基于潜扩散模型的阿尔茨海默病3D MRI加速采样生成方法技术

本发明专利技术公开了一种用于加速采样生成阿尔茨海默病3D MRI图像的方法，对未经任何处理的公开阿尔茨海默病3D MRI图像数据集进行基于体素和表面的处理，在经过处理后的数据集上训练潜扩散模型，在潜在表示空间中迭代“去噪”数据以生成新图像，并利用ODE‑Solver加速整个采样过程，在10‑20步的采样步数内生成与原样本质量相近的样本，达到与经典算法1000步采样相当的效果。本发明专利技术方法实现大幅降低了训练和采样阶段的计算复杂度，有效提升了采样速度，适用于增加小数据集合成图像的场景。因此，该方法在数据饥饿、保护隐私的人工智能应用中具有重要意义，避免由于缺乏充足的数据集而阻碍医学影像项目深度学习的潜力发挥。

【技术实现步骤摘要】

本专利技术属于医学图像处理，具体涉及一种基于潜扩散模型的阿尔茨海默病3d mri加速采样生成方法。

技术介绍

1、近年来，深度学习在医学影像领域的作用日益显著，其中一些重要进展可以归功于大规模丰富数据对神经网络的训练。例如，深度学习已成功应用于医学影像分类问题，能够将图像中的高维信息有效地转化为单一类别。然而，当前医学影像项目面临一个严峻挑战，即缺乏大规模数据集。医疗数据的收集成本高昂且耗时，同时限制了公开可用的医疗数据集数量，这给数据共享带来了巨大挑战。这一限制影响了模型的推广性，并阻碍了前沿研究在临床实践中的应用。因此，提出合成具有隐私保护的数据的解决方案，对于医学影像领域具有重要意义，可为数据共享提供新思路。合成图像可用于站点间共享受保护的数据、辅助教育，甚至预测放射科中的医学疾病进展，具有广阔的应用前景。

2、传统的数据增强技术(例如几何变换)通常被用于补充真实数据，然而这些方法存在着缺乏生成多样性数据方面的局限性。相比之下，深度学习中生成式模型的应用则是通过训练数据的概率密度函数，从学习到的分布中采样，以此来创建逼真的样本。这些样本与本文档来自技高网...

【技术保护点】

1.基于潜扩散模型的阿尔茨海默病3D MRI加速采样生成方法，其特征在于，包括如下步骤：

2.根据权利要求1所述潜扩散模型的阿尔茨海默病3D MRI加速采样生成方法，其特征在于，所述步骤S1中，对初始的阿尔茨海默病3D MRI图像数据进行图像预处理的方式具体包括：

3.根据权利要求1所述基于潜扩散模型的阿尔茨海默病3D MRI加速采样生成方法，其特征在于，所述潜扩散模型中，采用VQ-GAN作为编码器和解码器，潜空间上的扩散模型的网络结构采用U-Net网络。

4.根据权利要求3所述基于潜扩散模型的阿尔茨海默病3D MRI加速采样生成方法，其特征在于，所述...

【技术特征摘要】

1.基于潜扩散模型的阿尔茨海默病3d mri加速采样生成方法，其特征在于，包括如下步骤：

2.根据权利要求1所述潜扩散模型的阿尔茨海默病3d mri加速采样生成方法，其特征在于，所述步骤s1中，对初始的阿尔茨海默病3d mri图像数据进行图像预处理的方式具体包括：

3.根据权利要求1所述基于潜扩散模型的阿尔茨海默病3d mri加速采样生成方法，其特征在于，所述潜扩散模型中，采用vq-gan作为编码器和解码器，潜空间上的扩散模型的网络结构采用u-net网络。

【专利技术属性】
技术研发人员：李艳梅，李例洪，李小双，余涛，杨奇滨，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：