一种基于网络联合学习的图像生成方法及装置制造方法及图纸

本发明专利技术属于图像处理技术领域，提供一种基于网络联合学习的图像生成方法及装置，该方法包括：采用深度学习方法，建立图像生成子网络和图像配准子网络，以建立图像生成模型；使用多部位锥形束CT图像和与多部位锥形束CT图像相对应的标签图像建立训练数据集，并训练所述图像生成模型，并在训练所述图像生成模型的过程中，通过使用感知损失、强度损失、平滑损失和结构一致性损失形成损失约束，在所形成的损失约束下进行联合训练，优化所述图像生成模型；将待处理图像输入优化后的图像生成模型，输出与待处理图像相对应的伪扫描图像。本发明专利技术解决了锥形束CT图像噪声和伪影的问题，提高了锥形束CT图像的信噪比和结构相似性。

【技术实现步骤摘要】

本专利技术涉及图像处理，特别涉及一种基于网络联合学习的图像生成方法及装置。

技术介绍

1、锥形束计算机断层扫描，简称锥形束ct或cbct，是利用x射线发生器围绕受检者进行扫描投影，并根据扫描投影所获取的投影数据进行重建，进而获得受检者的三维断层图像，以用于检测受检者的相关部位。目前大部分放疗设备都集成了锥形束系统，应用范围广，数据资源丰富。但图像ct值的准确性和图像质量不如常规ct，在没有校正的情况下通常被认为不适合用于质子放疗。因此增强锥形束ct的图像质量，提高ct值的准确性，是锥形束ct应用于质子放疗的关键技术。

2、对于锥形束ct图像增强的现有方法，具体包括投影域滤波、迭代重建和图像域恢复等。但是这些方法在处理噪声或伪影时存在一定的局限性，它们通常需要明确表达信号的分布，且只针对特定的单一情况有效，因此，在实际应用中，需要根据具体情况选择合适的方法，无法全面解决噪声或伪影的问题。

3、随着深度学习的发展，图像生成和增强技术得到了极大的提升。其中，生成对抗网络(gans)、自编码器(autoencoders)和transform本文档来自技高网...

【技术保护点】

1.一种基于网络联合学习的图像生成方法，其特征在于，包括：

2.根据权利要求1所述的基于网络联合学习的图像生成方法，其特征在于，所述在训练所述图像生成模型的过程中，通过使用感知损失、强度损失、平滑损失和结构一致性损失形成损失约束，在所形成的损失约束下进行联合训练，包括：

3.根据权利要求2所述的基于网络联合学习的图像生成方法，其特征在于，

4.根据权利要求2所述的基于网络联合学习的图像生成方法，其特征在于，

5.根据权利要求2所述的基于网络联合学习的图像生成方法，其特征在于，

6.根据权利要求1所述的基于网络联合学习的图像生成方...

【技术特征摘要】

1.一种基于网络联合学习的图像生成方法，其特征在于，包括：

2.根据权利要求1所述的基于网络联合学习的图像生成方法，其特征在于，所述在训练所述图像生成模型的过程中，通过使用感知损失、强度损失、平滑损失和结构一致性损失形成损失约束，在所形成的损失约束下进行联合训练，包括：

3.根据权利要求2所述的基于网络联合学习的图像生成方法，其特征在于，

4.根据权利要求2所述的基于网络联合学习的图像生成方法，其特征在于，

5.根据权利要求2所述的基于网络联合学习的图像生成方法，其特征在于，

6.根据权利要求1所述的基于网络联合...

【专利技术属性】
技术研发人员：梁志文，
申请(专利权)人：武汉霁森医疗器械有限公司，
类型：发明
国别省市：