[发明专利]一种基于深度学习的CT三维数据处理方法

权利要求书

1.一种基于深度学习的CT三维数据处理方法，其特征在于，包括如下步骤：

获取CT安检HLX数据，并对该数据进行采样，得到稀疏数据；

利用预训练的自编码器对所述稀疏数据进行编码处理，得到编码后的稀疏数据并存储；

在使用时，利用预训练的自编码器，对所述编码后的稀疏数据进行解码处理，得到稀疏数据；利用预训练的生成器对稀疏数据进行处理，获得补间角度数据；基于补间角度数据，恢复CT安检HLX数据，进而得到CT安检三维图像。

2.根据权利要求1所述的基于深度学习的CT三维数据处理方法，其特征在于，获取CT安检HLX数据，并对该数据进行采样，得到稀疏数据，包括：

对安检目标物体进行多扫描角度、多扫描圈数的扫描，得到CT安检HLX数据；其中，多扫描角度指每种所述数据均通过以m₁为扫描间隔角度而连续扫描获得，m₁为正整数且能够整除360；多扫描圈数指每种所述数据均包括n₁个连续扫描圈数，n₁为正整数；CT安检HLX数据包括高/低能投影数据、电子密度数据和原子序数数据；

基于所述多扫描角度和多扫描圈数得到采样间隔角度和采样圈数；其中，采样间隔角度m₂和采样圈数n₂均为预设的正整数，且m₂大于m₁，n₂小于n₁；

基于所述采样间隔角度，得到采样角度；

对所述CT安检HLX数据中的四类数据均以相同的采样圈数和采样角度进行采样；

采样后得到稀疏数据，包括稀疏电子密度数据、稀疏原子序数数据和稀疏高/低能投影数据。

3.根据权利要求2所述的基于深度学习的CT三维数据处理方法，其特征在于，利用预训练的自编码器对所述稀疏数据进行处理，得到编码后的稀疏数据并存储，包括：

利用预训练的自编码器对采样得到稀疏数据进行压缩，得到低维稀疏数据，即编码后的稀疏数据；其中，低维指的是该数据的分辨率尺寸比压缩前的数据低；

对编码后的稀疏数据进行存储。

4.根据权利要求3所述的基于深度学习的CT三维数据处理方法，其特征在于，所述预训练的自编码器，其训练过程包括：

构建自编码器，包括编码器和解码器；其中，

编码器用于压缩特征，包括多层卷积和多层GDN模块，使用GDN模块参与网络学习；解码器用于解压缩特征，包括多层转置卷积和多层IGDN模块；其中，特征指的是对应类型的图像数据中的高/低能特征信息、电子密度特征信息和原子序数特征信息；

通过对用于训练的CT安检HLX数据进行采样，获取用于训练的稀疏数据，将其作为输入，对所述编码器进行训练，输出用于训练的低维稀疏数据，再将该数据作为输入，对所述解码器进行训练；重复这一步骤；

当用于训练的低维稀疏数据与用于训练的稀疏数据的压缩比趋于稳定，且自编码器输入和输出的用于训练的稀疏数据趋于一致时，完成自编码器的训练。