[发明专利]将CBCT图像生成为CT图像的方法、装置及终端设备

说明书

本发明涉及图像处理领域，其实施方式提供了一种将CBCT图像生成为CT图像的方法，所述方法包括：将待转化的CBCT图像输入训练好的CycleGAN模型，生成对应的CT图像；所述训练好的CycleGAN模型采用以下步骤获得：选择或构建CycleGAN模型；采用CBCT图像和CT图像组成的训练样本对所述CycleGAN模型进行训练。同时还提供了对应的将CBCT图像生成为CT图像的装置，以及一种终端设备。本发明提供的实施方式适用于医学图像中的CBCT图像与CT图像的相互转化。

技术领域

本发明涉及图像处理领域，特别涉及一种将CBCT图像生成为CT图像的方法、一种将CBCT图像生成为CT图像的装置、一种终端设备以及对应的存储介质。

背景技术

颌面部骨折是交通事故、意外伤害、竞技运动等事故中常见的外伤类型。因为其解剖结构复杂多样，仅依靠临床症状及体征的诊断难度较大，常需要影像学的辅助诊断。其中锥形束CT(CBCT)的三维影像既能够更加清晰、直观地表现骨折的位置及移位的方向，又拥有传统CT所不具备的放射剂量低、空间分辨率高、应用方便等优点，近年来被广泛应用于颌面部肿瘤、整形等手术和关节病的辅助检查中。上述优点也使得CBCT在冬奥会等大型活动的现场外伤急症救治的诊疗中具有较好的应用前景。然而CBCT图像中包含大量信息，仅通过临床医生的视觉检查难以全面准确评估诸如骨骼结构、边界和隐匿骨折线等细节。因此，传统诊疗模式在处理以“快速、准确、高效”为特点的大型赛事及突发事件现场的救治存在较大困难。

近年来，深度学习技术已逐步用于医学领域，在检测癌症、白内障、骨折、脑出血等疾病方面均有较好的效果。其中卷积神经网络(CNN)是医学图像诊断方面最尖端的技术，其高精确性和稳定性弥补了人眼诊断漏诊和误诊的不足，在肺结核、肺结节CT图像、乳腺癌、脑部病变及白内障分级等疾病分类的精确度已证明达到了人类专家的级别。基于CBCT的颌面部骨折的人工智能诊断技术诊断需要基于一定数量CBCT的数据库训练，但目前颌面部骨折多使用螺旋CT辅助诊断，CBCT数据量不足，使得训练效果难以达到诊断要求。

GAN(Generative Adversarial Networks)：生成式对抗网络，是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。CycleGAN属于GAN的其中一种。

发明内容

有鉴于此，本发明旨在提出一种将CBCT图像生成为CT图像的方法、装置及设备，以至少部分地解决上述问题。

在本发明的第一方面，提供了一种将CBCT图像生成为CT图像的方法，所述方法包括：将待转化的CBCT图像输入训练好的CycleGAN模型，生成对应的CT图像；所述训练好的CycleGAN模型采用以下步骤获得：选择或构建CycleGAN模型；采用CBCT图像和CT图像组成的训练样本对所述CycleGAN模型进行训练。

可选的，所述CycleGAN模型包括两个生成器和两个判别器，所述生成器采用U-Net结构，所述判别器采用PatchGAN结构，所述CycleGAN模型的损失函数由身份损失、对抗损失及循环一致性损失组成，利用梯度下降法进行循环反复的模型权重更新。

可选的，所述CBCT图像和CT图像组成的训练样本，包括：从由CT样本和CBCT样本组成的训练数据集中，选择CT图像和CBCT图像组成图像对；将所述图像对进行预处理后得到所述训练样本。

可选的，所述将所述图像对进行预处理后得到所述训练样本，包括：将所述图像对中的CT图像的亨氏单位值或CBCT图像的像素灰度值映射至预设范围；提取像素灰度值映射后的图像对中的图像区域；对所述图像区域的灰度进行归一化，得到所述训练样本。

可选的，所述将所述图像对中的CT图像的亨氏单位值或CBCT图像的像素灰度值映射至预设范围，包括：将CT图像的亨氏单位值或CBCT图像的像素灰度值按照线性映射至[0,255]，映射公式如下：