CN114298920A - 一种超视野ct图像重建模型训练和超视野ct图像重建方法 - Google Patents

Abstract

本发明公开了一种超视野CT图像重建模型训练和超视野CT图像重建方法，利用预设重建算法对获取的多组CBCT投影数据进行重建处理得到正常视野图像；对正常视野图像进行视野缩小处理；对缩小后的正常视野图像对应的投影数据进行补全操作；对补全操作后得到的投影数据进行重建得到超视野重建图像；根据正常视野图像数据与超视野重建图像数据构建数据集，并根据数据集训练U－Net网络模型得到超视野CT图像重建模型。减弱了因数据截断导致的重建图像超视野边界的亮环问题；有效增强了超视野区域的图像的亮度与组织结构，解决了视觉效果不好的问题；根据该模型进行超视野CT图像重建可以直接得到与正常视野重建图像的视觉效果相近的图像，满足临床诊断需求。

Description

一种超视野CT图像重建模型训练和超视野CT图像重建方法

技术领域

本发明涉及CT设备成像技术领域，具体涉及一种超视野CT图像重建模型训练和超视野CT图像重建方法。

背景技术

锥束CT扫描能够快速获得被测物体的三维影像，且图像分辨率高，现被广泛应用于口腔医疗领域。在实际应用中，在CT扫描时会有超出成像视野的情况，现有技术中使用FDK算法重建超出规定视野范围的图像时，因超出规定视野的区域不满足数据完备条件，会引起重建图像超视野区域亮度明显偏暗、与原视野区域存在亮度跳变，导致视觉效果不好，且超视野区域内的组织结构模糊问题。但是由于硬件限制、使用场景限制以及成本控制原因，不能无限增加探测器的通道数，因此需要进一步扩大重建视野来获取超视野区域的结构信息，且使超视野重建图像显示效果接近原视野重建图像效果，以满足临床诊断需求。

发明内容

有鉴于此，本发明实施例提供了涉及一种超视野CT图像重建模型训练和超视野CT图像重建方法，以解决现有技术中在CT扫描时超出成像视野的区域亮度明显偏暗、与原视野区域存在亮度跳变且超视野区域内的组织结构模糊的技术问题。

本发明提出的技术方案如下：

本发明实施例第一方面提供一种超视野CT图像重建模型训练方法，该超视野CT图像重建模型训练方法包括：利用预设重建算法对获取的多组CBCT投影数据进行重建处理得到正常视野图像；对所述正常视野图像进行视野缩小处理；对缩小后的正常视野图像对应的投影数据进行补全操作；对补全操作后得到的投影数据进行重建得到超视野重建图像；根据所述正常视野图像数据与所述超视野重建图像数据构建数据集，并根据所述数据集训练U－Net网络模型得到超视野CT图像重建模型。

可选地，所述对所述正常视野图像进行视野缩小处理之后，对缩小后的正常视野图像对应的投影数据进行补全操作之前，所述方法还包括：计算所述获取的多组CBCT投影数据裁剪宽度；根据计算结果对所述获取的多组CBCT投影数据对应的投影图像进行裁剪。

可选地，对缩小后的正常视野图像对应的投影数据进行补全操作，包括：根据线性递减的方式并结合所述缩小后的正常视野图像的边界像素灰度值进行补全操作。

可选地，根据所述数据集训练U－Net网络模型，包括：利用损失函数迭代训练U－Net网络模型，所述损失函数包括最小化图像内容损失和图像梯度损失。

可选地，根据所述数据集训练U－Net网络模型，还包括：对训练图像进行增强处理并基于Adam优化器训练U－Net网络模型。

本发明实施例第二方面提供一种超视野CT图像重建方法，该超视野CT图像重建方法包括：获取CBCT投影数据对应的有效视野图像并对所述有效视野图像进行超视野重建；将重建后的图像输入到如本发明实施例第一方面或第一方面任一项所述的超视野CT图像重建模型训练方法训练得到的U－Net网络模型进行处理。

本发明实施例第三方面提供一种超视野CT图像重建模型训练装置，该超视野CT图像重建模型训练装置包括：重建处理模块，用于利用预设重建算法对获取的多组CBCT投影数据进行重建处理得到正常视野图像；缩小处理模块，用于对所述正常视野图像进行视野缩小处理；补全模块，用于对缩小后的正常视野图像对应的投影数据进行补全操作；重建模块，用于对补全操作后得到的投影数据进行重建得到超视野重建图像；获取模块，用于根据所述正常视野图像数据与所述超视野重建图像数据构建数据集，并根据所述数据集训练U－Net网络模型得到超视野CT图像重建模型。

本发明实施例第四方面提供一种超视野CT图像重建装置，该超视野CT图像重建装置包括：处理模块，用于获取CBCT投影数据对应的有效视野图像并对所述有效视野图像进行超视野重建；训练模块，用于将重建后的图像输入到如本发明实施例第一方面或第一方面任一项所述的超视野CT图像重建模型训练方法训练得到的U－Net网络模型进行处理。

本发明实施例第五方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的超视野CT图像重建模型训练方法，或者执行如本发明实施例第二方面所述的超视野CT图像重建方法。

本发明实施例第六方面提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的超视野CT图像重建模型训练方法，或者执行如本发明实施例第二方面所述的超视野CT图像重建方法。

本发明提供的技术方案，具有如下效果：

本发明实施例提供的超视野CT图像重建模型训练方法，利用预设重建算法对获取的多组CBCT投影数据进行重建处理得到正常视野图像；对所述正常视野图像进行视野缩小处理；对缩小后的正常视野图像对应的投影数据进行补全操作；对补全操作后得到的投影数据进行重建得到超视野重建图像；根据所述正常视野图像数据与所述超视野重建图像数据构建数据集，并根据所述数据集训练U－Net网络模型得到超视野CT图像重建模型。该方法对缩小后的正常视野图像对应的投影数据进行补全操作，减弱了因数据截断导致的重建图像超视野边界的亮环问题；根据数据集训练U－Net网络模型得到超视野CT图像重建模型，有效增强了超视野区域的图像的亮度与组织结构，解决了视觉效果不好的问题。

本发明实施例提供的超视野CT图像重建方法，所述方法包括：获取CBCT投影数据对应的有效视野图像并对所述有效视野图像进行超视野重建；将重建后的图像输入到如本发明实施例第一方面或第一方面任一项所述的超视野CT图像重建模型训练方法训练得到的U－Net网络模型进行处理。该方法将重建后的图像输入到U－Net网络模型中可以直接得到与正常视野重建图像的视觉效果相近的图像，满足临床诊断需求。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的超视野CT图像重建模型训练方法的流程图；

图2是根据本发明实施例的U－Net网络结构示意图；

图3是根据本发明实施例的超视野CT图像预处理的示意图；

图4是根据本发明实施例的超视野CT图像的轴面成像几何关系图；

图5是根据本发明实施例的超视野CT图像重建方法的流程图；

图6是根据本发明实施例的超视野CT重建图像的示意图；

图7是根据本发明实施例的正常视野CT图像的示意图；

图8是根据本发明实施例的超视野CT重建图像经过处理后的示意图；

图9是根据本发明实施例的超视野CT图像重建模型训练装置的结构框图；

图10是根据本发明实施例的超视野CT图像重建装置的结构框图；

图11是根据本发明实施例提供的计算机可读存储介质的结构示意图；

图12是根据本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种超视野CT图像重建模型训练方法，如图1所示，该方法包括如下步骤：

步骤S101：利用预设重建算法对获取的多组CBCT投影数据进行重建处理得到正常视野图像。具体地，在重建处理之前获取多组医学口腔CT扫描设备采集的数据，然后使用FDK算法重建获取的所有CBCT投影数据。由于锥束FDK算法不满足精确重建的Tuy－Smith完备条件，导致其重建图像在远离中心平面的切片层会出现一定程度的强度衰减、几何畸变等图像质量下降问题，因此需要在重建数据中进行筛选并确定正常视野重建图像。其中，为了保证超视野CT图像重建模型训练方法的适应性，选取包含不同设备、不同轴面视野、不同扫描分度数(360°范围内采集的投影数据个数)锥束扫描的人体数据。

在一实施例中，选取包含不同设备、不同轴面视野、不同投影分度数(360°范围内采集的投影数据个数)锥束扫描的人体数据15组。其中，10组数据视野大小为16cm×8cm，5组数据视野为14cm×8cm，单个体素尺寸大小为0.25mm。投影分度数分别为600与720。其中，16cm与14cm指轴面视野直径，8cm指厚度。

采用FDK算法重建所有数据，当视野大小为16cm×8cm时，用实际尺寸除以单个体素尺寸计算对应的重建图像大小为640×640×320像素，即每张切片图像大小为640×640，总共320个切片序列，第160帧为中心切片。

重建之后在每组重建数据中选取靠近中心层的290帧作为正常视野图像，即以中心切片为起始层，向两边分别取145帧。从所有数据中筛选出4350幅图像X＝{X₁，X₂，…，X₄₃₅₀}。

步骤S102：对正常视野图像进行视野缩小处理。具体地，在确定正常视野图像之后，对正常视野图像做视野缩小处理操作。

步骤S103：对缩小后的正常视野图像对应的投影数据进行补全操作。具体地，在对正常视野图像进行视野缩小处理之后，为了减弱因数据截断导致的重建图像超视野边界的亮环问题，对缩小后的正常视野图像对应的投影数据进行补全操作。

步骤S104：对补全操作后得到的投影数据进行重建得到超视野重建图像。具体地，采用FDK算法重建补全操作后得到的投影数据，并在重建数据中进行筛选并确定超视野重建图像。其中在重建数据中进行筛选的方法与步骤S101中筛选方法一致，此处不再赘述。

在一实施例中，在重建数据中进行筛选之后累计得到4350幅图像作为超视野重建图像Y＝{Y₁，Y₂，…，Y₄₃₅₀}。

步骤S105：根据正常视野图像数据与超视野重建图像数据构建数据集，并根据数据集训练U-Net网络模型得到超视野CT图像重建模型。具体地，将获取的正常视野重建图像对应与获取的超视野重建图像配对并制作数据集。

在一实施例中，将获取的正常视野图像数据X＝{X₁，X₂，…，X₄₃₅₀}作为Ground-truth图像，与获取的超视野重建图像数据Y＝{Y₁，Y₂，…，Y₄₃₅₀}组成配对数据集

其中，80％作训练集，10％作验证集，10％作测试集。

利用制作好的数据集对U-Net网络模型进行训练直至得到超视野CT图像重建模型。具体地，使用用于医学图像分割的U-Net经典网络模型构建本方法的U-Net模型，由于待增强的信息仅为扩大视野区域图像的亮度与组织结构，因此采用经典模型中编码部分与解码部分的4层结构。为了有效结合视野内的图像信息恢复视野外的部分信息，将卷积核大小改为5×5，并且使用Same卷积法使得输入的特征图大小和输出大小一致，并删除crop操作以简化模型。

其中，在U-Net网络模型中，编码部分的每一层包含两个卷积步骤，每次卷积跟一个ReLU函数，两次卷积之后进行一次步长为2的2×2的最大池化操作并进行采样；解码部分每层均由一个上采样模块和两个反卷积模块组成，每次反卷积同样跟一个ReLU函数，同时每一步的上采样都会加入来自对应编码层的特征图。如图2所示，网络模型中所有层用到的卷积核个数在图中都进行了标注。

由于数据集中包含不同大小的图像，且处理小图像补丁可以降低计算成本，因此本方法中的网络不是整体处理一幅输入图像，而是将不同视野大小对应的输入图像先裁剪为图像补丁，然后通过损失函数训练U-Net网络模型。

在一实施例中，将不同视野大小对应的输入图像(640×640、560×560)裁剪为256×256的图像补丁。如图3所示，图中N表示裁剪后的图像补丁数。

本发明实施例提供的超视野CT图像重建模型训练方法，利用预设重建算法对获取的多组CBCT投影数据进行重建处理得到正常视野图像；对正常视野图像进行视野缩小处理；对缩小后的正常视野图像对应的投影数据进行补全操作；对补全操作后得到的投影数据进行重建得到超视野重建图像；根据正常视野图像数据与超视野重建图像数据构建数据集，并根据数据集训练U-Net网络模型得到超视野CT图像重建模型。该方法对缩小后的正常视野图像对应的投影数据进行补全操作，减弱了因数据截断导致的重建图像超视野边界的亮环问题；根据数据集训练U-Net网络模型得到超视野CT图像重建模型，有效增强了超视野区域的图像的亮度与组织结构，解决了视觉效果不好的问题。

作为本发明实施例一种可选的实施方式，对正常视野图像进行视野缩小处理之后，对正常视野图像对应的投影数据进行补全操作之前首先计算获取的多组CBCT投影数据裁剪宽度，然后根据裁剪宽度对获取的多组CBCT投影数据对应的投影图像进行裁剪。

具体地，根据CBCT成像的几何位置关系计算投影数据裁剪宽度，如图4所示，R为正常视野半径，r为缩小后的视野半径，W为正常视野图像下投影图像的半宽度大小。在本发明实施例中，对获取的投影数据进行裁剪，将R的视野缩小至

的视野大小，投影图像裁剪宽度计算公式为：

式中，w表示投影数据左边需要裁剪的宽度；D表示X光管到旋转中心的距离；S表示X光管到探测器的距离。

作为本发明实施例一种可选的实施方式，对缩小后的正常视野图像对应的投影数据进行补全操作时，根据线性递减的方式并结合缩小后的正常视野图像的边界像素灰度值进行补全处理。具体地，以缩小后的正常视野图像的边界像素灰度值为初始值，采用线性递减的方式外推至裁剪前的宽度。数据补全公式为：

式中，p_i表示图像任意一行待计算的第i个像素值；p₀表示裁剪位置的像素值。

作为本发明实施例一种可选的实施方式，根据数据集训练U-Net网络模型时，包括：利用损失函数迭代训练U-net网络模型，所述损失函数包括最小化图像内容损失和图像梯度损失。具体地，将超视野重建图像馈送到网络，然后计算网络输出图像与Ground-truth图像之间的内容损失与图像梯度损失，通过最小化损失迭代更新U-Net网络参数。其损失函数为：

L＝α₁||X-M(Y)||₁+α₂||G(X)-G(M(Y))||₁

式中，||X-M(Y)||₁表示图像内容损失，用于计算网络输出图像与正常视野重建图像(Ground-truth)之间的平均绝对误差；||G(X)-G(M(Y))||₁表示梯度损失，用于计算网络输出图像的梯度与正常视野重建图像的梯度之间的平均绝对误差；G(X)表示正常视野重建图像的梯度图；α₁、α₂表示两个损失函数的权重。

作为本发明实施例一种可选的实施方式，根据数据集训练U-Net网络模型，还包括：对训练图像进行增强处理并基于Adam优化器训练U-Net网络模型。具体地，为了增加数据的丰富性，对训练图像进行了裁剪、翻转和旋转操作。U-Net网络模型使用基于动量的Adam优化器训练，其中β₁＝0.9，β₂＝0.999，batch size设置为16，Patch size设置为256，学习率初始值设为0.0001，每训练100次学习率衰减一半。

本发明实施例还提供一种超视野CT图像重建方法，如图5所示，该方法包括如下步骤：

步骤S201：获取CBCT投影数据对应的有效视野图像并对有效视野图像进行超视野重建。具体地，对获取的现有设备有效视野图像即CBCT投影数据对应的有效视野图像进行重建的方法与本发明实施例第一方面中对正常视野图像进行超视野重建方法一致，此处不再赘述。

步骤S202：将重建后的图像输入到如超视野CT图像重建模型训练方法训练得到的U－Net网络模型进行处理。具体地，在经过训练得到满足条件的U－Net网络模型之后，将重建后的图像直接输入该U－Net网络模型就可以得到与正常视野重建图像的视觉效果相近的图像。

在一实施例中，将如图6所示的重建后的图像a输入该U－Net网络模型，得到与如图7所示的正常视野重建图像视觉效果相近的如图8所示图像。其中，白色虚线框以外的区域为超视野区域，可以看到图8的圆框内与圆框外灰度更加均匀，且一定程度恢复了组织结构细节信息(白色箭头处)。

本发明实施例提供的超视野CT图像重建方法，获取CBCT投影数据对应的有效视野图像并对有效视野图像进行超视野重建；将重建后的图像输入到如超视野CT图像重建模型训练方法训练得到的U－Net网络模型进行处理。该方法将重建后的图像输入到U－Net网络模型中可以直接得到与正常视野重建图像的视觉效果相近的图像，满足临床诊断需求。

本发明实施例还提供一种超视野CT图像重建模型训练装置，如图9所示，该装置包括：

重建处理模块101，用于利用预设重建算法对获取的多组CBCT投影数据进行重建处理得到正常视野图像；详细内容参见上述方法实施例中步骤S101的相关描述。

缩小处理模块102，用于对正常视野图像进行视野缩小处理；详细内容参见上述方法实施例中步骤S102的相关描述。

补全模块103，用于对缩小后的正常视野图像对应的投影数据进行补全操作；详细内容参见上述方法实施例中步骤S103的相关描述。

重建模块104，用于对补全操作后得到的投影数据进行重建得到超视野重建图像；详细内容参见上述方法实施例中步骤S104的相关描述。

获取模块105，用于根据正常视野图像数据与超视野重建图像数据构建数据集，并根据数据集训练U－Net网络模型得到超视野CT图像重建模型；详细内容参见上述方法实施例中步骤S105的相关描述。

本发明实施例提供的超视野CT图像重建模型训练装置，利用预设重建算法对获取的多组CBCT投影数据进行重建处理得到正常视野图像；对正常视野图像进行视野缩小处理；对缩小后的正常视野图像对应的投影数据进行补全操作；对补全操作后得到的投影数据进行重建得到超视野重建图像；根据正常视野图像数据与超视野重建图像数据构建数据集，并根据数据集训练U－Net网络模型得到超视野CT图像重建模型。对缩小后的正常视野图像对应的投影数据进行补全操作，减弱了因数据截断导致的重建图像超视野边界的亮环问题；根据数据集训练U－Net网络模型得到超视野CT图像重建模型，有效增强了超视野区域的图像的亮度与组织结构，解决了视觉效果不好的问题。

作为本发明实施例一种可选的实施方式，该装置还包括：计算模块，用于计算获取的多组CBCT投影数据裁剪宽度；裁剪模块，用于根据计算结果对获取的多组CBCT投影数据对应的投影图像进行裁剪。

作为本发明实施例一种可选的实施方式，补全模块包括：补全处理模块，用于根据线性递减的方式并结合缩小后的正常视野图像的边界像素灰度值进行补全操作。

作为本发明实施例一种可选的实施方式，获取模块包括：迭代训练模块，用于利用损失函数迭代训练U－Net网络模型，损失函数包括最小化图像内容损失和图像梯度损失。

作为本发明实施例一种可选的实施方式，获取模块还包括：增强处理模块，用于对训练图像进行增强处理并基于Adam优化器训练U－Net网络模型。

本发明实施例提供的超视野CT图像重建模型训练装置的功能描述详细参见上述实施例中超视野CT图像重建模型训练方法描述。

本发明实施例还提供一种超视野CT图像重建装置，如图10所示，该装置包括：

处理模块201，用于获取CBCT投影数据对应的有效视野图像并对有效视野图像进行超视野重建；详细内容参见上述方法实施例中步骤S201的相关描述。

训练模块202，用于将重建后的图像输入到如超视野CT图像重建模型训练方法训练得到的U－Net网络模型进行处理；详细内容参见上述方法实施例中步骤S202的相关描述。

本发明实施例提供的超视野CT图像重建装置，获取CBCT投影数据对应的有效视野图像并对有效视野图像进行超视野重建；将重建后的图像输入到如超视野CT图像重建模型训练方法训练得到的U－Net网络模型进行处理。将重建后的图像输入到U－Net网络模型中可以直接得到与正常视野重建图像的视觉效果相近的图像，满足临床诊断需求。

本发明实施例提供的超视野CT图像重建装置的功能描述详细参见上述实施例中超视野CT图像重建方法描述。

本发明实施例还提供一种存储介质，如图11所示，其上存储有计算机程序601，该指令被处理器执行时实现上述实施例中超视野CT图像重建模型训练方法或超视野CT图像重建方法的步骤。该存储介质上还存储有音视频流数据，特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read－OnlyMemory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

本发明实施例还提供了一种电子设备，如图12所示，该电子设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图12中以通过总线连接为例。

处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的超视野CT图像重建模型训练方法或者超视野CT图像重建方法。

存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1－4所示实施例中的超视野CT图像重建模型训练方法或如图5－8所示实施例中的超视野CT图像重建方法。

上述电子设备具体细节可以对应参阅图1至图8所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种超视野CT图像重建模型训练方法，其特征在于，包括如下步骤：

利用预设重建算法对获取的多组CBCT投影数据进行重建处理得到正常视野图像；

对所述正常视野图像进行视野缩小处理；

对缩小后的正常视野图像对应的投影数据进行补全操作；

对补全操作后得到的投影数据进行重建得到超视野重建图像；

根据所述正常视野图像数据与所述超视野重建图像数据构建数据集，并根据所述数据集训练U－Net网络模型得到超视野CT图像重建模型。

2.根据权利要求1所述的方法，其特征在于，所述对所述正常视野图像进行视野缩小处理之后，对缩小后的正常视野图像对应的投影数据进行补全操作之前，所述方法还包括：

计算所述获取的多组CBCT投影数据裁剪宽度；

根据计算结果对所述获取的多组CBCT投影数据对应的投影图像进行裁剪。

3.根据权利要求1所述的方法，其特征在于，对缩小后的正常视野图像对应的投影数据进行补全操作，包括：

根据线性递减的方式并结合所述缩小后的正常视野图像的边界像素灰度值进行补全操作。

4.根据权利要求1所述的方法，其特征在于，根据所述数据集训练U－Net网络模型，包括：

利用损失函数迭代训练U－Net网络模型，所述损失函数包括最小化图像内容损失和图像梯度损失。

5.根据权利要求4所述的方法，其特征在于，根据所述数据集训练U－Net网络模型，还包括：

对训练图像进行增强处理并基于Adam优化器训练U－Net网络模型。

6.一种超视野CT图像重建方法，其特征在于，包括如下步骤：

获取CBCT投影数据对应的有效视野图像并对所述有效视野图像进行超视野重建；

将重建后的图像输入到如权利要求1－5中任一项所述的超视野CT图像重建模型训练方法训练得到的U－Net网络模型进行处理。

7.一种超视野CT图像重建模型训练装置，其特征在于，包括：

重建处理模块，用于利用预设重建算法对获取的多组CBCT投影数据进行重建处理得到正常视野图像；

缩小处理模块，用于对所述正常视野图像进行视野缩小处理；

补全模块，用于对缩小后的正常视野图像对应的投影数据进行补全操作；

重建模块，用于对补全操作后得到的投影数据进行重建得到超视野重建图像；

获取模块，用于根据所述正常视野图像数据与所述超视野重建图像数据构建数据集，并根据所述数据集训练U－Net网络模型得到超视野CT图像重建模型。

8.一种超视野CT图像重建装置，其特征在于，包括：

处理模块，用于获取CBCT投影数据对应的有效视野图像并对所述有效视野图像进行超视野重建；

训练模块，用于将重建后的图像输入到如权利要求1－5中任一项所述的超视野CT图像重建模型训练方法训练得到的U－Net网络模型进行处理。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1－5任一项所述的超视野CT图像重建模型训练方法，或者如权利要求6所述的超视野CT图像重建方法。

10.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1－5任一项所述的超视野CT图像重建模型训练方法，或者如权利要求6所述的超视野CT图像重建方法。

Images