CN116982998B - Ct系统动态调整x射线辐射剂量的方法及系统 - Google Patents

Ct系统动态调整x射线辐射剂量的方法及系统 Download PDF

Info

Publication number
CN116982998B
CN116982998B CN202311244571.5A CN202311244571A CN116982998B CN 116982998 B CN116982998 B CN 116982998B CN 202311244571 A CN202311244571 A CN 202311244571A CN 116982998 B CN116982998 B CN 116982998B
Authority
CN
China
Prior art keywords
data
path length
ray
model
patient
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.)
Active
Application number
CN202311244571.5A
Other languages
English (en)
Other versions
CN116982998A (zh
Inventor
许海彬
张新
王建伟
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.)
Sinovision Technology Beijing Co ltd
Original Assignee
Sinovision Technology Beijing 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 Sinovision Technology Beijing Co ltd filed Critical Sinovision Technology Beijing Co ltd
Priority to CN202311244571.5A priority Critical patent/CN116982998B/zh
Publication of CN116982998A publication Critical patent/CN116982998A/zh
Application granted granted Critical
Publication of CN116982998B publication Critical patent/CN116982998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • 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
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明实施例公开了一种CT系统动态调整X射线辐射剂量的方法及系统，采集患者数据，对所述患者数据进行预处理，得到预处理数据；基于所述预处理数据构建3D模型；通过PointNet算法计算所述3D模型的几何关系数据；在CT扫描过程中，基于所述3D模型的几何关系数据得到X射线穿过人体的路径长度；基于所述路径长度实时动态调整X射线源的输出功率，以控制X射线辐射剂量。该CT系统动态调整X射线辐射剂量的方法解决现有技术中无法在保证成像质量的前提下，最大限度的降低辐射剂量的问题。

Description

CT系统动态调整X射线辐射剂量的方法及系统
技术领域
本发明涉及计算机技术领域，具体涉及一种CT系统动态调整X射线辐射剂量的方法、系统、电子设备及存储介质。
背景技术
X射线源（又称X射线发生器）是X射线智能检测设备的核心部件。X射线源的研发涉及电子透镜（包括阴极、阳极、栅极）材料研究、电磁场数学模型研究、电真空物理参数研究、高压系统控制、电磁干扰控制以及热管理系统开发等关键研究工作，是CT系统的核心部件，通过X射线源生成的X射线进行影像获取，是一种常用的技术。
尽管CT系统有诸多优点，但如果CT系统对患者产生辐射暴露，会产生不可逆的影响，所以对X射线源的剂量控制变的尤为重要；现代CT系统或采用恒定辐射剂量或采用预估辐射剂量方式开展扫描，在保证成像质量的前提下，存在无法最大限度的做到降低辐射剂量的问题。
发明内容
本发明实施例的目的在于提供一种CT系统动态调整X射线辐射剂量的方法、系统、电子设备及存储介质，用以解决现有技术中无法在保证成像质量的前提下，最大限度的降低辐射剂量的问题。
为实现上述目的，本发明实施例提供一种CT系统动态调整X射线辐射剂量的方法，所述方法具体包括：
采集患者数据，对所述患者数据进行预处理，得到预处理数据；
基于所述预处理数据构建3D模型；
通过PointNet算法计算所述3D模型的几何关系数据；
在CT扫描过程中，基于所述3D模型的几何关系数据得到X射线穿过人体的路径长度；
基于所述路径长度实时动态调整X射线源的输出功率，以控制X射线辐射剂量。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步地，所述采集患者数据，对所述患者数据进行预处理，得到预处理数据，包括：
在两台激光雷达中间位置标记患者站立位置；
通过激光雷达在前后两个时间段采集患者数据，其中，所述患者数据包括患者身前数据和患者身后数据；
通过ICP算法对所述患者数据进行配准处理；
基于深度学习的对抗神经网络算法对经配准处理后的患者数据进行补全处理；
对经补全处理后的患者数据处理进行采样处理。
进一步地，所述采集患者数据，对所述患者数据进行预处理，得到预处理数据，还包括：
将四个双面深度相机按照前、后、左、右四个方位设置；
在四个双面深度相机的中心位置标记患者站立位置；
通过双面深度相机同时捕获左右两个视角的图像数据，通过四个双面深度相机获取八个视角的图像数据；
从同一个双面深度相机两个视角的图像数据中提取特征点并进行匹配，以找到在两个视角中对应的特征点；
通过块匹配算法计算特征点在左右图像之间的视差，进行视差计算；根据视差信息和相机内外参数，采用三角测量原理计算深度信息，得到带有深度信息的图像数据。
进一步地，所述通过PointNet算法计算所述3D模型的几何关系数据，包括：
对所述3D模型预处理数据的每个点进行数据分割，将预处理数据中的每个点分配到相应的语义类别，基于所述语义类别得到多个数据集合；
对所述数据集合中的数据通过PointNet算法进行特征提取和变换，得到预处理数据集合的类别信息。
进一步地，所述在CT扫描过程中，基于所述3D模型的几何关系数据得到X射线穿过人体的路径长度，包括：
通过公式1计算X射线穿过人体的路径长度；
L = a / cos(θ) 公式1；
式中，L为X射线穿过人体的路径长度，θ为射线源的角度信息，a为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的X轴距离。
进一步地，所述在CT扫描过程中，基于所述3D模型的几何关系数据得到X射线穿过人体的路径长度，还包括：
通过公式2计算X射线穿过人体的路径长度；
L = 公式2；
式中，L为X射线穿过人体的路径长度，a为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的X轴距离，b为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的Y轴距离。
进一步地，所述基于所述路径长度实时动态调整X射线源的输出功率，以控制X射线辐射剂量，还包括：
引入指数曲线exp模型，将指数曲线的指数同路径长度建立正相关的模型，以抵消路径长度变大引起捕获剂量的损失；
引入变量基准等效水长度web，将路径长度同基准等效水的差值作为指数曲线的指数项；
当差值为负数时指数计算值范围为0到1，当差值为0时指数计算等于1，当差值为正数时指数计算范围大于1；
通过公式3计算电流值mA；
公式3；
式中，mA为电流值，为指数模型。
一种CT系统动态调整X射线辐射剂量的系统，包括：
采集模块，用于采集患者数据；
预处理模块，用于对所述患者数据进行预处理，得到预处理数据；
构建模块，用于基于所述预处理数据构建3D模型；
第一计算模块，用于通过PointNet算法获取所述3D模型的几何关系数据；
第二计算模块，用于在CT扫描过程中，基于所述3D模型的几何关系数据得到X射线穿过人体的路径长度；
调节模块，用于基于所述路径长度实时动态调整X射线源的输出功率，以控制X射线辐射剂量。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述方法的步骤。
一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
本发明实施例具有如下优点：
本发明中CT系统动态调整X射线辐射剂量的方法，采集患者数据，对所述患者数据进行预处理，得到预处理数据；基于所述预处理数据构建3D模型；通过PointNet算法计算所述3D模型的几何关系数据；在CT扫描过程中，基于所述3D模型的几何关系数据得到X射线穿过人体的路径长度；基于所述路径长度实时动态调整X射线源的输出功率，以控制X射线辐射剂量；解决了现有技术中无法在保证成像质量的前提下，最大限度的降低辐射剂量的问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对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，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明CT系统动态调整X射线辐射剂量的方法的流程图；
图2为本发明CT系统动态调整X射线辐射剂量的系统的架构图；
图3为本发明CT系统动态调整X射线辐射剂量的患者断层片示意图；
图4为本发明当X射线源环绕患者一周时路径长度L值变换情况示意图；
图5为本发明提供的电子设备实体结构示意图。
其中附图标记为：
采集模块10，预处理模块20，构建模块30，第一计算模块40，第二计算模块50，调节模块60，电子设备70，处理器701，存储器702，总线703。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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，本领域普通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。
实施例
图1为本发明CT系统动态调整X射线辐射剂量的方法实施例流程图，如图1所示，本发明实施例提供的一种CT系统动态调整X射线辐射剂量的方法包括以下步骤：
S101，采集患者数据，对患者数据进行预处理，得到预处理数据；
优选的，第一种方案为：在两台激光雷达中间位置标记患者站立位置；
为了避免激光对射问题，两台激光雷达在前后两个时间段进行数据采集。通过激光雷达在前后两个时间段采集患者数据，其中，所述患者数据包括患者身前数据和患者身后数据；一台激光雷达采集患者身前数据，一台激光雷达采集患者身后数据；
激光雷达采集的患者数据即为3D点云数据，但激光雷达采集的原始患者数据因有近密远疏离（近端数据点密集，远端数据点稀疏）特性，故需要做后期处理。
通过ICP算法对所述患者数据进行配准处理；
基于深度学习的对抗神经网络算法对经配准处理后的患者数据进行补全处理；
对经补全处理后的患者数据处理进行采样处理。
将两路原始3D点云数据进行配准处理，配准算法采用最常用的ICP算法（Iterative Closest Point）。然后将配准后的3D点云数据进行补全处理，补全算法采用基于深度学习的对抗神经网络算法（GAN）实现。由于3D点云数据的不均匀性和数据量太大，需要将补全后的3D点云数据进行采样。接着将采样后的3D点云数据用于构建3D模型，构建后的3D模型依然是3D点云数据格式。
第二种方案为：将四个双面深度相机按照前、后、左、右四个方位设置；
在四个双面深度相机的中心位置标记患者站立位置；
通过双面深度相机同时捕获左右两个视角的图像数据，通过四个双面深度相机获取八个视角的图像数据；
从同一个双面深度相机两个视角的图像数据中提取特征点并进行匹配，以找到在两个视角中对应的特征点；通过块匹配算法计算特征点在左右图像之间的视差，进行视差计算；根据视差信息和相机内外参数，采用三角测量原理计算深度信息，得到带有深度信息的图像数据。
第二种方案同第一种方案的区别主要体现在采集患者数据的方式不同，从重构3D模型之后的方案和原理两个方案完全一致没有差别，故第二种方案仅针对重构3D模型之前的原理展开来描述，之后的设计参考第一种方案即可。
第二种方案在患者CT扫描前，同第一种方案一样，站立状态位于前、后、左、右4个方位双面深度相机中心位置，患者站立位置需提前标记好。
首先，使用双面深度相机同时捕获左右两个视角的图像数据，4个方位的双面深度相机共获取到8个视角的图像数据。然后，针对同一双面深度相机的两个视角图像进行特征提取和匹配，从图像中提取特征点（如角点、边缘等）并进行匹配，以找到在两个视角中对应的特征点。接着，通过块匹配算法（SAD）计算特征点在左右图像之间的视差（即像素偏移量），进行视差计算。进一步根据视差信息和相机内外参数，采用三角测量原理计算深度信息。此时，将带有深度信息的图像数据进行点云重建，最终得到3D模型。
S102，基于预处理数据构建3D模型；
S103，通过PointNet算法计算3D模型的几何关系数据；
具体的，对所述3D模型预处理数据的每个点进行数据分割，将预处理数据中的每个点分配到相应的语义类别，基于所述语义类别得到多个数据集合；对所述数据集合中的数据通过PointNet算法进行特征提取和变换，得到预处理数据集合的类别信息。
此时3D模型数据既包括患者也包括患者所处环境的数据，通过PointNet++算法对每个点进行语义分割预测（即做分割任务），将点云数据中的每个点分配到相应的语义类别中。然后再将分割后的点云数据利用PointNet算法进行特征提取和变换，最终将分割后的点云数据集合推理出类别（即做分类任务），此时属于患者数据集合识别为人类别。并且依据激光雷达扫描患者方式为站立状态则可以计算出人体的头和脚、身体前后方位，此时患者人体的轮廓信息以及体位参数均以3D点云数据集传输到CT系统。
CT系统依据患者点云数据，结合CT扫描患者的体位、实时位置（Z轴）以及实时射线源穿过人体的角度，可完成精准测量X射线穿过人体的路径长度，依据该路径长度动态调整辐射计量精准控制辐射计量，以达到最大限度降低X射线对患者人体的损伤。
S104，在CT扫描过程中，基于3D模型的几何关系数据得到X射线穿过人体的路径长度。
具体的，如图3-图4所示，CT系统控制X射线的辐射剂量的原理，是利用电流控制系统控制射线源的电流强度，以达到辐射剂量控制到预定值的方式实现。而辐射剂量的预定值在动态控制辐射剂量模式下，一方面同预设的基准值（mABaseline）相关，另一方面同射线穿过患者的路径长度（L）相关。
射线穿过患者的路径长度由几方面决定。首先患者不同时刻在射线源的问题，患者与CT扫描床位置预先设定（扫描床反馈的位置信息能实时计算射线源通过人体的位置信息，即Z轴信息）。其次是射线源的角度信息(θ)也决定了射线源穿过患者的路径长度（即此时与患者断层片的X、Y轴有关）。
路径长度通过三角函数快速计算得出。
通过公式1计算X射线穿过人体的路径长度；
L = a / cos(θ) 公式1；
式中，L为X射线穿过人体的路径长度，θ为射线源的角度信息，a为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的X轴距离。
另外一种方式是通过勾股定理计算路径长度，通过公式2计算X射线穿过人体的路径长度；
L = 公式2；
式中，L为X射线穿过人体的路径长度，a为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的X轴距离，b为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的Y轴距离。
S105，基于路径长度实时动态调整X射线源的输出功率，以控制X射线辐射剂量；
具体的，路径长度L越长探测器捕获射线越少，L越短捕获射线越多（负相关）；引入指数曲线exp模型（此特指自然常数e为底的指数函数），其指数曲线Y值单调递增；
将指数曲线的指数同路径长度建立正相关的模型，以抵消路径长度变大引起捕获剂量的损失；
引入变量基准等效水长度web（由CT系统患者断层实时数据计算得到，其值的范围位于Lmin与Lmax之间），将路径长度同基准等效水的差值（即L - web）作为指数曲线的指数项；
当差值为负数时指数计算值范围为0到1，当差值为0时指数计算等于1，当差值为正数时指数计算范围大于1；
该指数算法模型（即路径长度L连同指数的运算）已具备通过路径长度L改变电流值的基础；整个算法即基准电流值mABaseline乘以指数模型的方式最终映射到电流变化值mA上。
通过公式3计算电流值mA；
公式3；
式中，mA为电流值，为指数模型。
L：代表路径长度，单位是微米（μm）；μ：代表常数0.000001米（m），即1μm；wed：代表基准等效水长度，单位是微米（μm）。
该CT系统动态调整X射线辐射剂量的方法，采集患者数据，对所述患者数据进行预处理，得到预处理数据；基于所述预处理数据构建3D模型；通过PointNet算法计算所述3D模型的几何关系数据；在CT扫描过程中，基于所述3D模型的几何关系数据得到X射线穿过人体的路径长度；基于所述路径长度实时动态调整X射线源的输出功率，以控制X射线辐射剂量。解决了现有技术中无法在保证成像质量的前提下，最大限度的降低辐射剂量的问题。
图2为本发明CT系统动态调整X射线辐射剂量的系统实施例流程图；如图2所示，本发明实施例提供的一种CT系统动态调整X射线辐射剂量的系统，包括以下步骤：
采集模块10，用于采集患者数据；
预处理模块20，用于对所述患者数据进行预处理，得到预处理数据；
构建模块30，用于基于所述预处理数据构建3D模型；
第一计算模块40，用于通过PointNet算法获取所述3D模型的几何关系数据；
第二计算模块50，用于在CT扫描过程中，基于所述3D模型的几何关系数据得到X射线穿过人体的路径长度；
调节模块60，用于基于所述路径长度实时动态调整X射线源的输出功率，以控制X射线辐射剂量。
所述采集模块10包括激光雷达，在两台激光雷达中间位置标记患者站立位置；通过激光雷达在前后两个时间段采集患者数据，其中，所述患者数据包括患者身前数据和患者身后数据；通过ICP算法对所述患者数据进行配准处理；基于深度学习的对抗神经网络算法对经配准处理后的患者数据进行补全处理；对经补全处理后的患者数据处理进行采样处理。
所述采集模块10还用于双面深度相机，将四个双面深度相机按照前、后、左、右四个方位设置；在四个双面深度相机的中心位置标记患者站立位置；通过双面深度相机同时捕获左右两个视角的图像数据，通过四个双面深度相机获取八个视角的图像数据；
所述预处理模块20用于：
通过ICP算法对所述患者数据进行配准处理；
基于深度学习的对抗神经网络算法对经配准处理后的患者数据进行补全处理；
对经补全处理后的患者数据处理进行采样处理。
所述预处理模块20还用于：
从同一个双面深度相机两个视角的图像数据中提取特征点并进行匹配，以找到在两个视角中对应的特征点；
通过块匹配算法计算特征点在左右图像之间的视差，进行视差计算；根据视差信息和相机内外参数，采用三角测量原理计算深度信息，得到带有深度信息的图像数据。
所述第一计算模块40还用于：
对所述3D模型预处理数据的每个点进行数据分割，将预处理数据中的每个点分配到相应的语义类别，基于所述语义类别得到多个数据集合；
对所述数据集合中的数据通过PointNet算法进行特征提取和变换，得到预处理数据集合的类别信息。
所述第二计算模块50还用于：
通过公式1计算X射线穿过人体的路径长度；
L = a / cos(θ) 公式1；
式中，L为X射线穿过人体的路径长度，θ为射线源的角度信息，a为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的X轴距离。
通过公式2计算X射线穿过人体的路径长度；
L = 公式2；
式中，L为X射线穿过人体的路径长度，a为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的X轴距离，b为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的Y轴距离。
所述调节模块60还用于：
引入指数曲线exp模型，将指数曲线的指数同路径长度建立正相关的模型，以抵消路径长度变大引起捕获剂量的损失；
引入变量基准等效水长度web，将路径长度同基准等效水的差值作为指数曲线的指数项；
当差值为负数时指数计算值范围为0到1，当差值为0时指数计算等于1，当差值为正数时指数计算范围大于1；
通过公式3计算电流值mA；
公式3；
式中，mA为电流值，为指数模型。
本发明的一种CT系统动态调整X射线辐射剂量的系统，通过采集模块10采集患者数据；通过预处理模块20对所述患者数据进行预处理，得到预处理数据；通过构建模块30基于所述预处理数据构建3D模型；通过第一计算模块40采用PointNet算法获取所述3D模型的几何关系数据；通过第二计算模块50在CT扫描过程中，基于所述3D模型的几何关系数据得到X射线穿过人体的路径长度；通过调节模块60基于所述路径长度实时动态调整X射线源的输出功率，以控制X射线辐射剂量。该CT系统动态调整X射线辐射剂量的方法解决现有技术中无法在保证成像质量的前提下，最大限度的降低辐射剂量的问题。
图5为本发明实施例提供的电子设备实体结构示意图，如图5所示，电子设备70包括：处理器701(processor)、存储器702(memory)和总线703；
其中，处理器701、存储器702通过总线703完成相互间的通信；
处理器701用于调用存储器702中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：采集患者数据，对所述患者数据进行预处理，得到预处理数据；基于所述预处理数据构建3D模型；通过PointNet算法计算所述3D模型的几何关系数据；在CT扫描过程中，基于所述3D模型的几何关系数据得到X射线穿过人体的路径长度；基于所述路径长度实时动态调整X射线源的输出功率，以控制X射线辐射剂量。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：采集患者数据，对所述患者数据进行预处理，得到预处理数据；基于所述预处理数据构建3D模型；通过PointNet算法计算所述3D模型的几何关系数据；在CT扫描过程中，基于所述3D模型的几何关系数据得到X射线穿过人体的路径长度；基于所述路径长度实时动态调整X射线源的输出功率，以控制X射线辐射剂量。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的存储介质。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各实施例或者实施例的某些部分的方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (5)

1.一种CT系统动态调整X射线辐射剂量的方法，其特征在于，所述方法具体包括：
采集患者数据，对所述患者数据进行预处理，得到预处理数据；
在两台激光雷达中间位置标记患者站立位置；
通过激光雷达在前后两个时间段采集患者数据，其中，所述患者数据包括患者身前数据和患者身后数据；
通过ICP算法对所述患者数据进行配准处理；
基于深度学习的对抗神经网络算法对经配准处理后的患者数据进行补全处理；
对经补全处理后的患者数据处理进行采样处理；
或
将四个双面深度相机按照前、后、左、右四个方位设置；
在四个双面深度相机的中心位置标记患者站立位置；
通过双面深度相机同时捕获左右两个视角的图像数据，通过四个双面深度相机获取八个视角的图像数据；
从同一个双面深度相机两个视角的图像数据中提取特征点并进行匹配，以找到在两个视角中对应的特征点；
通过块匹配算法计算特征点在左右图像之间的视差，进行视差计算；根据视差信息和相机内外参数，采用三角测量原理计算深度信息，得到带有深度信息的图像数据；
基于所述预处理数据构建3D模型；
通过PointNet算法计算所述3D模型的几何关系数据；
在CT扫描过程中，基于所述3D模型的几何关系数据得到X射线穿过人体的路径长度；
通过公式1计算X射线穿过人体的路径长度；
L = a / cos(θ) 公式1；
式中，L为X射线穿过人体的路径长度，θ为射线源的角度信息，a为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的X轴距离；
或
通过公式2计算X射线穿过人体的路径长度；
L = 公式2；
式中，L为X射线穿过人体的路径长度，a为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的X轴距离，b为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的Y轴距离；
基于所述路径长度实时动态调整X射线源的输出功率，以控制X射线辐射剂量；
引入指数曲线exp模型，将指数曲线的指数同路径长度建立正相关的模型，以抵消路径长度变大引起捕获剂量的损失；
引入变量基准等效水长度wed，将路径长度同基准等效水的差值作为指数曲线的指数项；
当差值为负数时指数计算值范围为0到1，当差值为0时指数计算等于1，当差值为正数时指数计算范围大于1；
通过公式3计算电流值mA；
mAreal= mABaseline * 公式3；
式中，mA为电流值，为指数模型，mAreal为实际生效的毫安值，mABaseline为预先设定的基准毫安值，/>为自然常数，/>为常量值，L为X射线穿过人体的路径长度，/>为当前X射线经过的人体z轴向的位置，/>为当前X射线经过的人体的角度值，wed为基准等效水长度。
2.根据权利要求1所述CT系统动态调整X射线辐射剂量的方法，其特征在于，所述通过PointNet算法计算所述3D模型的几何关系数据，包括：
对所述3D模型预处理数据的每个点进行数据分割，将预处理数据中的每个点分配到相应的语义类别，基于所述语义类别得到多个数据集合；
对所述数据集合中的数据通过PointNet算法进行特征提取和变换，得到预处理数据集合的类别信息。
3.一种CT系统动态调整X射线辐射剂量的系统，其特征在于，包括：
采集模块，用于采集患者数据；
预处理模块，用于对所述患者数据进行预处理，得到预处理数据；
在两台激光雷达中间位置标记患者站立位置；
通过激光雷达在前后两个时间段采集患者数据，其中，所述患者数据包括患者身前数据和患者身后数据；
通过ICP算法对所述患者数据进行配准处理；
基于深度学习的对抗神经网络算法对经配准处理后的患者数据进行补全处理；
对经补全处理后的患者数据处理进行采样处理；
或
将四个双面深度相机按照前、后、左、右四个方位设置；
在四个双面深度相机的中心位置标记患者站立位置；
通过双面深度相机同时捕获左右两个视角的图像数据，通过四个双面深度相机获取八个视角的图像数据；
从同一个双面深度相机两个视角的图像数据中提取特征点并进行匹配，以找到在两个视角中对应的特征点；
通过块匹配算法计算特征点在左右图像之间的视差，进行视差计算；根据视差信息和相机内外参数，采用三角测量原理计算深度信息，得到带有深度信息的图像数据；
构建模块，用于基于所述预处理数据构建3D模型；
第一计算模块，用于通过PointNet算法获取所述3D模型的几何关系数据；
第二计算模块，用于在CT扫描过程中，基于所述3D模型的几何关系数据得到X射线穿过人体的路径长度；
通过公式1计算X射线穿过人体的路径长度；
L = a / cos(θ) 公式1；
式中，L为X射线穿过人体的路径长度，θ为射线源的角度信息，a为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的X轴距离；
或
通过公式2计算X射线穿过人体的路径长度；
L = 公式2；
式中，L为X射线穿过人体的路径长度，a为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的X轴距离，b为射线源位置（x1,y1,z）与探测器位置（x2,y2,z）之间的Y轴距离；
调节模块，用于基于所述路径长度实时动态调整X射线源的输出功率，以控制X射线辐射剂量；
引入指数曲线exp模型，将指数曲线的指数同路径长度建立正相关的模型，以抵消路径长度变大引起捕获剂量的损失；
引入变量基准等效水长度wed，将路径长度同基准等效水的差值作为指数曲线的指数项；
当差值为负数时指数计算值范围为0到1，当差值为0时指数计算等于1，当差值为正数时指数计算范围大于1；
通过公式3计算电流值mA；
mAreal= mABaseline * 公式3；
式中，mA为电流值，为指数模型，mAreal为实际生效的毫安值，mABaseline为预先设定的基准毫安值，/>为自然常数，/>为常量值，L为X射线穿过人体的路径长度，/>为当前X射线经过的人体z轴向的位置，/>为当前X射线经过的人体的角度值，wed为基准等效水长度。
4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至2中的任一项所述的方法的步骤。
5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2中的任一项所述的方法的步骤。
CN202311244571.5A 2023-09-26 2023-09-26 Ct系统动态调整x射线辐射剂量的方法及系统 Active CN116982998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311244571.5A CN116982998B (zh) 2023-09-26 2023-09-26 Ct系统动态调整x射线辐射剂量的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311244571.5A CN116982998B (zh) 2023-09-26 2023-09-26 Ct系统动态调整x射线辐射剂量的方法及系统

Publications (2)

Publication Number Publication Date
CN116982998A CN116982998A (zh) 2023-11-03
CN116982998B true CN116982998B (zh) 2024-02-06

Family

ID=88525140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311244571.5A Active CN116982998B (zh) 2023-09-26 2023-09-26 Ct系统动态调整x射线辐射剂量的方法及系统

Country Status (1)

Country Link
CN (1) CN116982998B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106233357A (zh) * 2013-10-07 2016-12-14 曼帝斯有限公司 基于医疗程序模拟的辐射估算和防护
CN108151712A (zh) * 2017-11-13 2018-06-12 合肥阿巴赛信息科技有限公司 一种人体三维建模及测量方法和系统
CN112450955A (zh) * 2020-11-27 2021-03-09 上海优医基医疗影像设备有限公司 一种ct成像自动剂量调整方法、ct成像方法、系统
CN112546460A (zh) * 2020-12-09 2021-03-26 广州科莱瑞迪医疗器材股份有限公司 一种体表追踪系统
CN114255279A (zh) * 2020-09-19 2022-03-29 重庆一极科技有限公司 一种基于高精度定位和深度学习的双目视觉三维重建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2823465B1 (en) * 2012-03-06 2018-08-15 Koninklijke Philips N.V. Stereo x-ray tube based suppression of outside body high contrast objects

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106233357A (zh) * 2013-10-07 2016-12-14 曼帝斯有限公司 基于医疗程序模拟的辐射估算和防护
CN108151712A (zh) * 2017-11-13 2018-06-12 合肥阿巴赛信息科技有限公司 一种人体三维建模及测量方法和系统
CN114255279A (zh) * 2020-09-19 2022-03-29 重庆一极科技有限公司 一种基于高精度定位和深度学习的双目视觉三维重建方法
CN112450955A (zh) * 2020-11-27 2021-03-09 上海优医基医疗影像设备有限公司 一种ct成像自动剂量调整方法、ct成像方法、系统
CN112546460A (zh) * 2020-12-09 2021-03-26 广州科莱瑞迪医疗器材股份有限公司 一种体表追踪系统

Also Published As

Publication number Publication date
CN116982998A (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
US11302064B2 (en) Method and apparatus for reconstructing three-dimensional model of human body, and storage medium
JP7134017B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN111462206B (zh) 一种基于卷积神经网络的单目结构光深度成像方法
WO2021129791A1 (zh) 基于光学动捕的大空间环境下多相机标定方法及相关设备
AU2012318657A1 (en) Using videogrammetry to fabricate parts
CN109141248A (zh) 基于图像的猪体重测算方法及系统
CN109360239B (zh) 障碍物检测方法、装置、计算机设备和存储介质
CN113192646B (zh) 目标检测模型构建方法及不同目标间距离监控方法、装置
CN103473743B (zh) 一种获取图像深度信息的方法
JP2013176468A (ja) 情報処理装置、情報処理方法
Zhang et al. Hawk‐eye‐inspired perception algorithm of stereo vision for obtaining orchard 3D point cloud navigation map
CN116982998B (zh) Ct系统动态调整x射线辐射剂量的方法及系统
CN103366348A (zh) 一种抑制x线图像中骨骼影像的方法及处理设备
CN112507818B (zh) 一种基于近红外图像的光照估计方法及系统
CN112419424B (zh) 一种枪球联动标定方法、装置及相关设备
CN116763295B (zh) 牲畜体尺测量方法、电子设备及存储介质
CN117392237A (zh) 一种鲁棒的激光雷达-相机自标定方法
CN113670268B (zh) 基于双目视觉的无人机和电力杆塔距离测量方法
CN110706288A (zh) 目标检测的方法、装置、设备及可读存储介质
WO2021039454A1 (ja) 画像処理装置、放射線撮影システム、画像処理方法及びプログラム
CN114140659A (zh) 一种基于无人机视角下人体检测的社交距离监控方法
CN117770850B (zh) 一种射线源辐射剂量自适应方法、ct系统
CN110223250A (zh) 基于单应变换的sar几何校正方法
CN117649602B (zh) 基于人工智能的图像处理方法及系统
Liu et al. Illumination-robust and anti-blur feature descriptors for image matching in abdomen reconstruction

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