【技术实现步骤摘要】
本专利技术属于图像跨模态合成，特别是涉及一种基于ct脑梗图像生成dwi图像的方法。
技术介绍
1、脑梗是指脑部的血管发生堵塞，导致脑部血液供应不足，导致脑组织缺氧、缺血甚至坏死的一种疾病，又被称作缺血性脑卒中。计算机断层扫描（computed tomography, ct）是排除出血性脑疾病的首选影像检查方法，但是无法直接显示脑梗死区域。当排除了出血性脑疾病后，需要进一步的磁共振成像（magneticresonance imaging，mri）检查。扩散加权成像（diffusion weighted imgae，dwi）是检测急性脑梗塞最敏感的mri序列，又称“卒中序列”，能很快发现缺血性病变，但是由于mri价格昂贵，并且不适用于所有患者，例如幽闭症患者或者体内含有金属植入物的患者。随着深度学习在医学图像分析领域的发展，许多研究者开始利用深度学习方法来实现跨模态医学图像合成，此举可以在不用进行mri扫描的情况下，实现mri常规序列图像的人工智能合成，将极大降低因为延误救治时间所带来的疾病风险。
2、现有的脑梗ct到dwi的跨模态医学图像合成通常是基于生成对抗网络（generative adversarial networks, gans）或者扩散模型（diffusion model）这两种方法。思路也无非是使用ct直接生成dwi序列或是使用ct和其他的mri序列一起生成dwi序列。但是上述方法和思路都存在一定的局限性。
3、例如，对抗网络的生成器通常是基于卷积操作，利用紧凑的滤波器来提取局部图像特征，限制
技术实现思路
1、本专利技术的目的在于提供一种基于ct脑梗图像生成dwi图像的方法，以解决上述
技术介绍
所提出的问题，以实现脑梗ct到dwi序列医学图像的合成，具有生成dwi快速、显示病变区域清晰的特点。
2、为解决上述技术问题，本专利技术是通过以下技术方案实现的：
3、本专利技术为一种基于ct脑梗图像生成dwi图像的方法，包括以下步骤：
4、步骤一、ct图像脑梗病变分割，得到脑梗图像的病变区域，将nifti格式的三维脑梗ct图像经过归一化和加窗操作后得到一系列大小为256×256的二维ct灰度图像，将二维ct灰度图像输入到脑梗病变分割网络中，得到脑梗病变区域的分割掩码；
5、步骤二、ct图像到dwi序列跨模态生成，将脑梗二维ct灰度图像和脑梗分割掩码进行拼接，并输入到脑梗跨模态合成网络中，得到生成的脑梗图像dwi序列。
6、进一步地，所述步骤一中归一化是按照最小值中心化后，按极差缩放到[0, 1]之间，按照窗宽100窗位50进行加窗。
7、进一步地，所述步骤二中ct图像到dwi序列跨模态生成步骤如下：
8、步骤i、设计模型，模型由生成器和鉴别器组成，所述生成器由编码器、信息瓶颈层和解码器组成，所述鉴别器由卷积算子组成；损失函数使用复合型损失函数；
9、步骤ii、编码器由若干个编码器层组成，每个编码器层由卷积层、层归一化和relu激活函数构成；解码器由若干个解码器层构成，每个解码器层由转置卷积层、层归一化和relu激活函数构成；信息瓶颈层由若干个聚合残差transformer模块串联构成，每个聚合残差transformer模块是transformer模块、通道压缩模块和卷积神经网络模块的级联，所述transformer模块用于提取全局上下文特征，所述卷积神经网络模块用于提取特征映射的局部特征，所述通道压缩模块用于处理残差模块的特征映射，对特征进行下采样，以提取与任务相关的上下文特征；transformer模块和卷积神经网络模块都添加了跳转连接，创建了四条信息流路径；
10、步骤iii、编码器输入的是ct脑梗图像和脑梗病变掩码的拼接，通过卷积层捕捉输入图像的局部特征提供给信息瓶颈层；利用信息瓶颈层中复杂和多样的特征提取方式，提取全局和局部信息的混合表示；通过基于转置卷积层的解码器，生成目标图像相近的矩阵输出。
11、进一步地，所述步骤ii中四条信息流路径为：
12、（a）前一层网络的输出特征图通过transformer模块的跳转连接层和卷积神经网络模块的跳转连接层，最大限度地保留前一阶段的特征信息；
13、（b）前一层网络的输出特征图通过transformer模块和卷积神经网络模块的跳转连接，以计算并提取上下文全局特征；
14、（c）前一层网络的输出特征图通过transformer模块的跳转连接和卷积神经网络模块，以计算并提取局部特征；
15、（d）前一层网络的输出特征图通过transformer模块和卷积神经网络模块，以计算和提取混合局部上下文信息。
16、进一步地，所述鉴别器基于patchgan的鉴别器架构，鉴别器在获得的图像和合成图像之间执行补丁级判别，用于提升高空间频率信息相关局部细节的灵敏度。
17、进一步地，所述复合型损失函数是三项独立损失函数的加权求和，所述损失函数包括像素损失、重建损失和对抗损失。
18、进一步地，所述步骤二中ct图像到dwi序列跨模态生成，通过卷积滤波器将两通道的ct脑梗图像和脑梗病变掩码的拼接 x映射到特征图上；其中是给定的通道数，分别表示特征图的高和宽，然后将这些特征表达提供给信息瓶颈层；生成器中的信息瓶颈层包含若干个聚合残差transformer模块，聚合残差transformer模块为aggregated residual transformer block，以下简称art模块；每个art模块是transformer模块、通道压缩模块和卷积神经网络模块的级联，通道压缩模块为channelcompression，以下简称cc模块，卷积神经网络模块，以下简称cnn模块；其中transformer模块用于提取全局上下文特征，cnn模块用于输入特征映射的局部特征，cc模块用于处理transformer模块的特征映射，对特征进行下采样，以提取与任务相关的上下文特征。
19、所述art模块接收第 j层特征映射作为特征输入，通过transformer模块对特征图进行处理，为了方便训练，首先通过下采样得到，是由下采样中的通道数决定的，而是下采样因子决定的；然后tr本文档来自技高网...
【技术保护点】
1.一种基于CT脑梗图像生成DWI图像的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于CT脑梗图像生成DWI图像的方法，其特征在于，所述步骤一中归一化是按照最小值中心化后，按极差缩放到[0, 1]之间，按照窗宽100窗位50进行加窗。
3.根据权利要求1所述的一种基于CT脑梗图像生成DWI图像的方法，其特征在于，所述步骤二中CT图像到DWI序列跨模态生成步骤如下：
4.根据权利要求3所述的一种基于CT脑梗图像生成DWI图像的方法，其特征在于，所述步骤II中四条信息流路径为：
5.根据权利要求3所述的一种基于CT脑梗图像生成DWI图像的方法，其特征在于，所述鉴别器基于PatchGAN的鉴别器架构，鉴别器在获得的图像和合成图像之间执行补丁级判别，用于提升高空间频率信息相关局部细节的灵敏度。
6.根据权利要求3所述的一种基于CT脑梗图像生成DWI图像的方法，其特征在于，所述复合型损失函数是三项独立损失函数的加权求和，所述损失函数包括像素损失、重建损失和对抗损失。
7.如权利要求3所述的一种基于C
8.如权利要求7所述的一种基于CT脑梗图像生成DWI图像的方法，其特征在于，所述ART模块接收第j层特征映射作为特征输入，通过Transformer模块对特征图进行处理，为了方便训练，首先通过下采样得到， 是由下采样中的通道数决定的，而和是下采样因子决定的；然后Transformer分支来处理；
...【技术特征摘要】
1.一种基于ct脑梗图像生成dwi图像的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于ct脑梗图像生成dwi图像的方法，其特征在于，所述步骤一中归一化是按照最小值中心化后，按极差缩放到[0, 1]之间，按照窗宽100窗位50进行加窗。
3.根据权利要求1所述的一种基于ct脑梗图像生成dwi图像的方法，其特征在于，所述步骤二中ct图像到dwi序列跨模态生成步骤如下：
4.根据权利要求3所述的一种基于ct脑梗图像生成dwi图像的方法，其特征在于，所述步骤ii中四条信息流路径为：
5.根据权利要求3所述的一种基于ct脑梗图像生成dwi图像的方法，其特征在于，所述鉴别器基于patchgan的鉴别器架构，鉴别器在获得的图像和合成图像之间执行补丁级判别，用于提升高空间频率信息相关局部细节的灵敏度。
6.根据权利要求3所述的一种基于ct脑梗图像生成dwi图像的方法，其特征在于，所述复合型损失函数是三项独立损失函数的加权求和，所述损失函数包括像素损失、重建损失和对抗损失。
7.如权利要求3所述的一种基于ct脑梗图像生成dwi图像的方法，其特征在于，所述步骤二中ct图像到dw...
【专利技术属性】
技术研发人员：郑强，陈莹钰，姜晓林，
申请(专利权)人：英瑞云医疗科技烟台有限公司，
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。