申请/专利权人：国科温州研究院(温州生物材料与工程研究所)

申请日：2023-12-21

公开（公告）日：2024-04-19

公开（公告）号：CN117911553A

主分类号：G06T11/00

分类号：G06T11/00;G06V10/80;G06V10/82;G06V10/44;G06V10/42;G06N3/0464;G06N3/0455;G06N3/0475;G06N3/094;G06N3/084;G06N3/048

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：一种基于深度可分离卷积与并行网络架构的X光重建CT方法,其包括以下步骤：步骤一、X光数据和CT数据预处理，并构建数据集；步骤二、构建GAN模型，所述GAN模型基于包含Generator生成器和Discriminator判别器的网络架构；步骤三、损失函数的优化；步骤四、训练GAN模型，利用训练集和测试集对GAN模型进行训练和测试，获得训练后的GAN模型；步骤五、输入X光图片，由训练后的GAN模型输出重建后的三维CT图像。能够多层次、全方面获取图像的特征，挖掘图像背后隐藏的信息，可以更多提取图像特征，采取深度可分离卷积可以显著减少模型的参数量，减低模型的训练门槛，达到更优越的X光重建CT的效果。

主权项：1.一种基于深度可分离卷积与并行网络架构的X光重建CT方法，其特征在于：其包括以下步骤：步骤一、X光数据和CT数据预处理，X光数据包括正面X光图片及对应位置的侧面X光图片，并构建数据集，并将其按照设定比例分成训练集及测试集；步骤二、构建GAN模型，所述GAN模型基于包含Generator生成器和Discriminator判别器的网络架构，所述Generator生成器设有两路并行的分别获取X光数据的正面X光图片及对应位置的侧面X光图片的encoder-Transition-decoder网络，并利用featurefusion模块将两个并行的encoder-Transition-decoder网络的双平面信息进行融合重建三维CT图像，每一个encoder-Transition-decoder网络引入通过深度可分离卷积抽取二维特征的Encoder部分及Transition部分以及将二维特征转化成三维特征的decoder部分，所述Discriminator判别器通过引入深度可分离卷积提取生成三维向量以计算对抗损失，所述Transition部分包含：Transition-A模块，连接encoder部分和decoder部分，用于将2D特征转化成3D特征；Transition-B模块，用于encoder网络的跳跃连接，将encoder部分的特征转化为decoder部分的输入；Transition-C模块，用于将并行的encoder-Transition-decoder网络做特征融合；步骤三、损失函数的优化，采用包含最小二乘生成对抗网络函数LLSGAN及投影损失函数LPL对步骤二中建立的GAN模型进行优化；步骤四、训练GAN模型，利用训练集和测试集对GAN模型进行训练和测试，获得训练后的GAN模型；步骤五、将患者的正面X光图片和对应的侧面X光图片作为训练后的GAN模型的输入，由训练后的GAN模型输出重建后的三维CT图像。

全文数据：

权利要求：

百度查询： 国科温州研究院(温州生物材料与工程研究所) 基于深度可分离卷积与并行网络架构的X光重建CT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