一种基于多任务学习的增强CT图像生成方法和系统技术方案

本发明专利技术涉及一种基于多任务学习的增强CT图像生成方法和系统，属于CT图像生成技术领域，解决了现有技术中无法快速并且安全得到增强CT图像的问题。方法包括：获取平扫CT图像和增强CT图像；对平扫CT图像和增强CT图像分别进行图像分割，得到对应的器官轮廓分割图像；根据平扫CT图像、增强CT图像和对应的器官轮廓分割图像构建训练样本集；构建多任务循环生成对抗网络模型，基于所述训练样本集对所述多任务循环生成对抗网络模型进行训练得到训练好的多任务循环生成对抗网络模型；获取待转换平扫CT图像，基于训练好的多任务循环生成对抗网络模型生成对应的增强CT图像。实现了高质量增强CT图像的快速生成。CT图像的快速生成。CT图像的快速生成。

【技术实现步骤摘要】
一种基于多任务学习的增强CT图像生成方法和系统


[0001]本专利技术涉及CT图像生成
，尤其涉及一种基于多任务学习的增强CT图像生成方法和系统。

技术介绍

[0002]在放射诊断和放射治疗中，增强计算机断层扫描（Contrast
‑
enhanced CT，CECT）相比非增强计算机断层扫描（Non
‑
contrast enhanced CT，NECT）具有独特的优势，并发挥重要作用。进行CECT扫描时，将含碘造影剂注入患者的静脉，通过在不同时间点扫描，观察造影剂在器官和组织中的动态分布和排泄情况，增加血管和组织的对比度，使得器官和病变更加清晰可见。这对于疾病的影像诊断、放射治疗中的肿瘤定位，尤其是自动化的肿瘤分割和轮廓勾画，以及评估肿瘤血供和治疗效果至关重要。
[0003]然而，造影剂可能引发过敏反应和肾毒性，并且对肾功能受损的患者存在禁忌。此外，多期CECT扫描会延长扫描时间并增加辐射暴露，对儿童等辐射敏感群体的健康有害。

技术实现思路

[0004]鉴于上述的分析，本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务学习的增强CT图像生成方法，其特征在于，包括以下步骤：获取平扫CT图像和增强CT图像；对平扫CT图像和增强CT图像分别进行图像分割，得到对应的器官轮廓分割图像；根据平扫CT图像、增强CT图像和对应的器官轮廓分割图像构建训练样本集；构建多任务循环生成对抗网络模型，基于所述训练样本集对所述多任务循环生成对抗网络模型进行训练得到训练好的多任务循环生成对抗网络模型；获取待转换平扫CT图像，基于训练好的多任务循环生成对抗网络模型生成对应的增强CT图像。2.根据权利要求1所述的多任务学习的增强CT图像生成方法，其特征在于，所述多任务循环生成对抗网络模型包括增强CT生成器、平扫CT生成器、增强CT判别器和平扫CT判别器；所述增强CT生成器用于将输入的平扫CT图像转换为增强CT图像，并根据输入的平扫CT图像生成增强器官轮廓分割图像；所述增强CT判别器用于对转换得到的增强CT图像进行真伪判断；所述平扫CT生成器用于将输入的增强CT图像转换为平扫CT图像，并根据输入的增强CT图像生成平扫器官轮廓分割图像；所述平扫CT判别器用于对转换得到的平扫CT图像进行真伪判断。3.根据权利要求2所述的多任务学习的增强CT图像生成方法，其特征在于，所述多任务循环生成对抗网络模型在图像层级、分割轮廓层级和感兴趣区域层级进行一致性损失约束。4.根据权利要求3所述的多任务学习的增强CT图像生成方法，其特征在于，采用以下公式计算多任务循环生成对抗网络模型的总损失：，其中，G
N2C
表示增强CT生成器，G
C2N
表示平扫CT生成器，D
C
表示增强CT判别器，D
N
表示平扫CT判别器，表示判别器的对抗损失，表示图像层级的一致性约束损失，表示分割轮廓层级的分割损失，表示感兴趣区域层级的感兴趣区域感知损失，λ1、λ2、λ3和λ4表示权重系数。5.根据权利要求4所述的多任务学习的增强CT图像生成方法，其特征在于，采用以下公式计算图像层级的一致性约束损失：，
其中，N表示输入的平扫CT图像，C表示输入的增强CT图像， G
C2N
(G
N2C
(N))表示将增强CT生成器得到的增强CT图像输入平扫CT生成器后输出的平扫CT图像；G
N2C
(G
C2N
(C))表示将平扫CT生成器得到的平扫CT图像输入增强CT生成器后输出的增强CT图像，S
C
表示输入的增强CT图像的对应的器官轮廓分割图像，S
N
表示输入的平扫CT图像的对应的器官轮廓分割图像，
║
·
║1表示矩阵的一范数，表示全局循环一...

【专利技术属性】
技术研发人员：曲昂，张泽斌，贺树萌，王俊杰，
申请(专利权)人：北京联影智能影像技术研究院，
类型：发明
国别省市：