[发明专利]一种心脏CT成像自动最优相位识别方法

权利要求书

1.一种心脏CT成像自动最优相位识别方法，其特征在于，包括以下步骤：

A1、数据集准备：收集m个病人心脏扫描的投影数据，每个病人重建M个不同相位的CT图像，每个相位对应一个表征图像质量的标签值，将得到的CT图像数据随机分为训练集、测试集和验证集，m≧30,M≧20；

A2、神经网络设计：构建网络模型作为相位估计网络，相位估计网络的输入为n个不同相位点重建得到的三维体数据、输出为表示N个相位对应的图像质量的向量；

A3、网络训练：把训练集和测试集数据输入到网络模型中，训练得到相位估计网络的网络参数；

A4、最优相位估计：从数据集中选取同一病人的N个相位的CT图像作为测试图像，输入到相位估计网络中，得到N个CT图像的标签值和N个相位，根据各个CT图像的标签值确定最优标签值所对应的相位。

2.根据权利要求1所述的一种心脏CT成像自动最优相位识别方法，其特征在于：所述步骤A2中的相位估计网络采用卷积神经网络，后接全连接网络或者convlstm网络的结构，网络损失函数以均方误差MSE为目标函数。

3.根据权利要求1所述的一种心脏CT成像自动最优相位识别方法，其特征在于：所述步骤A4中，根据各个CT图像的标签值查找最优标签值所对应的相位；或者通过所述标签值拟合出一条直线或者曲线，用y＝fun(x)表示，其中x为测量的标签值，y为相位值，通过该拟合结果最终获得最优中心相位；或者直接输出一个K点的相位-图像质量向量，根据最优的标签值来获得最优的相位。

4.根据权利要求1所述的一种心脏CT成像自动最优相位识别方法，其特征在于：所述步骤A2中在建立相位估计网络之前增加了一个心脏分割网络。

5.根据权利要求4所述的一种心脏CT成像自动最优相位识别方法，其特征在于，所述步骤A2中的心脏分割网络的建立步骤为：

B1、构建心脏分割网络的数据集：收集k个病人心脏扫描的投影数据，每个病人重建K个不同相位的CT图像，在得到的CT图像中标记出心包区域，k≧30,K≧20；

B2、神经网络设计：构建U-Net的深度学习网络结构来进行心包自动分割；

B3：网络训练：训练网络，把训练集和测试集数据输入到网络，训练得到网络参数；

B4：心包分割：重建好的CT图像输入到网络，得到分割好的CT图像，心包分割后的图像分别对应不同的相位标签。

6.根据权利要求1所述的一种心脏CT成像自动最优相位识别方法，其特征在于：所述步骤A2中在建立相位估计网络之前增加一个基于心脏区域的注意力网络。

7.根据权利要求6所述的一种心脏CT成像自动最优相位识别方法，其特征在于，所述步骤A2中的基于心脏区域的注意力网络的建立步骤为：

C1、构建基于心脏区域的注意力网络的数据集：收集k个病人心脏扫描的投影数据，每个病人重建K个不同相位的CT图像，在得到的CT图像中标记出心包区域，并对其mask进行高斯模糊，k≧30,K≧20；

C2、神经网络设计:构建U-Net的深度学习网络结构，并基于heatmap回归来定位心包的位置；

C3、网络训练：训练网络，把训练集和测试集数据输入到网络，训练得到网络参数；

C4:心脏定位：重建好的CT图像输入到网络，得到心脏的近似位置，在预测的边界框中心周围裁剪固定大小的区域，得到心脏区域。

8.根据权利要求1所述的一种心脏CT成像自动最优相位识别方法，其特征在于：所述步骤A3中通过梯度下降法优化损失函数训练构建的网络模型。

9.根据权利要求1任一所述的一种心脏CT成像自动最优相位识别方法，其特征在于：所述心脏扫描的投影数据采用根据心跳相位同步的轴扫扫描模式、步进扫描方式或者螺旋扫描方式获得。