【技术实现步骤摘要】
本申请涉及光声图像重建，特别是涉及一种光声图像重建模型训练方法、装置、设备及介质。
技术介绍
1、光声成像(photoacoustic imaging，pai)是一种非侵入性的生物医学成像技术，结合了光学成像的高对比度和超声成像的深度穿透能力。在光声成像中，生物组织在激光脉冲的照射下产生热弹性声波，这些声波被超声探头接收并转换为图像。尽管光声成像提供了高对比度和分辨率，但光声层析成像(photoacoustic tomography，pat)图像的质量极大地依赖于采样密度。为了获得最佳图像质量，需要高采样率并从多个角度获取超声信号扫描。但由于设备和时间限制，常常只能进行稀疏采样，这在重建图像中引入了伪影和模糊。尽管通过增加传感器数量或扩大采样角度可以缓解这些问题，但这样的解决方案会提高系统复杂性和成本。因此，在稀疏采样条件下减少伪影和提高图像质量仍然是一个关键问题。
2、近年来，深度学习已广泛应用于医学图像的处理和重建中，如自动特征提取和增强稀疏采样数据的重建质量。这些模型能从大量数据中学习到复杂的图像特征和模式，有效改善传统算法在图像重建中的不足。
3、然而，深度学习模型尤其是近期先进模型在处理大规模数据时，需求大量的计算资源和显著的处理时间，这在资源受限的场合(如便携式设备或实时应用)不实际。同时，随着深度学习的不断发展，生成模型，特别是生成对抗网络(generative adversarialnetworks，gan)，在许多领域变得非常流行。它们已被用来模拟光声成像数据的重建过程，有效地提高了图像
技术实现思路
1、本申请实施例所要解决的技术问题是提供一种光声图像重建模型训练方法、装置、设备及介质，以有效的提高光声图像重建的准确性，增加模型在资源受限场景中部署的可行性。
2、第一方面，本申请实施例提供了一种光声图像重建模型训练方法，所述方法包括：
3、获取模型训练样本，所述模型训练样本包括：稀疏光声图像和所述稀疏光声图像对应的密集采样光声图像；
4、将所述模型训练样本输入至待训练的光声图像重建模型，所述待训练的光声图像重建模型包括：离散变换层、高频通道注意力层和低频通道注意力层；
5、调用所述离散变换层对所述稀疏光声图像进行离散二维小波变换，得到所述稀疏光声图像的低频特征图和高频特征图；
6、调用所述高频通道注意力层对所述高频特征图进行垂直方向和水平方向上的特征捕获，得到高频注意力特征图；
7、调用所述低频通道注意力层对所述低频特征图进行处理，得到低频注意力特征图；
8、对所述高频注意力特征图、所述低频注意力特征图和所述稀疏光声图像进行图像重建，得到重建图像；
9、基于所述重建图像和所述密集采样光声图像，计算得到所述待训练的光声图像重建模型的损失值；
10、在所述损失值处于预设范围内的情况下，得到最终的光声图像重建模型。
11、第二方面，本申请实施例提供了一种光声图像重建模型训练装置，所述装置包括：
12、模型样本获取模块，用于获取模型训练样本，所述模型训练样本包括：稀疏光声图像和所述稀疏光声图像对应的密集采样光声图像；
13、模型样本输入模块，用于将所述模型训练样本输入至待训练的光声图像重建模型，所述待训练的光声图像重建模型包括：离散变换层、高频通道注意力层和低频通道注意力层；
14、特征图获取模块，用于调用所述离散变换层对所述稀疏光声图像进行离散二维小波变换，得到所述稀疏光声图像的低频特征图和高频特征图；
15、高频特征图获取模块，用于调用所述高频通道注意力层对所述高频特征图进行垂直方向和水平方向上的特征捕获，得到高频注意力特征图；
16、低频特征图获取模块，用于调用所述低频通道注意力层对所述低频特征图进行处理，得到低频注意力特征图；
17、重建图像获取模块，用于对所述高频注意力特征图、所述低频注意力特征图和所述稀疏光声图像进行图像重建，得到重建图像；
18、损失值计算模块，用于基于所述重建图像和所述密集采样光声图像，计算得到所述待训练的光声图像重建模型的损失值；
19、光声图像重建模型获取模块，用于在所述损失值处于预设范围内的情况下，得到最终的光声图像重建模型。
20、第三方面，本申请实施例提供了一种电子设备，包括：
21、处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述的光声图像重建模型训练方法。
22、第四方面，本申请实施例提供了一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一项所述的光声图像重建模型训练方法。
23、与现有技术相比，本申请实施例包括以下优点：
24、本申请实施例中，通过获取模型训练样本，模型训练样本包括：稀疏光声图像和稀疏光声图像对应的密集采样光声图像。将模型训练样本输入至待训练的光声图像重建模型，待训练的光声图像重建模型包括：离散变换层、高频通道注意力层和低频通道注意力层。调用离散变换层对稀疏光声图像进行离散二维小波变换，得到稀疏光声图像的低频特征图和高频特征图。调用高频通道注意力层对高频特征图进行垂直方向和水平方向上的特征捕获，得到高频注意力特征图。调用低频通道注意力层对低频特征图进行处理，得到低频注意力特征图。对高频注意力特征图、低频注意力特征图和稀疏光声图像进行图像重建，得到重建图像。基于重建图像和稀疏采样光声图像，计算得到待训练的光声图像重建模型的损失值。在损失值处于预设范围内的情况下，将训练后的待训练的光声图像重建模型作为最终的光声图像重建模型。本申请实施例通过将小波分解与定制的注意力机制深度集成，专门用于增强小波域中不同频率子带的处理。这种协同作用使得能够更有效地处理pat中的稀疏采样挑战，同时捕获低频和高频信息，具有较低的flops和参数，使其非常适合在资源受限的场景中部署。同时，采用离散二维小波变换与注意力机制相结合的机制，能够有效提高稀疏采样光声图像重建的准确性，通过采用输入图像的多尺度分解，模型有效地捕捉了全局结构和局部细节，从而在保持整体结构一致性的同时，更好地恢复精细特征。
25、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
本文档来自技高网...【技术保护点】
1.一种光声图像重建模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述调用所述离散变换层对所述稀疏光声图像进行离散二维小波变换，得到所述稀疏光声图像的低频特征图和高频特征图，包括：
3.根据权利要求1所述的方法，其特征在于，所述高频通道注意力层包括：第一卷积归一化激活层、加强轴向注意力机制层和第二卷积归一化激活层，
4.根据权利要求3所述的方法，其特征在于，所述调用所述加强轴向注意力机制层对所述特征图进行加强轴向注意力处理，得到加强轴向注意力特征图，包括：
5.根据权利要求1所述的方法，其特征在于，所述低频通道注意力层包括：第一低频注意力模块、离散变换模块、第二低频注意力模块、高频注意力模块、逆离散变换模块和第三低频注意力模块，
6.根据权利要求1所述的方法，其特征在于，所述对所述高频注意力特征图、所述低频注意力特征图和所述稀疏光声图像进行图像重建，得到重建图像，包括：
7.一种光声图像重建模型训练装置，其特征在于，所述装置包括：
8.根据权利要求7所述的装置
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行权利要求1至6中任一项所述的光声图像重建模型训练方法。
...【技术特征摘要】
1.一种光声图像重建模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述调用所述离散变换层对所述稀疏光声图像进行离散二维小波变换，得到所述稀疏光声图像的低频特征图和高频特征图，包括：
3.根据权利要求1所述的方法，其特征在于，所述高频通道注意力层包括：第一卷积归一化激活层、加强轴向注意力机制层和第二卷积归一化激活层，
4.根据权利要求3所述的方法，其特征在于，所述调用所述加强轴向注意力机制层对所述特征图进行加强轴向注意力处理，得到加强轴向注意力特征图，包括：
5.根据权利要求1所述的方法，其特征在于，所述低频通道注意力层包括：第一低频注意力...
【专利技术属性】
技术研发人员：牛超君，赵旭东，杨强，刘强，
申请(专利权)人：北京石油化工学院，
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。