[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

说明书

本申请所提供的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，所述方法包括：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；本申请利用深度学习技术实现CT图像不同参数的转化。

技术领域

本申请涉及医学影像和计算机辅助技术领域，尤其是涉及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。

背景技术

肺部CT是目前检测肺部疾病最主要的一种手段，在实际的临床应用中，医生会根据不同情况设置扫描CT的参数，不同参数将直接影响最终CT的成像质量和成像时间，如CT的层厚和层间距、不同的重建算法和扫描剂量等。

一般将小于等于2mm层厚的CT称之为薄层CT，大于2mm的称之为厚层CT。薄层CT的优势在于具有更高的图像分辨率，可以清楚的观察冠状位和矢状位的病灶，提高医生诊断率，降低假阳个数，因此被推荐使用。然而在实际临床中厚层CT仍然会被用到，一方面是由于其数据所占空间更少，在医院的存储系统中往往存储的都是厚层CT，另外一方面是在一些紧急情况下，厚层CT生成所用时间少，更加适合快速诊断。

而不同的重建算法会影响生成图像的锐利程度以及不同组织器官的图像清晰度，更加锐利的卷积核(如西门子的B70、I70等)生成的图像锐利度更高，适合观察肺部的组织和器官，但同时也引入了更多噪声。相对平滑的卷积核(如西门子的I30、B30等)生成的图像较为平滑，更加适合观察纵膈部位。

目前大部分工作都是对单一参数的CT重建问题进行研究，其中厚层CT重建问题由于涉及到3D图像中D维度分辨率的提升，相关工作较少。厚层CT重建一般是从图像超分辨率的角度解决问题，现有的方法可以分为传统的直接插值方法和深度学习算法。传统的插值方法，如双三次插值、双线性插值等，对数据量没有要求，计算速度快，但是插值效果距离真实薄层图像差距较大且图像模糊，基本无法在实际场景中应用。深度学习算法在拥有大量训练数据的情况下可以十分接近真实目标图像，但目前的方法都是直接迁移适用于自然图像的超分辨率算法，并且在上采样提升分辨率的过程中没有充分利用3D图像本身的上下文信息，使得肺部CT图像的细节生成效果较差，如叶间裂和小血管部分在生成的薄层图像中基本不可见，严重影响医生的阅片体验。

深度学习算法包含两类，一类是基于2D模型的方法，将原本3D的CT图像从冠状位或矢状位的视角以2D图像送入到卷积神经网络中，直接迁移适用于自然图像的超分辨率重建方法进行图像分辨率的提升。此方法在上采样提升分辨率的过程中没有充分利用3D图像本身的上下文信息，使得肺部CT图像的细节生成效果较差，如叶间裂和小血管部分在生成的薄层图像中基本不可见，严重影响医生的阅片体验，此外，对于CT图像的卷积核重建问题，目前的工作局限在2D的网络模型中，一般是直接将适用于自然图像的网络结构迁移到3D的医学图像中，针对每一层的CT图像分别进行卷积核转化，这种方式忽略了数据本身3D的上下文联系，且没有针对肺部CT中肺内和肺外不同的数据分布做进一步的优化。另一类是基于3D模型的方法，先采用插值方法得到和薄层CT相同大小的3D图像，再送入卷积神经网络中进一步学习，或者直接将厚层CT送到网络中得到和输入相同大小的3D图像，再应用亚像素卷积或者转置卷积的方式进行上采样，得到和目标输出相同大小的薄层CT，但传统的插值方法，如双三次插值、双线性插值等，对数据量没有要求，计算速度快，但是插值效果距离真实薄层图像差距较大且图像模糊，基本无法在实际场景中应用。

由于存储空间和生成时间的限制，医生在实际临床场景中只会选择一组适合于当时需求的参数生成CT图像，但固定参数的CT图像可能无法满足后续的多种需求，也会妨碍一些回顾性研究的开展。