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】
本申请涉及发射治疗图像处理,具体而言,涉及一种基于增强ct生成伪平扫ct图像的方法及系统。
技术介绍
1、计算机断层扫描(computer tomography,ct)是现代放射治疗的重要支柱,它为放疗计划提供必要的解剖信息和电子密度信息。为了增加器官、血管等组织的对比度,从而提高放疗靶区和危及器官的勾画精度,患者通常需要通过注射含碘造影剂进行增强ct图像扫描。然而,使用造影剂会导致增强ct图像中的血管和一些特定器官出现电子密度信息失真,这可能影响放射治疗计划的准确性和安全性。
2、现有技术中为了避免增强ct的放疗不利因素,临床上通常还需要患者进行不使用造影剂的平扫ct扫描,以用于放疗计划的设计。患者需要接受平扫和增强两次ct扫描,这也带来了额外的扫描费用和辐射伤害。
技术实现思路
1、本申请的目的在于提供一种基于增强ct生成伪平扫ct图像的方法及系统,其能够在减少用户受到的放射量的基础上,保证生成的伪平扫ct图像的质量,用以替代用户平扫ct扫描。
2、本申请是这样实现的:
3、第一方面,本申请提供一种基于增强ct生成伪平扫ct图像的方法,包括以下步骤:
4、获取一个或多个ct图像组;其中单个所述ct图像组由对目标对象进行放疗模拟定位时扫描得到的相匹配的一增强ct图像和一平扫ct图像构成。在以增强ct图像作为输入,相匹配的平扫ct图像作为输出的基础上,将多个ct图像组作为训练样本集,训练预先构建的深度学习神经网络,直至得到收敛的深度学
5、进一步地,基于前述方案,上述深度学习神经网络为u-net卷积神经网络或cycle-gan循环一致性对抗网络;其中,所述深度学习神经网络为u-net卷积神经网络时,卷积层采用残差卷积网络,池化层采用步幅为2的卷积网络。
6、进一步地,基于前述方案,上述深度学习神经网络的损失函数为:其中vi表示索引位置i处的ct体素,n表示体素总数,ctsyn和cttrue分别表示伪平扫ct图像和真实平扫ct图像。
7、进一步地,基于前述方案,上述获取一个或多个ct图像组的步骤包括:
8、对目标用户进行平扫扫描,得到一平扫ct图像,在目标用户保持平扫扫描时的摆位基础上注射造影剂后进行增强ct扫描,以得到与平扫ct图像相匹配的一增强ct图像;以增强ct图像为固定图像,将对应的平扫ct图像配准到增强ct图像上,以利用配准完成后的平扫ct图像与增强ct图像构建相应的ct图像组。
9、进一步地,基于前述方案,上述在以增强ct图像作为输入,相匹配的平扫ct图像作为输出的基础上,将多个ct图像组作为训练样本集,训练预先构建的深度学习神经网络,直至得到收敛的深度学习神经网络的步骤之前包括:采用图像裁剪、图像增强或归一化处理中的至少一种方式对获取的多个ct图像组进行预处理。
10、进一步地,基于前述方案,上述方法还包括:根据真实平扫ct图像的计划参数,对伪平扫ct图像进行剂量计算,以评估使用伪平扫ct图像与使用增强ct图像进行剂量计算的误差。
11、第二方面,本申请提供一种基于增强ct生成伪平扫ct图像的系统,其包括:
12、图像获取模块,被配置为:获取一个或多个ct图像组;其中单个所述ct图像组由对目标对象进行放疗模拟定位时扫描得到的相匹配的一增强ct图像和一平扫ct图像构成。网络训练模块,被配置为:在以增强ct图像作为输入,相匹配的平扫ct图像作为输出的基础上,将多个ct图像组作为训练样本集,训练预先构建的深度学习神经网络,直至得到收敛的深度学习神经网络。图像生成模块,被配置为:将目标增强ct图像送入收敛的深度学习神经网络,得到对应的伪平扫ct图像;所述目标增强ct图像是从获取的多个ct图像组中指定的一增强ct图像。
13、第三方面,本申请提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器;当上述一个或多个程序被上述处理器执行时,实现如上述第一方面中任一项所述的方法。
14、第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项所述的方法。
15、相对于现有技术,本申请至少具有如下优点或有益效果:
16、本申请提出了一种基于增强ct生成伪平扫ct图像的方法,通过相匹配的增强ct图像和平扫ct图像进行训练深度学习神经网络,并在得到收敛的深度学习神经网络后,将增强ct图像送入其中,可以得到高质量的伪平扫ct图像。从而能够利用该高质量的伪平扫ct图像来保证勾画精度和放疗计划准确性,或者说能够在减少用户受到的放射量的基础上,保证生成的伪平扫ct图像的质量,用以替代用户平扫ct扫描。
本文档来自技高网...【技术保护点】
1.一种基于增强CT生成伪平扫CT图像的方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于增强CT生成伪平扫CT图像的方法,其特征在于,所述深度学习神经网络为U-net卷积神经网络或cycle-Gan循环一致性对抗网络;其中,所述深度学习神经网络为U-net卷积神经网络时,卷积层采用残差卷积网络,池化层采用步幅为2的卷积网络。
3.如权利要求2所述的一种基于增强CT生成伪平扫CT图像的方法,其特征在于,所述深度学习神经网络的损失函数为:其中vi表示索引位置i处的CT体素,N表示体素总数,CTsyn和CTtrue分别表示伪平扫CT图像和真实平扫CT图像。
4.如权利要求1所述的一种基于增强CT生成伪平扫CT图像的方法,其特征在于,所述获取一个或多个CT图像组的步骤包括:
5.如权利要求1所述的一种基于增强CT生成伪平扫CT图像的方法,其特征在于,所述在以增强CT图像作为输入,相匹配的平扫CT图像作为输出的基础上,将多个CT图像组作为训练样本集,训练预先构建的深度学习神经网络,直至得到收敛的深度学习神经网络的步骤之前包括:
6.如权利要求1所述的一种基于增强CT生成伪平扫CT图像的方法,其特征在于,所述方法还包括:根据真实平扫CT图像的计划参数,对伪平扫CT图像进行剂量计算,以评估使用伪平扫CT图像与使用增强CT图像进行剂量计算的误差。
7.一种基于增强CT生成伪平扫CT图像的系统,其特征在于,包括:
8.一种电子设备,其特征在于,包括:
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
...【技术特征摘要】
1.一种基于增强ct生成伪平扫ct图像的方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于增强ct生成伪平扫ct图像的方法,其特征在于,所述深度学习神经网络为u-net卷积神经网络或cycle-gan循环一致性对抗网络;其中,所述深度学习神经网络为u-net卷积神经网络时,卷积层采用残差卷积网络,池化层采用步幅为2的卷积网络。
3.如权利要求2所述的一种基于增强ct生成伪平扫ct图像的方法,其特征在于,所述深度学习神经网络的损失函数为:其中vi表示索引位置i处的ct体素,n表示体素总数,ctsyn和cttrue分别表示伪平扫ct图像和真实平扫ct图像。
4.如权利要求1所述的一种基于增强ct生成伪平扫ct图像的方法,其特征在于,所述获取一个或多个ct图像组的步骤包括:
5.如权...
【专利技术属性】
技术研发人员:李盈辉,石锦平,徐萌,刘致滨,
申请(专利权)人:佛山市第一人民医院,
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。