【技术实现步骤摘要】
一种用于多种成像几何的云影像中心的CT成像方法及系统
[0001]本专利技术涉及深度学习及计算机断层扫描
,特别涉及一种用于多种成像几何的云影像中心的CT成像方法及多种成像几何的云影像中心CT成像系统。
技术介绍
[0002]计算机断层扫描(CT)具有在重建患者的体内的解剖结构时不造成侵袭性损伤方面有巨大优势,由于患者在CT扫描的过程中会遭受辐射带来的潜在健康风险,低剂量CT成像已经广泛应用于临床诊断。
[0003]近些年来,深度学习技术的快速发展为医疗行业智能化揭示了广阔的前景。受此启发,一些基于深度学习的CT重建方法被提出,并逐渐成为主流。然而当前基于深度学习网络的重建方法均存在只能使用具有特定成像几何和剂量水平的数据集进行训练的局限性,无法同时处理不同设备的多种成像几何数据,这降低了深度学习重建方法的灵活性。
[0004]最近,随着大数据与云计算的发展,云影像中心正在成为未来医学影像技术发展的趋势,而云影像中心一般集中了不同CT影像设备的探测数据,为了高效重建CT图像,传统的基于单个成像几何的深度学习CT重建方法不再适用。
[0005]因此,针对现有技术不足,提供一种用于多种成像几何的云影像中心的CT成像方法及多种成像几何的云影像中心CT成像系统以解决现有技术不足甚为必要。
技术实现思路
[0006]本专利技术其中一个目的在于避免现有技术的不足之处而提供一种用于多种成像几何的云影像中心的CT成像方法。该用于多种成像几何的云影像中心的CT成像方法能够适用于不同成像几何 ...
【技术保护点】
【技术特征摘要】
1.一种用于多种成像几何的云影像中心的CT成像方法,其特征在于,包括如下步骤:步骤(1)、构建用于生成调制特征向量的成像几何调制子网络和可根据调制特征向量动态调节滤波的智能重建子网络,然后将成像几何调制子网络嵌入至智能重建子网络,其中所述成像几何调制子网络包括几何映射模块和成像几何调制模块,所述智能重建子网络设置有弦图域滤波模块、图像域滤波模块和反投影模块;步骤(2)、进行降采样加速及升采样重新组合,得到的初步智能成像网络;步骤(3)、对步骤(2)得到的初步智能成像网络进行训练,得到的优化智能成像网络;步骤(4)、将CT扫描装置采集到的投影数据输入至优化智能成像网络,得到优化CT图像。2.根据权利要求1所述的用于多种成像几何的云影像中心的CT成像方法,其特征在于,所述步骤(1)具体包括有:步骤(1.1)、使用具有多个全连接层的多层感知器构建成一个几何映射模块,一共构建两个所述几何映射模块,所述几何映射模块将向量Ω输入映射到更高的维度,得到高维调制特征向量β和高维调制特征向量γ,所述向量Ω由所有成像几何和剂量构建;步骤(1.2)、分别构建弦图域滤波模块、图像域滤波模块和反投影模块,所述反投影模块位于所述弦图域滤波模块最后一个卷积层及所述图像域滤波模块的第一个卷积层之间;步骤(1.3)、用多个多层感知器构建成一个成像几何调制模块,一共构建两个所述成像几何调制模块,所述成像几何调制模块将高维调制特征向量β和高维调制特征向量γ调制后的特征图f
l~
,作为所述弦图域滤波模块和所述图像域滤波模块的输入,所述f
l~
由式(I)表示,f
l~
=βf
l
+γ
……
式(I);其中f
l
为所述弦图域滤波模块的卷积层和与所述图像域滤波模块的卷积层输出的特征图。3.根据权利要求2所述的用于多种成像几何的云影像中心的CT成像方法,其特征在于:所述弦图域滤波模块和所述图像域滤波模块分别由卷积残差网络构建而成;所述反投影模块对弦图域滤波模块的弦图数据执行傅里叶变换、傅里叶逆变换、插值和逆雷登变换处理,然后将处理后的弦图数据映射到所述图像域滤波模块。4.根据权利要求2所述的用于多种成像几何的云影像中心的CT成像方法,其特征在于,所述步骤(2)具体有:步骤(2.1)、构建两个降采样模块,其中一个所述降采样模块部署在所述弦图域滤波模块的第一个卷积层之后,另一个所述降采样模块部署在所述图像域滤波模块的第一个卷积层之后,所述降采样模块将输入的数据以...
【专利技术属性】
技术研发人员:曾栋,陈世宣,马建华,边兆英,
申请(专利权)人:南方医科大学,
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。