本发明专利技术提供一种基于深度学习的医学图像跨对比度合成方法及系统，该方法包括获取同一部位的两种对比度图像，并对两种对比度图像进行预处理，用做训练集；使用训练集训练双流融合生成网络；对待合成的图像进行预处理，输入到已训练的双流融合生成网络中；根据已训练的所述双流融合生成网络获取合成图像。通过双流融合生成网络使用双分支，全局分支专注于全局图像生成，局部分支用于局部区域生成并精细化轮廓和纹理细节。全局分支将多尺度的上下文信息融合到局部分支，提高局部区域细节的生成质量。本发明专利技术提出的方法能降低合成图像的模糊程度，图像质量更高。图像质量更高。图像质量更高。
【技术实现步骤摘要】
一种基于深度学习的医学图像跨对比度合成方法及系统
[0001]本专利技术涉及医学图像领域，具体为一种基于深度学习的医学图像跨对比度合成方法及系统。
技术介绍
[0002]磁共振图像（Magenetic Resonance Image, MRI）是一种重要诊断工具，利用各种脉冲序列获取强调特定组织的多对比度图像，以检测解剖异常。放射科医生根据具体病理综合使用多对比度MRI进行分析诊断。然而，受设备缺乏、价格昂贵或存在辐射等因素的影响，很难获取所有对比度MRI。
[0003]图像合成是解决该问题的主流方法，即根据已获取的对比度MRI合成缺失的对比度MRI。现有医学图像合成方法主要分为三类，即基于地图集配准方法、基于强度变换方法和基于深度学习方法。基于地图集配准方法，从配准图集中获得输入图像与其最近邻之间的形变场，然后利用形变场对图集中目标图像的最近邻进行几何扭曲，合成目标图像。该方法操作简单，但对配准精度十分敏感，易受异常解剖组织影响。基于强度变换方法，用输入图像地图集中图像块的最佳线性组合作为目标图像，即将图像合成作为稀疏字典重建任务，该方法中字典的推导过程较难，可能会丢失图像细节细节。
[0004]基于深度学习方法，利用卷积神经网络（Convolutional Neural Network，CNN）端到端地学习输入图像与输出图像之间的非线性映射，展现出较其他方法更高的准确率。基于UNet的深度编解码网络能取得较高的合成图像质量，但对高频分量的合成能力不足，因此图像较为模糊。基于生成对抗网络（Generative Adversarial Network,GAN）的无监督方法，利用判别器和生成器之间的博弈学习，改善了图像边界模糊和纹理不清晰的问题，但是对数据分布敏感，容易生成不存在组织特征，造成更多误诊。基于扩散模型（Diffusion Model）方法合成的图像质量最优，但是存在迭代采样时间长、效率低下、容易出现棋盘效应的问题。另外，有方法采用CT图像、图像的边缘检测图或者多种对比度图像,作为先验信息，为神经网络提供更丰富的结构组织信息，进而提高合成图像的质量，但会增加繁杂的数据准备和处理过程。因此，构建一对一的，用于快速合成高质量缺失对比度MRI的卷积神经网络具有重大应用价值。
技术实现思路
[0005]鉴于以上所述现有技术的缺点，本专利技术提供一种基于深度学习的医学图像跨对比度合成方法及系统，以解决上述技术问题。
[0006]本专利技术提供的一种基于深度学习的医学图像跨对比度合成方法，包括以下步骤：S110：获取同一部位的两种对比度图像，并对两种对比度图像进行预处理，用作训练集；S120: 使用训练集训练双流融合生成网络；S130：对待合成的图像进行预处理，并输入到已训练的双流融合生成网络中；
S140：根据已训练的所述双流融合生成网络获取合成图像。
[0007]于本专利技术的一实施例中，所述两种对比度图像来自T1加权、T2加权、STIR、FLAIR、T2 FS、PD和GRE磁共振成像中的不同两种。
[0008]于本专利技术的一实施例中，步骤S110具体包括：S210：将两种对比度图像进行配准，使图像中关键点的空间位置和解剖位置一致；S220：将配准后的两种对比度图像的尺寸调整一致；S230：将尺寸一致两种对比度图像归一化；S240：将归一化后的两种对比度图像中的任一张作为第一对比度图像，另一张作为第二对比度图像，制作与第一对比度图像尺寸相同的全0值图像，并在该图像上随机生成一个不超过图像范围的任意大小的正方形区域，用1值填充，作为掩码图像。将第一对比度图像、第二对比度图像分别作为输入和标签图像。
[0009]于本专利技术的一实施例中，双流融合生成网络包括全局分支和局部分支，所述全局分支和所述局部分支拥有不同的输入和输出，其中，全局分支的输入为，局部分支的输入，全局分支的输出为，局部分支的输出为。
[0010]于本专利技术的一实施例中，在训练时，所述局部分支的输入的计算逻辑为：。
[0011]于本专利技术的一实施例中，训练时，全局分支和局部分支的输出与标签之间的损失的计算逻辑为：
[0012] 其中，和分别是SSIM损失和L1损失，代表输出图像，即或，代表标签图像，即，，分别为图像的均值和标准差，表示图像中的像素个数，表示中的第个像素值，其中和是常数，避免分母接近于0时造成的不稳定性, 在本专利技术中为分别为0.0004和0.0036，表示中的像素个数，、表示、中第个像
素值，表示、中的像素个数，、表示、中第个像素值。
[0013]于本专利技术的一实施例中，所述局部分支损失的计算逻辑为计算图像中对应掩码值为1的区域的损失，即：
[0014]其中，表示局部分支的输出图像，即，代表标签图像，即。
[0015]本专利技术还提供一种基于深度学习的医学图像跨对比度合成系统，所述系统包括：预处理模块：获取同一部位的两种对比度图像，并对两种对比度图像进行预处理，用作训练集；训练模块：使用训练集训练双流融合生成网络；处理模块：对待合成的图像进行预处理，并输入到已训练的双流融合生成网络中；合成模块：根据所述已训练的双流融合生成网络获取合成图像。
[0016]本专利技术还提供一种电子设备，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如上述实施例中任一项所述的一种基于深度学习的医学图像跨对比度合成方法。
[0017]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如上述实施例中任一项所述的一种基于深度学习的医学图像跨对比度合成方法。
[0018]本专利技术的有益效果：本专利技术提供的一种基于深度学习的医学图像跨对比度合成方法及系统，通过获取同一部位的两种对比度图像，并对两种对比度图像进行预处理，用作训练集；使用训练集训练双流融合生成网络；对待合成的图像进行预处理，并输入到已训练的双流融合生成网络中；根据所述已训练的双流融合生成网络获取合成图像产生的有益效果包括：1、本专利技术提出的方法使用双分支，全局分支专注于全局图像生成，局部分支用于局部区域生成并精细化轮廓和纹理细节。全局分支将多尺度的上下文信息融合到局部分支，提高局部区域细节的生成质量。本专利技术提出的方法能降低合成图像的模糊程度，图像质量更高。
[0019]2、本专利技术提出的方法未使用生成对抗损失，不需要判别器，不易生成不存在的组织结构，并且训练难度更低。
[0020]3、与现有的基于Diffusion模型的方法相比，本专利技术提出的方法的模型训练时间短，效率更高，并且不会产生棋盘效应。
[0021]4、与其他需要CT图像、边缘检测图和多种对比度图像作为先验信息的多对一方法相比，本专利技术提出的方法实现方法更加简单，只需单一的对比度图像，即可生成目标对比度图像。
[0022]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的医学图像跨对比度合成方法，其特征在于，包括：S110：获取同一部位的两种对比度图像，并对两种对比度图像进行预处理，用作训练集，其中，所述两种对比度图像来自T1加权、T2加权、STIR、FLAIR、T2 FS、PD和GRE磁共振成像中的不同两种，S110具体包括：S210：将两种对比度图像进行配准，使图像中关键点的空间位置和解剖位置一致；S220：将配准后的两种对比度图像的尺寸调整一致；S230：将尺寸一致两种对比度图像归一化；S240：将归一化后的两种对比度图像中的任一张作为第一对比度图像，另一张作为第二对比度图像，制作与第一对比度图像尺寸相同的全0值图像，并在该图像上随机生成一个不超过图像范围的任意大小的正方形区域，用1值填充，作为掩码图像；将第一对比度图像、第二对比度图像分别作为输入和标签图像；S120：使用训练集训练双流融合生成网络；S130：对待合成的图像进行预处理，并输入到已训练的双流融合生成网络中；S140：根据已训练的所述双流融合生成网络获取合成图像。2.根据权利要求1所述的一种基于深度学习的医学图像跨对比度合成方法，其特征在于，双流融合生成网络包括全局分支和局部分支，所述全局分支和所述局部分支拥有不同的输入和输出，其中，全局分支的输入为，局部分支的输入，全局分支的输出为，局部分支的输出为。3.根据权利要求2所述的一种基于深度学习的医学图像跨对比度合成方法，其特征在于，所述局部分支的输入的计算逻辑为：。4.根据权利要求3所述的一种基于深度学习的医学图像跨对比度合成方法，其特征在于，在训练时，全局分支和局部分支的输出与标签之间的损失的计算逻辑为：其中，和分别是SSIM损失和L1损失，代表输出图像，即或，代
表标签图像，即，，分别为图像的均值和标准差，表示图像中的像素个数，表示中的第个像素值，其中和是常数，避免分母接近于0时造成的不稳定性, 在本发明中为...
【专利技术属性】
技术研发人员：项磊，张志浩，王泷，宫恩浩，
申请(专利权)人：长沙微妙医疗科技有限公司，
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。