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】
本专利技术涉及计算机断层扫描ct,尤其涉及一种基于双网络交互学习的低剂量ct图像重建方法。
技术介绍
1、计算机断层扫描(ct)技术应用广泛,但是其带来的x射线辐射问题包括遗传和癌症疾病等在生物医学界引起了普遍关注,因此越来越多的工作开始研究如何在降低x射线辐射剂量的同时又不损害重建ct图像的质量,也就是用低剂量ct图像(ldct)进行ct图像重建工作,这一课题近些年来已经成为重要的研究课题,具有重要的科学价值和临床意义。
2、传统的低剂量ct重建方法如分析法、统计迭代重建算法等往往存在着计算时间长、计算开销大的缺点。随着人工智能技术的发展,基于卷积神经网络(cnn)的深度学习技术在图像去噪、超分辨率重建等图像处理任务中得到了广泛的应用,这也为低剂量ct重建提供了新的思路,cnn可以通过分层多层的框架学习ldct到正常剂量的非线性映射关系,有效地重建图像。然而由于其固定大小的卷积核感受野和静态权重,cnn不能有效利用ldct图像中大区域之间的相似性,导致ldct图像中的细节被破坏,组织间的信息不能得到有效恢复;并且ct图像数据集由于涉及病人隐私问题不能轻易获取,与自然图像相比,ct图像中包含的信息更少,如何更充分地利用数据集中的信息也十分关键,而现有技术中缺乏相应的解决方案。
技术实现思路
1、本专利技术的目的是提供一种基于双网络交互学习的低剂量ct图像重建方法,该方法与现有低剂量ct重建方法相比,充分复用了ct图像信息,可以较好地恢复去噪后图像的细节和结构信息,而且稳
2、本专利技术的目的是通过以下技术方案实现的:
3、一种基于双网络交互学习的低剂量ct图像重建方法,所述方法包括:
4、步骤1、首先对收集到的原始ct数据进行预处理;
5、步骤2、建立两个相互辅助的同僚网络,即特征融合低剂量ct图像重建网络scred,并搭建双网络交互学习框架mfrd,用于交流融合两个网络学习到的知识,充分利用图像隐藏信息;
6、步骤3、将步骤1处理后的ct数据输入到步骤2建立的ct图像重建网络scred,并在双网络交互学习框架下对该ct图像重建网络scred进行训练;
7、步骤4、将低剂量ct图像输入到步骤4训练好的ct图像重建网络scred中,输出高质量ct图像。
8、由上述本专利技术提供的技术方案可以看出,上述方法与现有低剂量ct重建方法相比,充分复用了ct图像信息,可以较好地恢复去噪后图像的细节和结构信息,而且稳定可靠、可扩展性好,具有极大的推广价值及现实意义。
本文档来自技高网...【技术保护点】
1.一种基于双网络交互学习的低剂量CT图像重建方法,其特征在于,所述方法包括:
2.根据权利要求1所述基于双网络交互学习的低剂量CT图像重建方法,其特征在于,在步骤1中,对收集到的原始CT数据进行预处理的过程具体为:
3.根据权利要求1所述基于双网络交互学习的低剂量CT图像重建方法,其特征在于,在步骤2中,所建立的CT图像重建网络SCRED的输入为低剂量CT图像,输出为重建后的CT图像,其中图像需要经过三个部分的处理,具体来说:
4.根据权利要求1所述基于双网络交互学习的低剂量CT图像重建方法,其特征在于,在步骤3中,所搭建的双网络交互学习框架MFRD采用两个完全相同的网络作为两个同僚网络,即第一学生网络和第二学生网络,两个学生网络进行相互学习指导,相对于其中一个学生网络,另一个学生网络在学习时作为它的老师,用自己对知识理解对其进行指导,即教师监督,具体过程为:
【技术特征摘要】
1.一种基于双网络交互学习的低剂量ct图像重建方法,其特征在于,所述方法包括:
2.根据权利要求1所述基于双网络交互学习的低剂量ct图像重建方法,其特征在于,在步骤1中,对收集到的原始ct数据进行预处理的过程具体为:
3.根据权利要求1所述基于双网络交互学习的低剂量ct图像重建方法,其特征在于,在步骤2中,所建立的ct图像重建网络scred的输入为低剂量ct图像,输出为重建后的...
【专利技术属性】
技术研发人员:王华锋,战欣茹,郭可信,刘万泉,刘伦莹,屠焕青,邢志强,高皓琪,李志强,李丹,林杰,张嘉豪,
申请(专利权)人:北方工业大学,
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。