[发明专利]CT图像重构方法、模型训练方法及设备

权利要求书

1.一种CT图像重构方法，其特征在于，包括：

获取CT图像序列，其中包括按照空间顺序排列的多个CT图像；

利用对多视角模型对所述CT图像序列进行处理，所述多视角模型包括分割模块、多个机器学习模型和融合模块，其中所述分割模块用于针对所述CT图像序列中的不同组织进行分割，得到多种组织CT图像序列，所述多个机器学习模型分别根据各种所述组织CT图像序列得到相应的重构组织CT图像，所述融合模块用于融合各个所述重构组织CT图像得到重构结果；以及

其中在利用对多视角模型对所述CT图像序列进行处理之前，包括：

利用机器学习模型根据所述CT图像序列得到空间顺序在后的重构CT图像；

所述多视角模型的分割模块针对所述重构CT图像中的不同组织进行分割，得到多种组织掩码；分别利用所述多种组织掩码对所述CT图像序列进行分割，得到多个组织CT图像序列。

2.一种CT图像重构模型训练方法，其特征在于，包括：

获取多个训练数据，所述训练数据包括按照空间顺序排列的多个CT图像组成的CT图像序列，以及标签CT图像；

利用所述多个训练数据对多视角模型进行训练，所述多视角模型包括分割模块、多个机器学习模型和融合模块，其中所述分割模块用于针对所述CT图像序列中的不同组织进行分割，得到多种组织CT图像序列，所述多个机器学习模型分别根据各种所述组织CT图像序列得到相应的重构组织CT图像，所述融合模块用于融合各个所述重构组织CT图像得到重构结果，通过比对所述重构结果与所述标签CT图像的差异优化模型参数；

其中在利用所述多个训练数据对多视角模型进行训练之前，还包括：

利用机器学习模型对所述多个训练数据进行处理，根据各个所述CT图像序列得到相应的空间顺序在后的重构CT图像；

所述多视角模型的分割模块针对所述重构CT图像中的不同组织进行分割，得到多种组织掩码；分别利用所述多种组织掩码对所述CT图像序列进行分割，得到多个组织CT图像序列。

3.根据权利要求1或2所述的方法，其特征在于，所述多视角模型的分割模块采用KNN算法，使得各个分割区域具有不同的像素值范围及其变化程度和分布状态。

4.根据权利要求1或2所述的方法，其特征在于，所述多视角模型还包括归一化模块，用于分别确定各种所述组织CT图像序列中的极值图像；分别利用所述极值图像对相应的所述组织CT图像序列进行归一化处理。

5.根据权利要求1或2所述的方法，其特征在于，所述多视角模型包括多种不同结构的机器学习模型，各种组织CT图像序列相应地作为各种不同结构机器学习模型的输入数据。

6.根据权利要求5所述的方法，其特征在于，多种不同结构的机器学习模型包括DenseNet模型和U-Net模型，其中DenseNet模型用于处理像素值变化较小、分布较均匀的组织CT图像序列，U-Net模型用于处理像素值变化较大、分布较稀疏的组织CT图像序列。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述不同组织包括血管和身体，所述多种组织CT图像序列包括血管CT图像序列和身体CT图像序列。

8.一种CT图像重构设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1、3-7中任意一项所述的CT图像重构方法。

9.一种CT图像重构模型训练设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求2-7中任意一项所述的CT图像重构模型训练方法。