申请/专利权人：浙江明峰智能医疗科技有限公司

申请日：2020-03-04

公开（公告）日：2021-02-23

公开（公告）号：CN111369463B

主分类号：G06T5/00(20060101)

分类号：G06T5/00(20060101);G06T5/50(20060101);G06T7/10(20170101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.02.23#授权;2020.07.28#实质审查的生效;2020.07.03#公开

摘要：本发明提供了一种基于深度学习的头部低剂量CT图像钙化点保留方法，涉及CT图像处理技术领域，主要包括头部低剂量CT图像降噪和降噪后的头部CT图像钙化点恢复。在头部低剂量CT图像降噪后，虽然图像的噪声水平得到降低，但是也同时减弱或者消除了和噪声点十分相似的钙化点。由于头部钙化点是医生诊断的重要依据之一，因此非常有必要在降低头部低剂量CT图像噪声水平的同时保留钙化点。本发明将深度学习方法运用于头部低剂量CT图像钙化点保留中，不仅可以去除头部低剂量CT图像上的噪声和伪影，还可以保留和噪声十分相似的钙化点，即在提高头部CT图像质量的同时保留图像中的关键特征，有助于医生诊断。

主权项：1.一种基于深度学习的头部低剂量CT图像钙化点保留方法，包括S100低剂量CT图像降噪，具体包括S101获取数据：获得原始头部低剂量CT图像和与之对应的原始头部高剂量CT图像；S102数据预处理：将头部低剂量CT图像和头部高剂量CT图像分割为图像块，并将分割得到的低剂量CT图像块和高剂量CT图像块的CT值归一化；S103构建网络模型一，并初始化网络参数；S104训练网络模型一：将分割得到的头部低剂量CT图像块和头部高剂量CT图像块输入网络模型一中训练网络，当网络模型一的损失函数值达到设置的阈值时，保存网络模型一的最优参数；S105低剂量CT图像降噪：使用网络模型一的最优参数即把网络模型一的参数设置为S104中保存的参数，向网络模型一输入原始的头部低剂量CT图像，网络输出即为降噪后的头部低剂量CT图像；S200降噪后的CT图像恢复钙化点，具体包括S201获取数据：将降噪后的头部低剂量CT图像和原始的头部低剂量CT图像融合，获得融合CT图像；S202数据预处理：将原始头部低剂量CT图像、原始头部高剂量CT图像和融合CT图像分割为CT图像块，并将分割得到的CT图像块的CT值归一化；S203构建网络模型二，并初始化网络参数；S204训练网络模型二：把分割得到的头部低剂量CT图像块和分割得到的融合CT图像块输入到网络中，网络的输出为钙化点恢复CT图像块，计算钙化点恢复CT图像块与头部高剂量CT图像块之间的损失值，根据损失值更新网络参数，直至损失值达到设置的阈值时，保存网络的最优参数；S205恢复钙化点特征：使用网络模型二的最优参数即把网络模型二的参数设置为S204中保存的参数，向网络模型二中输入原始头部低剂量CT图像和融合CT图像，网络输出为钙化点被恢复且低噪声的头部CT图像。

全文数据：

权利要求：

百度查询： 浙江明峰智能医疗科技有限公司 基于深度学习的头部低剂量CT图像钙化点保留方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD