System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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。