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ct重建,具体涉及一种基于深度学习的锥形束ct重建方法。
技术介绍
1、ct技术能够以不损坏物体内部结构的方式获取物体内部结构,是一种非侵入性的成像技术。x射线通过与物质原子相互作用而引起能量衰减,这意味着,x射线穿过物质不同的组成成分衰减率不同,利用不同物质对x射线的衰减系数不同这一性质可以测量物质的组成成分。利用x射线的性质,将待成像物体非均匀的组织结构离散化为若干个均匀的组织结构,从多个角度发出x射线穿过物体并测量投影数据,ct重建算法由发射x射线剂量,物体离散化模型与投影数据计算得到不同组织对x射线的吸收系数。
2、ct技术在软组织器官成像方面具有优势,如肺、肝等器官,能够更清晰的在解剖图像背景上显示出病变组织。但ct成像的缺点也很明显,主要是扫描时x射线带来的辐射问题,传统的ct辐射剂量大,过量的x射线照射有可能提高患者白血病、癌症的患病几率。锥型束计算机层析重建技术(cbct),不同于传统ct技术,通过x射线源发射出锥束穿过物体得到二维的x光片,与传统ct相比具有辐射剂量低,成像时间快的优点。
3、现有的一些基于体素的生成方法将ct数据表示为离散的体素网格,限制了生成的ct数据的分辨率。最近的神经渲染技术通过将密度场参数化为隐式神经表示来重建cbct,但需要逐个场景优化,耗费时间并且由于缺乏先验知识,在稀疏视图的情况中表现不佳。
4、综上所述,亟需一种锥形束ct重建方法,提高生成ct数据的分辨率,同时提高稀疏视图效果,提高密度预测的准确性。
>技术实现思路
1、针对现有技术存在的不足,本专利技术提出了一种基于深度学习的锥形束ct重建方法,该方法包括:
2、s1:获取原始ct数据集并对其进行预处理,得到2d投影数据;
3、s2:将2d投影数据输入到u-net网络中进行处理,得到2d投影特征;
4、s3:根据2d投影特征获取目标点在2d投影数据上的特征向量;
5、s4:采用第一多层感知机聚合目标点的特征向量和位置信息,得到目标点的位置感知特征向量;
6、s5:采用注意力聚合机制对位置感知特征向量进行处理,得到聚合特征向量;
7、s6:将聚合特征向量输入到第二多层感知机中进行处理,得到目标点的密度值。
8、优选的,对原始ct数据集进行预处理的过程包括:对原始ct数据进行重采样处理,得到体素大小均相同的ct数据;对相同体素大小的ct数据进行归一化处理;采用数字图像重建方法对归一化后的ct数据进行处理,生成2d投影数据。
9、进一步的,对原始ct数据进行重采样处理的过程包括:设置参考体素大小,根据参考体素大小计算每个原始ct数据的缩放因子;选取每个原始ct数据的感兴趣ct值范围,根据缩放因子对原始ct数据进行裁剪,得到体素大小均相同的ct数据。
10、优选的,步骤s3具体包括:
11、s31:将目标点投影到2d投影数据上,得到投影点;
12、s32:根据2d投影特征对投影点进行最近邻采样,得到目标点在2d投影数据上的特征向量。
13、进一步的,得到投影点的公式为:
14、
15、其中,pproj表示目标点在第k个2d投影数据上的投影点,ik表示第k个2d投影数据,xp表示目标点p的横坐标,yp表示目标点p的纵坐标,zp表示目标点p的竖坐标,proj()表示投影操作。
16、进一步的,得到目标点在2d投影数据上的特征向量的公式为:
17、
18、其中,表示目标点p在第k个2d投影数据上的特征向量,unet(ik)表示第k个2d投影数据ik的2d投影特征,表示目标点p在第k个2d投影数据上的投影点,nearest()表示选择距投影点最近的像素并采样该像素的特征向量。
19、优选的,聚合目标点的特征向量和位置信息的公式为:
20、
21、其中,表示目标点p的第k个位置感知特征向量,目标点p在第k个2d投影数据上的特征向量,表示串联操作,mlp1()表示第一多层感知机,xp表示目标点p的横坐标,yp表示目标点p的纵坐标,zp表示目标点p的竖坐标。
22、本专利技术的有益效果为:本专利技术通过采用隐式神经表示的方法预测目标点的密度值,以支持任意分辨率ct数据的重建。通过将ct数据处理为一致的规格,并且采用卷积神经网络来提取图像特征,以学习到不同ct数据中的先验知识,使得本专利技术在稀疏视角下也能够有较好的效果。并且,本专利技术通过位置信息来增强图像特征,以提供感知位置信息的高维特征。提供了注意力聚合的机制,为来自不同视角的特征分配不同的权重,进一步提高了密度预测的准确性。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的锥形束CT重建方法,其特征在于,包括:
2.根据权利要求1所述的一种基于深度学习的锥形束CT重建方法,其特征在于,对原始CT数据集进行预处理的过程包括:对原始CT数据进行重采样处理,得到体素大小均相同的CT数据;对相同体素大小的CT数据进行归一化处理;采用数字图像重建方法对归一化后的CT数据进行处理,生成2D投影数据。
3.根据权利要求2所述的一种基于深度学习的锥形束CT重建方法,其特征在于,对原始CT数据进行重采样处理的过程包括:设置参考体素大小,根据参考体素大小计算每个原始CT数据的缩放因子;选取每个原始CT数据的感兴趣CT值范围,根据缩放因子对原始CT数据进行裁剪,得到体素大小均相同的CT数据。
4.根据权利要求1所述的一种基于深度学习的锥形束CT重建方法,其特征在于,步骤S3具体包括:
5.根据权利要求4所述的一种基于深度学习的锥形束CT重建方法,其特征在于,得到投影点的公式为:
6.根据权利要求4所述的一种基于深度学习的锥形束CT重建方法,其特征在于,得到目标点在2D投影数据上的特征向量的
7.根据权利要求1所述的一种基于深度学习的锥形束CT重建方法,其特征在于,聚合目标点的特征向量和位置信息的公式为:
...【技术特征摘要】
1.一种基于深度学习的锥形束ct重建方法,其特征在于,包括:
2.根据权利要求1所述的一种基于深度学习的锥形束ct重建方法,其特征在于,对原始ct数据集进行预处理的过程包括:对原始ct数据进行重采样处理,得到体素大小均相同的ct数据;对相同体素大小的ct数据进行归一化处理;采用数字图像重建方法对归一化后的ct数据进行处理,生成2d投影数据。
3.根据权利要求2所述的一种基于深度学习的锥形束ct重建方法,其特征在于,对原始ct数据进行重采样处理的过程包括:设置参考体素大小,根据参考体素大小计算每个原始ct数据的缩放因子;选取每个原始ct数...
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。