CN111839574A - Ct超低剂量自动三维定位扫描方法及系统 - Google Patents

Ct超低剂量自动三维定位扫描方法及系统 Download PDF

Info

Publication number
CN111839574A
CN111839574A CN202010933560.8A CN202010933560A CN111839574A CN 111839574 A CN111839574 A CN 111839574A CN 202010933560 A CN202010933560 A CN 202010933560A CN 111839574 A CN111839574 A CN 111839574A
Authority
CN
China
Prior art keywords
image
scanning
dose
network
dimensional
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010933560.8A
Other languages
English (en)
Other versions
CN111839574B (zh
Inventor
曾凯
冯亚崇
吴小页
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Anke Medical Technology Co ltd
Original Assignee
Nanjing Anke Medical Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Anke Medical Technology Co ltd filed Critical Nanjing Anke Medical Technology Co ltd
Priority to CN202010933560.8A priority Critical patent/CN111839574B/zh
Publication of CN111839574A publication Critical patent/CN111839574A/zh
Application granted granted Critical
Publication of CN111839574B publication Critical patent/CN111839574B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/44—Constructional features of apparatus for radiation diagnosis
    • A61B6/4411—Constructional features of apparatus for radiation diagnosis the apparatus being modular
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • Pulmonology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种CT超低剂量自动三维定位扫描方法及系统，所述方法是在常规辐射剂量的条件下，扫描得到正常剂量图像，在正常剂量图像中加入量子噪声和电子噪声，生成超低剂量螺旋扫描图像，进行AI低剂量重建，获得用于CT扫描的三维定位像。本发明可以在不用停止机架旋转及采用类似的辐射剂量水平的条件下，直接获得三维定位像，自动定位到所需要扫描的区域，进行自动扫描，提升了定位的准确度和扫描效率，同时能够降低病人辐射剂量，降低对扫描操作人员的技术水平和经验等的要求。

Description

CT超低剂量自动三维定位扫描方法及系统
技术领域
本发明涉及CT扫描技术领域，具体涉及一种能够快速提升扫描效率的CT超低剂量自动三维定位扫描方法及系统。
背景技术
现有CT（Computer Tomography，X线计算机断层扫描系统）在进行扫描前，通常需要扫描一幅或者二幅定位像，对扫描物体进行定位，为扫描的范围进行设置，比如扫描的长度、病床的高度等，根据该定位像为之后的螺旋或者轴扫确定扫描范围、角度、扫描参数、延迟时间等。扫描定位像时通常将产生X线的球管固定在病人上方或者侧面以对病人进行扫描。现有定位像技术的主要缺点体现在下面几个方面：
1.CT扫描和定位像切换需要较长的准备时间。现有定位像扫描技术，球管位置固定不变，病床移动来获取定位像。在后续螺旋或者轴扫CT扫描中需要CT扫描机架达到一个稳定的旋转速度，从机架静止到得到稳定的转速需要较长的加速和稳定过程。通常需要30-60秒钟的时间来进行加速并稳定。而且，如果需要2个或者多个定位像，需要球管旋转到指定的位置，通过多次进床和退床来实现多个定位像扫描，扫描时间会增加更多并且增加病人剂量。
2.传统方法无法精准空间定位。如图1所示，球管在病人的上方采集定位像。从图 中可以看出，由于X线扇束特点，有射线垂直穿过人体，如穿过体内
Figure 201753DEST_PATH_IMAGE001
点到达探测器
Figure 68078DEST_PATH_IMAGE002
，也有 射线与垂直方向成
Figure 892657DEST_PATH_IMAGE003
角穿过人体，同样的物体，如果沿着垂直方向远离射线源移动，原来的
Figure 299367DEST_PATH_IMAGE001
点对应于
Figure 328503DEST_PATH_IMAGE004
点，那么同样的结构在对应探测器就是点
Figure 631308DEST_PATH_IMAGE005
了。由此可见，传统的二维定位像不 能够对物体进行精确定位和测量，进而造成扫描区域的图像出现偏差，影响医生对扫描区 域的判断。从而有时候需要多次摆位。
如图2所示，同样物体在不同的高度下会得到不同的探测器的输出，造成几何定位的不准确，所以定位像上不能准确测量物体的水平位置/尺寸。
3.传统方法需要手动选择扫描区域。采集定位像之后，由于只有二维的定位像，且只能提供近似的空间信息，因此只能凭操作人员对器官的扫描区域进行估计并进行扫描。
发明内容
技术目的：针对现有技术的不足，本发明公开了一种CT超低剂量自动三维定位扫描方法及系统，可以在不用停止机架旋转及采用类似的辐射剂量的水平下，直接获得三维定位像，并自动定位到所需要扫描的区域，进行自动扫描，可以节约扫描准备时间及扫描时间时间，更正定位像误差，同时降低病人剂量，并且不需要额外的硬件辅助，能满足临床需求，大幅度提升定位的准确度和扫描效率。
技术方案：为实现上述技术目的，本发明采用了如下技术方案：
一种CT超低剂量自动三维定位扫描方法，其特征在于：在常规辐射剂量的条件下，扫描得到正常剂量图像，对正常剂量图像进行AI低剂量重建，获得用于CT扫描的三维定位像，具体步骤包括：
S1.1、采用数值仿真的方法，在正常剂量图像中加入模拟噪声，生成超低剂量螺旋扫描图像；
S1.2、对正常剂量图像和超低剂量螺旋扫描图像分别重建，得到正常剂量重建图像和超低剂量图像，且分别作为训练集图像和测试集图像；
S1.3、构建神经网络，神经网络包括特征提取网络和图像处理网络，构建loss函数，loss函数的结构包括Feature loss函数和fMSE loss函数；
S1.4、使用步骤S1.2得到的训练集图像对步骤S1.3构建的神经网络进行训练，获得训练好的神经网络；
S1.5、将步骤S1.2得到的测试集图像输入训练好的神经网络，输出AI低剂量重建图像，所述AI低剂量重建图像用作CT扫描的三维定位像。
优选地，包括CT扫描步骤：
S2.1、设置协议参数：设置三维定位像的扫描范围和CT扫描协议，扫描范围包括病床移动的起始位置和结束位置，CT扫描协议包括CT扫描的部位、扫描的电压和电流、重建的层厚和层间距；
S2.2、进行三维定位像的扫描：保持机架处于旋转状态，开始进行三维定位像的扫描，获得定位像的扫描数据；
S2.3、AI低剂量重建：使用步骤S1.1~S1.5的方法，对步骤S2.2获得的定位像的扫描数据进行处理，获得用作CT扫描的三维定位像；
S2.4、自动CT扫描区域生成：在低辐射剂量的条件下，实时采集病人躺在CT病床上的图像且作为输入图像，使用预先训练好的神经网络对输入图像进行分割处理，然后根据预先训练好的图像来分割网络；根据分割结果输出最佳的扫描区域范围，并确定重建区域的大小和中心。
优选地，所述步骤S2.2中，扫描方式为螺旋扫描，螺旋扫描的速度为100mm/秒，扫描的电压为80 Kvp、电流为10mA，机架转速为0.5秒/圈。
优选地，步骤S1.1中模拟噪声包括量子噪声和电子噪声，量子噪声采用复合泊松分布模型进行数值仿真，电子噪声的模型公式为：
Figure 847526DEST_PATH_IMAGE006
其中Z为探测器接收信号，g为探测器增益因子，Y为与光子数和光子能量相关的复合泊松分布，e为电子噪声。
优选地，步骤S1.3中feature loss函数的计算步骤为：
S1.3.1、计算特征自相关系数：利用特征提取网络中每一个卷积层输出的若干视觉特征计算每一层的特征自相关系数，每一层的特征自相关系数计算公式为：
Figure 261190DEST_PATH_IMAGE007
其中，
Figure 941570DEST_PATH_IMAGE008
为特征自相关系数， x为神经网络中特征提取网络的输入图像，F为特征图， l为卷积网络的序号层数，I、J为图像二维坐标的总尺寸，c、d为该层卷积网络输出的两个通 道特征，i、j为该通道输出特征的二维坐标；
S1.3.2、计算特征提取网络中输入图像之间的特征差异：先利用所述每层特征自相关 系数计算输入的Label图像和input图像之间特征差异，再对计算得到的每一层特征差异加 权计算，获取总的输入图像之间的特征差异，输入图像之间的特征差异
Figure 415277DEST_PATH_IMAGE009
计算公式 为：
Figure 384370DEST_PATH_IMAGE010
其中，
Figure 336145DEST_PATH_IMAGE011
为输入的input图像，
Figure 339873DEST_PATH_IMAGE012
为输入的Label图像，
Figure 718902DEST_PATH_IMAGE013
为第
Figure 175291DEST_PATH_IMAGE014
层卷积网络 权值，m、n为卷积网络层数，c、d为该层卷积网络输出的两个通道特征。
优选地，步骤S1.3中fMSE loss函数的计算步骤为：
S1.3.3、对网络输出图像和Label图像做傅里叶变换，并进行组织相关的窗函数处理，公式如下：
Figure 930758DEST_PATH_IMAGE015
其中，
Figure 523413DEST_PATH_IMAGE016
为频域傅里叶变换，
Figure 338922DEST_PATH_IMAGE017
为组织相关的窗函数，
Figure 282607DEST_PATH_IMAGE011
为输出图像，
Figure 841765DEST_PATH_IMAGE012
为输入的Label图像；
S1.3.4、总的Loss函数为：
Figure 351243DEST_PATH_IMAGE018
Figure 72075DEST_PATH_IMAGE019
其中，w为权重因子。
优选地，步骤S1.3中的特征提取网络采用vgg16或Resnet网络，图像处理网络采用2D U-net和3D U-net网络。
一种CT超低剂量自动三维定位扫描系统，执行所述方法，其特征在于，包括：
参数设置模块，用于设置CT扫描的协议参数；
CT扫描模块，用于扫描目标对像并获得对应的CT数据；
定位像生成模块，用于以AI图像重建方法生成三维定位像并确定扫描区域；
图像处理和输出模块，用于对获取的图像进行处理且输出CT扫描结果。
有益效果：由于采用了上述技术方案，本发明具有如下技术效果：
1）扫描时间的减少：现有技术中CT扫描时，整个检查时间包括定位像扫描时间、 CT扫描时间、扫描切换准备时间和手动选择扫描区域时间；采用本发明的方法进行CT扫描，整个检查时间包括三维定位扫描时间、CT扫描时间、新扫描切换准备时间和自动选择扫描区域时间。两者相比，本发明大幅减少了新的扫描切换准备时间。
2）AI降噪的效果：本发明采用正常剂量重建图像作为神经网络的训练集图像，超低剂量重建图像作为神经网络的测试集图像，得到了AI低剂量重建结果，最大程度地消除了低剂量扫描数据中存在的噪声伪影，获得适于观察可视化解剖结构的定位像。
3）自动定位的效果：本发明的方法不需要额外的硬件辅助，可通过加载在CT系统计算机系统中的用于执行本发明方法的控制程序实现，自动定位且准确的给出扫描区域，操作简便，尤其是在每天有大量患者检查的情况下，对扫描操作人员的技术水平、经验有了更低的要求。
附图说明
图1为球管在病人的上方采集定位像的示意图；
图2为物体在不同的高度下探测器的投影输出示意图；
图3为本发明CT超低剂量自动三维定位方法的流程图；
图4为采用本发明对原始图像进行AI降噪的效果图；
图5为常规方法获得的定位像和本发明方法获得的定位像的对比图；
图6为正投影示意图；
图7为采用图6正投影方式获得的定位像，从左至右分别对应0度、45度、90度虚拟传统定位像。
具体实施方式
如图1至图5所示，本发明为了在同样的扫描剂量情况下，降低扫描及扫描准备时间，自动并准确地获得扫描的定位信息，提出了一种CT超低剂量自动三维定位方法。
如图3所示，具体步骤如下：
1、设置协议参数：设置三维定位像的扫描范围和CT扫描协议，三维定位像的扫描主要是指病床移动的起始位置和结束位置，CT扫描协议包括CT扫描的部位、扫描的电压、电流等，以及重建的层厚层间距等；重建区域的大小和中心通常需要根据定位像扫描之后的结果来自动生成；
2、保持机架旋转的前提下，就可以开始进行三维定位像的扫描：为了保证和传统定位像相似的剂量和扫描速度，本发明采用了比传统定位像扫描更低的电压和电流，如采用80Kvp、10mA, 传统方式中电压和电流分别是120kvp、 30mA，采用了较高的机架转速，如0.5秒/圈，大螺距1.5m，来对患者进行螺旋扫描。
通过这些措施就可以在普通CT机上达到类似定位像的扫描速度和辐射剂量，如扫描速度100mm/秒、0.1mGy。
Figure DEST_PATH_IMAGE020
其中，CTDIvol为容积CT剂量指数，CTDIw为加权CT剂量指数，是剂量模体中心位置与周 围四个不同位置 QUOTE
Figure 34215DEST_PATH_IMAGE021
Figure 131484DEST_PATH_IMAGE021
测量值的加权结果。例如1s转速条件下120kvp， 30mA测量的CTDIw为5.02mGy，80kvp，10mA测量的CTDIw为0.559mGy。
假设CT设备采集频率为1000views/s，则传统定位像的准直宽度5mm，则剂量CTDIvol=5.02*0.001/(100*0.001/5)=0.251mGy。超低剂量螺旋扫描的剂量CTDIvol=0.559*0.5/1.5=0.186mGy。该协议可以降低25%的病人剂量。
3、AI低剂量重建：通常在较低的剂量下获得的扫描数据，很难得到可以用来定位的图像，里面存在严重的噪声伪影。为了获得更高的图像质量，本发明采用了常规剂量的扫描数据，通过数值仿真的方法加入量子噪声，生成超低剂量螺旋扫描的图像。
本发明采用的loss函数并不同于传统的MSEloss，而是Feature loss + MSE(freq_MSE)的结构。因为，本发明中对于用于三维定位的图像的要求不同于传统的用于诊断的图像，传统的用于诊断的图像需要尽可能的保留细节，本发明侧重应用于定位，主要用于可视化整体的解剖结构，因此可以容忍一些细节的丢失来换取更加准确的解剖结构。
AI低剂量重建具体实现过程如下：
1）、采集常规剂量的投影数据。
2）、通过数值仿真的方法加入量子噪声和电子噪声，生成超低剂量螺旋扫描的图像。该数值仿真可以用复合泊松分布模型，见参考文献1，(A.Z. Zamyatin, Y. Fan, K.Schultz and S. Nakanishi, "Validation of compound Poisson noise model forcomputed tomography with energy-integrating detector", Med. Imaging Conf.2012)。
Figure DEST_PATH_IMAGE022
其中Z为探测器接收信号，g为探测器增益因子，Y为与光子数和光子能量相关的复合泊松分布，e为电子噪声。
3）、将步骤1和2所得到投影重建，得到正常剂量重建图像作为label，超低剂量数据作为input。分为训练集图像和测试集图像。
4）、构建神经网络，如vgg16，Resnet等特征提取网络和2D U-net，3-D U-net等图像处理网络，构建loss函数feature loss + fMSE(freq_MSE)。传统的用于类似应用场景的loss函数是mean-square-error误差，这个函数基于的是目标图像和输出图像的每个像素的误差的平方。对于超低剂量的重建图像，图像中存在很大的噪声，很难根据每个像素的优化来估计出可以应用的图像。因此这里采用了比单个像素更高级的基于图像特征的差别(feature-loss)，这个特征在噪声想更加稳定。另外，为了能更好的调节输出图像的频率特性，这里在频率域方面也对图像进行不同的加权。通过这个方式也能够尽可能保证处理方法对噪声的适应能力。
5）、将步骤3中的训练集图像送至步骤4构建的神经网络中训练，直至训练结束，获得已经训练好的模型。
6）、将步骤3中的测试集图像输入训练好的模型，得到AI低剂量重建结果。
其中loss函数的定义如下：
计算Feature loss函数：
计算特征自相关系数：利用特征提取网络中每一个卷积层输出的若干视觉特征计算每一层的特征自相关系数；
计算特征提取网络中输入图像之间的特征差异：先利用所述每层特征自相关系数计算输入的label图像和input之间特征差异，再对计算得到的每一层特征差异加权计算，获取总的输入图像之间的特征差异；
每一层的特征自相关系数计算公式为：
Figure 495469DEST_PATH_IMAGE023
其中，x为神经网络中特征提取网络的输入图像，I为卷积网络的序号层数，I、J为图像二维坐标的总尺寸，c、d为该层卷积网络输出的两个通道特征，i、j为该通道输出特征的二维坐标，F为特征图。
输入图像之间的特征差异计算公式为：
Figure 387201DEST_PATH_IMAGE024
其中，
Figure 305479DEST_PATH_IMAGE013
为第
Figure 206439DEST_PATH_IMAGE014
层卷积网络权值，m、n为卷积网络层数，c、d为该层卷积网络输出的两 个通道特征，
Figure 362614DEST_PATH_IMAGE025
为特征自相关系数。
fMSE loss计算过程：
对网络输出图像和label图像做傅里叶变换，并进行组织相关的窗函数处理，如检查肝脏器官窗函数可以重点保留低频成分，检查骨骼组织重点保留高频成分。公式如下：
Figure 696686DEST_PATH_IMAGE026
其中freq()为频域傅里叶变换，win()为组织相关的窗函数。
则总的loss函数为：
Figure 836680DEST_PATH_IMAGE027
Figure 541331DEST_PATH_IMAGE028
其中w为权重因子。
4、自动CT扫描区域生成：据用户输入的扫描部位，根据预先训练好的神经网络来在输入图像的基础上分割组织器官，然后根据预先训练好的图像来分割网络。在AI训练的过程中，在三位定位像方法获得的图像上进行标记，训练，根据分割结果估计最佳的扫描区域范围，建fov、重建中心等。
综上，本发明在已有的三维定位像的基础上，可以进行医学图像的分割和器官的自动识别，比如识别人体的主要器官，比如识别肺部，心脏，肝脏，肾脏等器官的位置，然后根据扫描的协议，自动根据器官的区域，自动推荐出扫描的范围，自动计算出重建的范围。会大大的降低放射科医生的工作强度，减少医生对于每个患者的图像反复调节的过程。此外，在某些应用场合，如果医生还是希望看到传统的2D的定位图象，也可以通过传统正投影技术，结合本发明的三维的定位像数据来合成定位像。如图6和图7所示。可以生成任意角度的传统定位像。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种CT超低剂量自动三维定位扫描方法，其特征在于：在常规辐射剂量的条件下，扫描得到正常剂量图像，对正常剂量图像进行AI低剂量重建，获得用于CT扫描的三维定位像，具体步骤包括：
S1.1、采用数值仿真的方法，在正常剂量图像中加入模拟噪声，生成超低剂量螺旋扫描图像；
S1.2、对正常剂量图像和超低剂量螺旋扫描图像分别重建，得到正常剂量重建图像和超低剂量图像，且分别作为训练集图像和测试集图像；
S1.3、构建神经网络，神经网络包括特征提取网络和图像处理网络，构建loss函数，loss函数的结构包括Feature loss函数和fMSE loss函数；
S1.4、使用步骤S1.2得到的训练集图像对步骤S1.3构建的神经网络进行训练，获得训练好的神经网络；
S1.5、将步骤S1.2得到的测试集图像输入训练好的神经网络，输出AI低剂量重建图像，所述AI低剂量重建图像用作CT扫描的三维定位像。
2.根据权利要求1所述的一种CT超低剂量自动三维定位扫描方法，其特征在于，包括CT扫描步骤：
S2.1、设置协议参数：设置三维定位像的扫描范围和CT扫描协议，扫描范围包括病床移动的起始位置和结束位置，CT扫描协议包括CT扫描的部位、扫描的电压和电流、重建的层厚和层间距；
S2.2、进行三维定位像的扫描：保持机架处于旋转状态，开始进行三维定位像的扫描，获得定位像的扫描数据；
S2.3、AI低剂量重建：使用步骤S1.1~S1.5的方法，对步骤S2.2获得的定位像的扫描数据进行处理，获得用作CT扫描的三维定位像；
S2.4、自动CT扫描区域生成：在低辐射剂量的条件下，实时采集病人躺在CT病床上的图像且作为输入图像，使用预先训练好的神经网络对输入图像进行分割处理，然后根据预先训练好的图像来分割网络；根据分割结果输出最佳的扫描区域范围，并确定重建区域的大小和中心。
3.根据权利要求2所述的CT超低剂量自动三维定位扫描方法，其特征在于：所述步骤S2.2中，扫描方式为螺旋扫描，螺旋扫描的速度为100mm/秒，扫描的电压为80 Kvp、电流为10mA，机架转速为0.5秒/圈。
4.根据权利要求1所述的一种CT超低剂量自动三维定位扫描方法，其特征在于，步骤S1.1中模拟噪声包括量子噪声和电子噪声，量子噪声采用复合泊松分布模型进行数值仿真，电子噪声的模型公式为：
Figure 297070DEST_PATH_IMAGE001
其中Z为探测器接收信号，g为探测器增益因子，Y为与光子数和光子能量相关的复合泊松分布，e为电子噪声。
5.根据权利要求1所述的CT超低剂量自动三维定位扫描方法，其特征在于，步骤S1.3中feature loss函数的计算步骤为：
S1.3.1、计算特征自相关系数：利用特征提取网络中每一个卷积层输出的若干视觉特征计算每一层的特征自相关系数，每一层的特征自相关系数计算公式为：
Figure 542106DEST_PATH_IMAGE002
其中，
Figure 446477DEST_PATH_IMAGE003
为特征自相关系数， x为神经网络中特征提取网络的输入图像，F为特征图，l 为卷积网络的序号层数，I、J为图像二维坐标的总尺寸，c、d为该层卷积网络输出的两个通 道特征，i、j为该通道输出特征的二维坐标；
S1.3.2、计算特征提取网络中输入图像之间的特征差异：先利用所述每层特征自相关 系数计算输入的Label图像和input图像之间特征差异，再对计算得到的每一层特征差异加 权计算，获取总的输入图像之间的特征差异，输入图像之间的特征差异
Figure 996014DEST_PATH_IMAGE004
计算公式 为：
Figure 624702DEST_PATH_IMAGE005
其中，
Figure 775061DEST_PATH_IMAGE006
为输入的input图像，
Figure 838831DEST_PATH_IMAGE007
为输入的Label图像，
Figure 365628DEST_PATH_IMAGE008
为第
Figure 300086DEST_PATH_IMAGE009
层卷积网络 权值，m、n为卷积网络层数，c、d为该层卷积网络输出的两个通道特征。
6.根据权利要求5所述的CT超低剂量自动三维定位扫描方法，其特征在于，步骤S1.3中fMSE loss函数的计算步骤为：
S1.3.3、对网络输出图像和Label图像做傅里叶变换，并进行组织相关的窗函数处理，公式如下：
Figure 824608DEST_PATH_IMAGE010
其中，
Figure 906833DEST_PATH_IMAGE011
为频域傅里叶变换，
Figure 175004DEST_PATH_IMAGE012
为组织相关的窗函数，
Figure 963968DEST_PATH_IMAGE006
为输出图像，
Figure 924971DEST_PATH_IMAGE007
为输入的Label图像；
S1.3.4、总的Loss函数为：
Figure 697755DEST_PATH_IMAGE013
Figure 504037DEST_PATH_IMAGE014
其中，w为权重因子。
7.根据权利要求1所述的CT超低剂量自动三维定位扫描方法，其特征在于：步骤S1.3中的特征提取网络采用vgg16或Resnet网络，图像处理网络采用2D U-net和3D U-net网络。
8.一种CT超低剂量自动三维定位扫描系统，执行权利要求1~7任一所述方法，其特征在于，包括：
参数设置模块，用于设置CT扫描的协议参数；
CT扫描模块，用于扫描目标对像并获得对应的CT数据；
定位像生成模块，用于以AI图像重建方法生成三维定位像并确定扫描区域；
图像处理和输出模块，用于对获取的图像进行处理且输出CT扫描结果。
CN202010933560.8A 2020-09-08 2020-09-08 Ct超低剂量自动三维定位扫描方法及系统 Active CN111839574B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010933560.8A CN111839574B (zh) 2020-09-08 2020-09-08 Ct超低剂量自动三维定位扫描方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010933560.8A CN111839574B (zh) 2020-09-08 2020-09-08 Ct超低剂量自动三维定位扫描方法及系统

Publications (2)

Publication Number Publication Date
CN111839574A true CN111839574A (zh) 2020-10-30
CN111839574B CN111839574B (zh) 2023-10-31

Family

ID=72967775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010933560.8A Active CN111839574B (zh) 2020-09-08 2020-09-08 Ct超低剂量自动三维定位扫描方法及系统

Country Status (1)

Country Link
CN (1) CN111839574B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102213A (zh) * 2020-11-23 2020-12-18 南京安科医疗科技有限公司 低剂量ct图像处理方法、扫描系统及计算机存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110127444A (ko) * 2010-05-19 2011-11-25 (주)제노레이 씨티에서 스카우트 영상 획득 방법
CN103424727A (zh) * 2012-05-23 2013-12-04 深圳市贝斯达医疗器械有限公司 一种磁共振图像亮度不均匀修正算法
CN104569945A (zh) * 2014-12-25 2015-04-29 北京无线电计量测试研究所 一种用于合成孔径雷达图像的自适应滤波方法
CN107369189A (zh) * 2017-07-21 2017-11-21 成都信息工程大学 基于特征损失的医学图像超分辨率重建方法
CN107633540A (zh) * 2017-07-28 2018-01-26 上海联影医疗科技有限公司 图像转换的系统和方法
CN108734661A (zh) * 2018-05-25 2018-11-02 南京信息工程大学 基于图像纹理信息构建损失函数的高分辨率图像预测方法
CN108720857A (zh) * 2017-04-20 2018-11-02 株式会社岛津制作所 Ｘ射线相位差摄像系统
CN109819321A (zh) * 2019-03-13 2019-05-28 中国科学技术大学 一种视频超分辨率增强方法
CN109938764A (zh) * 2019-02-28 2019-06-28 佛山原子医疗设备有限公司 一种基于深度学习的自适应多部位扫描成像方法及其系统
CN110992295A (zh) * 2019-12-20 2020-04-10 电子科技大学 基于小波-red卷积神经网络的低剂量ct重建方法
CN111047524A (zh) * 2019-11-13 2020-04-21 浙江工业大学 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法
CN111127371A (zh) * 2020-03-30 2020-05-08 南京安科医疗科技有限公司 图像增强参数自动优化方法、存储介质和x射线扫描装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110127444A (ko) * 2010-05-19 2011-11-25 (주)제노레이 씨티에서 스카우트 영상 획득 방법
CN103424727A (zh) * 2012-05-23 2013-12-04 深圳市贝斯达医疗器械有限公司 一种磁共振图像亮度不均匀修正算法
CN104569945A (zh) * 2014-12-25 2015-04-29 北京无线电计量测试研究所 一种用于合成孔径雷达图像的自适应滤波方法
CN108720857A (zh) * 2017-04-20 2018-11-02 株式会社岛津制作所 Ｘ射线相位差摄像系统
CN107369189A (zh) * 2017-07-21 2017-11-21 成都信息工程大学 基于特征损失的医学图像超分辨率重建方法
CN107633540A (zh) * 2017-07-28 2018-01-26 上海联影医疗科技有限公司 图像转换的系统和方法
CN108734661A (zh) * 2018-05-25 2018-11-02 南京信息工程大学 基于图像纹理信息构建损失函数的高分辨率图像预测方法
CN109938764A (zh) * 2019-02-28 2019-06-28 佛山原子医疗设备有限公司 一种基于深度学习的自适应多部位扫描成像方法及其系统
CN109819321A (zh) * 2019-03-13 2019-05-28 中国科学技术大学 一种视频超分辨率增强方法
CN111047524A (zh) * 2019-11-13 2020-04-21 浙江工业大学 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法
CN110992295A (zh) * 2019-12-20 2020-04-10 电子科技大学 基于小波-red卷积神经网络的低剂量ct重建方法
CN111127371A (zh) * 2020-03-30 2020-05-08 南京安科医疗科技有限公司 图像增强参数自动优化方法、存储介质和x射线扫描装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102213A (zh) * 2020-11-23 2020-12-18 南京安科医疗科技有限公司 低剂量ct图像处理方法、扫描系统及计算机存储介质
CN112102213B (zh) * 2020-11-23 2021-02-09 南京安科医疗科技有限公司 低剂量ct图像处理方法、扫描系统及计算机存储介质

Also Published As

Publication number Publication date
CN111839574B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
KR102302529B1 (ko) 환자 스캔 셋업을 위한 방법들 및 시스템들
JP4965433B2 (ja) トランケートされた投影と事前に取得した３次元ｃｔ画像を用いる円錐ビームｃｔ装置
KR100830198B1 (ko) 관상동맥 ｃｔ 혈관조영술에서의 ｃｔ번호의 표준편차를이용한 방사선량 조절방법 및 장치
JP5497436B2 (ja) 回転ｘ線走査計画システム
JP5345947B2 (ja) 対象物を撮像する撮像システム及び撮像方法
CN104644200B (zh) 减少计算机断层扫描图像重构中伪像的方法和装置
CN109561869A (zh) 用于计算机断层扫描的方法和系统
US11497459B2 (en) Methods and system for optimizing an imaging scan based on a prior scan
CN102846333B (zh) 用于x射线成像中的散射校正的方法和系统
US20040081269A1 (en) Retrospective respiratory gating for imaging and treatment
US20110176723A1 (en) Motion Correction in Cone-Beam CT by Tracking Internal and External Markers Using Cone-Beam Projection From a kV On-Board Imager: Four-Dimensional Cone-Beam CT and Tumor Tracking Implications
JP2002263097A (ja) Ｘ線ｃｔ装置
EP2245592B1 (en) Image registration alignment metric
EP2807635A1 (en) Automatic implant detection from image artifacts
US10251612B2 (en) Method and system for automatic tube current modulation
US20220218298A1 (en) Method for image guidance, medical device and computer-readable storage medium
CN111839574B (zh) Ct超低剂量自动三维定位扫描方法及系统
JP5027909B2 (ja) Ｘ線ｃｔ装置
CN104700377B (zh) 获得对计算机断层扫描数据进行射束硬化校正的射束硬化校正系数的方法和装置
CN110267594B (zh) C型臂计算机断层摄影中的等中心
JP4644292B2 (ja) Ｘ線ｃｔ装置とその画像表示方法
US20240105312A1 (en) Computed tomography imaging method and apparatus
US11937970B2 (en) System and method for calibrating a camera feature detection system of an x-ray system
US20240153114A1 (en) A method and apparatus of obtaining body depth information for a patient
EP4052652A1 (en) A method and apparatus of obtaining body depth information for a patient

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant