一种基于GAN用于IGRT精确配准的有限角度CBCT重建方法技术

本发明专利技术公开了一种基于GAN用于IGRT精确配准的有限角度CBCT重建方法，包括：临床获取的有限角度CBCT的投影域数据先经FDK算法进行重建恢复，同时将预先得到的计划CT数据作为先验信息，一起进入基于GAN的图像域重建网络，完成有限角CBCT的重建操作以实现IGRT中CBCT与计划CT高质量的配准，此外，作为先验信息的计划CT数据提前与CBCT进行了粗配准操作，可以更好地提升先验信息的质量，避免摆位误差。本发明专利技术实现了有限角CBCT的高质量重建以提升IGRT中的配准精度，有效利用了计划CT数据。本发明专利技术还设计了一种新的网络模块，用于计划CT与CBCT的多模配准，提升了计划CT作为先验信息的正确性与可靠性。与可靠性。与可靠性。

【技术实现步骤摘要】
一种基于GAN用于IGRT精确配准的有限角度CBCT重建方法


[0001]本专利技术属于计算机图像处理领域，具体涉及一种基于GAN用于IGRT精确配准的有限角度CBCT重建方法。

技术介绍

[0002]锥形束计算机断层扫描(CBCT)是一种医学影像技术，在光子和质子治疗的图像引导放射治疗(IGRT)中发挥着重要作用。它用于准确的治疗设置、在线肿瘤和器官定位以及临床实践中的患者剂量计划验证。然而，由于CBCT成像特点的限制，它的运动自由度受限且辐射剂量较高。这限制了对较大解剖区域的覆盖，并增加了基因突变的风险。
[0003]目前，有限角度技术在CBCT的IGRT应用中被认为是一种有前景的解决方案。对于临床IGRT而言，有限的扫描角度范围可以有效提高CBCT成像的自由度并减少辐射剂量。这提升了IGRT的图像质量，提高了患者的定位精度，从而最大限度地提高了放射治疗的有效性和安全性。然而，由于投影视图的范围小于精确重建所需的理论要求，重建问题变得非常棘手，导致图像常常出现明显的带状伪影。这严重影响了肿瘤和器官的识别，并进一步阻碍了准确的结构划分和治疗剂量的确定。为了满足有限角度CBCT成像在IGRT中的准确性要求，迫切需要一种强大的有限角度重建算法。目前，研究人员广泛研究有限角度重建作为一个严妥的反问题，其算法可分为基于正则化的方法和基于深度学习的方法。
[0004](1)基于正则化的方法：
[0005]基于正则化的方法通过在重建过程中引入额外的先验信息或约束条件，以弥补缺失的投影数据并减少伪影的出现。一种常见的正则化方法是使用正则化函数，例如全变差正则化(Total Variation regularization)，它鼓励重建图像具有较少的突变和边缘。全变差正则化基于图像的梯度信息，使得重建的图像在边缘处具有平滑的特性。通过最小化原始数据拟合项和正则化项之间的加权和，可以得到一种平衡重建质量和平滑度的解。此外，还有其他正则化方法，如总变差正则化、低秩正则化、形态学正则化等，它们在有限角度重建中起到平衡数据拟合和先验信息的作用。基于正则化的方法在有限角度重建中具有一定的优势，能够提供较好的重建质量和伪影抑制效果。然而，选择适当的正则化参数和设计合适的正则化函数仍然是挑战，需要根据具体的应用场景和数据特点进行调整和优化。
[0006](2)基于深度学习的方法：
[0007]基于深度学习的图像重建可以分为三类：图像域方法、数据域方法和深度重建方法。图像域方法以质量良好的样本为目标，直接在图像域学习和确定噪声的分布和伪影的程度，达到抑制噪声和伪影的目的。数据域方法尝试直接在投影域处理不理想的正弦图数据。但是与图像域方法相比，数据域的方法效果相对有限。深度重建方法则是以传统重建方法为基础发展起来的，这类方法通过深度神经网络来描述重建的物理和数学模型，替换传统方法中的部分甚至是全部过程。
[0008]随着深度学习的进一步发展，为了更好的利用GAN强大的生成能力，基于GAN的条件生成模型被应用到有限角CBCT的重建，并且它们已被证明在有限角CBCT重建的伪影抑制
中具有良好的性能。

技术实现思路

[0009]为解决上述问题，本专利技术公开了一种基于GAN用于IGRT精确配准的有限角度CBCT重建方法，充分利用了计划CT中高质量的心眼信息及GAN强大的生成能力，实现了有限角CBCT图像的高质量重建，从而提升了IGRT过程中的配准精度。
[0010]为达到上述目的，本专利技术的技术方案如下：
[0011]一种基于GAN用于IGRT精确配准的有限角度CBCT重建方法，包括以下步骤：
[0012]步骤1：准备训练数据，获得有限角CBCT临床数据与其对应的全角CBCT数据及计划CT数据，所述有限角度是80
°
；
[0013]步骤2：对采集的计划CT数据进行预处理操作并进行有限角伪影模拟；
[0014]步骤3：搭建计划CT配准的神经网络模块UMR
‑
Module，以步骤2所得的有限角度计划CT与有限角CBCT作为输入，并设计损失函数对UMR
‑
Module进行训练，经网络处理后获得空间变换参数；
[0015]步骤4：依据步骤3获得的空间变换参数对计划CT进行处理，获得配准后的计划CT先验图像；
[0016]步骤5：搭建计划CT引导的有限角CBCT重建模块GLA
‑
Module，以步骤4所得的配准后的计划CT及有限角CBCT作为输入，并设计损失函数对GLA
‑
Module进行训练，经网络处理后获得最终的有限角CBCT重建图像；
[0017]步骤6：测试与评估，将UMR
‑
Module与GLA
‑
Module级联即位我们提出的完整PLG
‑
Net，在真实数据训练集上训练收敛后的网络，在对应的测试集中进行测试和评估。
[0018]进一步的，所述步骤1中,训练数据均来自雷泰公司放疗设备实地采集的真实数据。。
[0019]进一步的，所述步骤2中，对计划CT进行分辨率调整、等中心校正、区域分割等预处理操作，随后，对计划CT图像按照有限角CBCT图像相同的几何结构进行模拟投影，并进行FDK重建，得到有限角CT图像。FDK算法是基于二维图像重建滤波反投影算法(filtered back projection，FBP)推导和修改而来，其核心依然是Randon变换及其反演和中心切片定理。
[0020]进一步的，所述步骤3中，UMR
‑
Module是一种用于不同模态三维图像对无监督配准模块，由两个协作单元构成：T
‑
Unit，R
‑
Unit
[0021](1)T
‑
Unit执行模态间的翻译任务，使得多模态配准任务转变为单模态配准任务，T
‑
Unit遵循类似U
‑
Net的架构，编码器提取与形状相关的特征，解码器基于编码的特征学习翻译过程，以生成目标模态的翻译输出。在模态转换过程中，为了保持解剖一致性的同时实现从计划CT到CBCT的外观转换，我们利用PatchNCE损失来加强形状一致性，利用像素损失来确保图像的外观转换。PatchNCE Loss基于对比学习，通过捕捉局部区域之间的对比关系来学习图像表示。具体表达式为：
[0022][0023]其中q表示查询补丁，p表示正样本，g表示负样本。N代表负样本的数量。
[0024]像素损失计算生成的图像和目标图像在每个像素位置的绝对差值，像素损失使用l1范数计算:
[0025]L
pixel
(x，y)＝||x
‑
y||1[0026](2)R
‑
Unit执行配准任务，使用一个三维Swin Transformer架构来实现配准网络，受Transformer在计算机视觉任务中取得巨大成功的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GAN用于IGRT精确配准的有限角度CBCT重建方法，其特征在于，包括以下步骤：步骤1：准备训练数据，获得有限角CBCT临床数据与其对应的全角CBCT数据及计划CT数据，所述有限角度是80
°
；步骤2：对采集的计划CT数据进行预处理操作并进行有限角伪影模拟；步骤3：搭建计划CT配准的神经网络模块UMR
‑
Module，以步骤2所得的有限角度计划CT与有限角CBCT作为输入，并设计损失函数对UMR
‑
Module进行训练，经网络处理后获得空间变换参数；步骤4：依据步骤3获得的空间变换参数对计划CT进行处理，获得配准后的计划CT先验图像；步骤5：搭建计划CT引导的有限角CBCT重建模块GLA
‑
Module，以步骤4所得的配准后的计划CT及有限角CBCT作为输入，并设计损失函数对GLA
‑
Module进行训练，经网络处理后获得最终的有限角CBCT重建图像；步骤6：测试与评估，将UMR
‑
Module与GLA
‑
Module级联即为完整PLG
‑
Net，在真实数据训练集上训练收敛后的网络，在对应的测试集中进行测试和评估。2.根据权利要求1所述的一种基于GAN用于IGRT精确配准的有限角度CBCT重建方法，其特征在于，所述步骤1中，训练数据均来自雷泰公司放疗设备实地采集的真实数据。3.根据权利要求1所述的一种基于GAN用于IGRT精确配准的有限角度CBCT重建方法，其特征在于，所述步骤2中，对计划CT进行分辨率调整、等中心校正、区域分割这些预处理操作，随后，对计划CT图像按照有限角CBCT图像相同的几何结构进行模拟投影，并进行FDK重建，得到有限角CT图像；FDK算法是基于二维图像重建滤波反投影算法推导和修改而来，其核心依然是Randon变换及其反演和中心切片定理。4.根据权利要求1所述的一种基于GAN用于IGRT精确配准的有限角度CBCT重建方法，其特征在于，所述步骤3中，UMR
‑
Module是一种用于不同模态三维图像对无监督配准模块，由两个协作单元构成：T
‑
Unit，R
‑
Unit(1)T
‑
Unit执行模态间的翻译任务，使得多模态配准任务转变为单模态配准任务，T
‑
Unit遵循类似U
‑
Net的架构，编码器提取与形状相关的特征，解码器基于编码的特征学习翻译过程，以生成目标模态的翻译输出；在模态转换过程中，利用PatchNCE损失来加强形状一致性，利用像素损失来确保图像的外观转换；PatchNCE Loss基于对比学习，通过捕捉局部...

【专利技术属性】
技术研发人员：吴战，杨洋，陈阳，
申请(专利权)人：东南大学，
类型：发明
国别省市：