買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜大連理工大學申請的專利一種基于單張X光圖像的術前三維CT配準方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119693424B 。

龍圖騰網通過國家知識產權局官網在2025-05-27發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510194940.7，技術領域涉及：G06T7/30；該發明授權一種基于單張X光圖像的術前三維CT配準方法是由矯金凱;李軒衡;孫怡設計研發完成，并于2025-02-21向國家知識產權局提交的專利申請。

本一種基于單張X光圖像的術前三維CT配準方法在說明書摘要公布了：本發明屬于醫療成像和人工智能領域，公開一種基于單張X光圖像的術前三維CT配準方法。本發明提出首先使用一張X光圖像恢復出患者當前位姿的CT，然后使用恢復出的CT和術前CT進行三維空間中的CT配準，解決了以往配準方法中的維度不匹配問題。本發明提出了單視角CT重建網絡，用以將二維的X光圖像轉化成三維的CT，然后使用ICP算法實現網絡生成的CT和術前CT的配準。本發明僅使用X光圖像就實現了三維空間中的CT配準，有效提高了CT配準的精度，實現了亞毫米級別的CT配準，特別是在脊柱骨科手術中，能夠精確確定患者的解剖結構的位置，幫助醫生精準高效的實施手術。

本發明授權一種基于單張X光圖像的術前三維CT配準方法在權利要求書中公布了：1.一種基于單張X光圖像的術前三維CT配準方法，其特征在于，該基于單張X光圖像的術前三維CT配準方法包括單視角CT重建網絡和ICP算法兩個部分；步驟如下：步驟1：構建“X光-CT”數據集獲取患者的術前CT和術中正視位拍攝的一張X光圖像；對術前CT進行多種姿態的位移和旋轉，根據拍攝X光圖像的成像參數對術前CT進行模擬投影生成對應的DRR圖像構建數據集，用以訓練和驗證單視角CT重建網絡；步驟2：搭建單視角CT重建網絡單視角CT重建網絡是將二維的X光圖像轉化成三維的CT，該單視角CT重建網絡包括編碼器模塊、特征增強模塊、解碼器模塊和特征轉換模塊；1編碼器模塊：編碼器模塊包括通道擴展模塊和四個結構相同的下采樣模塊，對二維的X光圖像進行特征提取和逐步下采樣，將其轉換為具有更高通道數的緊湊表示；通道擴展模塊主要由卷積層和殘差塊構成，卷積層的輸入為二維的X光圖像，輸入通道數為1，輸出通道數為210，通過卷積層來提高二維的X光圖像的通道數，增強單視角CT重建網絡的特征表示能力；殘差塊分為殘差塊A和殘差塊B，按照“殘差塊A-殘差塊B-殘差塊B-殘差塊A”的形式連接，殘差塊A使通道數翻倍，殘差塊B保持通道數不變強化單視角CT重建網絡的特征提取能力；下采樣模塊主要由最大池化層和殘差塊構成，按照“最大池化層-殘差塊B-殘差塊B-殘差塊B”的形式連接，2×2的最大池化層將特征圖尺寸減半，殘差塊B可提取深層特征，在下采樣的過程中特征通道數保持不變，特征圖的尺寸逐漸變小，單視角CT重建網絡提取到更深層次的特征信息；2特征增強模塊：特征增強模塊用于挖掘特征圖之間的依賴關系，增強單視角CT重建網絡對全局信息的理解；經過編碼器模塊的多層特征提取，獲得了輸入特征圖中底層的語義特征，其中包含進行準確重建所需的結構信息；在單視角CT重建網絡的底層加入基于自注意力的特征增強模塊，以充分捕獲特征圖中的長距離依賴關系，增強單視角CT重建網絡對全局信息的理解，實現精準的CT重建；特征增強模塊的輸入是編碼器模塊底層語義特征的特征圖，首先對特征圖進行位置編碼，然后送入Transformer模塊進行處理，Transformer模塊由歸一化層、多頭注意力層和前饋網絡層構成，按照“歸一化層-多頭注意力層-歸一化層-前饋網絡層”的形式連接，多頭注意力層捕捉各個特征圖之間的依賴關系，經過歸一化層穩定訓練過程，最終經過前饋網絡層增強特征的表示能力；最終特征增強模塊輸出增強后的特征圖；3解碼器模塊：解碼器模塊用于逐步恢復增強后的特征圖的空間分辨率，并通過特征轉換模塊整合編碼后的特征，逐步將增強后的特征圖轉換成完整的CT；解碼器模塊包括上采樣模塊和一維卷積層；上采樣模塊和編碼器模塊中的下采樣模塊對應，逐步恢復增強后的特征圖的尺寸；然后通過1×1的卷積層將通道數從840降到128，最終輸出完整的三維CT；4特征轉換模塊：特征轉換模塊用于解決投影域和圖像域信息維度不統一的問題；特征轉換模塊的輸入是編碼器模塊輸出的不同分辨率的投影域特征圖；投影域特征圖輸入后首先經過一個特征篩選模塊，特征篩選模塊由全局平均池化層、一維卷積層和Sigmoid激活函數構成，全局平均池化層用于降低計算量，一維卷積層自適應地調整投影域特征圖中不同語義的權重，Sigmoid激活函數對輸入的投影域特征圖進行通道加權，得到篩選后的信息豐富的投影域特征圖；接著，使用最大池化層、2D殘差層和反卷積層將篩選后的信息豐富的投影域特征圖轉換為圖像域的CT特征圖；最終特征轉換模塊輸出經過語義轉換后的圖像域的CT特征圖給解碼器模塊；步驟3：訓練單視角CT重建網絡步驟1建立的數據集中，成對的DRR圖像和CT分別作為單視角CT重建網絡的輸入和監督，其中DRR圖像命名為x，對應的CT命名為q，使用的損失函數由MSE損失和MAE損失組成，λ1和λ2是損失的權重參數，如式0.2所示：LOSS＝λ1MSEx,q+λ2MAEx,q0.2訓練到一定代數后，LOSS收斂，單視角CT重建網絡訓練完成；當訓練完成后，將步驟1中獲得的術中正視位拍攝的一張X光圖像輸入到單視角CT重建網絡中，輸出其對應的三維CT；步驟4：應用ICP算法進行三維空間中的CT配準向步驟3訓練好的單視角CT重建網絡中輸入步驟1獲得的術中正視位拍攝的一張X光圖像，即輸出一個三維CT；首先將術前CT與單視角CT重建網絡生成的CT分別轉化為點云表示，即源點云和目標點云；ICP算法的目標函數如式1.2所示： 其中，pi和qi分別是源點云和目標點云中的點，n是源點云的總點數，R是旋轉矩陣，t是平移向量；ICP算法每次迭代都要使該目標函數最小化；首先對于源點云中的每個點，找到目標點云中最近的點作為對應點對；然后基于當前對應點對，根據目標函數最小化的原則，計算最佳的旋轉矩陣R和平移向量t，使得源點云變換后與目標點云對齊；將計算得到的R和t應用于源點云，若變換變化小于預設閾值或達到最大迭代次數，算法終止；否則，重復尋找對應點對，計算旋轉矩陣R和平移向量t，并應用于源點云的步驟；最終得到的配準變換矩陣能精確描述術前CT與網絡生成的CT在空間上的平移和旋轉關系，將配準變換矩陣應用到術前CT，完成CT配準。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人大連理工大學，其通訊地址為：116024 遼寧省大連市甘井子區凌工路2號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。