买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：同济大学

摘要：本发明涉及计算机医学图像处理领域，提出了一种基于模态转换的CBCT生成Micro‑CT方法，包括步骤：数据预处理；通过定义变分距离，完成对CBCT和Micro‑CT之间转化的建模；转化为神经网络优化问题，推导损失函数Loss；设计一种端到端神经网络‑变分神经网络Vsnet；训练神经网络；用神经网络进行CBCT到Micro‑CT的转化。本发明易于实现，可以从低分辨率，边界模糊的CBCT图像生成清晰的Micro‑CT图像；可以在不需要离体牙的前提下，得到患者口中的Micro‑CT图像；同时经过验证，有较高的准确度。

主权项：1.一种基于模态转换的CBCT生成Micro-CT方法,其特征在于，把模态转化问题转化为一个神经网络优化问题，通过建模，推导出一个损失函数，并根据这个损失函数设计神经网络，训练该网络，然后实现对待转化数据的转化；包括如下步骤：步骤1：数据预处理；步骤2：通过定义变分距离，完成对CBCT和Micro-CT之间转化的建模；步骤3：根据步骤2得到变分距离和模型，把变分推断转化为神经网络优化问题，推导损失函数Loss；步骤4：根据步骤3得到的损失函数表达式，设计一种端到端神经网络变分神经网络Vsnet，并对神经网络进行训练；步骤5：使用步骤4训练后的神经网络进行CBCT到Micro-CT的转化；所述步骤2，定义变分距离，完成对CBCT和Micro-CT转化的建模，具体实施过程：2.1定义据集D＝yj,xj|j＝0,1,2…n},其中yj和xj分别代表第j个CBCT图像和Micro-CT图像；yj,xj写成向量形式为yj＝[y1,y2,…,yd]T∈Rd,xj＝[x1,x2,…,xd]T∈Rd，其中d的值为图像的宽度*高度，R代表实数域，yi和xi分别代表yj,xj展开后向量的一个值,代表图像的一个像素；2.2根据步骤2.1的定义表示，定义变分距离为rj＝[r1,r2,…,rd]T∈Rd来表示CBCT和Micro-CT的不同，其中ri是rj展开后向量的一个元素，表示为一个均值为Ci，方差为δi的高斯分布Ci是一个常数，衡量的是机器之间的差别，是一个不变的值；δi代表ri和标准模态距离Ci的微小偏差，是一个很小的值；2.3根据步骤2.1的定义表示，定义zj＝[z1,z2,…,zd]T∈Rd来表示生成的Micro-CT的值和标签图像的不同,zi是zj展开后向量的一个元素,表示为一个均值为xi，方差为εi的高斯分布其中zi是生成的Micro-CT结果，xi是给定Micro-CT数据，εi代表生成的Micro-CT和给定Micro-CT之间的差距；2.4根据步骤2.2和步骤2.3的定义，定义CBCT图像的一个像素，yi表示为一个均值为zi+ri，方差为σi的高斯分布2.5根据步骤2.4定义的高斯分布中的方差σ服从逆伽马分布其中αi,βi是逆伽马分布的参数；2.6根据步骤2.4定义的高斯分布，定义变分推断近似分布qz+r,σ2|y来估计先验分布pz+r,σ2|y；qz+r,σ2|y表达式由qz|y,qr|y,qσ2|y三部分组成，分别用下面的公式a,b,c表示；公式a中μi,分别是qzi|y的均值和方差，公式b中的λi,是qri|y的均值和方差，公式c中的αi,βi是作为逆伽马分布的两个参数； 至此，完成了基本的数据建模，并把要需要估计的变分形式qz|y,qr|y,qσ2|y用具体的表达式表示；所述步骤3，根据步骤2得到变分距离和模型，把变分推断转化为神经网络优化问题，推导损失函数Loss；具体步骤为：3.1根据贝叶斯框架，CBCT图像的边缘似然被建模为 把公式1中的展开，写成具体的形式： 3.2步骤3.1的公式1中，logpy；z+r,σ2被DKLqz+r,σ2；y||pz+r,σ2；y约束；因为先验的不可知和KL散度的非负性，公式1中的DKL无法求解；模态转化问题转化为最大化置信下界3.3在步骤3.2把模态转化问题转化为最大化置信下界后，又增加了约束DKLqr|y||pr来起到更好的估计qz|y和qr|y的效果，模态转化问题转化为希望能够最小化： 公式3就是要优化的损失函数；3.4把公式3中的DKLqrj|yj||prj部分写为具体可计算形式，得到公式4： 3.5为了计算步骤3.3得到的置信下界ELBO把公式2中的logpz+r,σ2和DKLqz+r；y||pz+r表示为可计算的形式，公式5是把logpz+r,σ2写为可计算形式，公式6是把DKLqz+r；y||pz+r写为可计算形式： 3.6组合公式3，公式4，公式5，公式6，把损失函数写成可计算的形式，得到公式7： 至此，得到了最终的损失函数表达式；所述步骤4，根据步骤3得到的输入计算机能直接计算利用的损失函数表达式，设计一种新的端到端神经网络-变分神经网络Vsnet；并对神经网络Vsnet进行训练，具体步骤为：4.1以步骤3推导的结果公式7作为损失函数，来设计一个端到端神经网络-变分神经网络Vsnet，该Vsnet网络包括Unet、DNN两部分，其中，Unet部分用来预测高斯分布的参数μi,λi,其中DNN部分辅助Unet训练，用来预测逆伽马分布的参数αi,βi；4.2把预处理好的CBCT图像作为步骤4.1Vsnet网络的输入，把预处理好的Micro-CT作为网络训练的标签，以步骤3得到公式7是Vsnet网络的损失函数；训练过程中，训练数据通过Vsnet中的Unet部分，得到高斯分布的参数μi,λi,通过Vsnet中的DNN网络部分得到逆伽马分布的参数αi,βi；把Vsnet神经网络的输出μi,λi,αi,βi用损失函数即公式7计算，得到Vsnet神经网络的计算结果和真实结果的差距，并反向传播损失，以修正神经网络的参数，直到损失达到了阈值效果则停止迭代；至此，训练好一个更够完成CBCT到Micro-CT转化的神经网络；所述步骤5，使用步骤4训练的神经网络进行CBCT到Micro-CT的转化，具体步骤为：5.1对一个待预测的CBCT数据，把CBCT数据送入Unet神经网络，该Unet网络输出的四通道内容分别是μi,λi,取其中输出的μi作为转换的结果，输出的μi是qzi|y的均值，也就是生成的Micro-CT图像；5.2把输出的μi转换结果，进行逆归一化，转化为Micro-CT图像的格式,得到最终的转换结果。

全文数据：

权利要求：

百度查询： 同济大学 一种基于模态转换的CBCT生成Micro-CT方法