[发明专利]一种基于深度学习的肺部CT图像参数重建方法、系统、终端及存储介质

权利要求书

1.一种基于深度学习的肺部CT图像参数重建方法，其特征在于，包括：

将获取的肺部CT图像输入至预设的渐进式上采样骨架网络模型，输出特征图像；

将所述特征图像输入至3D卷积神经网络模型，所述3D卷积神经网络模型为肺内分支、肺外分支和肺掩码分支组成的卷积神经网络模型；

通过所述肺掩码分支对所述特征图像的每个像素进行分类，确定肺内部分与肺外部分并进行分类标记；

将所述特征图像的肺内部分、肺外部分分别输入至所述肺内分支、肺外分支进行特征学习，生成肺内图像与肺外图像；

将所述肺内分支、肺外分支的生成图像组合构成完整的CT生成图像。

2.根据权利要求1所述的基于深度学习的肺部CT图像参数重建方法，其特征在于，所述将所述肺部CT图像输入至预设的渐进式上采样骨架网络模型，输出特征图像，包括：

将所述肺部CT图像输入到编码模块进行特征提取，得到特征图像，并对所述特征图像进行多次卷积、池化实现下采样，得到不同分辨率的特征图；

将不同分辨率的特征图输入到解码模块进行上采样，得到图像像素的位置信息；

将所述编码模块与解码模块对应的相同尺度的特征图进行相加或并联连接，得到融合不同层次特征的特征图像；

其中，所述进式上采样骨架网络模型包括编码模块、解码模块、跳跃连接模块。

3.根据权利要求1所述的基于深度学习的肺部CT图像参数重建方法，其特征在于，所述将所述特征图像输入至3D卷积神经网络模型，所述3D卷积神经网络模型为肺内分支、肺外分支和肺掩码分支组成的卷积神经网络模型，包括：

所述肺掩码分支完成肺分割任务，所述肺内分支、肺外分支和肺掩码分支均由相同结构的3D卷积层构成。

4.根据权利要求1所述的基于深度学习的肺部CT图像参数重建方法，其特征在于，所述通过所述肺掩码分支对所述特征图像的每个像素进行分类，确定肺内部分与肺外部分并进行分类标记，包括：

将所述特征图像输入至卷积神经网络模型的肺掩码分支，输出特征图像肺内部分与肺外部分的分割结果，并进行分类标记；

利用交叉熵损失函数计算所述特征图像的分割结果与真实的肺部分割金标准之间的损失值；

根据上述所得损失值更新渐进式上采样骨架网络和卷积神经网络模型的肺掩码分支的模型参数；

对渐进式上采样骨架网络和卷积神经网络模型的肺掩码分支进行迭代训练。

5.根据权利要求1所述的基于深度学习的肺部CT图像参数重建方法，其特征在于，所述将所述特征图像的肺内部分、肺外部分分别输入至所述肺内分支、肺外分支进行特征学习，生成肺内图像与肺外图像，包括：

将所述特征图像的肺外部分输入至卷积神经网络模型的肺外分支，生成肺外图像；

利用L1损失函数计算所述肺外图像与真实目标图像之间的损失值；

根据上述所得损失值对渐进式上采样骨架网络和卷积神经网络模型的肺外分支的模型参数进行梯度回传和更新；

将所述肺外图像的每个像素点进行取反操作生成肺内图像；

利用差异感知损失函数计算所述肺内图像与真实目标图像之间的损失值；

根据上述所得损失值更新渐进式上采样骨架网络和卷积神经网络模型的肺内分支的模型参数。

6.根据权利要求5所述的基于深度学习的肺部CT图像参数重建方法，其特征在于，所述利用差异感知损失函数计算所述肺内图像与真实目标图像之间的损失值，包括：

在原始L1损失函数的基础上为所述肺内图像的每个像素点增加权重W_i,j,k；

利用差异感知损失函数计算所述肺内图像与真实目标图像之间的损失值；

所述权重计算公式如下：

其中，表示生成的图像，X表示真实目标图像,i,j,k为像素下标位置，α、β和γ是三个超参数。