基于自监督学习的放疗影像重建方法技术

本发明专利技术公开了一种基于自监督学习的放疗影像重建方法，S1.得到低对比度放疗影像序列数据集合；S2.将低对比度放疗影像序列数据集合按照视角差异构造成键‑查询对输入MoCov3自监督特征编码器模型，获得初始特征表示集合；S3.得到影像增强重建结果集合；S4.生成更新狼群参数集合；S5.输出最优重建参数配置及对应的高对比度放疗增强影像；S6.将高对比度放疗增强影像输入闭环质量评价模块，利用器官勾画一致性指标与剂量重计算误差进行最终质量验证。本发明专利技术显著提升了编码器对肿瘤边界的响应能力。

【技术实现步骤摘要】

本专利技术涉及影像重建，尤其涉及一种基于自监督学习的放疗影像重建方法。

技术介绍

1、随着医学影像技术的发展，放射治疗已成为肿瘤精准治疗的重要手段之一，尤其在肺癌、脑瘤、乳腺癌实体瘤的治疗中占据关键地位，然而，由于放疗过程中频繁使用锥形束计算机断层扫描系统进行剂量验证与图像引导，但普遍存在对比度低、噪声高及结构模糊的问题，严重影响医生对肿瘤边界的精确勾画和对关键器官的定位，进而制约放疗计划的精度与疗效。

2、在现有技术中，针对低对比度放疗影像的增强方法主要集中于传统图像重建算法和后处理滤波技术，虽然在提升图像清晰度方面存在一定成效，但普遍缺乏结构感知能力，无法有效增强肿瘤边缘细节，此外，部分深度学习方法引入了有监督学习策略，虽然在影像重建精度方面表现优越，但对大量高质量标注数据的依赖限制了其在临床中的广泛应用。

3、自监督学习近年来成为替代有监督学习的新兴技术，但当前主流的自监督模型在医学影像应用中存在结构泛化性差、难以捕捉肿瘤边界微结构特征问题，同时，现有的图像增强方法普遍采用固定参数设计，缺乏针对不同影像场景的自适应调节能力，导本文档来自技高网...

【技术保护点】

1.一种基于自监督学习的放疗影像重建方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于自监督学习的放疗影像重建方法，其特征在于，所述S1包括以下步骤：

3.根据权利要求2所述的一种基于自监督学习的放疗影像重建方法，其特征在于，所述S2包括以下步骤：

4.根据权利要求3所述的一种基于自监督学习的放疗影像重建方法，其特征在于，所述S21包括以下步骤：

5.根据权利要求1所述的一种基于自监督学习的放疗影像重建方法，其特征在于，所述离散编码通过构建离散化重建-编码一体化超参数字典P＊得到，离散化重建-编码一体化超参数字典包含以下十个...

【技术特征摘要】

1.一种基于自监督学习的放疗影像重建方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于自监督学习的放疗影像重建方法，其特征在于，所述s1包括以下步骤：

3.根据权利要求2所述的一种基于自监督学习的放疗影像重建方法，其特征在于，所述s2包括以下步骤：

4.根据权利要求3所述的一种基于自监督学习的放疗影像重建方法，其特征在于，所述s21包括以下步骤：

5.根据权利要求1所述的一种基于自监督学习的放疗影像重建方法，其特征在于，所述离散编码通过构建离散化重建-编码一体化超参数字典p＊得到，离散化重建-编码一体化超参数字典包含以下十个离散超参数：超分辨卷积核索引正则化权重...

【专利技术属性】
技术研发人员：王杰，
申请(专利权)人：大连理工大学附属中心医院大连市中心医院，
类型：发明
国别省市：