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！

申请/专利权人：大连理工大学

摘要：本发明属于计算机断层图像重建CT领域，尤其涉及利用深度学习技术以渐进学习的方式从单张X射线图像重建出目标的CT图像，具体为渐进式学习的单视角CT重建方法。通过渐进式学习的方式训练本发明所设计的CT重建网络，一方面能够有效地提高重建的CT图像质量，为未来癌症病人的精准放疗提供有效的图像引导信息。另一方面能够极大降低X射线辐射的总量，减少病人在多次CT检查时受到的辐射损伤和潜在风险。

主权项：1.一种渐进式学习的单视角CT重建方法，其特征在于，步骤如下：步骤1、数据集建立及预处理；数据集包含多个成对的X射线图像和相应的CT体积图像，成对的图像数据通过先分别求取均值μ和方差σ，然后进行标准化x-μσ的方式进行处理，其中x表示待标准化的X射线图像或者CT体积图像；再将数据集划分为训练集和测试集分别用于网络训练和预测；步骤2、搭建从单张X射线图像重建CT图像的CT重建网络；所述网络包括三个结构：特征编解码结构、2D到3D特征转换结构和特征融合结构；所述特征编解码结构包含编码和解码两个部分；编码部分利用多个卷积模块对输入的单张X射线图像进行特征提取和下采样，同时将提取的特征编码到隐层空间；解码部分利用多个卷积运算模块将隐层空间中编码后的信息进行卷积上采样，最终恢复3D的CT体积图像；所述2D到3D特征转换结构是所述特征编解码结构的一部分，用于连接编解码结构中同级的特征，从而弥补编码过程中信息的损失；所述2D到3D特征转换结构包含特征通道注意力和特征转换两个部分；特征通道注意力部分对编码过程中不同通道的特征重新赋予不同权重；特征转换部分则将经过权重分配后的特征进行转换，使其更接近于CT图像的特征；所述特征融合结构将所述2D到3D特征转换结构的结果和特征编解码结构中编码部分的中间结果进行特征融合，以提高重建CT图像的质量；所述特征融合结构中包含三步运算，第一步计算2D到3D特征转换结构输出结果的均值和方差，第二步计算特征编解码结构中编码部分输出的中间结果的均值和方差，第三步根据第一步和第二步计算的均值和方差将前两步中所述结构的输出特征进行融合；步骤3、设计针对步骤2所述CT重建网络的渐进式学习策略所述渐进式学习策略是一种向CT重建网络输入多尺度分辨率图像并对网络进行训练的策略，包含网络扩增和参数转移两个过程；网络训练从低分辨率图像输入开始，直到网络的训练过程收敛，然后进行网络的扩增，通过增加网络层数得到一个更大的新的网络；同时参数转移过程将已经训练过的网络的参数转移到新的网络中，随后向新的网络输入分辨率更大的图像，并继续进行网络训练；通过不断重复所述网络扩增和参数转移过程，使网络从学习小分辨率图像中的大尺度结构逐渐过渡到学习更大分辨率图像中的精细结构，从而有助于提高重建的CT图像质量；步骤4、使用步骤3中训练好的CT重建网络在测试数据集上进行测试；通过向网络输入单张X射线图像可重建CT体积图像。

全文数据：

权利要求：

百度查询： 大连理工大学 渐进式学习的单视角CT重建方法