[發明專利]一種使用深度學習的CBCT去偽影方法

在審

• 申請號: 201810825059.2
• 申請日: 2018-07-25
• 公開（公告）號: CN109064521A
• 公開（公告）日: 2018-12-21
• 發明（設計）人: 楊騁遠;謝世朋
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T7/30;G06N3/08;G06N3/04
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

1.一種使用深度學習的CBCT去偽影方法，其特征是，包括如下步驟：

(1)從IGRT系統獲取CBCT圖像和CT圖像對，組成CBCT-CT數據集，對CBCT-CT數據集進行基于互信息的配準，提高同一個病人相同部位CBCT和CT的匹配度，并解決由CBCT、CT切片厚度不同導致兩種數據數量不同的問題；

(2)將匹配過的CBCT-CT數據集進一步劃分成子圖像塊，對相同位置的CBCT-CT子圖進行二次配準，得到CBCT-CT子塊組；

(3)將兩次配準之后的子塊組通過一個深度神經網絡進行殘差學習，估計出CBCT圖像與對應位置的CT圖像之間的殘差分布；

(4)根據模型求出待測CBCT的殘差圖，并用CBCT減去殘差圖得到去除偽影的CBCT圖像。

2.根據權利要求1所述的一種使用深度學習的CBCT去偽影方法，其特征是，所述步驟(1)中待配準兩圖像的互信息由下式給出：

其中，R為CBCT圖像作為參考圖像，F′為CT圖像作為待配準圖像，為對待配準圖像進行的變換，p_R,F′(r,f′)代表兩圖像的聯合概率密度，p_R(r)代表參考圖像的邊緣概率密度函數，p_F′(f′)代表待配準圖像的邊緣概率密度函數，由此進一步可以推導出待配準圖像的變換，即

求出即最終用于配準的變換。

3.根據權利要求1所述的一種使用深度學習的CBCT去偽影方法，其特征是，所述步驟(2)同樣使用步驟(1)中基于互信息的配準，將原圖像的各個重疊滑動子塊進行精配準。

4.根據權利要求1所述的一種使用深度學習的CBCT去偽影方法，其特征是，所述步驟(3)將兩次配準之后的CBCT-CT子塊組送入深度神經網絡進行殘差學習，該網絡的代價函數l(Θ)為：

其中，f_i代表第i個CBCT子塊，x_i代表第i個CT子塊，μ(f_i；Θ)表示深度神經網絡學習到的殘差，其隨著網絡的不斷訓練而更新，N代表訓練樣本數目。

5.根據權利要求1所述的一種使用深度學習的CBCT去偽影方法，其特征是，所述步驟(3)中的深度神經網絡為深度卷積神經網絡，其中卷積神經網絡結構為多尺度卷積神經網絡結構，該網絡的深度為D層，它有四種不同的網絡層，分別如下：

第一層為卷積網絡和ReLU構成的網絡層，由64個3*3*1的濾波器組成，用來產生64個特征映射；

第二層，在卷積網絡和修正線性單元的基礎上引入了批規范化單元BN，使用64個3*3*1*64的濾波器，將BN加在卷積和ReLU之間；

第三層到D-1層為多尺度模塊，使用1*1*1*64，3*3*1*64，5*5*1*64三種不同尺度模塊的濾波器+批規范化單元BN+修正線性單元ReLU組成；

第D層為一個卷積網絡層，使用3*3*1*64的濾波器用來實現端到端的映射，重建輸出結果。

6.根據權利要求1所述的一種使用深度學習的CBCT去偽影方法，其特征是，所述步驟(3)中的深度神經網絡為深度卷積神經網絡，其中卷積神經網絡結構為單尺度卷積神經網絡結構，該網絡的深度為D層，它有三種不同的網絡層，分別如下：

第一層為卷積網絡和ReLU構成的網絡層，由64個3*3*1的濾波器組成，用來產生64個特征映射；

第二層到D-1層，在卷積網絡和修正線性單元的基礎上引入了批規范化單元BN，使用64個3*3*1*64的濾波器；

第D層為一個卷積網絡層，使用3*3*1*64的濾波器用來實現端到端的映射，重建輸出結果。

7.根據權利要求1所述的一種使用深度學習的CBCT去偽影方法，其特征是，所述步驟(4)，用訓練好的網絡對由CBCT圖像組成的測試集進行測試，得到每個CBCT切片近似的偽影圖，再用CBCT減去各自的偽影圖即可得到去除偽影的CBCT。