【技术实现步骤摘要】
本专利技术涉及医学ct图像处理的，尤其是涉及基于深度学习的低剂量ct图像重建方法和系统。
技术介绍
1、自十九世纪九十年代伦琴发现x射线以来，x射线被普及并广泛应用于工业检测和医学诊断中。在计算机领域向前推进的过程中，医学诊断也逐渐进入了一个全新的信息化时代。利用计算机断层成像(computed tomography，ct)进行医学诊断是信息化时代中的重要技术。
2、在实际应用中，ct图像在成像过程中将不可避免地受到剂量、环境、角度等物理因素的影响，造成图像质量不高、噪声分布不平衡的现象，这种低质量的成像结果会严重影响医生的临床诊断。
3、虽然正常剂量的ct图像重建可以在临床上得到高分辨率的图像，但是由于较大辐射所带来的伤害极易给病人造成了医疗过程中的二次伤害，增加了病人患病风险。因此，在保证图像精度达到临床诊断的条件下降低辐射剂量变得尤为关键，而低剂量的ct图像应用逐渐被学术界和工业界所关注。
4、在1990年，naidich等人提出了利用低剂量ct(ldct)作为肺癌筛查的方法。低剂量ct(ldc...
【技术保护点】
1.基于深度学习的低剂量CT图像重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的低剂量CT图像重建方法，其特征在于，在所述S2的卷积神经网络中，每个尺度都设置基于步长为N×N卷积块的下采样模块，以及基于步长为N×N反卷积块的上采样模块。
3.根据权利要求2所述的低剂量CT图像重建方法，其特征在于，所述卷积网络层之间，所述Hiproformer模块之间可采用跳跃连接的方式共享多尺度数据信息。
4.根据权利要求1所述的低剂量CT图像重建方法，其特征在于，所述两个卷积网络层包括第一卷积网络层模块和第二卷积网络层模块，所述三个...
【技术特征摘要】
1.基于深度学习的低剂量ct图像重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的低剂量ct图像重建方法，其特征在于，在所述s2的卷积神经网络中，每个尺度都设置基于步长为n×n卷积块的下采样模块，以及基于步长为n×n反卷积块的上采样模块。
3.根据权利要求2所述的低剂量ct图像重建方法，其特征在于，所述卷积网络层之间，所述hiproformer模块之间可采用跳跃连接的方式共享多尺度数据信息。
4.根据权利要求1所述的低剂量ct图像重建方法，其特征在于，所述两个卷积网络层包括第一卷积网络层模块和第二卷积网络层模块，所述三个hiproformer模块包括第一hiproformer模块、第二hiproformer模块和第三hiproformer模块。
5.根据权利要求4所述的低剂量ct图像重建方法，其特征在于，在所述s2的采用卷积神经网络对所述第一ct图像数据集进行处理，其具体包括以下步骤：
...
【专利技术属性】
技术研发人员：杨海波，张世宇，赵承心，贾彦灏，
申请(专利权)人：先进能源科学与技术广东省实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。