买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京大学

摘要：本发明公布了一种基于单视点X光片的三维CT重建方法，构建三维CT图像重建神经网络模型，包括基于深度残差卷积神经网络的特征提取网络与基于多层全连接的隐式神经表示网络；通过基于深度残差卷积神经网络的特征提取网络从X光片中提取得到多层级的图像特征，并基于最高层特征通过三维卷积生成固定低分辨率的体特征；再将目标三维图像建模为基于多层全连接的隐式神经表示网络，即对于三维空间中的任意一点，将点的位置编码、点投影对应下的像素图像特征和点对应的体素特征输入隐式神经表示网络，输出对应的体素密度值，从而实现连续的高分辨率三维图像估计任务。本发明能够重建生成有效可信的三维CT图像。

主权项：1.一种基于单视点X光片的三维CT重建方法，其特征是，构建三维CT图像重建神经网络模型，包括基于深度残差卷积神经网络的特征提取网络与基于多层全连接的隐式神经表示网络；通过基于深度残差卷积神经网络的特征提取网络从X光片中提取得到多尺度的图像特征，并基于最高层特征通过三维卷积生成固定低分辨率的体特征；再将目标三维图像建模为基于多层全连接的隐式神经表示网络，将三维空间中的任意一点的位置编码、点投影对应下的像素图像特征和点对应的体素特征输入隐式神经表示网络，输出对应的体素密度值，从而实现连续的高分辨率三维图像估计任务；包括如下步骤：1构建三维CT图像重建神经网络模型；通过基于深度残差卷积神经网络的特征提取网络从X光片中提取得到多尺度的图像特征；对于三维CT图像的三维空间中任意一点，提取的特征包括:点投影对应像素特征，记为Fφvi；其中F为多尺度的图像特征；φ为投影模型；vi为点的三维坐标；体素特征，记为位置编码，记为zvi；2进行特征拼接：在特征通道维度将所有提取到的特征进行拼接，得到点vi对应特征向量，表示为：3通过监督学习训练特征提取网络与隐式神经表示网络；模型的损失函数Lrec定义如下： 其中，h表示由多层全连接和非线性激活层构成的隐式神经表示网络；c*vi表示点vi处的体素密度值真值；n表示每次训练参数时所采样点的数量；表示向量2-范数的平方；模型训练即通过最小化损失函数优化特征提取网络和隐式神经表示网络的参数，得到训练好的三维CT图像重建神经网络模型；4利用训练好的三维CT图像重建神经网络模型进行在线三维图像重建；包括：41将给定的单视点X光片输入训练好的三维CT图像重建神经网络模型中的特征提取网络，提取得到特征；42选定重建三维图像的目标分辨率，对于三维图像网格中的每一个体素，提取出点投影对应像素特征和点对应体素特征，联合位置编码进行特征拼接；43将拼接后的特征输入训练好的三维CT图像重建神经网络模型中的隐式神经表示网络，输出CT图像预测的体素值，最终得到重建三维CT图像。

全文数据：

权利要求：

百度查询： 北京大学 基于单视点X光片的三维CT重建方法