[发明专利]一种CT图像相对位置预测方法及系统在审
| 申请号： | 201910354062.5 | 申请日： | 2019-04-28 |
| 公开（公告）号： | CN110060300A | 公开（公告）日： | 2019-07-26 |
| 发明（设计）人： | 郭佳佳;姜海涛;杜宏伟;邱本胜 | 申请（专利权）人： | 中国科学技术大学 |
| 主分类号： | G06T7/73 | 分类号： | G06T7/73;G06T7/00 |
| 代理公司： | 北京集佳知识产权代理有限公司 11227 | 代理人： | 古利兰;王宝筠 |
| 地址： | 230026 安*** | 国省代码： | 安徽;34 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 预测 位置预测 特征向量 卷积神经网络 数据处理 应用 学习 | ||
1.一种CT图像相对位置预测方法，其特征在于，包括：
获取待预测CT图像；
对所述待预测CT图像进行数据处理，得到所述待预测CT图像的特征向量；
将所述待预测CT图像的特征向量输入预先训练好的卷积神经网络模型，预测出所述待预测CT图像的相对位置预测值。
2.根据权利要求1所述的方法，其特征在于，还包括：
预先训练卷积神经网络模型，得到训练好的卷积神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述预先训练卷积神经网络模型，得到训练好的卷积神经网络模型，包括：
获取原始CT图像；
对所述原始CT图像进行数据处理，得到所述原始CT图像的特征向量；
将所述原始CT图像的特征向量输入到卷积神经网络模型，得到构建后的卷积神经网络模型；
对所述构建后的卷积神经网络模型进行模型训练，得到所述训练好的卷积神经网络模型。
4.根据权利要求3所述的方法，其特征在于，所述对所述原始CT图像进行数据处理，得到所述原始CT图像的特征向量，包括：
对所述原始CT图像进行特征提取以及归一化处理，得到所述原始CT图像的特征向量。
5.根据权利要求4所述的方法，其特征在于，所述对所述原始CT图像进行特征提取以及归一化处理，得到所述原始CT图像的特征向量，包括：
调整所述原始CT图像的分辨率；
对所述原始CT图像进行身体区域分割，提取出所述原始CT图像的人体区域；
对所述原始CT图像的人体区域进行特征提取，得到所述原始CT图像的人体区域的一维特征向量；
对所述一维特征向量进行归一化处理，得到所述原始CT图像的特征向量。
6.一种CT图像相对位置预测系统，其特征在于，包括：
第一获取模块，用于获取待预测CT图像；
第一数据处理模块，用于对所述待预测CT图像进行数据处理，得到所述待预测CT图像的特征向量；
预测模块，用于将所述待预测CT图像的特征向量输入预先训练好的卷积神经网络模型，得到所述待预测CT图像的相对位置预测值。
7.根据权利要求6所述的系统，其特征在于，还包括：
模型处理模块，用于预先训练卷积神经网络模型，得到训练好的卷积神经网络模型。
8.根据权利要求7所述的系统，其特征在于，所述模型处理模块包括：
第二获取模块，用于获取原始CT图像；
第二数据处理模块，用于对所述原始CT图像进行数据处理，得到所述原始CT图像的特征向量；
模型构建模块，用于将所述原始CT图像的特征向量输入到卷积神经网络模型，得到构建后的卷积神经网络模型；
模型训练模块，用于对所述构建后的卷积神经网络模型进行模型训练，得到所述训练好的卷积神经网络模型。
9.根据权利要求8所述的系统，其特征在于，所述第二数据处理模块在执行对所述原始CT图像进行数据处理，得到所述原始CT图像的特征向量时，具体用于：
对所述原始CT图像进行特征提取以及归一化处理，得到所述原始CT图像的特征向量。
10.根据权利要求9所述的系统，其特征在于，所述第二数据处理模块在执行对所述原始CT图像进行特征提取以及归一化处理，得到所述原始CT图像的特征向量时，包括：
特征提取单元，用于调整所述原始CT图像的分辨率，对所述原始CT图像进行身体区域分割，提取出所述原始CT图像的人体区域，对所述原始CT图像的人体区域进行特征提取，得到所述原始CT图像的人体区域的一维特征向量；
归一化单元，用于对所述一维特征向量进行归一化处理，得到所述原始CT图像的特征向量。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国科学技术大学，未经中国科学技术大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910354062.5/1.html，转载请声明来源钻瓜专利网。
