一种X射线束光挡板及低剂量CBCT成像方法技术

本发明专利技术提出了一种X射线束光挡板及低剂量CBCT成像方法。首先，从训练集中取出部分数据，让剩下的CBCT图像和配准后的CT图像数量相同，避免训练数据不平衡。其次，将取出的数据通过自监督的方式预训练Transformer，避免随机初始化的Transformer加入CycleGAN后导致网络训练困难。最后，将预训练后的Transformer加入CycleGAN得到混合网络，利用剩下的数据进行无监督训练，结合Transformer和卷积二者的优势，提升网络增强CBCT图像质量的能力。提升网络增强CBCT图像质量的能力。提升网络增强CBCT图像质量的能力。

【技术实现步骤摘要】
一种X射线束光挡板及低剂量CBCT成像方法


[0001]本专利技术属于图像处理
，涉及一种X射线束光挡板及低剂量CBCT成像方法。

技术介绍

[0002]锥形计算机断层扫描(ConeBeam Computed Tomography,CBCT)是一种通过无损方式获取人体内部解剖结构的成像技术，具有扫描时间短、照射剂量低和图像分辨率高等优点，被广泛应用于图像引导的放射治疗中，校正摆位误差和调整放疗计划等。然而，CBCT图像存在大量的伪影和噪声，限制了其在临床上进一步的应用如剂量计算和器官勾画。
[0003]传统的CBCT图像质量增强方法可分为两类：硬件校正和软件校正。硬件校正方法如准直器法、抗散射栅法、空气隙法，存在热负荷严重和量子利用率低的问题，而软件校正方法如卷积法、蒙特卡罗仿真法、散射估计法，则存在耗时长和鲁棒性差的问题。
[0004]近年来，随着深度学习的发展，越来越多的监督网络被用来提升CBCT图像质量，如UNET，PIX2PIX。然而监督网络的训练依赖于难以获取的配对数据如CBCT图像和逐像素匹配的配准后的CT图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种X射线束光挡板,其特征在于，包括得到遮挡的CBCT图像；在X射线球管输出端设置束光挡板，所述束光挡板由铅部和透出部组成，所述铅部用于完全遮挡X射线，所述透出部用于完全透射出X射线；所述铅部为小铅球或小铅块，均匀排布在束光挡板内，所述束光挡板的宽高比为W：H；所述铅部的数量同可学习的向量l的数量；所述透出部包括相互扣合的两层透明板，两层透明板之间具有容纳铅部的容纳腔体，所述透出部的尺寸即为所述束光挡板的尺寸；所述透明板的横向和纵向分别用阿拉伯数字和英文字母顺序标记，构成集合Q，根据低剂量CBCT成像方法得到的训练效果良好的混合网络，统计可学习的向量l在P
M
＝(p1,l,p3,
…
,l,l,p
N
)中的替换位置，对标所述集合Q，得出放置所述铅部的容纳腔体的最佳位置。2.根据权利要求1所述的一种X射线束光挡板，其特征在于，所述低剂量CBCT成像方法包括以下步骤：步骤一，从训练集中取出部分数据，让剩下的CBCT图像和配准后的CT图像数量相同，避免训练数据不平衡；步骤二，将取出的数据通过自监督的方式预训练Transformer系统，避免随机初始化的Transformer系统加入CycleGAN系统后导致网络训练困难；步骤三，将预训练后的Transformer系统加入到CycleGAN系统得到混合网络，利用剩下的数据进行无监督训练。3.根据权利要求2所述的一种X射线束光挡板，其特征在于，步骤一中所述训练集包括训练集A和训练集B，所述训练集A的数据为CBCT图像，数量记为N
CBCT
，所述训练集B的数据为配准后的CT图像，数量记为N
CT
，当N
CBCT
＞N
CT
时，从训练集A中随机取出N
CBCT
‑
N
CT
张图像，通过自监督的方式预训练Transformer系统；当N
CBCT
＜N
CT
时，从训练集B中随机取出N
CT
‑
N
CBCT
张图像，通过自监督的方式预训练Transformer系统。4.根据权利要求2所述的一种X射线束光挡板，其特征在于，Transformer系统包含N个Transformer模块，所述步骤二预训练Transformer系统过程包括：步骤2.1)将输入的CBCT图像X∈R
H
×
W
分成多个不重叠，尺寸为n
×
n的方形补丁，构成集合P＝(p1,p2,p3,
…
,p
N
‑2,p
N
‑1,p
N
)，其中H和W分别表示图像的高度和宽度，p
i
表示每一个方形补丁，N表示方形补丁的数量；步骤2.2)用可学习的向量l随机均匀地替换部分方形补丁，得到遮挡的CBCT图像，构成集合P
M
＝(p1,l,p3,
…
,l,l,p
N
)步骤2.3)经下采样后输入Transformer系统，进行补丁间的信息交互，最后经上采样输出预测的CBCT图像：I
pCBCT
＝UP(T(DOWN(I
mCBCT
))
N
)
ꢀꢀꢀꢀ
(1)公式(1)中，I
pCBCT
表示自监督网络预测的CBCT图像，I
mCBCT
表示自监督网络输入所述遮挡的CBCT图像，UP(.)表示上采样函数，DOWN(.)表示下采样函数，T(.)表示Transformer模块，N表示模块的数量。5.根据权利要求4所述的一种X射线束光挡板，其特征在于，所述Transformer模块，由多头自注意力、多层感知机和归一化层三部分组成，
所述Transformer模块的计算过程可表示为公式(2)：所述Transformer模块的计算过程可表示为公式(2)：其中MSA＝FC(Concat(head1,
…
,head
h
))
ꢀꢀꢀꢀꢀ
(3)MLP(.)＝FC(σ(FC(.)))
ꢀꢀꢀꢀꢀ
(5)公式(2)中，Z
l
表示输入特征，表示中间特征，Z
l+1
表示输出特征；公式(3)中，Concat(.)表示拼接操作，FC表示全连接层，head表示自注意力的输出；公式(4)中，Q、K、V由归一化后的特征经不同的线性变换得到，T表示转置，d
K
表示K的维度；公式(5)中，σ表示GELU激活函数；公式(6)中，x表示输入向量，u，σ分别表示x的均值和标准差，γ和τ均为可学习参数，分别表示缩放因子和偏置。6.根据权利要求2所述的一种X射线束光挡板，其特征在于，CycleGAN系统包含两种生成器：GA生成器，输入CBCT图像，输出增强后的CBCT图像，其数据分布...

【专利技术属性】
技术研发人员：高欣，廖仕敏，
申请(专利权)人：济南国科医工科技发展有限公司，
类型：发明
国别省市：