基于深度学习的计算机断层扫描图像生成方法及系统技术方案

技术编号：39987242 阅读：6 留言：0更新日期：2024-01-09 01:59

本申请提供一种基于深度学习的计算机断层扫描图像生成方法及系统，该方法包括：获取两组以上图像对，每一组所述图像对包括CBCT图像以及CT图像；基于掩码训练图像对，并获得训练CBCT图像以及训练CT图像；利用卷积层提取训练CBCT图像的浅层特征；利用深层特征提取模块对浅层特征进行提取并获得深层特征；利用图像生成模块融合浅层特征与深层特征，并输入至具有残差模块的卷积层，获得融合CT图像；构建两个相同架构的神经网络模型，并分别定义为教师模型以及学生模型；模型更新步骤；将保存的教师模型的权重加载至神经网络模型，构建计算机断层扫描图像生成模型；采集临床CBCT图像，并输入至计算机断层扫描图像生成模型获得对应的生成CT图像。

全部详细技术资料下载

【技术实现步骤摘要】

本申请涉及计算机断层扫描图像生成，具体涉及一种基于深度学习的计算机断层扫描图像生成方法及系统。

技术介绍

1、锥束计算机断层扫描(cbct)图像广泛用于图像引导放射治疗(igrt)，但由于图像质量低，其临床应用有限，因此来自锥束计算机断层扫描(cbct)扫描的计算机断层扫描(ct)图像合成在医学成像研究中引起了极大的关注。

2、图像生成任务是计算机视觉领域中的一个重要任务，它涉及使用计算机视觉算法生成新的图像，这些图像可能是现实世界中不存在的，或者是对现有图像的修改和改变。这种技术同样可用于医学影像的生成任务中，如不同模态的磁共振成像生成，磁共振成像到计算机断层扫描图像的生成和锥束计算机断层扫描图像到计算机断层扫描图像生成任务。

3、目前许多基于深度学习的图像生成方法在自然图像上已经取得了很好的效果，但是此类方法需要大量有标注的数据集，以用于训练深度学习模型。

4、虽然有许多针对自然图像生成的深度学习方法，但自然图像与医学图像(ct图像)的特点不同，这些方法直接用于ct图像的生成会有较大的域适应问题存在。

5、首先，自然图像和医学图像的一些成像机理是不同的；此外，自然图像和医学图像的图像内容也不同，一般自然图像的内容复杂多样，而ct图像一般包含较大面积的黑色背景区域。同时，自然图像很难采集到成对数据集，而医学图像采集不同模态成对数据集更方便，故针对成对数据集的不成对现象，是医学图像领域更需要解决的一个难点。这些不同点决定了训练好的自然图像生成深度模型无法直接迁移应用到医学图像中。</p>

技术实现思路

1、本申请提供一种基于深度学习的计算机断层扫描图像生成方法及系统，以解决现有的自然图像生成深度模型无法直接迁移应用到医学图像中的技术问题。

2、本申请提供一种基于深度学习的计算机断层扫描图像生成方法，包括步骤：

3、获取两组以上图像对，每一组所述图像对包括对应的cbct图像以及ct图像；

4、基于掩码训练所述图像对，并获得预处理后的训练cbct图像以及训练ct图像；

5、利用卷积层提取所述训练cbct图像的浅层特征；

6、利用深层特征提取模块对所述浅层特征进行提取，并获得深层特征；

7、利用图像生成模块融合所述浅层特征与所述深层特征，并输入至具有残差模块的卷积层，获得融合ct图像；

8、构建两个相同架构的神经网络模型，并分别定义为教师模型以及学生模型；

9、模型更新步骤：利用所述学生模型更新所述教师模型，并保存所述教师模型的权重；

10、将保存的所述教师模型的权重加载至所述神经网络模型，构建计算机断层扫描图像生成模型；以及

11、采集临床cbct图像，并将其输入至所述计算机断层扫描图像生成模型，获得该临床cbct图像对应的生成ct图像。

12、可选的，所述基于掩码训练所述图像对，并获得预处理后的训练cbct图像以及训练ct图像的步骤中，包括步骤：

13、压缩所述cbct图像以及对应的所述ct图像；

14、裁剪所述cbct图像、所述ct图像以及对应的cbct掩码图像、ct掩码图像；

15、将裁剪后的所述cbct图像与所述ct图像进行刚性配准，并获得预处理后的训练cbct图像以及训练ct图像；

16、使用分割大模型对所述训练cbct图像中患者的轮廓进行分割。

17、可选的，所述基于掩码训练所述图像对，并获得预处理后的训练cbct图像以及训练ct图像的步骤中，还包括步骤：

18、判断所述cbct图像是否为脑部图像，若是，使用纯黑色背景遮盖患者面部。

19、可选的，所述利用深层特征提取模块对所述浅层特征进行提取，并获得深层特征的步骤中，包括步骤：

20、利用k个基于残差的swin transformer块重塑所述浅层特征的大小，并计算划分后的每个单元的自注意力；

21、利用3×3的卷积对每个单元进行卷积处理，并获得深层特征；

22、利用全局模块将中间层特征进行分组，并在分组的特征之间交换全局信息。

23、可选的，所述利用图像生成模块融合所述浅层特征与所述深层特征，并输入至具有残差模块的卷积层，获得融合ct图像步骤之中，

24、所述图像生成模块利用长距离连接所述浅层特征与所述深层特征，且所述中间层特征的全局信息被接入长距离连接中。

25、可选的，在所述模型更新步骤之前，还包括步骤：

26、初始化教师模型ft(·,θt)以及学生模型fs(·,θs)，其中θt,θs分别为教师模型的权重以及学生模型的权重；

27、针对所述训练cbct图像以及所述训练ct图像进行掩码训练，以将cbct掩码图像生成原始cbct图像，ct掩码图像生成原始ct图像。

28、可选的，所述模型更新步骤包括：

29、将所述训练cbct图像输入至所述学生模型，并获得生成cbct图像；

30、根据所述原始cbct图像以及所述生成cbct图像计算损失函数：

31、lossl1＝||ict-isct||1

32、其中，lossl1表示损失函数，ict表示原始cbct图像，isct表示生成cbct图像；

33、基于损失函数计算梯度，通过梯度随机下降进行反向传播，更新所述学生模型的权重；

34、通过指数加权平均的方式更新所述教师模型的权重；

35、θs＝αθs+(1-α)θt

36、其中，θs表示教师模型的权重，θs表示学生模型的权重，α表示加权系数；

37、判断迭代次数是否大于或等于预设次数，若是，保存所述教师模型的权重，若否，循环所述模型更新步骤。

38、可选的，所述模型更新步骤中，在所述将所述训练cbct图像输入至所述学生模型，并获得生成cbct图像步骤之前，还包括步骤：

39、预处理所述训练cbct图像，预处理方式包括旋转、翻转以及裁剪；

40、截取预处理后的所述训练cbct图像的主体部分，并丢弃背景区域。

41、可选的，所述预处理医学图像步骤中，

42、将所述训练cbct图像随机旋转0-360°；

43、将所述训练cbct图像随机翻转处理；

44、获取批尺寸为b的mini-batch，其中mini-batch中的每个图像为数据增强的训练cbct图像。

45、相应的，本申请还提供一种基于深度学习的计算机断层扫描图像生成系统，包括存储器以及处理器，存储器用于存储可执行程序代码；处理器连接至所述存储器，通过读取所述可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以执行前述任一项所述的基于深度学习的计算机断层扫描图像生成方法。

46、本申请提供一种基于深度学习的计算机断层扫描图像生成方法本文档来自技高网...

【技术保护点】

1.一种基于深度学习的计算机断层扫描图像生成方法，其特征在于，包括步骤：

2.根据权利要求1所述的基于深度学习的计算机断层扫描图像生成方法，其特征在于，所述基于掩码训练所述图像对，并获得预处理后的训练CBCT图像以及训练CT图像的步骤中，包括步骤：

3.根据权利要求2所述的基于深度学习的计算机断层扫描图像生成方法，其特征在于，所述基于掩码训练所述图像对，并获得预处理后的训练CBCT图像以及训练CT图像的步骤中，还包括步骤：

4.根据权利要求1所述的基于深度学习的计算机断层扫描图像生成方法，其特征在于，所述利用深层特征提取模块对所述浅层特征进行提取，并获得深层特征的步骤中，包括步骤：

5.根据权利要求4所述的基于深度学习的计算机断层扫描图像生成方法，其特征在于，所述利用图像生成模块融合所述浅层特征与所述深层特征，并输入至具有残差模块的卷积层，获得融合CT图像步骤之中，

6.根据权利要求1所述的基于深度学习的计算机断层扫描图像生成方法，其特征在于，在所述模型更新步骤之前，还包括步骤：

7.根据权利要求6所述的基于

8.根据权利要求7所述的基于深度学习的计算机断层扫描图像生成方法，其特征在于，所述模型更新步骤中，在所述将所述训练CBCT图像输入至所述学生模型，并获得生成CBCT图像步骤之前，还包括步骤：

9.根据权利要求8所述的基于深度学习的计算机断层扫描图像生成方法，其特征在于，所述预处理医学图像步骤中，

10.一种基于深度学习的计算机断层扫描图像生成系统，其特征在于，包括：

...

【技术特征摘要】

1.一种基于深度学习的计算机断层扫描图像生成方法，其特征在于，包括步骤：

2.根据权利要求1所述的基于深度学习的计算机断层扫描图像生成方法，其特征在于，所述基于掩码训练所述图像对，并获得预处理后的训练cbct图像以及训练ct图像的步骤中，包括步骤：

3.根据权利要求2所述的基于深度学习的计算机断层扫描图像生成方法，其特征在于，所述基于掩码训练所述图像对，并获得预处理后的训练cbct图像以及训练ct图像的步骤中，还包括步骤：

5.根据权利要求4所述的基于深度学习的计算机断层扫描图像生成方法，其特征在于，所述利用图像生成模块...

【专利技术属性】
技术研发人员：王润奇，宋涛，项磊，宫恩浩，
申请(专利权)人：长沙微妙医疗科技有限公司，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人