【技术实现步骤摘要】
本专利技术涉及图像处理，尤其是一种基于深度学习的增强-平扫ct图像合成方法和系统。
技术介绍
1、增强x线计算机断层扫(computed tomography，ct)是血管病变、疑似肿瘤病变和放射治疗(放疗)的靶区勾画等常用的成像技术。通过静脉注射对比剂(造影剂)再进行ct扫，可以使得病变组织与邻近正常组织间的密度差增加，从而提高病变的显示率，达到可靠的诊断目的。图像引导的放疗是临床上广泛应用的精确放疗技术，增强ct图像通常用于辅助提高放疗靶区和危及器官勾画的准确性，旨在将高剂量的射线集中于肿瘤区域，同时尽量减少正常组织放射剂量。
2、目前，实现增强ct图像直接用于整个放疗计划仍存在很大困难和挑战。治疗计划系统(treatment planning system,tps)通过ct图像转换的电子密度进行放疗的剂量计算，对比剂的引入使得增强ct图像的ct值增大，与平扫ct图像存在显著差异，从而导致放疗剂量计算误差。估计电子密度的常规方案为额外进行平扫ct扫描,通过增强与平扫ct图像配准融合将勾画的靶区迁移到治疗计划系统。然而，这种方案将引入增强-平扫ct配准误差增强与平扫ct配准误差引起的空间不确定性贯穿整个放疗过程，并增加病人接受的辐射剂量和医疗成本。
技术实现思路
1、有鉴于此，本专利技术实施例提供一种基于深度学习的增强-平扫ct图像合成方法和系统，以提高最终得到目标平扫ct图像细节的丰富程度和清晰程度。
2、本专利技术实施例的一方面提供了一种基于深度学习的
3、获取训练数据；所述训练数据包括具有同一目标对象的预处理后的增强ct图像以及预处理后的平扫ct图像；
4、将所述训练数据输入网络模型进行训练，得到图像合成模型；其中，所述图像合成模型包括图像生成器以及鉴别器，所述图像生成器包括编码模块、解码模块以及自注意力模块；所述编码模块用于对图像进行特征提取，所述自注意力模块用于对特征提取结果进行特征处理，所述解码模块用于对特征处理结果进行解码处理，生成目标平扫ct图像；所述鉴别器用于根据预处理后的所述平扫ct图像和所述目标平扫ct图像生成鉴别结果以进行训练；
5、将待合成增强ct图像输入图像合成模型，得到目标平扫ct图像。
6、可选地，所述获取训练数据，包括：
7、获取具有同一目标对象的原始增强ct图像以及原始平扫ct图像；
8、对所述原始增强ct图像与所述原始平扫ct图像进行配准，得到配准增强ct图像以及配准平扫ct图像；
9、对所述配准增强ct图像以及所述配准平扫ct图像进行预设范围的赋值处理和归一化处理；
10、从归一化处理后的配准增强ct图像以及配准平扫ct图像截取预设尺寸的图像，得到预处理后的增强ct图像以及预处理后的平扫ct图像。
11、可选地，所述将所述训练数据输入网络模型进行训练，得到图像合成模型，包括：
12、通过所述编码模块对预处理后的增强ct图像以及预处理后的平扫ct图像进行特征提取；
13、通过自注意力模块对特征提取结果进行特征处理；
14、通过解码模块对特征处理结果进行解码处理，生成目标平扫ct图像；
15、根据所述鉴别器鉴别结果以及预设总损失函数对网络模型进行训练，得到图像合成模型。
16、可选地，所述编码模块包括卷积层、激活层和归一化层，其中卷积层用于图像特质提取；激活层用于引入非线性因素；归一化层用于加速模型的收敛；
17、所述通过所述编码模块对所述预处理后增强ct图像以及预处理后平扫ct图像进行特征提取，包括：
18、通过所述编码模块将预处理后的平扫ct图像和预处理后的增强ct图像中解剖结构内容信息编码到一个相同的结构内容隐空间，得到表示图像结构内容的特征向量序列；
19、通过所述编码模块将预处理后增强ct图像中对比剂增强成分编码到一个增强成分隐空间，得到表示图像增强成分的特征向量序列。
20、可选地，所述通过自注意力模块对特征提取结果进行特征处理，包括：
21、对所述编码模块产生的特征向量序列进行第一层归一化、可分离卷积和实例归一化，并对实例归一化后的特征向量序列进行窗口多头注意力，对每个窗口计算对应性的键值对信息，合并所有窗口的注意力头的输出得到窗口多头注意力输出；
22、对窗口多头注意力输出和原始特征向量进行相加，对第一相加结果进行第二层归一化，并对第二层归一化结果进行第一多层感知机的处理；
23、将第一多层感知机的处理结果与第一相加结果进行相加，对第二相加结果进行第三层归一化，并对第三层归一化结果进行移动窗口多头注意力；
24、将移动窗口多头注意力结果和第二相加结果进行相加，对第三相加结果进行第四层归一化，并对第四层归一化结果进行第二多层感知机的处理；
25、将第二多层感知机的处理结果和第三相加结果进行第四相加，得到特征处理结果。
26、可选地，所述解码模块包括残差层、上采样层、融合层和输出层；其中，残差层用于在高层特征计算中考虑低层特征；上采样层用于增加特征图的空间尺寸；融合层将编码器产生的特征与解码器内部生成的特征进行融合；输出层用于引入非线性因素；
27、所述通过解码模块对特征处理结果进行解码处理，生成目标平扫ct图像，包括：
28、将预处理后的增强ct图像的结构内容特征向量序列经自注意力模块特征处理后，利用解码模块生成目标平扫ct图像；
29、将预处理后的增强ct图像的结构内容和增强成分特征向量序列分别经自注意力模块特征处理后，利用解码模块得到第一合成增强ct图像；
30、将预处理后的平扫ct图像的结构内容特征向量序列和预处理后的增强ct图像的增强成分特征向量序列，分别经自注意力模块特征处理后，利用解码模块得到第二合成增强ct图像；
31、将预处理后的平扫ct图像的结构内容特征向量序列经自注意力模块特征处理后，利用解码模块得到合成平扫ct图像；
32、将目标平扫ct图像和所述第二合成增强ct图像，利用编码模块和自注意力模块得到处理后的目标平扫ct图像结构内容特征向量序列和所述第二合成增强ct图像增强成分特征向量序列，利用解码模块得到第三合成增强ct图像。
33、可选地，所述根据所述鉴别器鉴别结果以及预设总损失函数对网络模型进行训练，得到图像合成模型这一步骤中，包括：
34、根据预设的总损失函数的误差值调整网络参数，得到图像合成模型；
35、根据所述预处理后的平扫ct图像和目标平扫ct图像构建平扫ct图像对抗损失函数；
36、根据所述预处理后的增强ct图像和所述第二合成增强ct图像构建增强ct图像对抗损失函数；
37、根据所述预处理后增强ct图像、所述第一合成增强ct图像、预处理后平扫ct图像以及合成平扫ct本文档来自技高网...
【技术保护点】
1.一种基于深度学习的增强-平扫CT图像合成方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的增强-平扫CT图像合成方法，其特征在于，所述获取训练数据，包括：
3.根据权利要求1或2所述的一种基于深度学习的增强-平扫CT图像合成方法，其特征在于，所述将所述训练数据输入网络模型进行训练，得到图像合成模型，包括：
4.根据权利要求3所述的一种基于深度学习的增强-平扫CT图像合成方法，其特征在于，
5.根据权利要求3所述的一种基于深度学习的增强-平扫CT图像合成方法，其特征在于，所述通过自注意力模块对特征提取结果进行特征处理，包括：
6.根据权利要求1所述的一种基于深度学习的增强-平扫CT图像合成方法，其特征在于，
7.根据权利要求6所述的一种基于深度学习的增强-平扫CT图像合成方法，其特征在于，所述根据所述鉴别器鉴别结果以及预设总损失函数对网络模型进行训练，得到图像合成模型这一步骤中，包括：
8.一种基于深度学习的增强-平扫CT图像合成系统，其特征在于，包括：
9.一种电
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种基于深度学习的增强-平扫ct图像合成方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的增强-平扫ct图像合成方法，其特征在于，所述获取训练数据，包括：
3.根据权利要求1或2所述的一种基于深度学习的增强-平扫ct图像合成方法，其特征在于，所述将所述训练数据输入网络模型进行训练，得到图像合成模型，包括：
4.根据权利要求3所述的一种基于深度学习的增强-平扫ct图像合成方法，其特征在于，
5.根据权利要求3所述的一种基于深度学习的增强-平扫ct图像合成方法，其特征在于，所述通过自注意力模块对特征提取结果进行特征处...
【专利技术属性】
技术研发人员：钟丽明，黄牧，肖若琳，全显跃，李欣明，阳维，
申请(专利权)人：南方医科大学，
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。