[发明专利]基于深度学习的数字体积相关方法、装置、设备及介质

权利要求书

1.一种基于深度学习的数字体积相关方法，其特征在于，包括：

生成深度学习网络训练所用的三维图像数据集；

构建深度学习网络；

利用三维图像数据集对深度学习网络进行训练；以及

输入变形前和变形后的三维数字体积图像到训练好的深度学习网络并执行计算，得到亚体素精度的三维变形场。

2.根据权利要求1所述的基于深度学习的数字体积相关方法，其特征在于，所述生成深度学习网络训练所用的三维图像数据集，包括：

生成一系列变形前的模拟三维数字体积图像和变形后的模拟三维数字体积图像，作为深度学习网络训练和验证的数据集。

3.根据权利要求2所述的基于深度学习的数字体积相关方法，其特征在于，所述变形前的模拟三维数字体积图像中任一点(X，Y，Z)的灰度值G₀由下式确定：

其中a_x、a_y、a_z分别是点扩散函数沿x、y、z方向的半高全宽，(X_c，i，Y_c，i，Z_c，i)是第i个散斑粒子的中心位置，b是三维模拟图像的背景强度，n是散斑粒子的个数。

4.根据权利要求3所述的基于深度学习的数字体积相关方法，其特征在于，所述变形后的模拟三维数字体积图像中任一点(x，y，z)的灰度值G₁由下式确定：

其中，u_c，i、v_c，i、w_c，i分别是点(X_c，i，Y_c，i，Z_c，i)沿x、y、z方向的位移分量。

5.根据权利要求1所述的基于深度学习的数字体积相关方法，其特征在于，所述构建深度学习网络的步骤中，所述深度学习网络包括以下三个执行不同功能的网络：

整体素相关网络，用于计算三维数字体积图像中各采样点的整体素位移；

亚体素相关网络，用于计算三维数字体积图像中各采样点的亚体素位移；

位移优化网络，用于对亚体素相关网络输出的三维位移场进行光滑去噪后处理。