2D-X光图像重建3D-CT图像项目总结

最新推荐文章于 2025-03-30 18:49:45 发布

郡酱~

最新推荐文章于 2025-03-30 18:49:45 发布

阅读量7k

点赞数 12

分类专栏：深度学习项目实战文章标签：神经网络人工智能深度学习

版权

3 篇文章

订阅专栏

本文探讨了基于X光图像的脊柱侧弯三维重建技术，重点介绍了从CT图像生成DRR并利用深度学习方法重建三维CT数据的过程，包括网络结构、超参数设置及初步实验结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、课题背景

希望通过二维的X光图像就可以重建出三维的脊柱骨模型，在空间上获取更多的数据，更好地对脊柱骨的侧弯程度进行分型。

脊柱侧弯背景知识学习
- 阅读了Lenke分型的论文，掌握基本的脊柱分型知识
三维重建
- Yoni Kasten等人提出的端对端的利用双平面X-Ray图像重建三维模型的方法
- Liyue Shen等人提出的通过单个DRR图像生成CT数据的
- Henzler等人提出的利用一个 encoder-decoder structure的卷积神经网络对实现2D到3D的重建

原始的CT是一个dicom文件序列，且每一个患者的切片数目不一致。

基本处理：

在实际生活中X光CT对应的数据是非常少见的，所以在上述三篇X光重建三维模型的论文中，都是先利用CT图像生成DRR来模拟X光图像。

目前进展：

在DRR生成这一块主要使用了ITK包中的Filtering/DigitallyReconstructedRadiograph1.cxx示例进行的DRR生成。这部分难点主要在于弄明白ITK这个代码的接口使用，以及生成DRR的参数调节部分。

调通接口后的官网原参数生成的DRR结果：

目前调试过程中，最优的DRR效果如下：

仍存在的问题：

主要对Liyue Shen等人提出的通过单个DRR图像生成三维CT数据的方法进行了复现。

2.2.1 网络结构

2.2.2 超参数设置

激活函数选用ReLU
代价函数选用均方误差(MSE)
优化器论文中用了Adam
- 实际用的时候使用Adam在反向传播的时候计算量很大，网络跑不动，所以使用了SGD,且momentum=0才跑得动
- ```
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0)
```
epoch size = 100 , min-bath size = 1

2.2.3 总结与思考