买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜大连理工大学申请的专利一种基于单张X光图像的术前三维CT配准方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119693424B 。

龙图腾网通过国家知识产权局官网在2025-05-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510194940.7，技术领域涉及：G06T7/30；该发明授权一种基于单张X光图像的术前三维CT配准方法是由矫金凯;李轩衡;孙怡设计研发完成，并于2025-02-21向国家知识产权局提交的专利申请。

本一种基于单张X光图像的术前三维CT配准方法在说明书摘要公布了：本发明属于医疗成像和人工智能领域，公开一种基于单张X光图像的术前三维CT配准方法。本发明提出首先使用一张X光图像恢复出患者当前位姿的CT，然后使用恢复出的CT和术前CT进行三维空间中的CT配准，解决了以往配准方法中的维度不匹配问题。本发明提出了单视角CT重建网络，用以将二维的X光图像转化成三维的CT，然后使用ICP算法实现网络生成的CT和术前CT的配准。本发明仅使用X光图像就实现了三维空间中的CT配准，有效提高了CT配准的精度，实现了亚毫米级别的CT配准，特别是在脊柱骨科手术中，能够精确确定患者的解剖结构的位置，帮助医生精准高效的实施手术。

本发明授权一种基于单张X光图像的术前三维CT配准方法在权利要求书中公布了：1.一种基于单张X光图像的术前三维CT配准方法，其特征在于，该基于单张X光图像的术前三维CT配准方法包括单视角CT重建网络和ICP算法两个部分；步骤如下：步骤1：构建“X光-CT”数据集获取患者的术前CT和术中正视位拍摄的一张X光图像；对术前CT进行多种姿态的位移和旋转，根据拍摄X光图像的成像参数对术前CT进行模拟投影生成对应的DRR图像构建数据集，用以训练和验证单视角CT重建网络；步骤2：搭建单视角CT重建网络单视角CT重建网络是将二维的X光图像转化成三维的CT，该单视角CT重建网络包括编码器模块、特征增强模块、解码器模块和特征转换模块；1编码器模块：编码器模块包括通道扩展模块和四个结构相同的下采样模块，对二维的X光图像进行特征提取和逐步下采样，将其转换为具有更高通道数的紧凑表示；通道扩展模块主要由卷积层和残差块构成，卷积层的输入为二维的X光图像，输入通道数为1，输出通道数为210，通过卷积层来提高二维的X光图像的通道数，增强单视角CT重建网络的特征表示能力；残差块分为残差块A和残差块B，按照“残差块A-残差块B-残差块B-残差块A”的形式连接，残差块A使通道数翻倍，残差块B保持通道数不变强化单视角CT重建网络的特征提取能力；下采样模块主要由最大池化层和残差块构成，按照“最大池化层-残差块B-残差块B-残差块B”的形式连接，2×2的最大池化层将特征图尺寸减半，残差块B可提取深层特征，在下采样的过程中特征通道数保持不变，特征图的尺寸逐渐变小，单视角CT重建网络提取到更深层次的特征信息；2特征增强模块：特征增强模块用于挖掘特征图之间的依赖关系，增强单视角CT重建网络对全局信息的理解；经过编码器模块的多层特征提取，获得了输入特征图中底层的语义特征，其中包含进行准确重建所需的结构信息；在单视角CT重建网络的底层加入基于自注意力的特征增强模块，以充分捕获特征图中的长距离依赖关系，增强单视角CT重建网络对全局信息的理解，实现精准的CT重建；特征增强模块的输入是编码器模块底层语义特征的特征图，首先对特征图进行位置编码，然后送入Transformer模块进行处理，Transformer模块由归一化层、多头注意力层和前馈网络层构成，按照“归一化层-多头注意力层-归一化层-前馈网络层”的形式连接，多头注意力层捕捉各个特征图之间的依赖关系，经过归一化层稳定训练过程，最终经过前馈网络层增强特征的表示能力；最终特征增强模块输出增强后的特征图；3解码器模块：解码器模块用于逐步恢复增强后的特征图的空间分辨率，并通过特征转换模块整合编码后的特征，逐步将增强后的特征图转换成完整的CT；解码器模块包括上采样模块和一维卷积层；上采样模块和编码器模块中的下采样模块对应，逐步恢复增强后的特征图的尺寸；然后通过1×1的卷积层将通道数从840降到128，最终输出完整的三维CT；4特征转换模块：特征转换模块用于解决投影域和图像域信息维度不统一的问题；特征转换模块的输入是编码器模块输出的不同分辨率的投影域特征图；投影域特征图输入后首先经过一个特征筛选模块，特征筛选模块由全局平均池化层、一维卷积层和Sigmoid激活函数构成，全局平均池化层用于降低计算量，一维卷积层自适应地调整投影域特征图中不同语义的权重，Sigmoid激活函数对输入的投影域特征图进行通道加权，得到筛选后的信息丰富的投影域特征图；接着，使用最大池化层、2D残差层和反卷积层将筛选后的信息丰富的投影域特征图转换为图像域的CT特征图；最终特征转换模块输出经过语义转换后的图像域的CT特征图给解码器模块；步骤3：训练单视角CT重建网络步骤1建立的数据集中，成对的DRR图像和CT分别作为单视角CT重建网络的输入和监督，其中DRR图像命名为x，对应的CT命名为q，使用的损失函数由MSE损失和MAE损失组成，λ1和λ2是损失的权重参数，如式0.2所示：LOSS＝λ1MSEx,q+λ2MAEx,q0.2训练到一定代数后，LOSS收敛，单视角CT重建网络训练完成；当训练完成后，将步骤1中获得的术中正视位拍摄的一张X光图像输入到单视角CT重建网络中，输出其对应的三维CT；步骤4：应用ICP算法进行三维空间中的CT配准向步骤3训练好的单视角CT重建网络中输入步骤1获得的术中正视位拍摄的一张X光图像，即输出一个三维CT；首先将术前CT与单视角CT重建网络生成的CT分别转化为点云表示，即源点云和目标点云；ICP算法的目标函数如式1.2所示： 其中，pi和qi分别是源点云和目标点云中的点，n是源点云的总点数，R是旋转矩阵，t是平移向量；ICP算法每次迭代都要使该目标函数最小化；首先对于源点云中的每个点，找到目标点云中最近的点作为对应点对；然后基于当前对应点对，根据目标函数最小化的原则，计算最佳的旋转矩阵R和平移向量t，使得源点云变换后与目标点云对齐；将计算得到的R和t应用于源点云，若变换变化小于预设阈值或达到最大迭代次数，算法终止；否则，重复寻找对应点对，计算旋转矩阵R和平移向量t，并应用于源点云的步骤；最终得到的配准变换矩阵能精确描述术前CT与网络生成的CT在空间上的平移和旋转关系，将配准变换矩阵应用到术前CT，完成CT配准。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。