[发明专利]一种使用深度学习的CBCT去伪影方法

权利要求书

1.一种使用深度学习的CBCT去伪影方法，其特征是，包括如下步骤：

(1)从IGRT系统获取CBCT图像和CT图像对，组成CBCT-CT数据集，对CBCT-CT数据集进行基于互信息的配准，提高同一个病人相同部位CBCT和CT的匹配度，并解决由CBCT、CT切片厚度不同导致两种数据数量不同的问题；

(2)将匹配过的CBCT-CT数据集进一步划分成子图像块，对相同位置的CBCT-CT子图进行二次配准，得到CBCT-CT子块组；

(3)将两次配准之后的子块组通过一个深度神经网络进行残差学习，估计出CBCT图像与对应位置的CT图像之间的残差分布；

(4)根据模型求出待测CBCT的残差图，并用CBCT减去残差图得到去除伪影的CBCT图像。

2.根据权利要求1所述的一种使用深度学习的CBCT去伪影方法，其特征是，所述步骤(1)中待配准两图像的互信息由下式给出：

其中，R为CBCT图像作为参考图像，F′为CT图像作为待配准图像，为对待配准图像进行的变换，p_R,F′(r,f′)代表两图像的联合概率密度，p_R(r)代表参考图像的边缘概率密度函数，p_F′(f′)代表待配准图像的边缘概率密度函数，由此进一步可以推导出待配准图像的变换，即

求出即最终用于配准的变换。

3.根据权利要求1所述的一种使用深度学习的CBCT去伪影方法，其特征是，所述步骤(2)同样使用步骤(1)中基于互信息的配准，将原图像的各个重叠滑动子块进行精配准。

4.根据权利要求1所述的一种使用深度学习的CBCT去伪影方法，其特征是，所述步骤(3)将两次配准之后的CBCT-CT子块组送入深度神经网络进行残差学习，该网络的代价函数l(Θ)为：

其中，f_i代表第i个CBCT子块，x_i代表第i个CT子块，μ(f_i；Θ)表示深度神经网络学习到的残差，其随着网络的不断训练而更新，N代表训练样本数目。

5.根据权利要求1所述的一种使用深度学习的CBCT去伪影方法，其特征是，所述步骤(3)中的深度神经网络为深度卷积神经网络，其中卷积神经网络结构为多尺度卷积神经网络结构，该网络的深度为D层，它有四种不同的网络层，分别如下：

第一层为卷积网络和ReLU构成的网络层，由64个3*3*1的滤波器组成，用来产生64个特征映射；

第二层，在卷积网络和修正线性单元的基础上引入了批规范化单元BN，使用64个3*3*1*64的滤波器，将BN加在卷积和ReLU之间；

第三层到D-1层为多尺度模块，使用1*1*1*64，3*3*1*64，5*5*1*64三种不同尺度模块的滤波器+批规范化单元BN+修正线性单元ReLU组成；

第D层为一个卷积网络层，使用3*3*1*64的滤波器用来实现端到端的映射，重建输出结果。

6.根据权利要求1所述的一种使用深度学习的CBCT去伪影方法，其特征是，所述步骤(3)中的深度神经网络为深度卷积神经网络，其中卷积神经网络结构为单尺度卷积神经网络结构，该网络的深度为D层，它有三种不同的网络层，分别如下：

第一层为卷积网络和ReLU构成的网络层，由64个3*3*1的滤波器组成，用来产生64个特征映射；

第二层到D-1层，在卷积网络和修正线性单元的基础上引入了批规范化单元BN，使用64个3*3*1*64的滤波器；

第D层为一个卷积网络层，使用3*3*1*64的滤波器用来实现端到端的映射，重建输出结果。

7.根据权利要求1所述的一种使用深度学习的CBCT去伪影方法，其特征是，所述步骤(4)，用训练好的网络对由CBCT图像组成的测试集进行测试，得到每个CBCT切片近似的伪影图，再用CBCT减去各自的伪影图即可得到去除伪影的CBCT。