影像数据的模态转换方法及装置制造方法及图纸

本发明专利技术提供了一种影像数据的模态转换方法及装置，涉及医学影像处理的技术领域，该影像数据的模态转换方法，包括：获取待转换影像；提取待转换影像所包含的主体区域，对主体区域进行灰度变换，得到主体区域对应的主体影像；将主体影像输入至预先训练好的影像转换模型，通过影像转换模型输出主体影像对应的转换影像；将转换影像还原至待转换影像，以得到待转换影像对应的目标影像。本发明专利技术提供的影像数据的模态转换方法及装置，通过生成器网络得到的转换影像的质量会相对更好，纹理更加清晰，同时，在模态转换的过程中，无需任何人工参与，运行速度快，使得适用范围更加广泛。使得适用范围更加广泛。使得适用范围更加广泛。

【技术实现步骤摘要】
影像数据的模态转换方法及装置


[0001]本专利技术涉及医学影像处理的
，尤其是涉及一种影像数据的模态转换方法及装置。

技术介绍

[0002]放射治疗是最广泛使用的癌症治疗疗法之一，其主要利用不同形式的能量(X射线、粒子等)辐射破坏和摧毁肿瘤组织，同时尽量避免照射正常组织。在放射治疗流程中，医生会使用直线加速器拍摄治疗部位的CBCT(Cone
‑
Beam Computed Tomography)影像，该步骤是消除治疗过程中的摆位误差，使病人和放疗计划制定时使用的定位CT(Computed Tomography)影像位于同一个坐标系中。
[0003]传统直线加速器拍摄的CBCT图像因为拍摄范围不足、伪影较大、图像分辨率较差等原因，其作用仅仅局限于消除摆位误差，因此，目前通常多采用将CBCT影像转换为CT影像的方式来提高图像质量，以便于为放射治疗研究提供后续更多的可能性。
[0004]但是，目前对CBCT影像进行影像转换时，均存在生成图像纹理不清晰，真实度较差的缺点，难以达到使用要求。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种影像数据的模态转换方法及装置，以缓解上述技术问题。
[0006]第一方面，本专利技术实施例提供了一种影像数据的模态转换方法，包括：获取待转换影像，所述待转换影像为CBCT影像；提取所述待转换影像所包含的主体区域，对所述主体区域进行灰度变换，得到所述主体区域对应的主体影像；将所述主体影像输入至预先训练好的影像转换模型，通过所述影像转换模型输出所述主体影像对应的转换影像；其中，所述转换影像为CT影像；所述影像转换模型为预先训练好的生成对抗网络模型中的生成器网络，用于对输入的待转换影像进行模态转换，且，所述生成器网络包括预设数量的下采样层和上采样层，每一层所述上采样层和所述下采样层通过滑动连接；将所述转换影像还原至所述待转换影像，以得到所述待转换影像对应的目标影像，其中，所述目标影像包含有所述转换影像。
[0007]优选地，在一种可能的实施方式中，上述提取所述待转换影像所包含的主体区域，对所述主体区域进行灰度变换，得到所述主体区域对应的主体影像的步骤，包括：提取所述CBCT影像所包含的每一层影像的灰度直方图；按照预设的截取规则截取所述灰度直方图所包含的主体区域，并对截取的所述主体区域的灰度值进行归一化处理，以得到所述主体区域对应的主体影像。
[0008]优选地，在一种可能的实施方式中，上述将所述转换影像还原至所述待转换影像的步骤，包括：基于所述灰度直方图的提取规则，以及，预设的所述截取规则对所述转换影像进行反向操作，以将所述转换影像还原至与所述待转换影像匹配的原始尺寸。
[0009]优选地，在一种可能的实施方式中，上述方法还包括：获取预先设置的训练集，其中，所述训练集包括至少一对影像数据，每对所述影像数据包括第一影像数据和第二影像数据，其中，所述第一影像数据包括定位CT图像，所述第二影像数据为与所述第一影像数据对应的CBCT影像；将所述训练集输入至预先构建的生成对抗网络模型，对所述生成对抗网络模型包括的生成器网络和判别器网络分别进行对抗训练，以更新所述生成器网络和所述判别器网络的参数；保存更新后的所述生成器网络和所述判别器网络的参数，并将所述生成器网络保存为影像转换模型，以用于对输入的待转换影像进行模态转换。
[0010]优选地，在一种可能的实施方式中，上述生成器网络的损失函数包络L1损失函数、风格损失函数和内容损失函数，用于对所述待转换影像进行风格迁移。
[0011]优选地，在一种可能的实施方式中，上述将所述训练集输入至预先构建的生成对抗网络模型，对所述生成对抗网络模型包括的生成器网络和判别器网络分别进行对抗训练的步骤，包括：持续执行下述步骤，直至所述生成器网络和所述判别器网络满足预设的训练条件，其中，所述预设的训练条件包括训练的次数达到预设次数，或者，所述生成器网络的损失值小于预设的损失阈值和所述判别器网络的损失值维持在预设范围：冻结所述生成器网络的参数，将所述训练集中的第二影像数据输入至所述生成器网络中，得到所述第二影像数据对应的伪影像；将所述伪影像和与所述第二影像数据对应的第一影像数据输入至所述判别器网络进行判定，并计算所述判别器网络的损失值；将所述判别器网络的损失值反向传播至所述判别器网络中，以更新所述判别器网络的参数；以及，冻结所述判别器网络的参数，将所述训练集中的第二影像数据输入至所述生成器网络中，得到所述第二影像数据对应的伪影像；计算所述生成器网络的损失值，将所述生成器网络的损失值反向传播至所述生成器网络中，以更新所述生成器网络的参数。
[0012]优选地，在一种可能的实施方式中，上述L1损失函数的计算公式为其中，n为输入的影像数据的数量，yi为所述训练集中的第一影像数据，f(xi)为所述第二影像数据对应的伪影像；所述风格损失函数的计算公式为：
[0013]其中，gamma矩阵代表向量内积组成的矩阵，ct_style表示第一影像数据所包括的定位CT图像的风格特征，sct_style表示将所述第二影像数据输入至所述生成器网络之后得到的所述第二影像数据对应的伪影像的风格特征；所述内容损失函数的计算公式为：其中，cbct_feat表示第二影像数据所包含的CBCT影像的内容特征，sct_feat表示将所述第二影像数据输入至所述生成器网络之后得到的所述第二影像数据对应的伪影像的内容特征。
[0014]优选地，在一种可能的实施方式中，上述方法还包括：获取预先采集的影像数据集，其中，所述影像数据集包括多个数据对，每个所述数据对包括定位CT图像，以及与该定位CT图像对应的CBCT影像；对所述数据对进行形变配准，并对配准后的所述数据对进行预处理；按照预设的增广方案对预处理后得到的所述数据对进行数据增广以生成训练数据
集，其中，所述训练数据集包括训练集。
[0015]优选地，在一种可能的实施方式中，上述对配准后的所述数据对进行预处理的步骤，包括：分别对所述数据对所包括的定位CT图像，以及与该定位CT图像对应的CBCT影像执行下述处理：分别提取所述定位CT图像和所述CBCT影像所包含的每一层影像的灰度直方图；按照预设的截取规则截取所述灰度直方图所包含的主体区域，并对截取的所述主体区域的灰度值进行归一化处理，以得到所述主体区域对应的主体影像；将所述主体影像保存为所述定位CT图像和所述CBCT影像对应的预处理后的数据对。
[0016]第二方面，本专利技术实施例还提供一种影像数据的模态转换装置，该装置包括：获取模块，用于获取待转换影像，所述待转换影像为CBCT影像；变换模块，用于提取所述待转换影像所包含的主体区域，对所述主体区域进行灰度变换，得到所述主体区域对应的主体影像；转换模块，用于将所述主体影像输入至预先训练好的影像转换模型，通过所述影像转换模型输出所述主体影像对应的转换影像；其中，所述转换影像为CT影像；所述影像转换模型为预先训练好的生成对抗网络模型中的生成器网络，用于对输入的待转换本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种影像数据的模态转换方法，其特征在于，包括：获取待转换影像，所述待转换影像为CBCT影像；提取所述待转换影像所包含的主体区域，对所述主体区域进行灰度变换，得到所述主体区域对应的主体影像；将所述主体影像输入至预先训练好的影像转换模型，通过所述影像转换模型输出所述主体影像对应的转换影像；其中，所述转换影像为CT影像；所述影像转换模型为预先训练好的生成对抗网络模型中的生成器网络，用于对输入的待转换影像进行模态转换，且，所述生成器网络包括预设数量的下采样层和上采样层，每一层所述上采样层和所述下采样层通过滑动连接；将所述转换影像还原至所述待转换影像，以得到所述待转换影像对应的目标影像，其中，所述目标影像包含有所述转换影像。2.根据权利要求1所述的方法，其特征在于，提取所述待转换影像所包含的主体区域，对所述主体区域进行灰度变换，得到所述主体区域对应的主体影像的步骤，包括：提取所述CBCT影像所包含的每一层影像的灰度直方图；按照预设的截取规则截取所述灰度直方图所包含的主体区域，并对截取的所述主体区域的灰度值进行归一化处理，以得到所述主体区域对应的主体影像。3.根据权利要求2所述的方法，其特征在于，将所述转换影像还原至所述待转换影像的步骤，包括：基于所述灰度直方图的提取规则，以及，预设的所述截取规则对所述转换影像进行反向操作，以将所述转换影像还原至与所述待转换影像匹配的原始尺寸。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取预先设置的训练集，其中，所述训练集包括至少一对影像数据，每对所述影像数据包括第一影像数据和第二影像数据，其中，所述第一影像数据包括定位CT图像，所述第二影像数据为与所述第一影像数据对应的CBCT影像；将所述训练集输入至预先构建的生成对抗网络模型，对所述生成对抗网络模型包括的生成器网络和判别器网络分别进行对抗训练，以更新所述生成器网络和所述判别器网络的参数；保存更新后的所述生成器网络和所述判别器网络的参数，并将所述生成器网络保存为影像转换模型，以用于对输入的待转换影像进行模态转换。5.根据权利要求4所述的方法，其特征在于，所述生成器网络的损失函数包络L1损失函数、风格损失函数和内容损失函数，用于对所述待转换影像进行风格迁移。6.根据权利要求5所述的方法，其特征在于，将所述训练集输入至预先构建的生成对抗网络模型，对所述生成对抗网络模型包括的生成器网络和判别器网络分别进行对抗训练的步骤，包括：持续执行下述步骤，直至所述生成器网络和所述判别器网络满足预设的训练条件，其中，所述预设的训练条件包括训练的次数达到预设次数，或者，所述生成器网络的损失值小于预设的损失阈值和所述判别器网络的损失值维持在预设范围：冻结所述生成器网络的参数，将所述训练集中的第二影像数据输入至所述生成器网络中，得到所述第二影像数据对应的伪影像；
将所述伪影像和与所述第二影像数据对应的第一影像数据输入至所述判别器网络进行判定，并计算所述判别器网络的损失值；将所述判别器网络的损失值反向传播至所述判别器网络中，以更新所述判别器网络的参数；以及，冻结所述判别器网络的参数，将所述训练集中的第二影像数据输入至所述生成器网络中，得到所述第二影像数据对应的伪...

【专利技术属性】
技术研发人员：蒋雪，徐晨阳，魏军，田孟秋，
申请(专利权)人：广州柏视医疗科技有限公司，
类型：发明
国别省市：