【技术实现步骤摘要】
基于对比学习的医学影像模态转换方法、系统和存储介质
[0001]本申请涉及数据处理和数据传输领域,更具体的,涉及基于对比学习的医学影像模态转换方法、系统和存储介质。
技术介绍
[0002]医学影像指的是为了某种医疗目的或者医学研究目的,对人体或者人体的部分组织结构,以非侵入式的方法取得内部组织影像的技术与处理过程。常见的医学影像包括X光,电脑断层扫描(CT),超声,磁共振成像(MRI),正子发射断层扫描(PET)等等。不同模态的医学影像数据在疾病诊断、治疗以及评估预后方面都有各自的优势和劣势。临床上可能需要部分患者的多种模态影像来进行更全面的检查,然而大量重复的影像扫描可能会给患者带来经济和精神负担。由于同一患者的不同模态之间的医学影像之间具备相关性,模态本身也有特定的属性特征,因此医学影像模态转换成为了获取多种模态影像的一种方案。通过训练模态到模态之间的转换模型,则可在获取了患者特定模态的医学影像后,通过模态转换得到另一模态的影像。
[0003]早期的医学影像模态转换多采用传统方法,根据某种特定的先验信息,构建源模态到目标模态之间图像或提取的特征的映射关系,这种映射关系构建后一般不容易泛化到其他模态之间的转换上,因为不同模态之间有各自的先验假设。近年来随着深度学习的兴起,各种图像领域的研究应用广泛,其中自然图像风格转换的研究也给医学影像模态转换带来了新思路。在图像风格转换中,图像可以保持原有内容而被网络赋予其他图像的风格,这和医学影像模态转换极为类似,医学影像模态转换中,也需要保留原有影像对应的解剖结构,再 ...
【技术保护点】
【技术特征摘要】
1.基于对比学习的医学影像模态转换方法,其特征在于,包括:获取源目标影像数据;根据所述源目标影像数据进行分析,得到所述源目标影像数据的内容特征和模态特征;将所述源目标影像数据的模态特征转换为目标模态特征;将所述目标模态特征与所述源目标影像数据的内容特征进行合并解码,得到目标模态影像。2.根据权利要求1所述的基于对比学习的医学影像模态转换方法,其特征在于,还包括:构建初始医学影像模态转换模型;获取配对的CT
‑
MRI影像数据;将所述配对的CT
‑
MRI影像数据输入所述初始医学影像模态转换模型进行优化训练,得到预设医学影像模态转换模型。3.根据权利要求2所述的基于对比学习的医学影像模态转换方法,其特征在于,所述将所述配对的CT
‑
MRI影像数据输入所述初始医学影像模态转换模型进行优化训练,具体为:根据预设方法对所述配对的CT
‑
MRI影像数据进行计算,得到多个损失函数;将所述多个损失函数分别于相对应的损失函数的权重系数进行相乘,得到所述多个损失函数的权重得分;对所述多个损失函数的权重得分进行累加,得到总损失函数;根据所述总损失函数对所述初始医学影像模态转换模型进行优化训练;所述多个损失函数包括结构对比损失函数、模态对比损失函数和影像一致性损失函数。4.根据权利要求1所述的基于对比学习的医学影像模态转换方法,其特征在于,所述根据所述源目标影像数据进行分析,得到所述源目标影像数据的内容特征和模态特征,包括:对所述源目标影像数据进行解耦合,得到所述源目标影像数据的内容特征和模态特征;所述解耦合用公式表示为:[C
x
,M
x
]=Encoder(x)其中x为输入的源模态影像,Encoder为待训练的编码器,C
x
为影像x经过编码器得到的内容特征,M
x
为得到的模态特征。5.根据权利要求1所述的基于对比学习的医学影像模态转换方法,其特征在于,所述将所述源目标影像数据的模态特征转换为目标模态特征,包括:通过模态转换网络对所述源目标影像数据的模态特征进行特征转换,得到目标模态特征;所述特征转换用公式表示为:M
y
=Transfer(M
x
),其中Transfer为模态转换器,M
y
为目标模态对应的模态特征,M
x
为源模态影像的模态特征。6....
【专利技术属性】
技术研发人员:姚顺,王宗明,谭奕珩,罗玉,王海军,
申请(专利权)人:广东工业大学,
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。