【技术实现步骤摘要】
本专利技术涉及计算机辅助医学领域，尤其是涉及一种cbct图像散射伪影校正方法及系统。
技术介绍
1、近年来，锥形束计算机断层扫描技术的应用日益广泛，尤其是在自适应放射治疗中。放射治疗中获得的实时锥形束ct(cone beam ct，cbct)图像由于机载cbct扫描系统大锥角、低剂量等因素，使得到的图像存在大量散射伪影，阻碍精确放疗以及自适应放射治疗(adaptive radiation therapy，art)的发展。相比于pct图像，cbct图像会有更多的噪声和成像伪影，难以对后续的分次放疗计划做精确的图像引导，因此，去除cbct图像散射伪影，提高图像质量和ct值准确度显得非常重要。
2、目前，cbct图像散射伪影的去除已经发展出许多优秀的传统方法：卷积法、蒙特卡罗方法、散射校正板法、频率调制方法等，但各种方法在校正准确性，模型复杂度，成像剂量，耗时等方面也存在一定的局限。随着计算机计算能力的不断提高以及人工智能在医学图像处理领域的发展，有研究将深度学习方法应用于图像伪影去除，用很短的时间即可获得好的校正结果，是一种很有潜力的散射伪影去除方法。其中，在图像数据集方面有免匹配优势的无监督深度学习cyclegan网络模型被广泛使用，然而，该模型在图像解剖结构细节信息的保真性方面存在缺陷，这对医学图像处理而言是不允许的。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种cbct图像散射伪影校正方法及系统，实现对cbct图像散射伪影的校正。p>
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种cbct图像散射伪影校正方法，包括以下步骤：
4、获取盆腔患者的放射治疗cbct图像数据和对应的pct图像数据，并进行预处理，建立cbct图像散射伪影校正数据集；
5、将所述cbct图像散射伪影校正数据集输入attmind-cyclegan网络模型，通过约束cbct图像和生成图像之间的结构一致性以及pct图像和生成图像之间的结构一致性进行散射伪影校正；
6、其中，所述attmind-cyclegan网络模型的生成器中添加了注意力模块cbam，并在所述生成器的损失函数中添加了模态无关临域描述符mind的结构一致性损失函数lmind。
7、进一步地，所述预处理包括：移除图像中的非解剖结构和cbct图像与pct图像配准。
8、进一步地，所述注意力模块cbam包括通道注意力模块和空间注意力模块。
9、进一步地，所述模态无关临域描述符mind的表达式如下式：
10、
11、式中，i为2维的灰度图像，为当前正在计算的mind的像素位置，为搜索空间中的一个元素，r为搜索空间中所有像素的集合，n为一个归一化常数，为块与块之间的相似性度量，是描述符像素和搜索空间像素之间的距离，即计算以和为中心的两个块的强度误差平方值，表达式如下式：
12、
13、是以为中心的n邻域搜索空间的相似性度量的平均值，表达式如下式：
14、
15、式中，为搜索空间中的一个元素，n为搜索空间中所有像素的集合。
16、进一步地，所述结构一致性损失函数lmind的表达式如下式：
17、
18、式中，|r|为搜索空间中的图像块与mind感兴趣图像块的相似性度量的个数，ncbct为cbct图像中的像素数目，npct为pct图像中的像素数目，为当前正在计算的mind的像素位置，为搜索空间中的一个元素。
19、进一步地，所述attmind-cyclegan网络模型包括两个生成器f(pcttocbct)和g(cbcttopct)以及两个判别器dpct和dcbct；
20、其中，所述生成器f(pcttocbct)用于生成图像域数据，所述生成器g(cbcttopct)用于生成图像域数据；所述判别器dcbct用于判别真实cbct图像域数据和所述图像域数据的真伪，所述判别器dpct用于判别真实pct图像域数据和所述图像域数据的真伪。
21、进一步地，所述attmind-cyclegan网络模型的损失函数包括：生成器损失函数lg和判别器损失函数ld。
22、进一步地，所述生成器损失函数lg还包括：循环一致性损失函数lcyc、域身份识别损失函数lid、损失函数lgan；
23、其中，所述循环一致性损失函数lcyc用来约束真实的cbct域图像数据和生成的图像域数据以及真实pct域图像数据和生成图像域数据，其表达式如下式：
24、lcyc(g,f)＝ex～pdata(cbct)[||f(g(cbct))-cbct||1]
25、+ey～pdata(pct)[||g(f(pct))-pct||1]
26、式中，e为数学期望，f(g(cbct))为图像域数据，cbct为真实cbct域图像数据，g(f(pct))为图像域数据，pct为真实pct域图像数据；
27、所述域身份识别损失函数lid用来约束真实cbct域图像数据通过所述生成器g(cbcttopct)后生成仍是域图像数据以及真实pct域图像数据通过所述生成器f(pcttocbct)后生成仍是域图像数据，其表达式如下式：
28、lid(g,f)＝ex～pdata(cbct)[||g(cbct)-cbct||1]
29、+ey～pdata(pct)[||f(pct)-pct||1]
30、式中，e为数学期望，g(cbct)为域图像数据，cbct为真实cbct域图像数据，f(pct)为域图像数据，pct为真实pct域图像数据；
31、所述损失函数lgan用于使通过所述生成器g(cbcttopct)生成的域图像数据能够欺骗判别器dpct以及通过所述生成器f(pcttocbct)生成的域图像数据能欺骗判别器dcbct，其表达式如下式：
32、lgan(g,f,cbct,pct)＝ex～pdata(cbct)[(dpct(g(cbct))-1)2]
33、+ey～pdata(pct)[(dcbct(f(pct))-1)2]
34、式中，e为数学期望，dpct(g(cbct))为图像通过判别器dpct的域图像数据，dcbct(f(pct))为图像通过判别器dcbct的域图像数据。
35、进一步地，所述生成器损失函数lg的表达式如下式：
36、lg(g,f,cbct,pct)＝λcyc*lcyc+λid*lid+lgan+λmind*lmind
37、式中，λcyc、λid和λmind为权重参数；
38、所述判别器损失函数ld的表达式如下式：
39、ld(dcbct,dpct,cbct,pct)＝
40、ex～pdata(cbct)[(d(cbct)-1)2]+ex～本文档来自技高网...
【技术保护点】
1.一种CBCT图像散射伪影校正方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的CBCT图像散射伪影校正方法，其特征在于，所述预处理包括：移除图像中的非解剖结构和CBCT图像与PCT图像配准。
3.根据权利要求1所述的CBCT图像散射伪影校正方法，其特征在于，所述注意力模块CBAM包括通道注意力模块和空间注意力模块。
4.根据权利要求1所述的CBCT图像散射伪影校正方法，其特征在于，所述模态无关临域描述符MIND的表达式如下式：
5.根据权利要求4所述的CBCT图像散射伪影校正方法，其特征在于，所述结构一致性损失函数LMIND的表达式如下式：
6.根据权利要求1所述的CBCT图像散射伪影校正方法，其特征在于，所述AttMind-CycleGAN网络模型包括两个生成器F(PCTtoCBCT)和G(CBCTtoPCT)以及两个判别器DPCT和DCBCT；
7.根据权利要求6所述的CBCT图像散射伪影校正方法，其特征在于，所述AttMind-CycleGAN网络模型的损失函数包括：生成器损失函数LG和判别
8.根据权利要求7所述的CBCT图像散射伪影校正方法，其特征在于，所述生成器损失函数LG还包括：循环一致性损失函数Lcyc、域身份识别损失函数Lid、损失函数LGAN；
9.根据权利要求7所述的CBCT图像散射伪影校正方法，其特征在于，所述生成器损失函数LG的表达式如下式：
10.一种CBCT图像散射伪影校正系统，其特征在于，包括：
...【技术特征摘要】
1.一种cbct图像散射伪影校正方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的cbct图像散射伪影校正方法，其特征在于，所述预处理包括：移除图像中的非解剖结构和cbct图像与pct图像配准。
3.根据权利要求1所述的cbct图像散射伪影校正方法，其特征在于，所述注意力模块cbam包括通道注意力模块和空间注意力模块。
4.根据权利要求1所述的cbct图像散射伪影校正方法，其特征在于，所述模态无关临域描述符mind的表达式如下式：
5.根据权利要求4所述的cbct图像散射伪影校正方法，其特征在于，所述结构一致性损失函数lmind的表达式如下式：
6.根据权利要求1所述的cbct图像散射伪影校正方法，其特征在于，所述a...
【专利技术属性】
技术研发人员：黄钢，聂生东，张文君，吴文辉，李舰，
申请(专利权)人：江西中科九峰智慧医疗科技有限公司，
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。