[发明专利]基于CT定位片生成三维医学图像的系统、方法及医学影像设备

说明书

本发明具体涉及基于CT定位片生成三维医学图像的系统、方法及医学影像设备，其系统包括采集单元、深度学习单元和显示单元；深度学习单元包括预处理模块、网络生成模块和网络判别模块，预处理模块用于对输入的定位片图像信息进行数据处理；网络生成模块包括编码器、特征转换器和解码器，编码器用于提取数据处理之后的定位片图像的浅层和深层特征，特征转换器用于将编码器提取的2D深层特征向三维的高纬度特征空间进行维度迁移和特征转化以得到3D深层特征，解码器用于扩展和挖掘经过特征转换器的3D深层特征以生成三维医学图像。本发明生成的三维医学图像具有确定的CT值信息，含有丰富医学解剖学信息特征，可有效区分其中的医学器官组织。

技术领域

本发明属于医学影像技术领域，具体涉及基于CT定位片生成三维医学图像的系统、方法及医学影像设备。

背景技术

CT定位片扫描是CT检查流程中不可缺少的一个环节，其主要应用是在正式CT断层扫描前进行待检测问题大致的位置、ROI等参数的确定；主要过程是CT的球管旋转至某一个角度放射出某一个能量段的X射线，该射线在有效范围内与物质发生相互作用，能量发生衰减变化，探测器收集相应的变化后的信号进行快速重建。由此可知，CT定位片是二维图像，主要表征放射路径下物质累积的衰减和变化。

虽然CT定位片不是三维图像，但由于其物理原理上是经过整个空间衰减之后的反映，它记录出X射线在空间累积的衰减积分和，这个物理量反映X射线遇到的物质的厚薄，因此在某种意义上也可以用于三维图像的估计。但是，如何利用二维的定位片信息生成有效的三维图像是当前亟需解决的难题。对此，现有已有相关的技术研究，例如，PhlippHenzler提出了一种深度学习模型对采用X射线图像进行骨骼模型的估计，但其研究的是动物的头骨数据，模型输出的是几何模体信息，不包含有效组织器官的解剖学信息，医学特征不明显。另外，Weinan Song等人提出了针对牙齿和颌骨进行X图像的图像生成模型，但仅限于人体的牙齿颌骨，且其中的输入数据是平铺处理成的2D图像，还需要一些牙科检查时光学图像的输入，使得模型十分臃肿，应用场景受限。类似的，公开号为CN113272869A的专利文献也公开了医学成像中从定位片进行3D形状重构，也只是基于2D图像进行3D形状的转化，该实现目标更倾向是三维几何形状的分布，并不能包含CT值信息以及组织器官之中的任何放射成像学信息，而且其生成网络仅包括用于输入定位片的定位片编码器和用于从解码器的输出中输出3D形状的解码器，使得输出3D形状的纹理特征有限。

发明内容

基于现有技术中存在的上述不足，本发明的目的是提供基于CT定位片生成三维医学图像的方法、系统及医学影像设备。本发明结合生成对抗网络GAN，采用深度学习技术对定位片图像进行特征学习，生成较为真实的三维医学图像，其中包含有确定的CT值信息以及丰富的放射性解剖学图像信息，生成的图像中医学器官组织特征明显，便于转换成医学dicom文件，有效进行医学辅助诊断。另外，无需更多的图像信息输入，结构简单，智能化生成三维图像，节约时间和资源成本。

为了达到上述发明目的，本发明采用以下技术方案：

基于CT定位片生成三维医学图像的系统，包括：

采集单元，用于采集定位片图像信息；

深度学习单元，配置生成对抗网络模型，用于根据输入的定位片图像信息生成三维医学图像；

显示单元，用于显示生成的三维医学图像；

其中，深度学习单元包括预处理模块、网络生成模块和网络判别模块，预处理模块用于对输入的定位片图像信息进行数据处理；

网络生成模块包括编码器、特征转换器和解码器，编码器用于提取数据处理之后的定位片图像的浅层和深层特征，特征转换器用于将编码器提取的2D深层特征向三维的高纬度特征空间进行维度迁移和特征转化以得到3D深层特征，解码器用于扩展和挖掘经过特征转换器的3D深层特征，以生成三维医学图像；