本发明专利技术公开了一种基于聚焦学习的CT血管造影智能成像方法，采集NCCT图像和对应的真实CTA图像并归一化处理，归一化后的NCCT图像和对应的真实CTA图像作为样本对，将样本划分为训练集、验证集和测试集；构建对抗网络模型，包括生成器、矫正器及判别器；构建生成器与矫正器的联合聚焦学习损失函数，构建判别器损失函数；利用训练集对构建好的对抗网络模型进行训练，利用验证集对训练后的对抗网络模型进行验证；利用测试集获得最佳测试性能的生成器。本发明专利技术构建了联合聚焦学习损失函数，使得所述生成器合成CTA图像能够更好的凸显目标区域，例如血管组织；本发明专利技术引入了矫正器，使得NCCT图像与CTA图像之间更好的配准对齐。像与CTA图像之间更好的配准对齐。像与CTA图像之间更好的配准对齐。
【技术实现步骤摘要】
一种基于聚焦学习的CT血管造影智能成像方法
[0001]本专利技术涉及人工智能
，尤其涉及一种基于聚焦学习的CT血管造影智能成像方法。
技术介绍
[0002]CT血管造影(CT angiography，CTA)由于使用流程中需要造影剂，使得往返的CT扫描占用大量时间并增加相关费用，因此，需通过相关技术或手段来解决上述问题，考虑通过人工智能技术，通过构建聚焦学习的对抗网络模型，实现平扫CT(NCCT)到CTA的图像转换，进而减少CTA检查流程，提供更快更经济的成像选择。
[0003]近年，随着人工智能技术的发展，出现了以Pix2pix网络[Isola P,et al.Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.2017:1125
‑
1134.]为代表的图像转换模型，较好实现了成对图像之间的模态转换。针对实际难以获得大量高质量成对的医学图像问题，研究者们尝试将cycleGAN模型[Zhu J Y,Proceedings of the IEEE international conference on computer vision.2017:2223
‑
2232.]应用于非配对医学图像模态转换中，但所取得效果有限。针对医学图像难以获得严格配对数据，非配对数据无监督学习效果有限的痛点，近来开发出了以RegGAN[Kong L,et al..Advances in Neural Information Processing Systems,2021,34:1964
‑
1978.]为代表医学图像模态转换模型。由于当前相关模型没有考虑不同组织区域重要性差异，使得在此条件下训练获得的模型无法凸显重要区域的图像数据。
技术实现思路
[0004]为解决上述技术问题，本专利技术提供了一种基于聚焦学习的CT血管造影智能成像方法，采用了如下所述技术方案：
[0005]一种基于聚焦学习的CT血管造影智能成像方法，其特征在于，包括以下步骤：
[0006]步骤1、采集NCCT图像和对应的真实CTA图像并归一化处理，归一化后的NCCT图像和对应的归一化真实CTA图像作为样本对，将样本对划分为训练集、验证集和测试集；
[0007]步骤2、构建对抗网络模型，对抗网络模型包括生成器、矫正器以及判别器；
[0008]步骤3、构建生成器与矫正器的联合聚焦学习损失函数，构建判别器损失函数；
[0009]步骤4、利用训练集对对抗网络模型进行训练，利用验证集对训练后的对抗网络模型进行验证；
[0010]步骤5、将测试集中的样本对输入到生成器，生成对应的归一化合成CTA图像，将获得的归一化合成CTA图像进行测试评估，获得最佳测试性能的生成器；
[0011]步骤6、加载步骤5获得的生成器，将待处理的归一化NCCT图像作为生成器输入，输出归一化合成CTA图像。
[0012]如上所述生成器包括输入层、编码器、中心残差模块、解码器以及输出层，在生成器中：
[0013]归一化NCCT图像输入到输入层，
[0014]编码器包括多层下采样卷积层，
[0015]中心残差模块包括多个残差块，
[0016]解码器包括多层上采样卷积层，
[0017]除输出层以外，输入层、下采样卷积层、残差块和上采样卷积层均使用了归一化和功能激活函数，输出层将上采样卷积层的输出进行2D卷积操作并经过激活函数输出归一化合成CTA图像。
[0018]如上所述矫正器包括编码器、中心残差模块、解码器及输出端，输出端包括提炼模块和输出层，在矫正器中：
[0019]生成器输出的归一化合成CTA图像和归一化真实CTA图像输入到编码器，
[0020]编码器包括多层下采样卷积层，
[0021]中心残差模块包括多个残差块，
[0022]解码器包括多层上采样卷积层，
[0023]提炼模块包括残差块和卷积层
[0024]编码器的下采样卷积层和对应的解码器的上采样卷积层之间通过跳转连接线进行连接，
[0025]除输出端的提炼模块和输出层，编码器的下采样卷积层、中心残差模块的残差块和解码器的上采样卷积层均使用了归一化和功能激活函数，输出层输出矫正空间矩阵。
[0026]如上所述判别器包括多层下采样卷积层和一个2维卷积输出层，判别器的输入为归一化真实CTA图像或合成的归一化CTA图像，判别器输出单通道图像矩阵块，单通道图像矩阵块经平均池化后，获得对应的池化值。
[0027]如上所述步骤3中的生成器与矫正器的联合聚焦学习损失函数L
GR
定义为：
[0028][0029]L
GAN
(G，D)＝E
x
[(1
‑
D(G(x)))2][0030][0031][0032]L
GAN
(G，D)为对抗损失函数，D为判别器，G为生成器，m为聚焦尺度数，b
i
为第i个的加权系数，为矫正损失函数，γ为L
Smoot h
的加权系数，L
Smoot h
为平滑损失函数；E(.)为期望运算符，下标为输入变量，x为生成器G输入的归一化的NCCT图像，y为归一化真实CTA图像，
°
对应于重采样操作，R为矫正器，为梯度运算符为，||.|||1为L1距离运算符。
[0033]如上所述步骤3中判别器损失函数L
Adv
(G，D)定义为：
[0034]minL
Adv
(G，D)＝E
y
[(1
‑
D(y))2]+E
x
[D(G(x))2]。
[0035]如上所述步骤4中的对抗网络模型进行训练具体包括以下步骤：
[0036]首先，判别器参数固定不变，计算最小化的联合聚焦学习损失函数L
GR
的值，进而实现对生成器和矫正器的参数更新；
[0037]其次，生成器与矫正器参数保持固定不变，计算最小化的判别器损失函数L
Adv
(G，D)的值，进而对判别器参数进行优化更新。
[0038]如上所述步骤5中的测试性能包括归一化合成CTA图像的平均绝对误差(MAE)和峰值信噪比(PSNR)，还包括归一化合成CTA图像与归一化真实CTA图像的结构相似度(SSIM)。
[0039]本专利技术相对于现有技术，具有以下有益效果：
[0040]1、本专利技术提供了基于聚焦学习的CT血管造影智能成像方法，减少造影剂使用的必要性；
[0041]2、本专利技术构建了生成器与矫正器的联合聚焦学习损失函数，使得所述生成器合成CTA图像能够更好的凸显血管组织；
[0042]3、本专利技术引入了矫正器，使得NCCT图像与CTA图像之间更好本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于聚焦学习的CT血管造影智能成像方法，其特征在于，包括以下步骤：步骤1、采集NCCT图像和对应的真实CTA图像并归一化处理，归一化后的NCCT图像和对应的归一化真实CTA图像作为样本对，将样本对划分为训练集、验证集和测试集；步骤2、构建对抗网络模型，对抗网络模型包括生成器、矫正器以及判别器；步骤3、构建生成器与矫正器的联合聚焦学习损失函数，构建判别器损失函数；步骤4、利用训练集对对抗网络模型进行训练，利用验证集对训练后的对抗网络模型进行验证；步骤5、将测试集中的样本对输入到生成器，生成对应的归一化合成CTA图像，将获得的归一化合成CTA图像进行测试评估，获得最佳测试性能的生成器；步骤6、加载步骤5获得的生成器，将待处理的归一化NCCT图像作为生成器输入，输出归一化合成CTA图像。2.根据权利要求1所述一种基于聚焦学习的CT血管造影智能成像方法，其特征在于，所述生成器包括输入层、编码器、中心残差模块、解码器以及输出层，在生成器中：归一化NCCT图像输入到输入层，编码器包括多层下采样卷积层，中心残差模块包括多个残差块，解码器包括多层上采样卷积层，除输出层以外，输入层、下采样卷积层、残差块和上采样卷积层均使用了归一化和功能激活函数，输出层将上采样卷积层的输出进行2D卷积操作并经过激活函数输出归一化合成CTA图像。3.根据权利要求2所述一种基于聚焦学习的CT血管造影智能成像方法，其特征在于，所述矫正器包括编码器、中心残差模块、解码器及输出端，输出端包括提炼模块和输出层，在矫正器中：生成器输出的归一化合成CTA图像和归一化真实CTA图像输入到编码器，编码器包括多层下采样卷积层，中心残差模块包括多个残差块，解码器包括多层上采样卷积层，提炼模块包括残差块和卷积层编码器的下采样卷积层和对应的解码器的上采样卷积层之间通过跳转连接线进行连接，除输出端的提炼模块和输出层，编码器的下采样卷积层、中心残差模块的残差块和解码器的上采样卷积层均使用了归一化和功能激活函数，输出层输出矫正空间矩阵。4.根据权利要求3所述一种基于聚焦学习的CT血管造影智能成像方法，其特征在于，所述判别器包括多层下采样卷积层和一个2维卷积输出层，判别器的输入为归一化真实CTA图像或归一化合成CTA...
【专利技术属性】
技术研发人员：娄昕，杨明亮，吕晋浩，
申请(专利权)人：中国人民解放军总医院第一医学中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。