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：大连理工大学

摘要：本发明属于医疗成像和人工智能领域，公开了一种基于投影与断层双域监督的双视角CT重建方法。本发明提出结合投影与断层双域监督实现双视角CT重建，引入FDK重建算法连接投影域和断层域，有效避免了跨域监督的转换误差。本发明提出了投影补全网络、投影残差学习网络和断层细化网络共同协作完成双域监督的双视角CT重建。针对这三个网络设计了专门的架构，引入重投影损失以提高重建质量。本发明仅用患者两个视角的投影即可重建出相应部位的断层图像，极大降低了患者所接受的辐射剂量，这对提高治疗的安全性、保障患者的身体健康具有重要意义。

主权项：1.一种基于投影与断层双域监督的双视角CT重建方法，其特征在于，步骤如下：步骤1：构建“投影-断层”CT数据集以1°为间隔采集人体某部位的投影，并重建出该部位的断层；将后前位视角定义为0°，侧位视角定义为90°；选取0°和90°投影作为双视角CT重建网络输入，0-180°投影为投影真值，90-270°投影为重投影真值，以重建出的断层作为断层真值；通过采集若干例患者该部位的数据，构建多组数据以完成数据集制作，用以训练和验证双视角CT重建网络；步骤2：搭建双域监督的双视角CT重建网络（1）搭建投影补全网络：投影补全网络负责将输入的0°和90°投影补全为180张1°间隔的投影，用于FDK重建以实现从投影域到断层域的转换；投影补全网络由基于SwinTransformer的编-解码器架构和浅层特征提取模块构成，投影补全网络输入为0°和90°投影，通道数为2；编码器先由PatchPartition模块将输入的0°和90°投影分割为大小为44的非重叠块，即patch；再经LinearEmbedding模块扩展特征通道维度，使得每个patch转化为具有更高维度的特征向量；接着，这些特征向量被馈送入两个连续的SwinTransformerBlock模块，通过其自注意力机制和滑动窗口，增强投影补全网络捕获局部细节和整合全局特征的能力；随即通过PatchMerging模块进行下采样，合并相邻patch并增加特征深度；上述通过两个SwinTransformerBlock模块处理再由PatchMerging模块下采样的过程在编码器中重复3次；在编码器的底部，通过两个连续的SwinTransformerBlock模块与解码器连接；解码器先通过PatchExpanding模块进行上采样，扩展特征尺寸并减少特征深度，再经两个连续的SwinTransformerBlock模块，此过程在解码器中重复3次；为了弥补下采样造成的空间信息损失，在编码器和解码器特征尺寸相同的层之间引入跳跃连接；由于patch的划分会使投影补全网络丢失大量浅层特征，因此设计一个浅层特征学习模块；浅层特征学习模块包括卷积层、下采样层和两个上采样层；输入的0°和90°投影先经过卷积层将通道维度增加为180，再经过一个由残差与卷积拼接成的下采样层进行2倍下采样；对于解码器的输出，经过两个由残差与反卷积拼接成的上采样层进行两次2倍的上采样；特征尺寸相同的层之间以跳跃连接相连；输入的0°和90°投影经基于SwinTransformer的编-解码器和浅层特征学习模块处理，最终输出180张补全投影；（2）搭建投影残差学习网络：投影残差学习网络是一个基于残差注意力模块的两路并行的编-解码器架构，投影残差学习网络分为网络主路和网络支路，两路结构相同；投影残差学习网络的输入为投影补全网络输出的180张补全投影，输入通道数为180，补全网络的监督为投影真值和补全投影的差值；主路负责学习投影差值的结构特征，网络支路负责学习投影差值的高频细节；网络主路进行四次下采样和四次上采样并配以跳跃连接，每次下采样前和每次上采样后都经过一个残差注意力模块，不同特征尺度下残差注意力块的卷积核数目相应缩放；网络支路的架构与网络主路的架构相同，专注于投影差值高频量的学习，所学的高频特征与网络主路学得的特征进行融合；残差注意力模块设计如下：通过一系列33的卷积层进行深层次的特征提取，每个卷积层后都配备有批量归一化层和ReLU激活函数；采用密集连接结构，将每个卷积层的输出与前面所有卷积层的输出合并，以增强特征传递和利用效率；最后引入空间注意力层，通过最大池化层、平均池化层和卷积层提取空间特征聚合后，经过卷积层与Sigmoid激活生成注意力权重图，并与输入空间注意力层的特征逐元素相乘进行加权，突出关键特征，细化模型对图像中重要区域的关注，优化细节恢复和图像质量；以此，网络主路和网络支路分别学习投影差值的结构特征和细节信息；最后将投影残差学习网络输出的投影差值与投影补全网络输出的补全投影相加，得到高精度补全投影；（3）搭建断层细化网络：断层细化网络采用与投影残差学习网络相同的两路并行的编-解码器架构，网络主路和网络支路分别学习断层的结构特征和高频细节；断层细化网络的输入是对高精度补全投影进行FDK重建后得到的断层，输入通道数为重建的断层层数128，网络监督为断层真值；步骤3：训练双域监督的双视角CT重建网络双域监督的双视角CT重建网络包含投影补全网络、投影残差学习网络和断层细化网络三部分，其训练顺序如下：首先，单独训练投影补全网络，得到初步补全投影；接着，固定投影补全网络的参数，训练投影残差学习网络，所得的投影残差与初步补全投影相加，得到精确的投影补全结果；最后，固定投影补全网络和投影残差学习网络的参数，对精确的投影补全结果进行FDK重建，作为断层细化网络的输入，训练断层细化网络以获得精细的断层图像；（1）训练投影补全网络：从步骤1建立的一组数据中，选取投影真值中的0°和90°作为投影补全网络的输入，投影补全网络预测的0-180°投影命名为；网络监督为0-180°投影真值，命名为；使用的损失函数由MSE损失和SSIM损失组成，如式1所示： 1其中，、为的损失权重系数；利用步骤1建立的多组数据，重复上述训练投影补全网络的流程；训练到一定代数后，收敛，投影补全网络训练完成；此时固定投影补全网络参数，用于下一步训练；（2）训练投影残差学习网络：以投影补全网络预测的0-180°投影作为输入，投影残差学习网络主路预测的0-180°投影差值命名为，投影残差学习网络主路监督为补全投影与真值投影的差异=-，网络支路预测的0-180°投影差值高频量命名为，投影残差学习网络支路监督为的高频量，其中，为提取高频量的函数，使用的损失函数为MSE损失，如式2所示： 2训练至收敛后，固定投影残差学习网络参数，用于下一步训练；（3）训练断层细化网络：以FDK重建的断层结果作为输入，断层细化网络主路预测的断层命名为，网络主路监督为断层真值；网络支路预测的断层高频量命名为，网络支路监督为断层真值的高频量；为了保证预测断层的准确性，设计一个重投影损失函数；对于网络预测的立体，对其进行1°每间隔的投影，得到其90-270°的投影数据，并以步骤1获得的90-270°的投影真值监督；重投影损失的定义如式3所示： 3其中，、为的损失权重系数；断层细化网络使用的损失函数由MSE损失和重投影损失组成，如式4所示： 4其中，、、为的损失权重系数；当收敛时，双域监督的双视角CT重建网络训练完毕。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于投影与断层双域监督的双视角CT重建方法