一种分布式CT智能成像方法及分布式CT智能成像系统技术方案

一种分布式CT智能成像方法及系统,其中分布式CT智能成像方法，通过4个步骤重建得到最终CT图像，具体是通过获取多个本地数据中心的原始CT测量图像数据和云端中心端的配对标准化CT低剂量图像数据

【技术实现步骤摘要】
一种分布式CT智能成像方法及分布式CT智能成像系统


[0001]本专利技术涉及深度学习及计算机断层扫描
，特别涉及一种分布式CT智能成像方法及分布式CT智能成像系统。

技术介绍

[0002]X射线计算机断层扫描(Computed Tomography，CT)技术已被广泛应用于医学诊断领域。过量的CT剂量会诱发白血病、癌症以及其他遗传性疾病。临床上常用通过降低射线管电流的方法来降低辐射剂量，但辐射剂量的降低会导致CT图像质量的下降。因此，研究低剂量CT智能成像具有重要的临床意义。
[0003]随着深度学习的发展，一些监督学习方法可以自动提取图像数据中有用的特征，从而更容易适应新数据演化训练模型，显著提高了图像质量。但是监督学习需要像素级匹配的低剂量CT图像和正常剂量图像的进行训练。而在实际应用中，患者不可能同时采集低剂量和正常剂量CT图像，导致成对的标签数据集获取十分困难。
[0004]而联邦学习是一种分布式机器学习范式，它允许多个边缘设备(或客户端)协作训练一个共享的全局网络模型。然而，目前的主流工作是基于一个不切实际的假设：本地客户端的训练数据都有真实标签的。此外，在大多数情况下，为给定的联邦学习任务组合一个适当标记的数据集是一个耗时、昂贵且复杂的工作。因此，在缺乏标记数据的真实场景下，训练高质量的全局网络模型具有挑战性。
[0005]因此，针对现有技术不足，提供一种分布式CT智能成像方法及分布式CT智能成像系统以解决现有技术不足甚为必要。

技术实现思路

[0006]本专利技术其中一个目的在于避免现有技术的不足之处而提供一种分布式CT智能成像方法。该分布式CT智能成像方法能够将联邦学习与无监督学习方法进行融合，能保护患者隐私的同时还能得到的优质的去噪重建图像。
[0007]本专利技术的上述目的通过以下技术措施实现：
[0008]提供一种分布式CT智能成像方法，包括如下步骤：
[0009]步骤(1)、获取由多个本地数据中心的原始CT测量图像数据构成的本地数据集，获取由云端中心端配对标准化CT低剂量图像数据
‑
高剂量图像数据对构成的云端数据集；
[0010]步骤(2)、提取原始数据集的高频特征，构建成云端中心端共享的CT数据高频信息库；
[0011]步骤(3)、根据步骤(2)得到的CT数据高频信息库输入云端基础网络进行训练得到全局网络模型及全局网络参数，将全局网络参数分发至所有本地数据中心，各个本地数据中心将全局网络参数和步骤(1)对应得到的原始CT测量图像数据输入本地基础网络进行无监督训练得到局部网络模型及局部网络参数，将所有本地数据中心的局部网络参数进行聚合，然后采用联邦学习策略交互式训练，最终得到优化后的局部网络参数；
[0012]步骤(4)、本地数据中心根据步骤(3)得到的优化后的局部网络参数及步骤(1)对应的原始CT测量图像数据进行重建得到最终CT图像。
[0013]在所述步骤(2)中，CT数据高频信息库其中K为本地数据中心的数量，第k个本地数据中心的高频特征信息集B
k
由式(Ⅰ)表示：
[0014][0015]其中，为高频特征提取操作，为原始CT测量图像数据中的低剂量CT图像数据，M
k
为在第k个本地数据中心中对应的原始CT测量图像数据贡献的高频信息总量，i为第i个原始CT测量图像数据序列号。
[0016]优选的，上述步骤(3)具体包括有：
[0017]步骤(3.1)、根据步骤(2)得到的CT数据高频信息库输入云端基础网络进行训练得到全局网络模型及全局网络参数；
[0018]步骤(3.2)、将全局网络参数分别分发至所有本地数据中心，各个本地数据中心将全局网络参数及步骤(1)对应得到的原始CT测量图像数据输入本地基础网络进行无监督学习训练得到每个本地数据中心对应的局部网络模型及局部网络参数；
[0019]步骤(3.3)、将各个本地数据中心的局部网络参数进行聚合得到聚合模型参数，然后将聚合模型参数上传云端，云端中心端将聚合模型参数输入云端基础网络进行更新，得到更新的全局网络模型及更新的全局网络参数，并将更新后的全局网络参数分发至所有本地数据中心；
[0020]步骤(3.4)、各个本地数据中心分别根据更新后的全局网络参数及对应的原始CT测量图像数据进行无监督学习训练，通过迭代更新局部损失函数的梯度参数最终得到更新后的局部成像模型及更新后的局部网络参数；
[0021]步骤(3.5)、判断各个本地数据中心的局部网络模型的损失函数的状态，当所有局部网络模型的损失函数均为符合结束条件时时，将当前局部网络模型的局部网络参数定义为优化后的局部网络参数，将进入步骤(4)；当否时，返回步骤(3.3)。
[0022]第一优选的，上述局部损失函数为损失函数时，损失函数由式(Ⅱ)表示：
[0023][0024]其中，为第k个本地数据中心的局部网络模型的损失函数，为第k个本地数据中心的局部网络模型，为第k个本地数据中心局部网络模型生成的正常剂量图像，损失函数的梯度参数由式(Ⅲ)表示：
[0025][0026]其中，为第k个本地数据中心更新前的局部网络模型参数，为第k个本地数据中心的更新后的局部网络模型参数，λ为学习率，为第k个本地数据中心的局部网络模型的损失函数的梯度。
[0027]第二优选的，上述局部损失函数为损失函数时，损失函数由式(Ⅳ)表示：
[0028][0029]其中，为第k个本地数据中心的局部网络模型的损失函数，为第k个本地数据中心的局部网络模型，为第k个本地数据中心局部网络模型生成的正常剂量图像，损失函数的梯度参数由式(
Ⅴ
)表示：
[0030][0031]其中，为第k个本地数据中心更新前的局部网络模型参数，为第k个本地数据中心的更新后的局部网络模型参数，λ为学习率，为第k个本地数据中心的局部网络模型的损失函数的梯度。
[0032]第三优选的，上述局部损失函数为损失函数和损失函数时，步骤包括有：
[0033]步骤(a)、通过损失函数进行更新，其中损失函数由式(
Ⅵ
)表示：
[0034][0035]其中，为第k个本地数据中心的局部网络模型的损失函数，为k个本地数据中心的局部网络模型，为第k个本地数据中心局部网络模型生成的正常剂量图像，损失函数的梯度参数由式(
Ⅶ
)表示：
[0036][0037]其中，为第k个本地数据中心更新前的局部网络模型参数，为第k个本地数据中心的更新后的局部网络模型参数，λ为学习率，为第k个本地数据中心的局部网络模型的损失函数的梯度；
[0038]步骤(b)、利用全局共享数据分布信息库提供的高频信息，生成新图像数据，由式(
Ⅷ
)表示：
[0039][0040]其中，为高频特征提取操作的逆变换，为生成的新图像数据；i为第i个图像数据序列号；
[0041]步骤(c)、将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分布式CT智能成像方法,其特征在于，包括如下步骤：步骤(1)、获取由多个本地数据中心的原始CT测量图像数据构成的本地数据集，获取由云端中心端配对标准化CT低剂量图像数据
‑
高剂量图像数据对构成的云端数据集；步骤(2)、提取原始数据集的高频特征，构建成云端中心端共享的CT数据高频信息库；步骤(3)、根据步骤(2)得到的CT数据高频信息库输入云端基础网络进行训练得到全局网络模型及全局网络参数，将全局网络参数分发至所有本地数据中心，各个本地数据中心将全局网络参数和步骤(1)对应得到的原始CT测量图像数据输入本地基础网络进行无监督训练得到局部网络模型及局部网络参数，将所有本地数据中心的局部网络参数进行聚合，然后采用联邦学习策略交互式训练，最终得到优化后的局部网络参数；步骤(4)、本地数据中心根据步骤(3)得到的优化后的局部网络参数及步骤(1)对应的原始CT测量图像数据进行重建得到最终CT图像。2.根据权利要求1所述的分布式CT智能成像方法，其特征在于：在所述步骤(2)中，CT数据高频信息库其中K为本地数据中心的数量，第k个本地数据中心的高频特征信息集B
k
由式(Ⅰ)表示：其中，为高频特征提取操作，为原始CT测量图像数据中的低剂量CT图像数据，M
k
为在第k个本地数据中心中对应的原始CT测量图像数据贡献的高频信息总量，i为第i个原始CT测量图像数据序列号。3.根据权利要求2所述的分布式CT智能成像方法，其特征在于：所述步骤(3)具体包括有：步骤(3.1)、根据步骤(2)得到的CT数据高频信息库输入云端基础网络进行训练得到全局网络模型及全局网络参数；步骤(3.2)、将全局网络参数分别分发至所有本地数据中心，各个本地数据中心将全局网络参数及步骤(1)对应得到的原始CT测量图像数据输入本地基础网络进行无监督学习训练得到每个本地数据中心对应的局部网络模型及局部网络参数；步骤(3.3)、将各个本地数据中心的局部网络参数进行聚合得到聚合模型参数，然后将聚合模型参数上传云端，云端中心端将聚合模型参数输入云端基础网络进行更新，得到更新的全局网络模型及更新的全局网络参数，并将更新后的全局网络参数分发至所有本地数据中心；步骤(3.4)、各个本地数据中心分别根据更新后的全局网络参数及对应的原始CT测量图像数据进行无监督学习训练，通过迭代更新局部损失函数的梯度参数最终得到更新后的局部成像模型及更新后的局部网络参数；步骤(3.5)、判断各个本地数据中心的局部网络模型的损失函数的状态，当所有局部网络模型的损失函数均为符合结束条件时时，将当前局部网络模型的局部网络参数定义为优化后的局部网络参数，将进入步骤(4)；当否时，返回步骤(3.3)。4.根据权利要求3所述的分布式CT智能成像方法，其特征在于：所述局部损失函数为损失函数时，损失函数由式(Ⅱ)表示：
其中，为第k个本地数据中心的局部网络模型的损失函数，为第k个本地数据中心的局部网络模型，为第k个本地数据中心局部网络模型生成的正常剂量图像，损失函数的梯度参数由式(Ⅲ)表示：其中，...

【专利技术属性】
技术研发人员：马建华，王昊，曾栋，边兆英，曾翠蝶，马思源，曾智雄，
申请(专利权)人：琶洲实验室黄埔，
类型：发明
国别省市：