一种基于深度学习的增强-平扫CT图像合成方法和系统技术方案

本发明专利技术公开了一种基于深度学习的增强‑平扫CT图像合成方法和系统，方法包括：获取训练数据；所述训练数据包括具有同一目标对象的预处理后的增强CT图像以及预处理后的平扫CT图像，接着将所述训练数据输入网络模型进行训练，得到图像合成模型；最后将待合成增强CT图像输入图像合成模型，得到目标平扫CT图像。本发明专利技术能够解决增强CT应用于放疗计划导致放疗剂量计算误差和增强‑平扫CT数据对空间失配的问题，使得最终得到目标平扫CT图像细节更加丰富和清晰，可广泛应用于图像处理技术领域。

【技术实现步骤摘要】

本专利技术涉及图像处理，尤其是一种基于深度学习的增强-平扫ct图像合成方法和系统。

技术介绍

1、增强x线计算机断层扫(computed tomography，ct)是血管病变、疑似肿瘤病变和放射治疗(放疗)的靶区勾画等常用的成像技术。通过静脉注射对比剂(造影剂)再进行ct扫，可以使得病变组织与邻近正常组织间的密度差增加，从而提高病变的显示率，达到可靠的诊断目的。图像引导的放疗是临床上广泛应用的精确放疗技术，增强ct图像通常用于辅助提高放疗靶区和危及器官勾画的准确性，旨在将高剂量的射线集中于肿瘤区域，同时尽量减少正常组织放射剂量。

2、目前，实现增强ct图像直接用于整个放疗计划仍存在很大困难和挑战。治疗计划系统(treatment planning system,tps)通过ct图像转换的电子密度进行放疗的剂量计算，对比剂的引入使得增强ct图像的ct值增大，与平扫ct图像存在显著差异，从而导致放疗剂量计算误差。估计电子密度的常规方案为额外进行平扫ct扫描,通过增强与平扫ct图像配准融合将勾画的靶区迁移到治疗计划系统。然而，这种方案将引入增强-平本文档来自技高网...

【技术保护点】

1.一种基于深度学习的增强-平扫CT图像合成方法，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增强-平扫CT图像合成方法，其特征在于，所述获取训练数据，包括：

3.根据权利要求1或2所述的一种基于深度学习的增强-平扫CT图像合成方法，其特征在于，所述将所述训练数据输入网络模型进行训练，得到图像合成模型，包括：

4.根据权利要求3所述的一种基于深度学习的增强-平扫CT图像合成方法，其特征在于，

5.根据权利要求3所述的一种基于深度学习的增强-平扫CT图像合成方法，其特征在于，所述通过自注意力模块对特征提取结果进行特征处理，包...

【技术特征摘要】

1.一种基于深度学习的增强-平扫ct图像合成方法，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增强-平扫ct图像合成方法，其特征在于，所述获取训练数据，包括：

3.根据权利要求1或2所述的一种基于深度学习的增强-平扫ct图像合成方法，其特征在于，所述将所述训练数据输入网络模型进行训练，得到图像合成模型，包括：

4.根据权利要求3所述的一种基于深度学习的增强-平扫ct图像合成方法，其特征在于，

5.根据权利要求3所述的一种基于深度学习的增强-平扫ct图像合成方法，其特征在于，所述通过自注意力模块对特征提取结果进行特征处...

【专利技术属性】
技术研发人员：钟丽明，黄牧，肖若琳，全显跃，李欣明，阳维，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：