[发明专利]一种基于正交角度X光的骨骼三维重建方法

权利要求书

1.一种基于正交角度X光的骨骼三维重建方法，其特征在于，包括以下步骤：

(1)、构建训练数据集

采集不同患者目标部位CT影像，以及目标部位正面及侧面的X光影像，其中，CT影像记为Y，正面及侧面的X光影像记为X1和X2；

将每位患者目标部位的X光影像和CT影像进行归一化处理后，按照(X1，X2，Y)格式存储在训练数据集；

(2)、搭建三维重建网络模型

三维重建网络包括重建子网络RecNet和权重生成子网络WeiNet；

其中，RecNet采用U-net结构，不同之处在于RecNet编码器为二维编码器，其基本结构为DenseNet，解码器为三维解码器，在解码器中增加若干层三维卷积，实现对编码器输出的二维特征转化为三维特征；WeiNet由若干三维卷积层组成；

RecNet由编码器和解码器组成，具体结构为：

编码器(Encoder)：编码器的输入为正或侧位X光像素数据，输出为多通道二维特征，网络基本结构为DenseNet，其中每个DenseBlock的输出经过Transition Layer得到尺寸降低的特征，作为下一个DenseBlock的输入，每层得到的特征以跳跃连接的方式，传输给解码器相应尺寸的卷积层融合处理；

解码器(Decoder)：解码器的输入为编码器输出的多通道二维特征，输出为重建的三维体素数据；输入的多通道二维特征首先经过解码器第一层卷积网络变换为多通道三维特征，然后通过若干个反卷积层不断提升输出特征的尺寸，直到倒数第二层的三维特征尺寸等于设定的重建体素尺寸，最后一层是无上采样的反卷积运算，仅将多通道三维特征合并，不改变三维特征尺寸；

输入的X光图像X1、X2共用同一个RecNet子网络，设Y1、Y2分别为X1、X2的RecNet解码器的输出，Feature1、Feature2为RecNet解码器倒数第二层的输出特征；

权重生成子网络WeiNet，具体结构为：

输入为Feature1,Feature2,由若干层三维卷积构成，每层卷积的输入输出尺寸一致，WeiNet子网络最后一层通过Sigmoid激活函数进行归一化处理，输出与设定重建体素同尺寸的权系数矩阵Weight，最终重建的三维体素Y＝Y1*Weight+Y2*(1-Weight)，其中*代表三维矩阵中的对应元素相乘；

(X1，X2)先输入至RecNet，RecNet对其权重共享，输出初始重建的二维特征图(Y1，Y2)以及三维特征图(F1，F2)，将(F1，F2)再输入至WeiNet，输出三维重建图像Y'，Y'＝Y1*W+Y2*(1-W)，其中，*代表三维矩阵中的对应元素相乘；

(3)、训练三维重建网络模型

(3.1)、初始化三维重建网络模型；

(3.2)、随机选取一组训练数据，将(X1，X2)输入RecNet，此时，WeiNet输出当RecNet网络损失收敛时，冻结RecNet权重，开始训练WeiNet权重，此时，WeiNet输出Y′＝Y₁*W+Y₂*(1-W)，当WeiNet网络损失收敛时，得到训练好的三维重建网络模型；

(4)、三维重建骨骼CT

获取目标部位正面及侧面的真实X光影，并对其进行数据预处理，然后输入至训练好的三维重建网络，从而输出重建骨骼CT图。