【技术实现步骤摘要】
本专利技术涉及医用影像处理，尤其涉及放疗cbct稀疏采样影像增强的方法及其系统。
技术介绍
1、锥形束计算机断层扫描(cbct)已成为放疗领域的重要成像技术。在放疗过程中，cbct被广泛应用于影像引导治疗，使医生能够获得患者体内肿瘤及周围器官的三维图像，从而在治疗前进行精确的定位和计划，并在治疗过程中实时监控肿瘤及器官的位置变化，确保放疗的精确性和安全性。特别是在肿瘤治疗中心，cbct的使用对于实现精确放疗至关重要。
2、尽管cbct在放疗中具有显著优势，但直接采用螺旋ct数据转换后的二维cbct投影数据进行三维重建仍存在一些问题。其中，最主要的问题是噪声干扰大和影像质量不高。这主要是由于在数据转换和传输过程中，各种因素(如设备精度、环境噪声等)可能导致图像质量的下降和噪声的增加。这些问题不仅影响了cbct影像的清晰度，还可能对放疗计划的制定和实施造成不利影响。
3、为了克服噪声干扰和影像质量不高的问题，现有技术通常采取一些图像增强或滤波方法。然而，这些方法往往存在一定的局限性。例如，一些传统的滤波方法可能无法有效地去除噪声，同时还会损失图像的细节信息。而一些先进的图像增强方法虽然能够提高图像的清晰度，但可能需要复杂的计算过程，且对于不同类型的噪声和图像特征可能效果不佳。
技术实现思路
1、为了克服上述
技术介绍
中提出的问题，本专利技术提出了放疗cbct稀疏采样影像增强的方法及其系统。
2、本专利技术的技术方案为：放疗cbct稀疏采样影像增强的方法
3、s11：数据收集，首先收集患者的螺旋ct影像数据，然后将螺旋ct数据转换成多角度的二维cbct投影数据，再将二维cbct投影数据拆分为稀疏采样和全采样数据，最后使用cbct三维重建算法，将拆分的二维投影数据分别重建为三维断层影像数据，形成配对的稀疏采样cbct重建数据和全采样cbct重建数据；
4、s12：深度学习模型构建，构建深度学习网络模型，其中，构建的深度学习网络模型为残差密集生成对抗网络；
5、s13：模型训练，使用配对的稀疏采样cbct重建数据和全采样cbct重建数据对深度学习模型进行预训练；
6、s14：影像增强，将稀疏采样的cbct三维重建影像图片作为输入，通过已完成预训练和优化训练好的残差密集生成对抗网络对输入图像进行影像增强处理。
7、作为优选，将螺旋ct数据转换成多角度的二维cbct投影数据后，还包括有对二维cbct投影数据进行降噪处理，其中，降噪处理的具体步骤包括有：
8、s21：对二维cbct投影数据作过完备二进小波变换，首先将图像分解为j层，然后得到每一层的概貌系数、水平方向子带以及垂直方向子带；
9、s22：根据以下公式计算每一分解级的影响域算子：
10、
11、其中，f(x,y)为原始二维cbct投影数据，为对应点的影响域；为垂直方向子带，为水平方向子带，(x0,y0)为原始二维cbct投影数据f(x,y)的中心点，为第j层图像的影响域算子；
12、s23：对于每一分解级中的水平方向子带和垂直方向子带，进行分类，将水平方向子带和垂直方向子带划分为规则类数据和不规则类数据；
13、s24：对于不规则类数据，采用维纳滤波处理，对于规则类数据，则对最低分解级的数据使用维纳滤波处理，对于其他数据不做任何处理；
14、s25：将概貌系数和处理后的子带系数进行小波逆变换。
15、作为优选，在对二维cbct投影数据作过完备二进小波变换时，包括有以下步骤：
16、s31：将每一幅二维cbct投影数据f(x,y)分解为j层，其中，分解后的图像通过以下公式进行表示：
17、
18、其中，为概貌系数，为垂直方向子带，为水平方向子带；
19、s32：通过以下公式对概貌系数、水平方向子带以及垂直方向子带进行计算：
20、概貌系数：
21、垂直方向子带：
22、水平方向子带：
23、其中，*表示小波系数矩阵与滤波器进行逐行、逐列卷积，g为高通滤波器，h为低通滤波器，d为dirac滤波器。
24、作为优选，在对于每一分解级中的水平方向子带和垂直方向子带，进行分类，将水平方向子带和垂直方向子带划分为规则类数据和不规则类数据时，通过以下公式进行分类：
25、
26、其中，α为信号李氏指数，且α大于等于0；其中，满足上述公式的水平方向子带和垂直方向子带划分为规则类数据，否则划分为不规则类数据。
27、作为优选，在使用cbct三维重建算法，将拆分的二维投影数据分别重建为三维断层影像数据，形成配对的稀疏采样cbct重建数据和全采样cbct重建数据时，采用的cbct三维重建算法的原理公式为：
28、f(x,y,z)＝∫θ∫rp(θ,r)·h(r-r(θ,x,y,z))drdθ；
29、其中，f(x,y,z)是三维断层影像数据，p(θ,r)是二维投影数据，h(r)是滤波函数，r(θ,x,y,z)是投影射线与三维空间的映射关系，r表示分变量，用于遍历投影数据中的所有位置，θ表示投影角度，即物体相对于投影面的旋转角度。
30、作为优选，在构建深度学习网络模型时，构建的深度学习网络模型的结构为：
31、a11：残差密集网络，包括有浅层特征提取网络、残差密集块以及密集特征融合和上采样网络，用于接收输入的影像数据，通过残差密集网络结构，提取和融合特征，生成高质量的cbct影像；
32、a12：对抗网络，为二分类器，用于判断输入的影像是真实cbct影像还是由残差密集网络生成的假图像。
33、作为优选，残差密集网络中的残差密集块设置为多组，且多组残差密集块均以在前的残差密集块的所有特征图作为输入，即前一个残差密集块的输出直接到达下一个残差密集块，且残差密集块包括有密集连接层、局部特征融合模块以及局部残差学习模块，其中密集连接层为一组密集连接的卷积层，局部特征融合模块有一个contat层和卷积核大小为1×1的卷积层组成，局部残差学习模块用于将输入特征图与融合后的特征图进行相加，形成残差连接，其中，残差密集网络的损失函数为：
34、lg＝λcontent*lcontent+λadv*ladv；
35、其中，lg表示残差密集网络的总损失，λcontent和λadv为权重系数，用于平衡内容损失和对抗损失，lcontent表示内容损失，通过比较生成图像和真实图像在vgg网络提取的特征空间中的距离来计算，ladv表示对抗损失，其中对抗损失ladv通过以下公式进行计算：
36、ladv＝-ez[log(d(g(z)))]；
37、其中，z表示噪声，ez表示对噪声z的期望，g(z)表示生成图像，d(g(z))表示对抗网络对生成图像g(z)的判别概率。<本文档来自技高网...
【技术保护点】
1.放疗CBCT稀疏采样影像增强的方法；其特征在于：包括有以下步骤：
2.根据权利要求1所述的放疗CBCT稀疏采样影像增强的方法，其特征在于：将螺旋CT数据转换成多角度的二维CBCT投影数据后，还包括有对二维CBCT投影数据进行降噪处理，其中，降噪处理的具体步骤包括有：
3.根据权利要求2所述的放疗CBCT稀疏采样影像增强的方法，其特征在于：在对二维CBCT投影数据作过完备二进小波变换时，包括有以下步骤：
4.根据权利要求3所述的放疗CBCT稀疏采样影像增强的方法，其特征在于：在对于每一分解级中的水平方向子带和垂直方向子带，进行分类，将水平方向子带和垂直方向子带划分为规则类数据和不规则类数据时，通过以下公式进行分类：
5.根据权利要求4所述的放疗CBCT稀疏采样影像增强的方法，其特征在于：在使用CBCT三维重建算法，将拆分的二维投影数据分别重建为三维断层影像数据，形成配对的稀疏采样CBCT重建数据和全采样CBCT重建数据时，采用的CBCT三维重建算法的原理公式为：
6.根据权利要求5所述的放疗CBCT稀疏采样影像增强的方
7.根据权利要求6所述的放疗CBCT稀疏采样影像增强的方法，其特征在于：残差密集网络中的残差密集块设置为多组，且多组残差密集块均以在前的残差密集块的所有特征图作为输入，即前一个残差密集块的输出直接到达下一个残差密集块，且残差密集块包括有密集连接层、局部特征融合模块以及局部残差学习模块，其中密集连接层为一组密集连接的卷积层，局部特征融合模块有一个Contat层和卷积核大小为1×1的卷积层组成，局部残差学习模块用于将输入特征图与融合后的特征图进行相加，形成残差连接，其中，残差密集网络的损失函数为：
8.根据权利要求7所述的放疗CBCT稀疏采样影像增强的方法，其特征在于：对抗网络由多个卷积层、批归一化层、激活层和全连接层组成，其中，卷积层用于提取图像特征，批归一化层用于对卷积层的输出进行归一化处理，使输出数据的分布保持在一个稳定的范围内，激活层用于引入非线性变换，使模型能够捕获更复杂的特征，全连接层位于对抗网络的最后部分，用于将卷积层输出的特征图展平为向量，并通过多个全连接层进行分类，其中，对抗网络的损失函数为：
9.根据权利要求8所述的放疗CBCT稀疏采样影像增强的方法，其特征在于：在将稀疏采样的CBCT三维重建影像图片作为输入，通过已完成预训练和优化训练好的残差密集生成对抗网络对输入图像进行影像增强处理后，还包括有将增强后的影像与增强之前的影像进行配准，其中，原理公式为：
10.放疗CBCT稀疏采样影像增强的方法的系统，用于实现权利要求1-9任意一项中的放疗CBCT稀疏采样影像增强的方法，其特征在于：包括有：
...【技术特征摘要】
1.放疗cbct稀疏采样影像增强的方法；其特征在于：包括有以下步骤：
2.根据权利要求1所述的放疗cbct稀疏采样影像增强的方法，其特征在于：将螺旋ct数据转换成多角度的二维cbct投影数据后，还包括有对二维cbct投影数据进行降噪处理，其中，降噪处理的具体步骤包括有：
3.根据权利要求2所述的放疗cbct稀疏采样影像增强的方法，其特征在于：在对二维cbct投影数据作过完备二进小波变换时，包括有以下步骤：
4.根据权利要求3所述的放疗cbct稀疏采样影像增强的方法，其特征在于：在对于每一分解级中的水平方向子带和垂直方向子带，进行分类，将水平方向子带和垂直方向子带划分为规则类数据和不规则类数据时，通过以下公式进行分类：
5.根据权利要求4所述的放疗cbct稀疏采样影像增强的方法，其特征在于：在使用cbct三维重建算法，将拆分的二维投影数据分别重建为三维断层影像数据，形成配对的稀疏采样cbct重建数据和全采样cbct重建数据时，采用的cbct三维重建算法的原理公式为：
6.根据权利要求5所述的放疗cbct稀疏采样影像增强的方法，其特征在于：在构建深度学习网络模型时，构建的深度学习网络模型的结构为：
7.根据权利要求6所述的放疗cbct稀疏采样影像增强的方法，其特征在于：残差密集网络中的残差密集块设置为多组，且多组残差密集块均以在前的残差密...
【专利技术属性】
技术研发人员：李丹丹，杨轩，叶馨谣，何弘文，黄佩，王李均，韩晓辉，吴明玮，
申请(专利权)人：东莞市中医院，
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。