一种深度神经网络辅助的四维锥束CT影像重建方法技术

本发明专利技术公开了一种深度神经网络辅助的四维锥束CT影像重建方法，包括：(1)获取投影数据，并对投影数据按照呼吸时相进行分组，得到时相投影图；(2)对时相投影图进行重建，得到带有的伪影的初始锥束CT图像；(3)利用基于深度神经网络构建的去伪影模型对初始锥束CT图像进行去伪影处理，得到时相重建图像；(4)基于时相重建图像，将其他时相重建图像与初始时相重建图像进行柔性配准获得其他时相重建图像相对于初始时相重建图像的正形变场和逆形变场；(5)基于时相投影图及对应的正形变场和逆形变场，进行运动补偿重建，获得四维锥束CT影像。能够实现以对单次常规锥束CT扫描中获得病人的四维锥束CT图像。四维锥束CT图像。四维锥束CT图像。

【技术实现步骤摘要】
一种深度神经网络辅助的四维锥束CT影像重建方法


[0001]本专利技术属于图像重建
，尤其涉及一种深度神经网络辅助的四维锥束CT影像重建方法。

技术介绍

[0002]在放射治疗中减少目标定位误差十分重要。减少放疗中由于肿瘤运动带来的目标定位误差对提升肿瘤控制效果和降低的正常组织因放疗收到的毒性有很大帮助。立体定向放疗(SBRT)正在成为一种新兴的，有效的抑制和治疗肺癌和肝癌等肿瘤的放射治疗方法。呼吸运动会使得肺部以及肺部周边的脏器如胰腺、肝脏以及肺部及周边脏器部位的肿瘤产生位移，是放疗中肿瘤运动的主要影响因素。在SBRT治疗中，锥束CT被用来在放疗前对病人进行成像，以矫正放疗计划，使得高能X射线能够更精准的投放到肿瘤靶区。常规锥束CT扫描难以处理在扫描中病人的呼吸运动对图像的影响，也难以捕捉到肿瘤的运动情况。
[0003]近年来，四维锥束CT和四维数字断层成像方法被开发出来，通过在病人身上放置标志物，并通过外部传感器对呼吸运动情况进行捕捉，从而筛选出不同时相的投影。然而常规的四维锥束CT需要获得每个时相的全角度投影，因此需要较长的采集时间(约数分钟)，病人也需要接收更高的辐射剂量。而四维数字断层成像方式，可以在有限角度的投影下进行重建，因此扫描时间和剂量都会更少。但该种成像方式不能重建出完整的体积信息，因此受到限制。有研究团队将呼吸门控技术加入到四维锥束CT扫描中来，可以有效减少四维锥束CT的辐射剂量，但仍无法有效缩小扫描时间，且该方法需要改动现有放疗机的锥束CT成像设备，使用难度较高，临床实用性差。在现有硬件基础上，如何更好的捕捉受呼吸运动影响的肿瘤的运动信息，获得四维的锥束CT影像是当前的SBRT中锥束CT成像方面的一个限制。因此有团队在图像重建的方向提出了改进措施。有团队提出出建立运动模型和基于先验知识的方法用于从单次锥束CT扫描中获得四维锥束CT影像。基于运动模型的方法前期通过建立病人的呼吸运动和器官变形的模型来辅助修正重建过程，但器官变形模型建立难度大，不同病人之间差异较大，使用时对病人的差异敏感，因此临床实用性不高。基于先验知识的方法使用病人术前获得的计划CT影像，通过与锥束CT的变形配准，获得锥束CT对应状态的计划CT影像。由于锥束CT图像质量与计划CT图像质量相差较大，在直接变形配准时误差较大，而使用先验知识辅助修正重建过程的方法，对于先验知识依赖较大，在使用时可能会面临信息缺失的限制。因此如何在现有硬件基础上改进图像重建算法，且不依赖先验知识是目前急需解决的一个问题。四维锥束CT图像由于呼吸时相筛选导致的投影角度缺失，是图像质量差的主要因素之一。近年来深度学习在图像填充方面有了一些发展，可以用来恢复信息缺失的图像。将深度学习技术用于恢复投影角度缺失的锥束CT图像，即可将其作为模板图像，提升图像配准的精度，获得运动形变场，补偿重建过程。深度学习网络通过大量数据训练构建的模型有着更高的适用性，对不同病人的处理适用能力更高，将有助于突破现有技术在使用时的限制。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术提供了一种深度神经网络辅助的四维锥束CT影像重建方法，以对单次常规锥束CT扫描他图像中获得病人的四维锥束CT图像。
[0005]本专利技术采用的技术方案为：
[0006]一种深度神经网络辅助的四维锥束CT影像重建方法，包括以下步骤：
[0007](1)获取投影数据，并对投影数据按照呼吸时相进行分组，得到时相投影图；
[0008](2)对时相投影图进行重建，得到带有的伪影的初始锥束CT图像；
[0009](3)利用基于深度神经网络构建的去伪影模型对初始锥束CT图像进行去伪影处理，得到时相重建图像；
[0010](4)基于时相重建图像，将其他时相重建图像与初始时相重建图像进行柔性配准获得其他时相重建图像相对于初始时相重建图像的正形变场和逆形变场；
[0011](5)基于时相投影图及对应的正形变场和逆形变场，进行运动补偿重建，获得四维锥束CT影像。
[0012]优选地，所述基于深度神经网络构建的去伪影模型的构建过程为：
[0013]获取虚拟的锥束CT投影数据，并对锥束CT投影数据进行数据增强，根据呼吸运动幅度曲线获得一组初始投影角度分布，并对每个时相的投影角度进行数据增强，获得多组呼吸时相对应的投影角度分布，根据数据增强后的锥束CT投影数据和多组呼吸时相对应的投影角度分布，采用滤波反投影方法进行重建，获得多组呼吸时相对应的带有伪影的重建图像作为深度神经网络的输入图像，使用全部角度的锥束CT投影数据进行重建获得无伪影的重建图像作为深度神经网络的标签图像，有伪影的重建图像和无伪影的重建图像作为一个样本；
[0014]深度神经网络采用包含生成器和判别器的生成式对抗网络，利用样本对生成式对抗网络进行训练，训练结束后提取参数确定的生成器作为去伪影模型。
[0015]优选地，所述生成器采用Unet网络或Resnet网络；所述判别器采用多层卷积层。
[0016]与现有技术相比，本专利技术具有的有益效果至少包括：
[0017]本专利技术提供的深度神经网络辅助的四维锥束CT影像重建方法可以在现有放疗设备基础上，不依赖于外部增设位置传感器，可以有效从常规锥束CT扫描中估计出四维锥束CT影像。该方法不会引入更高的辐射剂量，有望运用于现有的临床治疗过程中，提高锥束CT在立体定向放射治疗中的作用。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
[0019]图1是本专利技术实施例提供的深度神经网络辅助的四维锥束CT影像重建方法的流程图；
[0020]图2是本专利技术实施例提供的深度神经网络的训练过程图；
[0021]图3是本专利技术实施例提供的去伪影模型去伪影处理结果图；
[0022]图4是本专利技术实施例提供的三种重建方法的重建图像。
具体实施方式
[0023]为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不限定本专利技术的保护范围。
[0024]图1是本专利技术实施例提供的深度神经网络辅助的四维锥束CT影像重建方法的流程图。如图1所示，实施例提供的四维锥束CT影像重建方法包括以下步骤：
[0025]步骤1，获取投影数据，并对投影数据按照呼吸时相进行分组，得到时相投影图。
[0026]原始投影数据P可以直接从放疗机载锥束CT机获得，使用投影中的肺隔膜位置，判断呼吸时相，对原始投影数据P进行分组，获得时相投影图P
i
，i＝1,2,3,
…
,n，n为呼吸时相的个数。
[0027]步骤2，对时相投影图进行重建，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度神经网络辅助的四维锥束CT影像重建方法，其特征在于，包括以下步骤：(1)获取投影数据，并对投影数据按照呼吸时相进行分组，得到时相投影图；(2)对时相投影图进行重建，得到带有的伪影的初始锥束CT图像；(3)利用基于深度神经网络构建的去伪影模型对初始锥束CT图像进行去伪影处理，得到时相重建图像；(4)基于时相重建图像，将其他时相重建图像与初始时相重建图像进行柔性配准获得其他时相重建图像相对于初始时相重建图像的正形变场和逆形变场；(5)基于时相投影图及对应的正形变场和逆形变场，进行运动补偿重建，获得四维锥束CT影像。2.如权利要求1所述的深度神经网络辅助的四维锥束CT影像重建方法，其特征在于，步骤(2)中，采用滤波反投影方法对时相投影图进行重建，得到带有的伪影的初始锥束CT图像。3.如权利要求1所述的深度神经网络辅助的四维锥束CT影像重建方法，其特征在于，所述基于深度神经网络构建的去伪影模型的构建过程为：获取虚拟的锥束CT投影数据，并对锥束CT投影数据进行数据增强，根据呼吸运动幅度曲线获得一组初始投影角度分布，并对每个时相的投影角度进行数据增强，获得多组呼吸时相对应的投影角度分布，根据数据增强后的锥束CT投影数据和多组呼吸时相对应的投影角度分布，采用滤波反投影方法进行重建，获得多组呼吸时相对应的带有伪影的重建图像作为深度神经网络的输入图像，使用全部角度的锥束CT投影数据进行重建获得无伪影的重建图像作为深度神经网络的标签图像，有伪影的重建图像和无伪影的重建图像作为一个样本；深度神经网络采用包含生成器和判别器的生成式对抗网络，利用样本对生成式对抗网络进行训练，训练结束后提取参数确定的生成器作为去伪影模型。4.如权利要求3所述的深度神经网络辅助的四维锥束CT影像重建方法，其特征在于，所述生成器采用Unet网络或Resnet网络；所述判别器采用多层卷积层。5.如权利要求1所述的深度神经网络辅助的四维锥束CT影像重建方法，其特征在于，步骤(4)中，柔性配准过程为：对一组时相重建图像I0和I
n
，即初始时相重建图像和第n个时相重建图像，首先将图像...

【专利技术属性】
技术研发人员：牛田野，杨鹏飞，罗辰，王静，
申请(专利权)人：浙江大学，
类型：发明
国别省市：