基于Wasserstein生成对抗网络模型的高能图像合成方法、装置制造方法及图纸

本发明专利技术公开了一种基于Wasserstein生成对抗网络模型的高能图像合成方法，该方法包括获取待合成的低能图像；将待合成的低能图像输入到预先训练得到的Wasserstein生成对抗网络模型，得到合成后的目标高能图像；Wasserstein生成对抗网络模型基于低能图像样本、标准高能图像以及预设损失函数，通过预设生成对抗网络模型训练得到，Wasserstein生成对抗网络模型包括生成器网络和判别器网络，生成器网络用于提取待合成的低能图像的图像特征，并基于图像特征合成高能图像；判别器网络用于对生成器网络合成的高能图像进行判断，并进行反向调节训练；预设损失函数，至少根据用于减小图像噪声和去除图像伪影的损失函数建立。

【技术实现步骤摘要】
基于Wasserstein生成对抗网络模型的高能图像合成方法、装置
本专利技术涉及图像处理
，尤其涉及一种基于Wasserstein生成对抗网络模型的高能图像合成方法、装置。
技术介绍
双能计算机断层扫描(Dual-energyComputedTomography，双能CT)，逐渐成为一种更有效的非侵入式诊断方法，可以应用于传统的计算机断层扫描中，它通过两种不同能量的x射线进行扫描，使得到的数据集拥有更丰富的扫描信息，进而可以适用于更多的临床应用，比如尿路结石检测，痛风石检测和去除骨骼与金属伪影等。并且，相对于传统计算机断层扫描而言，由于双能计算机断层扫描的扫描方式可以使用一半的低能扫描替代原来的高能扫描，因此，还可以实现辐射剂量的降低。然而，由于双能CT在扫描过程中需要同时采用高、低能量扫描，因此容易出现信号交叉干扰，存在短时间的时间间隔。并且，随着高能扫描的能量积累，会造成各种疾病发生的可能性，进而影响人体健康。因此，如何研究和开发一种生成干扰、偏差较小的高质量高能图像的方法，是本领域技术人员目前亟需解决的技术本文档来自技高网...

【技术保护点】
1.一种基于Wasserstein生成对抗网络模型的高能图像合成方法，其特征在于，包括：/n获取待合成的低能图像；/n将所述待合成的低能图像输入到预先训练得到的Wasserstein生成对抗网络模型，得到合成后的目标高能图像；/n所述Wasserstein生成对抗网络模型基于低能图像样本、标准高能图像以及预设损失函数，通过预设生成对抗网络模型训练得到，所述Wasserstein生成对抗网络模型包括生成器网络和判别器网络，所述生成器网络用于提取所述待合成的低能图像的图像特征，并基于所述图像特征合成高能图像；所述判别器网络用于对生成器网络合成的高能图像进行判断，并进行反向调节训练；/n所述预设损失...

【技术特征摘要】
1.一种基于Wasserstein生成对抗网络模型的高能图像合成方法，其特征在于，包括：
获取待合成的低能图像；
将所述待合成的低能图像输入到预先训练得到的Wasserstein生成对抗网络模型，得到合成后的目标高能图像；
所述Wasserstein生成对抗网络模型基于低能图像样本、标准高能图像以及预设损失函数，通过预设生成对抗网络模型训练得到，所述Wasserstein生成对抗网络模型包括生成器网络和判别器网络，所述生成器网络用于提取所述待合成的低能图像的图像特征，并基于所述图像特征合成高能图像；所述判别器网络用于对生成器网络合成的高能图像进行判断，并进行反向调节训练；
所述预设损失函数，至少根据用于减小图像噪声和去除图像伪影的损失函数建立。


2.如权利要求1所述的方法，其特征在于，所述用于减小图像噪声和去除图像伪影的损失函数，根据标准高能图像在x方向的梯度、标准高能图像在y方向的梯度、合成高能图像在x方向的梯度以及合成高能图像在y方向的梯度建立。


3.如权利要求1所述的方法，其特征在于，所述预设损失函数，具体还根据下述损失函数中的至少一个建立：
用于校准所述合成的高能图像和所述标准高能图像之间的像素差异的预设像素差异校准函数；
用于校准所述合成的高能图像和所述标准高能图像之间的结构性信息差异的预设结构性损失函数；
用于校准所述合成的高能图像和所述标准高能图像之间的纹理信息差异的预设多尺度特征损失函数。


4.如权利要求3所述的方法，其特征在于，所述预设损失函数根据所述预设梯度损失函数、所述预设像素差异校准函数、所述预设结构性损失函数、所述预设多尺度特征损失函数和所述预设生成对抗网络模型建立。


5.如权利要求1所述的方法，其特征在于，在将所述待合成的低能图像输入到预先训练得到的Wasserstein生成对抗网络模型，得到合成后的目标高能图像之前，还包括：基于低能图像样本和标准高能图像以及预设损失函数，通过预设生成对抗网络模型训练得到所述Wasserstein生成对抗网络模型；
其中，基于低能图像样本和标准高能图像以及预设损失函数，通过预设生成对抗网络模型训练得到所述Wasserstein生成对抗网络模型，包括：
将所述低能图像样本输入至预设生成对抗网络模型的生成器网络，得到合成的第一高能图像；
将所述第一高能图像输入至预设生成对抗网络模型的判别器网络，得到第一判别结果；
基于所述第一高能图像和所述标准高能图像，根据所述预设损失函数计算得到第一损失值，所述第一损失值用于更新所述预设生成对抗网络模型的参数，直到所述预设生成对抗网络收敛；
基于所述第一损失值和所述第一判别结果更新所述预设生成对抗网络模型，直至所述预设生成对抗网络模型收敛，并将收敛后的预设生成对抗网络模型确定为所述Wasserstein生成对抗网络模型。


6.如权利要求5所述的方法，其特征在于，若所述预设损失函数包括预设像素差异校准函数，则基于所述第一高能图像和所述标准高能图像，根据所述预...

【专利技术属性】
技术研发人员：郑海荣，胡战利，梁栋，刘新，周豪杰，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44