一种放疗CBCT稀疏采样影像增强的方法、系统及装置
摘要文本
本发明公开了一种放疗CBCT稀疏采样影像增强的方法、系统及装置，属于医学成像技术领域。包括：构建残差密集生成对抗(RDN‑GAN)深度学习网络模型；收集螺旋CT数据并处理，得到配对的CBCT稀疏采样‑全采样预训练数据集；完成RDN‑GAN模型的预训练；收集放疗CBCT二维投影数据并处理，得到配对的CBCT稀疏采样‑全采样优化训练数据集；完成RDN‑GAN模型的优化训练；通过优化好的RDN‑GAN模型对放疗CBCT稀疏采样图像进行影像增强，得到高质量的放疗CBCT图像，用于放疗后续流程，该成像方法能够在保证成像质量的前提下，显著降低成像的辐射剂量，加快成像速度，提高放疗的精度和安全性。 来源：马 克 团 队
申请人信息
- 申请人:中日友好医院(中日友好临床医学研究所); 锐视智慧(北京)医疗科技有限公司
- 申请人地址:100029 北京市朝阳区樱花园东街2号
- 发明人: 中日友好医院(中日友好临床医学研究所); 锐视智慧(北京)医疗科技有限公司
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种放疗CBCT稀疏采样影像增强的方法、系统及装置 |
| 专利类型 | 发明授权 |
| 申请号 | CN202311378973.4 |
| 申请日 | 2023/10/24 |
| 公告号 | CN117115046B |
| 公开日 | 2024/2/9 |
| IPC主分类号 | G06T5/60 |
| 权利人 | 中日友好医院(中日友好临床医学研究所); 锐视智慧(北京)医疗科技有限公司 |
| 发明人 | 夏启胜; 邹尧; 王海; 熊强 |
| 地址 | 北京市朝阳区樱花园东街2号; 北京市海淀区中关村路中关村东路1号院8号楼CG05-235号 |
专利主权项内容
1.一种放疗CBCT稀疏采样影像增强的方法，其特征在于，包括以下步骤：构建RDN-GAN深度学习网络模型；收集螺旋CT数据，并对所述螺旋CT数据进行处理，得到配对的CBCT稀疏采样-全采样预训练数据集；基于所述CBCT稀疏采样-全采样预训练数据集完成RDN-GAN深度学习网络模型的预训练；收集放疗CBCT二维投影数据，并对所述放疗CBCT二维投影数据进行处理，得到配对的CBCT稀疏采样-全采样优化训练数据集；基于所述CBCT稀疏采样-全采样优化训练数据集完成RDN-GAN深度学习网络模型的优化训练；通过优化好的RDN-GAN深度学习网络模型进行放疗CBCT稀疏采样影像增强，输出得到高质量的放疗CBCT图像；其中，所述RDN-GAN深度学习网络模型，包括残差密集网络和对抗网络，所述残差密集网络包括卷积层、残差密集块、级联网络、上采样以及反卷积层；所述残差密集块由卷积层、激活函数和级联层构成；所述对抗网络由卷积层、激活函数、归一化层和密度网络构成，每个密度网络的输入和输出关系为：F＝σ(W[F，F，…，F])；d，cd，cd-1d，1d，c-1其中，F为第d层密度网络第c层卷积网络的输出，F和F别第d层密度网络的输入和输出，σ为RELU激活函数，W为每个卷积层的权重，[F，F，…，F]为第d-1层密度网络生成的级联特征图，F则为第d个密度网络的第1个卷积网络的输出，F为第d个密度网络第c-1个卷积网络的输出；d，cd-1dd，cd-1d，1d，c-1d，1d，c-1所述构建RDN-GAN深度学习网络模型，包括计算RDN-GAN深度学习网络模型损失函数，具体公式为：其中，l为感知损失函数，由多种损失函数加权组成，N为训练输入总样本数，n为每个训练样本索引，表示残差密集网络的输出，/>为训练集稀疏采样输入样本，/>为训练集全采样样本，θ表示网络的权重和偏置，/>是训练得到的网络模型最优解；SRG还包括：在RELU激活函数之前构建特征并引入感知损失函数l，具体计算公式为：SR其中，为内容损失函数，/>为对抗损失函数；其中，表示重建图片，/>是真实图片的概率，/>表示残差密集网络的输出，I表示对抗网络的输入图片，θ表示生成网络的权重和偏置，N为训练输入总样本，n为每个训练样本索引；LRG采用MSE和PSNR计算的值，计算公式为：PSNR＝20*log(MAX)-10*log(MSE)；10I10其中，MAX为像素最大值，m, n分别表示输入图像分辨率的水平像素数和垂直像素数，i, j则为对应每个像素的坐标索引编号，I, K分别代表影像增强后图像与全采样图像。I