【技术实现步骤摘要】
本专利技术涉及一种医疗影像去噪与分级技术，具体为一种基于生成对抗网络的心脏mri影像去噪和病灶分级装置。
技术介绍
1、现代医学影像技术为临床医学提供了多样化的视角，能够有效快捷的发现病灶并制定治疗方案，因此医学影像是协助医师诊断和治疗计划的最重要工具之一。其中，心脏mri影像去噪是目前最为广泛的治疗需求。然而，由于仪器噪声和其他干扰因素的存在，mri影像常常受到噪声的干扰，降低了其质量和可靠性。传统的去噪方法在保留图像细节方面存在一定的局限性，对病灶区域处理不够精确。为生成更多高质量的医疗图像，生成对抗网络(gan)被广泛用于医疗影像去噪任务中，基于深度学习的gan模型在医疗影像去噪任务中表现良好，能够极大的帮助临床诊断工作。
2、目前，现有的mri医学影像广泛应用在心脏诊断、血管诊断及胸腹部等器官的诊断，但在磁共振影像在采集过程中产生的噪声，会直接干扰诊断判断。然而，传统影像去噪的方法(模糊滤波、自适应均值滤波等)虽能够滤掉大多数噪声，但会将部分高频信号一起滤除，引起高频信息的丢失，导致mri影像的边缘信息和纹理质量下降。此外，监督学习过分依赖于海量数据的标注，半监督学习虽可以降低人工标注的工作量，gan网络能够在去噪任务中选择需要适当的数据集和训练策略，调整模型参数和架构，以满足特定的应用需求。通过训练一个生成器网络和一个判别器网络，以实现对噪声干扰下的mri影像进行高质量去噪的效果。但是，目前国内外学者在心脏mri影像方面去噪效果和图像信息保留能力仍存在一定局限性，为提高心脏mri影像质量和去噪效率，需要一种
3、综上，针对现有技术的缺陷，实有必要提出一种技术方案以解决现有技术存在的技术问题。
技术实现思路
1、为了提高心脏mri影像去噪的效果和医疗影像的质量，本专利技术提出一种基于生成对抗网络的心脏mri影像去噪和病灶分级装置，提出一种多任务学习网络架构，同时进行心脏mri影像的去噪和病灶分级，通过联合训练两个任务，使网络能够学习到心脏病灶的相关特征，从而准确去除噪声的同时保留重要信息，提高分级准确性；通过残差块与残差连接解决梯度消失或爆炸等问题；并将去噪后的心脏mri影像和分级结果进行交互式展示，提供医师诊断辅助与治疗方案制定。
2、为解决上述技术问题，本专利技术通过以下技术方案予以实现：
3、一种基于生成对抗网络的心脏mri影像去噪和病灶分级装置，包括影像采集器10、数据预处理器20、多任务学习网络30和去噪与分级系统40，其中，影像采集器10用于采集心脏mri影像；数据预处理器20用于将输入的心脏mri影像进行图像预处理；多任务学习网络30用于获取训练数据并训练神经网络作为去噪与分级系统40；去噪与分级系统40用于对输入的带噪心脏mri影像进行处理并输出去噪声心脏mri影像和病灶分级结果；
4、所述多任务学习网络30包括生成对抗网络和病灶分级网络，生成对抗网络包括生成器g和判别器d；所述生成器g用于产生生成去噪心脏mri影像以逼近真实心脏mri影像；所述判别器d用于判别所述生成器g产生的生成图像是否为真实pet/ct图像，并以此输出‘1’或‘0’作为判断反馈；
5、所述病灶分级网络用于对生成器g输出的去噪后的心脏mri影像进行处理并输出病灶分级结果；其中，病灶分级网络和生成器g采用联合训练同时优化两个网络的参数，以实现去噪和病灶分级任务的协同学习。
6、作为进一步的改进方案，多任务学习网络30的训练过程如下：
7、步骤s1：采用对抗学习的方式训练生成对抗网络；
8、步骤s2：联合训练多任务学习网络，通过生成对抗网络和病灶分级网络的联合训练，获取更多的病灶特征，以提高心脏mri影像的去噪效果和病灶分级效率。
9、作为进一步的改进方案，步骤s1包括：
10、步骤s11：获取训练数据，训练数据包括纯净心脏mri影像和加入噪声的带噪声心脏mri影像；
11、步骤s12：将训练数据输入生成对抗网络，生成器g接收带噪声心脏mri影像，并生成与真实数据样本类似的假样本，通过建模和采样真实值x的分布，使得从建模分布中提取的样本成功欺骗判别器d；生成器g和判别器d就形成了一个最小-最大博弈；
12、训练完成后，生成器g用于对输入的带噪心脏mri影像执行去噪操作。
13、作为进一步的改进方案，生成器g采用基于resnet深度cnn结构，其中，通过残差块与残差连接执行多头注意力机制，以捕捉输入序列中的关联信息，从而准确去除噪声的同时保留重要信息，使得生成器g产生生成图像优化逼近真实心脏mri影像。
14、作为进一步的改进方案，生成器g包括：
15、一组三个卷积层以及批归一化和lrelu被堆叠在其中，cbl(k)是一组k通道卷积层，然后是批归一化和lrelu，dbl(k)是一组k通道反卷积层，然后是批归一化和relu；通过每两个skip添加一个残差连接；然后在多通道中每一通道中设置三个残差块(residualblocks)，每个块包含两个带有批归一化和lrelu激活的卷积层，以增加网络的深度；
16、多头注意力机制具体如下：
17、通过将输入的特征图通过不同的权重矩阵分别对特征进行三个线性变换，得到三组特征向量，分别用于计算查询(query)、键(key)和值(value)；将多个注意力向量按通道维度拼接起来，得到多头注意力向量；在多头注意力机制中，可以使用多个独立的注意力头(attention head)来捕捉不同的关联信息；每个注意力头都具有自己的查询、键和值映射，可以使用不同的权重矩阵进行计算；注意力头的计算表示为：
18、multihead(q, k, v) ＝ concat(head_1, head_2, ..., head_h) × w_o (1)
19、在多头注意力计算后引入残差连接和层归一化操作；残差连接将原始输入与多头注意力的输出相加，而层归一化则对相加的结果进行归一化；表示为：
20、layernorm(x+multihead(q,k,v))(2)
21、通过以上计算公式，在生成器中引入多头注意力机制。
22、作为进一步的改进方案，在子网络中加入了对称残差连接(skip connection)，通过三个亚像素卷积层，每个对应于网络前端的卷积层；每个子像素卷积层由一个调整大小的图像块组成，后面是卷积层；图像的大小从64×64调整到128×128，最终的图像输出大小为256×256；前两个反卷积层具有lrelu激活，最后的反卷积层具有sigmoid激活，给出最终的输出。
23、作为进一步本文档来自技高网...
【技术保护点】
1.一种基于生成对抗网络的心脏MRI影像去噪和病灶分级装置，其特征在于，包括影像采集器10、数据预处理器20、多任务学习网络30和去噪与分级系统40，其中，影像采集器10用于采集心脏MRI影像；数据预处理器20用于将输入的心脏MRI影像进行图像预处理；多任务学习网络30用于获取训练数据并训练神经网络作为去噪与分级系统40；去噪与分级系统40用于对输入的带噪心脏MRI影像进行处理并输出去噪声心脏MRI影像和病灶分级结果；
2.根据权利要求1所述的基于生成对抗网络的心脏MRI影像去噪和病灶分级装置，其特征在于，多任务学习网络30的训练过程如下：
3.根据权利要求2所述的基于生成对抗网络的心脏MRI影像去噪和病灶分级装置，其特征在于，步骤S1包括：
4.根据权利要求3所述的基于生成对抗网络的心脏MRI影像去噪和病灶分级装置，其特征在于，生成器G采用基于ResNet深度CNN结构，其中，通过残差块与残差连接执行多头注意力机制，以捕捉输入序列中的关联信息，从而准确去除噪声的同时保留重要信息，使得生成器G产生生成图像优化逼近真实心脏MRI影像。
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。