[发明专利]一种基于生成对抗网络的CT图像层间插值方法

权利要求书

1.一种基于生成对抗网络的CT图像层间插值方法，生成对抗网络包括生成器和判别器，其特征在于，包括以下步骤：

S1、针对待处理的CT图像，获取厚层CT图像，并针对所述厚层CT图像进行线性归一化处理；

S2、针对归一化处理后厚层CT图像的相邻两层进行组合输入至预先训练的生成对抗网络的生成器；整个生成对抗网络的架构不使用全连接层；

S3、将所述预先训练的生成对抗网络的生成器的输出作为CT层间插值图像；

S4、利用所述厚层CT图像和所述CT层间插值图像进行三维重建获取三维图像；

在步骤S2之前还包括：

A1、构建包括生成器和判别器的生成对抗网络；

A2、对多张薄层CT样本图像进行线性归一化操作，将归一化后每一薄层CT样本图像的第K-1层和第K+1层图像进行组合获取训练样本；K为大于等于1的正整数；

A3、将所有的训练样本输入至所述生成对抗网络模型生成对抗网络的生成器，将所述生成对抗网络模型生成对抗网络的生成器输出的图像作为新的第K层插值图像；

A4、将所述新的第K层插值图像和对应的薄层CT样本图像的第K层图像作为所述生成对抗网络模型生成对抗网络的判别器的输入；

A5、利用反向传播的方法对预先构建的损失函数进行优化，并根据损失函数优化的结果更新生成器和判别器的网络权重，对所述新的第K层的插值图像进行结构相似性评估；

重复上述步骤A1至A5，并保存迭代过程中结构相似性评估最优时的生成对抗网络的权重，获取所述预先训练的生成对抗网络；

其中，厚层CT图像的厚度为5mm，用于训练的薄层CT图像的厚度为1mm。

2.如权利要求1所述的方法，其特征在于，在步骤A1中，生成对抗网络的生成器包括第一卷积结构，生成对抗网络的判别器包括第二卷积结构；

所述第一卷积结构用于对生成器的输入图像进下采样，并采用最邻近插值算法对下采样的特征图进行上采样以恢复图像的大小；

所述第二卷积结构用于对判别器输入的图像进行特征提取，并采用与特征图等大小的卷积和使判别器输出为标量。

3.如权利要求2所述的方法，其特征在于，

所述第一卷积结构包括：第一卷积层、以Relu为激活函数的第一激活层和第一正则化层Instance Normalization；

所述第二卷积结构包括：第二卷积层、以Leaky Relu为激活函数的第二激活层和第二正则化层Instance Normalization。

4.如权利要求1所示的方法，其特征在于，所述三维图像包括：三维重建矢状面结果图像，和/或三维重建冠状面结果图像。