System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
[]本专利技术属于医学图像处理,具体地说是一种基于深度学习的肺部ct图像重建方法。
技术介绍
0、[
技术介绍
]
1、目前,计算机断层扫描(computed tomography,ct)已广泛应用于临床检查中。传统的ct重建方法通过旋转扫描,从多个角度获取数百个x射线投影进行三维重建。然而,ct扫描会给患者带来更多的辐射剂量。并且,ct扫描仪相比于x射线机器成本要高得多。
2、因此,若能提供一种使用x射线图像生成ct图像的替代方法将具有重大的实用意义:(1)利用少量的x射线图像进行ct图像重建可以显著减少对患者的辐射剂量,降低健康风险;(2)使用x射线图像进行重建更为方便快捷,做到快速筛查,缓解医疗资源紧张问题;(3)x射线机器相比于ct扫描成本更低,可有效果缓解医疗资源不平衡的问题。
3、在满足临床需求的情况下,通过使用低剂量的x射线图像生成ct图像是目前医学成像的热点问题,具备实用意义与参考价值。然而,现有的ct重建技术仍具有以下局限性:
4、(1)传统的ct重建算法如滤波反投影算法(fbp)极大取决于所采集的投影数据的质量。然而,在投影数据降噪过程中不可避免地会导致图像原有细节的损失,导致重建ct图像的分辨率下降。
5、(2)基于深度学习的ct重建技术通过单张x射线图像,构建卷积神经网络模型隐式地学习x射线图像到ct图像的非线性映射关系,对ct图像进行重建。然而,x射线图像内部信息存在严重的模糊性,仅通过单张x射线图像无法充分学习映射关系,导致算法性能具有局限性。<
...【技术保护点】
1.一种基于深度学习的肺部CT图像重建方法,其特征在于,包括以下步骤:
2.如权利要求1所述的方法,其特征在于:步骤(1)中,使肺部区域处于扫描范围内,通过CT扫描仪发射X射线束并记录图像数据得到肺部CT图像,并对其进行包括但不限于重采样、归一化的操作完成预处理。
3.如权利要求1所述的方法,其特征在于:步骤(2)中,首先,根据肺实质HU值与其他器官的差异,基于全局阈值分割法对肺部CT图像进行粗分割;其次,通过形态学闭运算、取反、设置最大联通区域等操作去除干扰;然后,得到躯干的掩膜,通过对掩膜进行孔洞填充并与之相减得到肺实质的掩膜,并通过设置连通区域大小去除肺气管;最后,将肺实质的掩膜与原图相乘,得到分割后的肺实质图像。
4.如权利要求1所述的方法,其特征在于:步骤(3)中,通过在CT扫描数据中选取感兴趣区域,在光源位置从每一个视角释放出一组投影射线穿过感兴趣区域,在每条射线上进行等间距采样,并利用插值法由距离采样点最近的8个体素计算出该采样点的CT值对应的衰减系数;然后对所有采样点的衰减系数进行相加,得到该条X射线对应成像平面上的像素点的灰度
5.如权利要求1所述的方法,其特征在于:步骤(4)中,基于生成对抗网络构建X2CT-Net模型,包含生成器与判别器;其中,生成器包括两个U形网络,分别用于学习两种不同平面的X射线图像与CT图像之间的映射关系;生成器的输入为两个正交平面的X射线图像,U形网络为编-解码器的对称结构;编码器由4个残差卷积模块构成,用于提取X射线图像特征,每个残差卷积模块中包含3×3的二维卷积层、批次归一化层以及ReLU激活函数;解码器由4个上采样模块构成,从提取的二维特征中重建三维体数据,得到输出结果CT图像,每个上采样模块中包含3×3×3的三维卷积层以及ReLU激活函数;判别器由4×4×4的三维卷积层、批次归一化层以及ReLU激活函数组成,用于区分生成样本与真实样本。
6.如权利要求5所述的方法,其特征在于:步骤(4)中,根据图像编码阶段的特点,提出三种跳跃连接方式;首先,通过对全连接层进行扩展,构建跳跃连接模块ConcatA,该模块将最后一个编码器的输出展平拉长为一个一维向量,以更好地重建为三维特征;其次,在同一阶段的编码器与解码器之间构建跳跃连接模块ConcatB,通过二维卷积模块将编解码器两端的特征通道进行对齐,并复制二维图像特征,扩展为三维图像特征,使用三位卷积模块进行特征编码,该模块将低级的二维图像特征传递给三维的解码器,弥补三维重建过程中的图像细节,使输入与输出之间的轮廓形状具有很高的相关性;最后,在两个并行U形网络的解码器之间构建跳跃连接模块ConcatC,将每个阶段解码器的输出进行通道拼接,得到融合特征,以融合两个不同平面X射线的特征,使模型学习得到更为充分的映射关系,通过计算两个解码器输出之间的相似程度,并将其通过反向传播来进行参数更新。
7.如权利要求6所述的方法,其特征在于,步骤(4)中,根据目标任务与图像特点,对损失函数进行改进,提出混合损失函数优化模型训练过程;混合损失函数主要由对抗损失、重建损失以及投影损失构成,其中,对抗损失用于区分真实数据分布以及对应的生成数据分布,其表达式如下:
8.如权利要求1至7中任一项所述的方法,其特征在于,还包括步骤(5):将重建的CT图像作为输入,构建基于YOLOv5的肺结节检测模型,以验证生成图像的质量。
9.如权利要求8所述的方法,其特征在于,步骤(5)中,通过步骤(4)生成的肺部CT图像,对其中大于3mm的肺结节进行标注,构建肺结节检测数据集,并对其进行划分,其中,训练集、验证集、测试集为8:1:1;在原有损失函数的基础上增加FocalLoss损失函数,如下所示:
10.如权利要求9所述的方法,其特征在于:步骤(5)中,肺结节检测模型的骨干网络采用在ImageNet上的预训练的ResNet-34网络,用于初始化模型参数,增强训练效果;针对现有数据集的图像特点与分布特性,对原有损失函数进行改进,缓解数据类不平衡的特点;最后用测试图像进行测试验证所生成CT图像的质量。
...【技术特征摘要】
1.一种基于深度学习的肺部ct图像重建方法,其特征在于,包括以下步骤:
2.如权利要求1所述的方法,其特征在于:步骤(1)中,使肺部区域处于扫描范围内,通过ct扫描仪发射x射线束并记录图像数据得到肺部ct图像,并对其进行包括但不限于重采样、归一化的操作完成预处理。
3.如权利要求1所述的方法,其特征在于:步骤(2)中,首先,根据肺实质hu值与其他器官的差异,基于全局阈值分割法对肺部ct图像进行粗分割;其次,通过形态学闭运算、取反、设置最大联通区域等操作去除干扰;然后,得到躯干的掩膜,通过对掩膜进行孔洞填充并与之相减得到肺实质的掩膜,并通过设置连通区域大小去除肺气管;最后,将肺实质的掩膜与原图相乘,得到分割后的肺实质图像。
4.如权利要求1所述的方法,其特征在于:步骤(3)中,通过在ct扫描数据中选取感兴趣区域,在光源位置从每一个视角释放出一组投影射线穿过感兴趣区域,在每条射线上进行等间距采样,并利用插值法由距离采样点最近的8个体素计算出该采样点的ct值对应的衰减系数;然后对所有采样点的衰减系数进行相加,得到该条x射线对应成像平面上的像素点的灰度值;针对每条x射线重复该操作,将像素点合成为drr图像,通过该算法生成后前位以及侧位的模拟x射线图像,构成x-ct配对的数据集。
5.如权利要求1所述的方法,其特征在于:步骤(4)中,基于生成对抗网络构建x2ct-net模型,包含生成器与判别器;其中,生成器包括两个u形网络,分别用于学习两种不同平面的x射线图像与ct图像之间的映射关系;生成器的输入为两个正交平面的x射线图像,u形网络为编-解码器的对称结构;编码器由4个残差卷积模块构成,用于提取x射线图像特征,每个残差卷积模块中包含3×3的二维卷积层、批次归一化层以及relu激活函数;解码器由4个上采样模块构成,从提取的二维特征中重建三维体数据,得到输出结果ct图像,每个上采样模块中包含3×3×3的三维卷积层以及relu激活函数;判别器由4×4×4的三维卷积层、批次归一化层以及relu激活函数组成,用于区分生成样本与真实样本。
6.如权利要求5所...
【专利技术属性】
技术研发人员:康帅,陈飞蛟,李昕帝,张东霞,任娟,
申请(专利权)人:上海睿触科技有限公司,
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。