【技术实现步骤摘要】
本专利技术涉及医疗影像处理和深度学习，具体是基于渐进学习的无对比剂ct血管造影重构方法，还涉及基于渐进学习的无对比剂ct血管造影重构系统。
技术介绍
1、现有的ct血管造影(cta)成像技术通常需要向患者注射对比剂，并进行专门的ct扫描。这种方法可能会引起过敏反应、肾功能损害等副作用，不适合某些特殊人群，严重者可能会危及生命，而且cta检查相对于普通ct检查成本较高。因此，开发一种能够利用rawct恢复出无对比剂的cta，并将恢复得到的无对比剂cta进一步重构为可实际应用的cta图像的方法和系统具有重要的临床意义和应用价值。
2、近年，随着深度学习的发展，出现了以pix2pix网络[isola p,et al.proceedingsof the ieee conference on computer vision and pattern recognition.2017:1125-1134.]和diffusion model[ho j,jain a,abbeel p.denoising diffusionprobabilistic models.advances in neural information processing systems,2020,33:6840-6851.]为代表的计算机视觉深度学习模型，较好实现了两种图像之间的转换。研究者在此基础上依据医学图特性进行了一系列的扩展和优化，性能获得了进一步的提升，但由于现有医学图像转换模型基于信息丢失的影像数据开发，使得基于影像开发的模态转换模型无法实现对低对
技术实现思路
1、本专利技术的目的在于针对现有技术存在的上述问题，提出基于渐进学习的无对比剂ct血管造影重构方法，还提出基于渐进学习的无对比剂ct血管造影重构系统；
2、本专利技术的上述目的通过以下技术手段实现：
3、基于渐进学习的无对比剂ct血管造影重构方法，包括以下步骤：
4、步骤1、获取raw ct、对应的对比剂raw ct血管造影cta、ct图像和对应对比剂cta图像作为样本组，将样本组划分为训练集和测试集；
5、步骤2、对训练集和测试集进行预处理，得到预处理后的raw ct、预处理后的对比剂raw cta、预处理后的ct图像和预处理后的对比剂cta图像；
6、步骤3、构建渐进学习网络模型，渐进学习网络模型依次包括第一模型、重构模块和第二模型，第一模型的网络结构和第二模型的网络结构均为卷积神经网络；其中预处理后的raw ct输入第一模型得到投影增强后的raw ct，投影增强后的raw ct经过重构模块后获得投影增强后的ct，投影增强后的ct输入至第二模型获得预测无对比剂cta；
7、步骤4、分别设计第一模型和第二模型的总损失函数；
8、步骤5、使用预处理后的raw ct、预处理后的对比剂raw cta、预处理后的ct图和预处理后的对比剂cta图像对渐进学习网络模型进行训练；
9、步骤6、通过已训练的渐进学习网络模型，从待处理的raw ct获得重构无对比剂cta图像；
10、步骤7、对重构无对比剂cta图像进行后处理，得到标准重构无对比cta图像。
11、如上所述的步骤2中，数据预处理包括数据清洗、数据配准、和标准化。
12、如上所述的步骤3中，渐进学习网络模型的第一模型的结构和第二模型的结构相同，且均包括编码器、深层特征传递器和解码器；
13、编码器包括输入层和下采样卷积层；
14、深层特征传递器包括残差卷积层；
15、解码器包括上采样卷积层和输出层。
16、如上所述的步骤4中，第一模型的总损失函数为：
17、ltotal＝a*lmse+b*lssim
18、
19、
20、其中，ltotal为第一模型的总损失函数，a＝1为第一模型均方误差损失函数lmse的加权值,b＝1为第一模型结构相似性指数损失函数lssim的加权值；i为像素点索引值，n为像素点总数，y表示预处理后的对比剂raw cta，y′表示由第一模型得到的投影增强后的raw ct，||||1为l1距离运算符；uy和分别为预处理后的对比剂raw cta y的均值和方差，uy′和表示由第一模型得到的投影增强后的raw ct y′的均值和方差；σyy′为预处理后的对比剂raw ctay和由第一模型得到的投影增强后的raw ct y'的协方差，常数系数c1＝(k1l)2，常数系数c2＝(k2l)2，常数系数k1＝0.01，常数系数k2＝0.03，常数系数l＝1。
21、如上所述的步骤4中，第二模型的总损失函数为：
22、l′total＝a′*l′mse+b′*l′ssim+c*latten+d*ladv
23、
24、ladv＝e[(1-d(z′))2]
25、其中，l′total为第二模型的总损失函数；a′＝1为第二模型均方误差损失函数l′mse的加权值,b′＝1为第二模型结构相似性指数损失函数l′ssim的加权值；c＝10为血管注意力损失函数latten加权值,d＝1为对抗损失函数ladv加权值；z′表示由第二模型得到的预测无对比剂cta；对于中间变量m有：m＝z-x；对于中间变量m′有：m′＝z-z′；z表示预处理后的对比剂cta图像，x为预处理后的ct图像；d为判别器模块，e表示期望运算。
26、如上所述步骤5对渐进学习网络模型进行的训练中，采用反向传播和梯度下降法最小化第一模型的总损失函数和第二模型的总损失函数。
27、如上所述步骤7中后处理包括：
28、将第二模型输出的重构无对比剂cta图像通过数据逆标准化，获得原始数值范围的重构无对比剂cta图像；
29、对原始数值范围的重构无对比剂cta图像依次进行滤波去除噪声、图像增强、转换为dicom格式，得到标准重构无对比cta图像。
30、基于渐进学习的无对比剂ct血管造影重构系统，包括：
31、数据采集模块，用于获取raw ct、对应的对比剂raw ct血管造影cta、ct图像和对应对比剂cta图像作为样本组，将样本组划分为训练集和测试集；
32、数据预处理模块，用于对训练集和测试集进行预处理，得到预处理后的raw ct、预处理后的对比剂raw cta、预处理后的ct图像和预处理后的对比剂cta图像；
33、模型构建模块，用于构建渐进学习网络模型，渐进学习网络模型依次包括第一模型、重构模块和第二模型，第一模型的网络结构和第二模型的网络结构均为卷积神经网络；其中预处理后的raw ct输入第一模型得到投影增本文档来自技高网...
【技术保护点】
1.基于渐进学习的无对比剂CT血管造影重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于渐进学习的无对比剂CT血管造影重构方法，其特征在于，所述的步骤2中，数据预处理包括数据清洗、数据配准、和标准化。
3.根据权利要求1所述基于渐进学习的无对比剂CT血管造影重构方法，其特征在于，所述的步骤3中，渐进学习网络模型的第一模型的结构和第二模型的结构相同，且均包括编码器、深层特征传递器和解码器；
4.根据权利要求1所述基于渐进学习的无对比剂CT血管造影重构方法，其特征在于，所述的步骤4中，第一模型的总损失函数为：
5.根据权利要求4所述基于渐进学习的无对比剂CT血管造影重构方法，其特征在于，所述的步骤4中，第二模型的总损失函数为：
6.根据权利要求1所述基于渐进学习的无对比剂CT血管造影重构方法，其特征在于，所述步骤5对渐进学习网络模型进行的训练中，采用反向传播和梯度下降法最小化第一模型的总损失函数和第二模型的总损失函数。
7.根据权利要求2所述基于渐进学习的无对比剂CT血管造影重构方法，其特征在于，所
8.基于渐进学习的无对比剂CT血管造影重构系统，其特征在于，包括：
...【技术特征摘要】
1.基于渐进学习的无对比剂ct血管造影重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于渐进学习的无对比剂ct血管造影重构方法，其特征在于，所述的步骤2中，数据预处理包括数据清洗、数据配准、和标准化。
3.根据权利要求1所述基于渐进学习的无对比剂ct血管造影重构方法，其特征在于，所述的步骤3中，渐进学习网络模型的第一模型的结构和第二模型的结构相同，且均包括编码器、深层特征传递器和解码器；
4.根据权利要求1所述基于渐进学习的无对比剂ct血管造影重构方法，其特征在于，所述的步骤4中，第一模型的总...
【专利技术属性】
技术研发人员：娄昕，杨明亮，熊永琴，李岩，
申请(专利权)人：中国人民解放军总医院第一医学中心，
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。