[发明专利]一种心脏CT成像自动最优相位识别方法

说明书

本发明公开了一种心脏CT成像自动最优相位识别方法，包括以下步骤：收集N个病人心脏扫描的投影数据，每个病人重建n个不同相位的CT图像，每个相位对应一个标签值；建立基于深度学习网络模型的相位估计网络；把训练集和测试集数据输入到网络模型中，训练得到相位估计网络的网络参数；从数据集中随机选取同一病人的不同相位的CT图像作为测试图像，根据各个CT图像的标签值确定最优标签值所对应的相位。本发明采用基于机器学习和神经网络技术，构建了相位网络模型，能够快速找到最佳CT扫描相位，而且降低运动伪影，提高了图像质量。

技术领域

本发明涉及医学成像技术领域，具体是涉及一种基于机器学习和神经网络技术的心脏CT成像自动最优相位识别方法。

背景技术

基于CT的人体心脏及其冠状动脉的扫描，一直是冠状动脉狭窄、冠脉钙化评分、冠脉畸形变异和心肌缺血等方面的重要检测手段；鉴于心脏快速跳动的特殊性，人体心脏及其冠状动脉的扫描需要较高的成像时间分辨力。

实时心电图的应用，一定程度缓解了上述问题，利用心脏跳动周期中舒张期运动相对平缓的特点，采集心脏周期中该时间段的数据源(如图1),获取相对稳定的心脏扫描的三维重建数据，极大的改善了CT扫描心脏时的成像质量。因为在整个心动周期中，只有一小段时间，心脏处于静止状态，所以为了能够有效的得到心脏图像，扫描的曝光区间是根据心电信号的每个周期进行设置，通常有两个参数一个是曝光的长度，另外一个是曝光的中心相位。这两个参数通常是根据经验值来进行选取，曝光的长度通常是图像所需要的最小重建区间再加上一个冗余的时间，曝光的中心相位通常是70％。扫描之后利用这段曝光数据，根据默认的曝光的中心相位进行图像重建就可以得到所需要的CT图像。

目前心脏扫描通常根据的是事先选定好的相位来进行扫描，然后根据对应相位附近的扫描数据对心脏图像进行图像重建。但是这个默认的相位并不一定能提供最优的图像质量，通常的情况是，医生在进行图像重建之后如果发现图像中的运动伪影比较严重，就会根据运动伪影的表现，再改变重建相位获取其他扫描区间的图像。然后直到找到一个比较合适的重建相位作为最后的临床诊断图像。

由于运动伪影的复杂性，传统的方法并没有很好的办法来量化识别这个运动伪影的量级，所以也就更没有自动的方法来自动识别最优的相位。而且传统的手动方法，需要遍历不同的相位，因此需要很多重建和处理的时间，效率上很难有效提高。

发明内容

技术目的：针对上述技术问题，本发明提出了一种心脏CT成像自动最优相位识别方法，其基于机器学习和神经网络技术，构建了相位网络模型，能够实现快速找到最佳相位，降低运动伪影响、提高图像质量。

技术方案：为实现上述技术方案，本发明采用了如下技术方案：

一种心脏CT成像自动最优相位识别方法，其特征在于，包括以下步骤：

A1、数据集准备：收集m个病人心脏扫描的投影数据，每个病人重建M个不同相位的CT图像，每个相位对应一个表征图像质量的标签值，将得到的CT图像数据随机分为训练集、测试集和验证集，m≧30,M≧20；

A2、神经网络设计：构建网络模型作为相位估计网络，相位估计网络的输入为N个不同相位点重建得到的三维体数据、输出为表示各个相位对应的图像质量的向量；

A3、网络训练：把训练集和测试集数据输入到网络模型中，训练得到相位估计网络的网络参数；

A4、最优相位估计：从数据集中选取同一病人的N个相位的CT图像作为测试图像，输入到相位估计网络中，得到N个CT图像的标签值和N个相位，根据各个CT图像的标签值确定最优标签值所对应的相位。

优选地，所述步骤A2中的相位估计网络采用全连接网络，或者convlstm网络的结构，网络损失函数以均方误差MSE为目标函数。