申请/专利权人：北京长木谷医疗科技股份有限公司;张逸凌

申请日：2023-01-18

公开（公告）日：2024-02-09

公开（公告）号：CN116228903B

主分类号：G06T11/00

分类号：G06T11/00;G06N3/08;G06N3/0455;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.02.09#授权;2023.07.21#著录事项变更;2023.06.23#实质审查的生效;2023.06.06#公开

摘要：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。

主权项：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：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；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；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：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；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；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；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；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；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；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：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；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。

全文数据：

权利要求：

百度查询： 北京长木谷医疗科技股份有限公司;张逸凌 基于CSA模块及深度学习模型的高清CT图像重建方法

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