[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的雙能CT圖像分解方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810136595.1
• 申請(qǐng)日: 2018-02-09
• 公開(kāi)（公告）號(hào): CN108230277B
• 公開(kāi)（公告）日: 2020-09-11
• 發(fā)明（設(shè)計(jì)）人: 閆鑌;李磊;張文昆;梁寧寧;席曉琦;王林元;韓玉
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍戰(zhàn)略支援部隊(duì)信息工程大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06N3/04;G06N3/08
• 代理公司: 鄭州大通專利商標(biāo)代理有限公司 41111
• 代理人: 陳勇

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的雙能CT圖像分解方法，其特征在于，包括以下步驟：

步驟1：設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)模型作為雙能分解模型中的映射函數(shù)D(μ_H,L；Θ)，其中μ_H,L為雙能CT圖像；所述卷積神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)為雙輸入、雙輸出的網(wǎng)絡(luò)結(jié)構(gòu)模型以實(shí)現(xiàn)高能CT圖像、低能CT圖像的直接輸入和不同材料圖像的直接輸出；所述雙輸入、雙輸出的網(wǎng)絡(luò)結(jié)構(gòu)模型建立了交叉卷積以實(shí)現(xiàn)高能CT圖像、低能CT圖像中不同基材料信息的合理分流；卷積神經(jīng)網(wǎng)絡(luò)模型包含十二個(gè)卷積層，除最后輸出卷積外，每個(gè)卷積后跟隨一個(gè)批量化和線性修正單元，整個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型共分三個(gè)層次，其中第一層為特征提取層，第二層為分流層，第三層為輸出層，特征提取層由1×7×7×64的卷積組成，輸出64維的特征圖像，分流層由4個(gè)交叉卷積和2個(gè)殘差塊組成，卷積維度均為64×3×3×64，輸出層由維度為64×5×5×1的卷積組成，將64維特征組合為輸出圖像；

步驟2：通過(guò)卷積神經(jīng)網(wǎng)絡(luò)模型和訓(xùn)練數(shù)據(jù)集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)卷積神經(jīng)網(wǎng)絡(luò)參數(shù)Θ進(jìn)行有效估計(jì)；

步驟3：利用訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)和步驟2得到的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)Θ對(duì)雙能CT圖像進(jìn)行基材料高效分解。

2.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的雙能CT圖像分解方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)模型中建立了短鏈接。

3.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的雙能CT圖像分解方法，其特征在于，所述訓(xùn)練數(shù)據(jù)集包括卷積神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)，所述輸出數(shù)據(jù)為基材料圖像，所述輸入數(shù)據(jù)為根據(jù)基材料圖像和對(duì)應(yīng)能量信息得到的雙能CT圖像，所述雙能CT圖像包括高能CT圖像和低能CT圖像；將輸出數(shù)據(jù)作為標(biāo)簽數(shù)據(jù)。