包括：获取在预设时间范围内对患者同一部位检查的MRI图像数据和CT图像数据；采用多模态配准算法，对所述MRI图像数据和CT图像数据进行配准并重采样，获得像素级对应配对的配准数据集；将所述配准数据集输入预构建的残差密度块
‑
生成对抗网络进行训练，得到CT图像虚拟合成模型；将MRI图像输入所述CT图像虚拟合成模型，输出得到虚拟合成CT图像。2.根据权利要求1所述的方法，其特征在于，所述采用多模态配准算法，对所述MRI图像数据和CT图像数据进行配准并重采样，获得像素级对应配对的配准数据集，包括：基于多模态配准算法进行MRI图像数据和CT图像数据的配准，并对配准后的数据进行配准效果核验，排除配准效果不佳的的数据；重采样数据统一为512像素
×
512像素，层厚5mm的MRI
‑
CT配对数据；所述MRI
‑
CT配对数据为MRI图像数据与CT图像数据的像素级一一对应的关系。3.根据权利要求1或2所述的方法，其特征在于，所述残差密度块
‑
生成对抗网络，包括：生成网络和对抗网络，所述生成网络包括卷积层、基础块和上采样，所述对抗网络包括卷积层、激活函数、归一化层和密度网络；其中，所述残差密度块
‑
生成对抗网络的损失函数为：其中，为输入MRI图像的生成网络的输出，即，为MRI输入；，其中为sigmoid激活函数，C为鉴别器输出；为真实CT图像；所述基础块采用残差密度网络，所述残差密度网络包括密度网络、级联网络以及局部残差网络，所述密度网络由卷积层和激活函数构成；其中，密度网络由卷积层和激活函数构成，每个密度网络的输入和输出关系为：其中，为RELU激活函数，为每个卷积层的权重；在激活函数之前构建特征并引入感知损失函数，则生成网络的损失函数为其中，为虚拟生成图像与真实图像之前的绝对距离，即通过MRI虚拟得到CT图像，与经过配准算法配对得到真实CT图像的绝对距离；是用来平衡不同损失因子的参数；采用PSNR模型计算损失函数，其计算公式如下：其计算公式如下：其中，为像素最大可能值，由于在训练过程中会对数据进行归一化处理，因此该最大值即为1，分别代表虚拟生成图像与真实图像。4.根据权利要求3所述的方法，其特征在于，所述将所述配准数据集输入预构建的残差密度块
‑
生成对抗网络进行训练，得到CT图像虚拟合成模型，包括：
...

【专利技术属性】
技术研发人员：夏启胜，邹尧，王海，熊强，
申请(专利权)人：锐视智慧北京医疗科技有限公司，
类型：发明
国别省市：