基于定位像的个性化CT低剂量扫描协议生成系统技术方案

本发明专利技术提供一种基于定位像的个性化CT低剂量扫描协议生成系统，涉及低剂量CT图像技术领域。该系统利用深度学习方法实现CT低剂量扫描协议生成；通过输入扫描定位像以及被允许的剂量值来确定最优的扫描参数，并利用深度学习重建模型实现在固定辐射剂量需求下最优的CT图像质量；包括获取正、侧位定位像的定位像采集模块、由操作技术人员用来设定被允许剂量值的扫描操作设定模块以及扫描协议生成计算模块。扫描协议生成计算模块根据正、侧位定位像以及低剂量标定值生成CT扫描协议；利用深度学习模型在CT扫描协议下重建高质量低剂量CT图像；根据扫描部位对CT图像重建结果进行模拟，并预测评分。该系统能够端对端的实现CT低剂量扫描协议的自动生成。扫描协议的自动生成。扫描协议的自动生成。

【技术实现步骤摘要】
基于定位像的个性化CT低剂量扫描协议生成系统


[0001]本专利技术涉及低剂量CT图像
，尤其涉及一种基于定位像的个性化CT低剂量扫描协议生成系统。

技术介绍

[0002]计算机断层扫描(Computer Tomography，CT)系统可以在临床环境中快速完成非侵入性精确检查，但是CT扫描过程中所使用的X射线对人体具有辐射，可能会诱发脱发、癌症等症状，因此CT扫描的临床广泛使用对剂量控制提出了严格的要求。现存的降低扫描辐射风险的方法集中于减少曝光次数或曝光剂量，但减少曝光次数和曝光剂量的方法都会降低CT重建图像质量并影响后续的诊断治疗工作。
[0003]为了利用较少的辐射实现符合诊断标准的重建图像，当前已有大量的方法被提出以有效地提升图像质量。依据方法策略或建模对象的不同，可以将这些方法分为四类：(1)基于投影域前处理的低剂量CT成像，此类算法依靠探测器采集到投影数据的统计分布特性构建投影数据恢复模型，再利用滤波反投影算法重建出目标图像。然而，由于投影域中的一个像素点即对应着图像域中一整条射线路径，投影数据恢复所带来的误差极易在图像域引入难以消除的新伪影，是此类方法存在的固有局限；(2)基于图像域后处理的低剂量CT成像，此类方法直接对重建后的图像进行恢复。但图像域后处理方法无法有效地抑制低剂量图像中存在的结构性伪影，图像质量的提高受到限制；(3)基于迭代重建的低剂量CT成像，该类型方法根据测量投影数据的统计特性构建断层图像的目标函数，并在目标函数中引入正则化项，通过迭代求解目标函数，最终获得高分辨率、低噪声的CT重建图像。其中，经典的正则化包括字典学习、低秩张量分解和全变分(Total Variation，TV)及其变体。但统计迭代重建方法因需要迭代求解寻优，计算量大；(4)相较于上述传统方法，基于深度学习的低剂量CT成像方法因其学习特性表现出极佳性能，包括基于深度学习的投影数据恢复方法、基于深度学习的CT图像恢复方法以及基于深度学习的投影
‑
图像跨域重建方法。
[0004]当前的方法多为单独地降低CT扫描曝光次数或曝光剂量，继而讨论含噪的低剂量CT图像的恢复问题，对于同步降低曝光次数或曝光剂量的详细工作几乎没有，因此无法最大化地发挥深度学习重建方法的效能。如何在CT扫描前利用已知的先验知识(如：病人体型、年龄以及正侧位定位像)与深度学习模型的低剂量图像重建能力寻找最佳的扫描协议参数实现辐射剂量最小化、图像质量最优化，这是一个新的研究方向。

技术实现思路

[0005]本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于定位像的个性化CT低剂量扫描协议生成系统，根据扫描定位像以及被允许的剂量值来确定最优的扫描参数，在固定辐射剂量需求下利用深度学习重建模型实现最佳的CT图像质量。
[0006]为解决上述技术问题，本专利技术所采取的技术方案是：基于定位像的个性化CT低剂量扫描协议生成系统，利用深度学习方法实现CT低剂量扫描协议生成；通过输入扫描定位
像以及被允许的剂量值来确定最优的扫描参数，包括：曝光管电流、曝光次数，并利用深度学习重建模型实现在固定辐射剂量需求下最优的CT图像质量；具体包括获取正、侧位定位像的定位像采集模块、由操作技术人员用来设定被允许剂量值的扫描操作设定模块以及扫描协议生成计算模块。
[0007]所述扫描协议生成计算模块能够生成基于深度学习的扫描协议生成深度学习模型Φ1、重建图像预测评分模型Φ2以及低剂量CT深度学习重建模型Φ3，并执行模型训练；所述扫描协议生成深度学习模型Φ1根据正、侧位定位像以及低剂量标定值生成CT扫描协议；低剂量CT深度学习重建模型Φ3利用深度学习模型在CT扫描协议下重建高质量低剂量CT图像；重建图像预测评分模型Φ2根据扫描部位对各种CT扫描协议下的CT图像重建结果进行模拟，并预测该重建结果评分。
[0008]所述扫描协议生成深度学习模型Φ1包括两个级联的卷积模块、五层降采样卷积层、平均池化层和四个全连接层；扫描或仿真得到的正、侧位定位像分别通过两个卷积模块进行两次卷积操作并级联；之后经过五层降采样卷积层、平均池化层对图像特征值进行提取；最后，利用四个全连接层分别输出扫描角度数以及入射光子数，其中，每一个全连接层进行前，该层输入数据都需要与低剂量标定参数级联。
[0009]所述重建图像预测评分模型Φ2包括U
‑
net模块、三个降采样卷积层、平均池化层和三个全连接层；将全剂量扫描重建图像数据、扫描角度数以及入射光子数统一为同尺寸并进行级联后输入至U
‑
net模块，输出为该扫描条件下的重建图像进行预测；之后通过三个降采样卷积层、平均池化层对预测图像特征值进行提取；最后，利用三个全连接层输出该扫描协议条件下重建图像的预测评分，其中，每一个全连接层进行前，该层输入数据都需要与低剂量标定参数级联。
[0010]所述低剂量CT深度学习重建模型Φ3采用传统U
‑
Net架构进行CT图像重建。
[0011]所述扫描协议生成深度学习模型以及低剂量CT深度学习重建模型训练过程包括以下步骤：
[0012]步骤1：获取全剂量扫描重建图像数据X
full
，并利用全剂量扫描重建图像数据X
full
仿真出正、侧位定位像S0°
、S
90
°
，如下公式所示：
[0013][0014][0015]其中，nx和ny分别为全剂量扫描重建图像数据X
full
的横纵像素数；
[0016]步骤2：将低剂量标定参数P
lowdose
与正、侧位定位像S0°
、S
90
°
输入扫描协议生成深度学习模型Φ1，生成扫描协议参数，包括扫描角度数n
lowdose
以及入射光子数I
lowdose
，如下公式所示：
[0017][n
lowdose
，I
lowdose
]＝Φ1(S0°
，S
90
°
，P
lowdose
)
[0018]步骤3：将全剂量扫描重建图像数据X
full
以及步骤2生成的扫描协议参数n
lowdose
，I
lowdose
输入至重建图像预测评分模型Φ2，输出该扫描协议条件下重建图像的预测评分
Score：
[0019]Score＝Φ2(X
full
，n
lowdose
，I
lowdose
)
[0020]对扫描协议生成深度学习模型Φ1进行迭代训练，更新模型参数使其输出扫描协议结果在重建图像预测评分模型Φ2的输出逐步提升；在深度学习模型Φ1进行训练的过程中，重建图像预测评分模型Φ2与低剂量CT深度学习重建模型Φ3要保持参数固定不进行更新；
[0021]步骤4：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于定位像的个性化CT低剂量扫描协议生成系统，其特征在于：利用深度学习方法实现CT低剂量扫描协议生成；通过输入扫描定位像以及被允许的剂量值来确定最优的扫描参数，并利用深度学习重建模型实现在固定辐射剂量需求下最优的CT图像质量；包括获取正、侧位定位像的定位像采集模块、由操作技术人员用来设定被允许剂量值的扫描操作设定模块以及扫描协议生成计算模块。2.根据权利要求1所述的基于定位像的个性化CT低剂量扫描协议生成系统，其特征在于：所述扫描协议生成计算模块能够生成基于深度学习的扫描协议生成深度学习模型Φ1、重建图像预测评分模型Φ2以及低剂量CT深度学习重建模型Φ3，并执行模型训练；所述扫描协议生成深度学习模型Φ1根据正、侧位定位像以及低剂量标定值生成CT扫描协议；低剂量CT深度学习重建模型Φ3利用深度学习模型在CT扫描协议下重建高质量低剂量CT图像；重建图像预测评分模型Φ2根据扫描部位对各种CT扫描协议下的CT图像重建结果进行模拟，并预测该重建结果评分。3.根据权利要求2所述的基于定位像的个性化CT低剂量扫描协议生成系统，其特征在于：所述扫描协议生成深度学习模型Φ1包括两个级联的卷积模块、五层降采样卷积层、平均池化层和四个全连接层；扫描或仿真得到的正、侧位定位像分别通过两个卷积模块进行两次卷积操作并级联；之后经过五层降采样卷积层、平均池化层对图像特征值进行提取；最后，利用四个全连接层分别输出扫描角度数以及入射光子数，其中，每一个全连接层进行前，该层输入数据都需要与低剂量标定参数级联。4.根据权利要求2所述的基于定位像的个性化CT低剂量扫描协议生成系统，其特征在于：所述重建图像预测评分模型Φ2包括U
‑
net模块、三个降采样卷积层、平均池化层和三个全连接层；将全剂量扫描重建图像数据、扫描角度数以及入射光子数统一为同尺寸并进行级联后输入至U
‑
net模块，输出为该扫描条件下的重建图像进行预测；之后通过三个降采样卷积层、平均池化层对预测图像特征值进行提取；最后，利用三个全连接层输出该扫描协议条件下重建图像的预测评分，其中，每一个全连接层进行前，该层输入数据都需要与低剂量标定参数级联。5.根据权利要求2所述的基于定位像的个性化CT低剂量扫描协议生成系统，其特征在于：所述低剂量CT深度学习重建模型Φ3采用传统U
‑
Net架构进行CT图像重建。6.根据权利要求3
‑
5任一项权利要求所述的基于定位像的个性化CT低剂量扫描协议生成系统，其特征在于：所述扫描协议生成深度学习模型以及低剂量CT深度学习重建模型训练过程包括以下步骤：步骤1：获取全剂量扫描重建图像数据X
full
，并利用全剂量扫描重建图像数据X
full
仿真出正、侧位定位像S0°
、S
90
°
；步骤2：将低剂量标定参数P
lowdose
与正、侧位定位像S0°
、S
90
°
输入扫描协议生成深度学习模型Φ1，生成扫描协议参数，包括扫描角度数n
lowdose
以及入射光子数I
lowdose
，如下公式所示：[n
lowdose
，I
lowdose
]＝Φ1(S0°
，S
...

【专利技术属性】
技术研发人员：杨金柱，和法伟，李洪赫，孙松，唐凌志，齐怡秋，于琪，覃文军，曹鹏，
申请(专利权)人：东北大学，
类型：发明
国别省市：