[發(fā)明專利]一種基于深度學(xué)習(xí)算法的延遲CT圖像生成方法

有效

• 申請?zhí)枺?/td>: 202110830115.3
• 申請日: 2021-07-22
• 公開（公告）號: CN113436708B
• 公開（公告）日: 2022-10-25
• 發(fā)明（設(shè)計(jì)）人: 楊勇;翟明威;孫芳芳;柯常杰;俞宸浩
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: G16H30/20
• 分類號: G16H30/20;G06T3/40;G06V10/44;G06N3/04;G06N3/08
• 代理公司: 浙江千克知識產(chǎn)權(quán)代理有限公司 33246
• 代理人: 周希良

1.一種基于深度學(xué)習(xí)算法的延遲CT圖像生成方法，其特征在于，包括以下步驟：

S1，采集患者的T2PET、T1PET和T1CT圖像；

其中，T2PET圖像指延遲PET掃描生成的圖像，T1PET圖像指第一次PET掃描生成的圖像，T1CT圖像指第一次CT掃描生成的圖像；

S2，將采集的T2PET、T1PET和T1CT圖像輸入多分辨率配準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)MRR-CNN后，輸出包含大、中、小形變量的三個(gè)形變場；

S3，將步驟S2中輸出的包含大、中、小形變量的三個(gè)形變場，融合為一個(gè)形變場；

S4，將所述的形變場和輸入的T1CT圖像輸入到空間轉(zhuǎn)換網(wǎng)絡(luò)STN中以生成T2CT圖像；

其中，T2CT圖像指延遲CT掃描生成的圖像；

所述多分辨率配準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)MRR-CNN包括三個(gè)并行連接的卷積神經(jīng)網(wǎng)絡(luò)CNN 1、CNN 2和CNN 3；所述CNN 1、CNN 2和CNN 3分別被輸入低分辨率圖像組、中分辨率圖像組和原始分辨率圖像組；

步驟S2包括如下步驟：

S21，采用卷積神經(jīng)網(wǎng)絡(luò)CNN 1，對輸入的圖像T1PET、T2PET和T1CT進(jìn)行兩次下采樣，使輸入的圖像的分辨率均變?yōu)樵瓉淼?/4，并輸出包含大形變量的形變場并上采樣到輸入圖像的原始分辨率；

S22，采用卷積神經(jīng)網(wǎng)絡(luò)CNN 2，對輸入的圖像T1PET、T2PET和T1CT進(jìn)行一次下采樣，使輸入的圖像的分辨率均變?yōu)樵瓉淼?/2，并輸出包含中等形變量的形變場并上采樣到輸入圖像的原始分辨率；

S23，采用卷積神經(jīng)網(wǎng)絡(luò)CNN 3，輸入原始圖像T1PET、T2PET和T1CT，并輸出包含小形變量的形變場。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)算法的延遲CT圖像生成方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)CNN 1、CNN 2和CNN 3均包括編碼器、解碼器和若干個(gè)跳躍連接；所述編碼器用于提取輸入之間的特征，并在下采樣過程中逐步將所述特征減半。

3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)算法的延遲CT圖像生成方法，其特征在于，所述編碼器包括若干個(gè)堆疊的卷積層；每個(gè)卷積層的內(nèi)核大小均為3×3×3，步幅均為2。

4.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)算法的延遲CT圖像生成方法，其特征在于，所述解碼器包括若干個(gè)反卷積層；每個(gè)反卷積層的內(nèi)核大小均為3×3×3，步幅均為1。

5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)算法的延遲CT圖像生成方法，其特征在于，所述的形變場用φ_t表示，具體為：

其中，φ⁽⁰⁾＝Id是恒等變換，v^t表示時(shí)間t∈[0,1]處的速度場v；使用時(shí)間步長T＝7對單位時(shí)間內(nèi)的速度場v進(jìn)行積分，以生成最終的φ⁽¹⁾，根據(jù)公式，φ⁽¹⁾＝exp(v)。

6.根據(jù)權(quán)利要求3或4所述的一種基于深度學(xué)習(xí)算法的延遲CT圖像生成方法，其特征在于，每個(gè)卷積層或反卷積層后均跟有歸一化和激活函數(shù)。

7.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)算法的延遲CT圖像生成方法，其特征在于，所述多分辨率配準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)MRR-CNN包含三個(gè)卷積神經(jīng)網(wǎng)絡(luò)CNN，但不限于三個(gè)卷積神經(jīng)網(wǎng)絡(luò)CNN。