[發明專利]一種肝臟對比劑數字減影造影方法有效
| 申請號: | 201910312821.1 | 申請日: | 2019-04-18 |
| 公開(公告)號: | CN110101401B | 公開(公告)日: | 2023-04-07 |
| 發明(設計)人: | 吳健;吳邊;楊文韜 | 申請(專利權)人: | 浙江大學山東工業技術研究院 |
| 主分類號: | A61B6/00 | 分類號: | A61B6/00;A61B6/03;G06T7/11;G06T7/70;G06T5/00;G06N3/0464;G06N3/084 |
| 代理公司: | 杭州橙知果專利代理事務所(特殊普通合伙) 33261 | 代理人: | 杜放 |
| 地址: | 277800 山東省棗莊*** | 國省代碼: | 山東;37 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 肝臟 對比 數字 造影 方法 | ||
1.一種肝臟對比劑數字減影造影方法,其特征在于,包括下述步驟:
步驟一:采集向患者引入對比劑前的CT拍攝影像,定義為CT(A),采集向患者引入對比劑后的CT拍攝影像,定義為CT(B),將采集到的多組CT(A)和CT(B)建立CT序列數據;
步驟二:采用寬度為3像素的高斯核卷積對CT序列數據中的CT拍攝影像進行預處理,處理過程先進行濾波去除噪聲,然后進行動態平衡處理,將處理后的CT(A)和CT(B)的樣本通過圖像增強處理模型處理得到單一的增強后CT影像的圖像;
步驟三:將增強后的圖像進入分割模型實現病灶的圖像語義分割;
所述圖像增強處理模型包括雙條件輸入的對抗生成性網絡(conditional
generative?adverserialnetwork),CT(A)和CT(B)分別作為兩個依賴條件輸入所述對抗生成性網絡,分別經過兩個獨立的初級模塊后,進入同一個融合模塊,再經過融合模塊網絡,得到增強后的圖像。
2.根據權利要求1所述的一種肝臟對比劑數字減影造影方法,其特征在于,分割模型為3D全卷積網絡,所述3D全卷積網絡采用4級Unet為主干結構。
3.根據權利要求2所述的一種肝臟對比劑數字減影造影方法,其特征在于,主干結構的中部增加卷積循環網絡層,以關聯CT影像人體各橫斷面的數據。
4.根據權利要求2所述的一種肝臟對比劑數字減影造影方法,其特征在于,所述3D全卷積網絡包括為壓縮部分和解壓縮部分,壓縮部分和解壓縮部分各自包括4個等級的處理。
5.根據權利要求4所述的一種肝臟對比劑數字減影造影方法,其特征在于,主干結構的左右兩部分的各個層級之間存在密集連接。
6.根據權利要求4或5所述的一種肝臟對比劑數字減影造影方法,其特征在于,壓縮部分每個等級包括降采樣、2層卷積連接和激活函數層,圖像數據每經過一個等級,尺寸減半,通道數倍增。
7.根據權利要求4或5所述的一種肝臟對比劑數字減影造影方法,其特征在于,解壓縮部分每個等級包括連接、升采樣、2層卷積連接和激活函數層,圖像數據每經過一個等級,尺寸倍增,輸出通道數減半。
8.根據權利要求1所述的一種肝臟對比劑數字減影造影方法,其特征在于,兩個獨立的初級模塊和融合模塊各采用4層的卷積神經網絡模塊,融合模塊網絡采用步長為2的降采樣加通道方向的連接。
9.根據權利要求1所述的一種肝臟對比劑數字減影造影方法,其特征在于,所述圖像增強處理模型由對抗生成網絡(GAN)進行訓練,在訓練時通過隨機噪聲發生器向生成網絡輸入隨機信號,判別網絡為一個19層的ResNet,通過梯度下降算法訓練,采用每3次更新判別網絡后更新1次生成網絡的步驟訓練。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于浙江大學山東工業技術研究院,未經浙江大學山東工業技術研究院許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201910312821.1/1.html,轉載請聲明來源鉆瓜專利網。





