[發明專利]臟器組織高辨識成像方法、裝置、存儲介質及計算機設備

在審

• 申請號: 202010908814.0
• 申請日: 2020-09-02
• 公開（公告）號: CN111968061A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 諶高峰;張浩;蔡敏占
• 申請（專利權）人: 廣州海兆印豐信息科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T3/40;G06T3/60;G06N3/04
• 代理公司: 佛山市廣盈專利商標事務所(普通合伙) 44339
• 代理人: 楊樂兵

1.一種臟器組織高辨識成像方法，其特征在于，所述方法包括：

獲得單kVp的CT測量數據；

對所述CT測量數據進行數據校正處理，獲得校正后的CT測量數據；

將所述校正后的CT測量數據輸入收斂的第一神經網絡模型中生成并輸出CT骨圖像或軟組織圖像。

2.根據權利要求1所述的臟器組織高辨識成像方法，其特征在于，所述對所述CT測量數據進行數據校正處理，獲得校正后的CT測量數據，包括：

基于傳統非局部均值濾波算法對所述CT測量數據進行濾波處理，獲得濾波后的CT測量數據；

將所述濾波后的CT測量數據輸入收斂的第二神經網絡模型中進行數據校正處理，輸出校正后的CT測量數據。

3.根據權利要求2所述的臟器組織高辨識成像方法，其特征在于，所述基于傳統非局部均值濾波算法對所述CT測量數據進行濾波處理，獲得濾波后的CT測量數據，包括：

設CT測量數據為y，濾波后的CT測量數據為x，i和j分別表示濾波后的CT測量數據x和CT測量數據y的像素點，權值w(i,j)表示像素點i和j的相似度；

所述權值w(i,j)是由像素點i和j為中心的矩形領域Y(i)和Y(j)的距離確定的，如下：

基于所述權值w(i,j)和x中像素點i處的灰度值計算獲得濾波后的CT測量數據；

基于所述權值w(i,j)和x中像素點i處的灰度值計算獲得濾波后的CT測量數據的具體公式如下：

x(i)＝∑w(i,j)*y(j)；

其中，Z(i)表示歸一化系數，δ²表示平滑參數。

4.根據權利要求2所述的臟器組織高辨識成像方法，其特征在于，所述第二神經網絡模型為U-Net網絡結構搭建的神經網絡；

所述第二神經網絡模型的訓練過程如下：

獲取配對的“CT測量數據-高劑量CT測量數據”數據集；

對所獲取的“CT測量數據-高劑量CT測量數據”數據集進行最小-最大值歸一化處理，獲得歸一化數據集；

利用所述歸一化數據集對所述第二神經網絡模型進行端到端進行訓練，直至收斂或達到訓練次數閾值。

5.根據權利要求1所述的臟器組織高辨識成像方法，其特征在于，所述第一神經網絡模型為多尺度下的神經網絡或級聯神經網絡。

6.根據權利要求1所述的臟器組織高辨識成像方法，其特征在于，所述第一神經網絡模型為采用殘差網絡模型搭建的神經網絡模型；

所述第一神經網絡模型的訓練過程如下：

獲取配對的“CT測量數據-CT骨圖像或軟組織圖像”數據集；

對所述“CT測量數據-CT骨圖像或軟組織圖像”數據集進行數據增強處理，獲得增強后的數據集，所述增強處理包括旋轉和放縮處理；

利用增強后的數據集對所述第一神經網絡模型進行端到端訓練，直至收斂或達到訓練次數閾值；

所述第一神經網絡模型的代價函數設計為2范數均方根誤差，記為：

其中，表示第一神經網絡模型的第i個訓練樣本的最終預測圖像；表示第i個訓練樣本的目標CT骨圖像或軟組織圖像；N表示訓練樣本數；Θ表示需要學習的參數。

7.根據權利要求5所述的臟器組織高辨識成像方法，其特征在于，所述多尺度下的神經網絡包括旋轉和放縮；

所述旋轉和放縮包括對所述校正后的CT測量數據進行旋轉和方式，在所述第一神經網絡模型中對所述校正后的CT測量數據進行上下采樣操作。

8.一種臟器組織高辨識成像裝置，其特征在于，所述裝置包括：

數據獲得模塊：用于獲得單kVp的CT測量數據；

數據校正模塊：用于對所述CT測量數據進行數據校正處理，獲得校正后的CT測量數據；

圖像生成模塊：用于將所述校正后的CT測量數據輸入收斂的第一神經網絡模型中生成并輸出CT骨圖像或軟組織圖像。