一种制造技术

本发明专利技术公开了一种

【技术实现步骤摘要】
一种CBCT稀疏投影图像的生成方法


[0001]本专利技术涉及
CBCT
投影图像
，具体涉及一种
CBCT
稀疏投影图像的生成方法
。

技术介绍

[0002]锥形束计算机断层摄影
(Cone Beam Computed Tomography
，
CBCT)
是一种医学成像技术，用于获取三维物体的高分辨率图像
。CBCT
通过在围绕患者旋转的
X
射线源和平面探测器之间形成的圆锥形束中获取多个投影图像
。
这些投影图像用于计算并重建患者体内的三维结构
。
[0003]传统的
CBCT
成像方法需要收集大量的投影数据来获得高质量的重建图像
。
然而，这样的方法存在一些问题，如成像时间长和辐射剂量较高，而欠采样数据进行成像时，重建后的图像细节易丢失
、
且存在较多伪影
。
为了克服这些问题，本专利技术提供一种
CBCT
稀疏投影图像的生成方法
。

技术实现思路

[0004]鉴于上述现有存在的问题，提出了本专利技术
。
[0005]因此，本专利技术目的是提供一种
CBCT
稀疏投影图像的生成方法，解决了
CBCT
投影图像的问题
。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种<br/>CBCT
稀疏投影图像的生成方法，包括以下内容：
[0008]S110、
通过获取
CBCT
扫描仪采集到的稀疏投影图像基于
CBCT
扫描仪采集到完备投影数据，根据
CBCT
扫描仪扫描得到的完备投影数据，构建用于训练预先搭建的神经网络模型的图像数据集，在进行预先搭建时，首先对原始的完备投影数据进行有效预处理，对处理后完备投影数据间隔一个角度抽帧，得到对应的稀疏投影图像
α
t
‑1,
α
t+1
以及对应的目标生成图像
α
t
，利用相互对应的稀疏投影图像和对应的目标生成投影图像用于训练预先搭建的神经网络模型的图像数据集
[0009]S120、
通过神经网络模型采用基于对抗神经网络的图像生成网络架构
pix2pixHD GAN
，同时预先搭建的神经网络模型包括多通道的生成器和多通道的判别器，并将该神经网络模型中的生成器和判别器的输入和输出设为多维矩阵，其中生成器为
MIRNet
图像生成网络，判别器则为包含9个卷积层的神经网络架构，采用带泄露线性整流函数
(Leaky ReLU
函数
)
作为该神经网络模型中的生成器的激活函数，图像数据集中的训练数据对
pix2pixHD GAN
架构的神经网络模型进行训练，该
pix2pixHD GAN
架构的神经网络模型训练过程中，稀疏投影数据经过
pix2pixHD GAN
架构的神经网络模型中的生成器，输出的对应的中间帧数据无限接近该稀疏投影图像对应的完备投影图像，该
pix2pixHD GAN
架构的神经网络模型中的判别器在生成的完备投影图像和真实的完备投影图像之间筛选出其中不属于真实的完备投影图像而图像数据集中包括完备投影数据以及从完备投影数据中提取出来的稀疏
投影数据；
[0010]S130、CBCT
扫描仪对待测物体进行稀疏数据扫描得到稀疏投影图像，每一个稀疏投影图像包括
CBCT
扫描仪采用相同的管电压管电流对扫描对象进行稀疏数据扫描，得到单一能级的稀疏投影数据；
[0011]S140、
利用图像数据集对预先搭建的神经网络模型进行训练，得到
CBCT
稀疏投影图像生成模型，将稀疏投影数据通过所述稀疏投影图像生成网络模型的生成器，得到完备投影数据，对生成的完备投影数据进行重建，得到高质量重建图像，利用图像数据集中稀疏投影数据相邻两帧图像，即
α
t
‑1和
α
t+1
，与目标生成图像
α
t
分别对所述神经网络模型中的生成器和判别器进行迭代训练，直至判别器和生成器的损失函数均达到收敛，得到训练后的
CBCT
稀疏投影图像生成模型
。
[0012]进一步的，所述所述将稀疏投影图像通过所述稀疏投影图像生成模型的生成器，得到完备投影图像的步骤，包括：将原始的稀疏投影图像进行有效预处理，得到处理后的稀疏投影图像，在处理后的稀疏投影数据中提取相邻两帧图像
α
t
‑1和
α
t+1
，其中
t∈(0,1,..,n
‑
1)
，并将
α
t
‑1和
α
t+1
在通道维度进行拼接，得到双通道稀疏投影图像；将得到的双通道稀疏投影图像输入至所述
CBCT
稀疏投影图像生成模型的生成器中，得到
α
t
‑1和
α
t+1
的中间帧
[0013]进一步的，所述输入至
CBCT
稀疏投影生成模型的生成器中的输入图像尺寸与稀疏投影数据集中的图像尺寸相同
。
[0014]进一步的，所述所述生成器的输入通道数是输出通道数的两倍，所述判别器的输出通道数与对应的生成器的输出通道数相同，所述判别器的输入通道数是输出通道数的两倍
。
[0015]一种电子设备，包括电子设备，所述电子设备包括至少一个处理器；以及与所述处理器通信连接的存储器，所述存储器存储有可被处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述处理器执行稀疏投影图像生成模型的训练方法
。
[0016]在上述技术方案中，本专利技术提供的技术效果和优点：
[0017]1、
本专利技术用于稀疏投影图像生成的神经网络模型中设置具有多通道的生成器和判别器，并将该神经网络模型中的生成器和判别器的输入和输出设置为多维矩阵，使得该神经网络模型能够适用于
CBCT
稀疏投影图像的生成，即节省了训练时间，又考虑到了训练数据之间的相关性，从而以较好的效果一次性提高输出图像的清晰度
。
[0018]2、
本专利技术通过使用
CBCT
投影域图像包含丰富的语义信息，结合相邻投影域图像，结合空间通道信息，实现高质量图像生成，同时能够直接减少采集的投影数据量，从而降低患者接受的辐射剂量
。
附图说明
[0019]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种
CBCT
稀疏投影图像的生成方法，其特征在于，包括以下内容：
S110、
通过获取
CBCT
扫描仪采集到的稀疏投影图像基于
CBCT
扫描仪采集到完备投影数据，根据
CBCT
扫描仪扫描得到的完备投影数据，构建用于训练预先搭建的神经网络模型的图像数据集，在进行预先搭建时，首先对原始的完备投影数据进行有效预处理，对处理后完备投影数据间隔一个角度抽帧，得到对应的稀疏投影图像
α
t
‑1,
α
t+1
以及对应的目标生成图像
α
t
，利用相互对应的稀疏投影图像和对应的目标生成投影图像用于训练预先搭建的神经网络模型的图像数据集
S120、
通过神经网络模型采用基于对抗神经网络的图像生成网络架构
pix2pixHD GAN
，同时预先搭建的神经网络模型包括多通道的生成器和多通道的判别器，并将该神经网络模型中的生成器和判别器的输入和输出设为多维矩阵，其中生成器为
MIRNet
图像生成网络，判别器则为包含9个卷积层的神经网络架构，采用带泄露线性整流函数
(Leaky ReLU
函数
)
作为该神经网络模型中的生成器的激活函数，图像数据集中的训练数据对
pix2pixHD GAN
架构的神经网络模型进行训练，该
pix2pixHD GAN
架构的神经网络模型训练过程中，稀疏投影数据经过
pix2pixHD GAN
架构的神经网络模型中的生成器，输出的对应的中间帧数据无限接近该稀疏投影图像对应的完备投影图像，该
pix2pixHD GAN
架构的神经网络模型中的判别器在生成的完备投影图像和真实的完备投影图像之间筛选出其中不属于真实的完备投影图像而图像数据集中包括完备投影数据以及从完备投影数据中提取出来的稀疏投影数据；
S130、CBCT
扫描仪对待测物体进行稀疏数据扫描得到稀疏投影图像，每一个稀疏投影图像包括
CBCT
扫描仪采用相同的管电压管电流对扫描对象进行稀疏数据扫描，得到单一能级的稀疏投影数据；
S140、
利用图像数据集对预先搭建的神经网络模型进行训练，得到
CBCT
稀疏投影图像生成模型，将稀...

【专利技术属性】
技术研发人员：黄楷镔，李华勇，范毅，刘金池，
申请(专利权)人：深圳市菲森科技有限公司，
类型：发明
国别省市：