基于CSA模块及深度学习模型的高清CT图像重建方法与流程

本发明涉及医疗影像处理，尤其涉及一种基于csa模块及深度学习模型的高清ct图像重建方法。

背景技术：

1、ct(computed-tomography，计算机断层扫描成像系统)利用x射线扫描物体，并采集扫描数据来获得投影数据，可以通过断层重建算法来处理这些投影数据，获得物体的断层和三维的密度信息，达到无损检测的目的。

2、当前，医院大多采用厚度为5mm、3mm等厚度的厚层ct图像，这种厚层ct图像的层间距离大、层间分辨率低，因此生成的drr(digitallyreconstructured radiograph，数字重建放射影像)图像的质量较差，直接了影响了其与x射线图像的配准的精度以及成功率。而薄层ct的drr图像虽然质量较高，但是在拍摄ct图像的时候，病人在ct室的时间增长，即所受到的辐射增加，以及薄层ct图像在后续的存储过程中，所需要占用的电脑空间增大，很多医院不愿意存储清晰度较高的薄层ct图像。

3、相关技术中，在存在诊断需求时，仅根据现有的单个厚层ct图像来获取到多个薄层ct图像，多个薄层ct图像对厚层范围内的图像细节还原度不高，不够准确。

技术实现思路

1、本发明提供一种基于csa模块及深度学习模型的高清ct图像重建方法，用以解决现有技术中难以通过厚层ct图像获取到准确的薄层ct图像的缺陷，实现利用人工智能模型实现从厚层ct图像到多个准确的薄层ct图像的转换。

2、本发明提供一种基于csa模块及深度学习模型的高清ct图像重建方法，包括：

3、将第一数量的厚层ct图像输入至深度学习模型，得到所述深度学习模型输出的第二数量的薄层ct图像；所述第一数量为大于1的整数；

4、所述深度学习模型是以第一数量的样本厚层ct图像为样本、以第二数量的样本薄层ct图像为样本标签训练得到的；

5、其中，所述第一数量的厚层ct图像和所述第一数量的样本厚层ct图像均在目标扫描方向上截面连续，所述第二数量的薄层ct图像与所述第二数量的样本薄层ct图像也均在所述目标扫描方向上截面连续。

6、根据本发明提供的一种基于csa模块及深度学习模型的高清ct图像重建方法，所述将第一数量的厚层ct图像输入至深度学习模型，得到所述深度学习模型输出的第二数量的薄层ct图像，包括：

7、将所述第一数量的厚层ct图像输入至所述深度学习模型进行下采样后再进行特征提取，得到各特征图像；

8、通过所述深度学习模型对各特征图像进行特征融合后再进行上采样，得到所述深度学习模型输出的所述第二数量的薄层ct图像。

9、根据本发明提供的一种基于csa模块及深度学习模型的高清ct图像重建方法，所述深度学习模型包括卷积神经网络模块、csa模块以及注意力机制网络模块；

10、所述卷积神经网络模块，用于将输入的所述厚层ct图像进行特征提取，得到各第一特征图像；

11、所述csa模块，用于根据各第一特征图像所对应的通道，确定各第一特征图像对应的视角转换图像；

12、所述注意力机制网络模块，用于根据各第一特征图像进行全局特征提取，得到第二特征图像。

13、根据本发明提供的一种基于csa模块及深度学习模型的高清ct图像重建方法，所述特征图像包括所述视角转换图像和所述第二特征图像，所述将所述第一数量的厚层ct图像输入至所述深度学习模型进行下采样并进行特征提取，得到各特征图像，包括：

14、通过所述卷积神经网络模块进行下采样并进行特征提取，得到各第一特征图像；

15、通过所述csa模块对各第一特征图像进行视角转换，得到各第一特征图像对应的各视角转换图像；通过所述注意力机制网络模块对各第一特征图像进行全局特征提取，得到所述第二特征图像。

16、根据本发明提供的一种基于csa模块及深度学习模型的高清ct图像重建方法，所述第一数量的样本厚层ct图像包括至少一个目标位置处截面的厚层ct图像，所述第二数量的样本薄层ct图像为所述目标位置处截面的不同薄层ct图像。

17、根据本发明提供的一种基于csa模块及深度学习模型的高清ct图像重建方法，所述第一数量为3；在所述第一数量的厚层ct图像按照所述目标扫描方向进行排列的情况下，第二张所述厚层ct图像为所述目标位置处截面的厚层ct图像。

18、本发明还提供一种基于csa模块及深度学习模型的高清ct图像重建装置，包括：

19、处理模块，用于将第一数量的厚层ct图像输入至深度学习模型，得到所述深度学习模型输出的第二数量的薄层ct图像；所述第一数量为大于1的整数；

20、所述深度学习模型是以第一数量的样本厚层ct图像为样本、以第二数量的样本薄层ct图像为样本标签训练得到的；

21、其中，所述第一数量的厚层ct图像和所述第一数量的样本厚层ct图像均在目标扫描方向上截面连续，所述第二数量的薄层ct图像与所述第二数量的样本薄层ct图像也均在所述目标扫描方向上截面连续。

22、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于csa模块及深度学习模型的高清ct图像重建方法。

23、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于csa模块及深度学习模型的高清ct图像重建方法。

24、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于csa模块及深度学习模型的高清ct图像重建方法。

25、本发明提供的基于csa模块及深度学习模型的高清ct图像重建方法，通过输入第一数量的厚层ct图像至重建模型来对其中一张厚层ct图像进行重建，得到第二数量的薄层ct图像，能够获取到被重建的厚层ct图像中多个截面位置的细节，进而能够重建得到多个细节特征更加准确的薄层ct图像。

技术特征：

1.一种基于csa模块及深度学习模型的高清ct图像重建方法，其特征在于，包括：

2.根据权利要求1所述的基于csa模块及深度学习模型的高清ct图像重建方法，其特征在于，所述将第一数量的厚层ct图像输入至深度学习模型，得到所述深度学习模型输出的第二数量的薄层ct图像，包括：

3.根据权利要求2所述的基于csa模块及深度学习模型的高清ct图像重建方法，其特征在于，所述深度学习模型包括卷积神经网络模块、csa模块以及注意力机制网络模块；

4.根据权利要求3所述的基于csa模块及深度学习模型的高清ct图像重建方法，其特征在于，所述特征图像包括所述视角转换图像和所述第二特征图像，所述将所述第一数量的厚层ct图像输入至所述深度学习模型进行下采样并进行特征提取，得到各特征图像，包括：

5.根据权利要求1所述的基于csa模块及深度学习模型的高清ct图像重建方法，其特征在于，所述第一数量的样本厚层ct图像包括至少一个目标位置处截面的厚层ct图像，所述第二数量的样本薄层ct图像为所述目标位置处截面的不同薄层ct图像。

6.根据权利要求5所述的基于csa模块及深度学习模型的高清ct图像重建方法，其特征在于，所述第一数量为3；在所述第一数量的厚层ct图像按照所述目标扫描方向进行排列的情况下，第二张所述厚层ct图像为所述目标位置处截面的厚层ct图像。

7.一种基于csa模块及深度学习模型的高清ct图像重建装置，其特征在于，包括：

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于csa模块及深度学习模型的高清ct图像重建方法。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于csa模块及深度学习模型的高清ct图像重建方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于csa模块及深度学习模型的高清ct图像重建方法。

技术总结
本发明提供一种基于CSA模块及深度学习模型的高清CT图像重建方法，所述方法包括：将第一数量的厚层CT图像输入至深度学习模型，得到所述深度学习模型输出的第二数量的薄层CT图像；所述第一数量为大于1的整数；所述深度学习模型是以第一数量的样本厚层CT图像为样本、以第二数量的样本薄层CT图像为样本标签训练得到的。本发明的基于CSA模块及深度学习模型的高清CT图像重建方法，通过输入第一数量的厚层CT图像至重建模型来对其中一张厚层CT图像进行重建，得到第二数量的薄层CT图像，能够获取到被重建的厚层CT图像中多个截面位置的细节，进而能够重建得到多个细节特征更加准确的薄层CT图像。

技术研发人员：张逸凌,刘星宇
受保护的技术使用者：北京长木谷医疗科技有限公司
技术研发日：
技术公布日：2024/1/13