【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。
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。