[发明专利]基于空间-语义显著性约束的CT图像模态对齐方法

权利要求书

1.一种基于空间-语义显著性约束的CT图像模态对齐方法，其特征在于，包括：

从不同的数据集中获取原始CT图像，标记并截取CT图像的肺结节区域，得到肺结节区域图像；其中，不同数据集中的原始CT图像对应不同的模态；

通过自适应高斯滤波，对不同数据集的肺结节区域图像进行掩模计算，得到对应的3D掩模；

通过不同数据集的肺结节区域图像对3D DenseNet网络进行训练，得到第一分类器和第二分类器；其中，所述第一分类器和所述第二分类器用于对肺结节区域图像中的肺结节进行置信度评估，得到对应的置信度评估分数；

在循环一致生成对抗网络CycleGAN中引入3D掩模和置信度评估分数作为约束条件，得到基于空间-语义显著性约束的循环一致生成对抗网络SSA-CycleGAN；

通过所述SSA-CycleGAN对不同数据集的肺结节区域图像进行转换处理，得到统一模态的肺结节区域图像；

不同数据集中的原始CT图像包括：原始模态A、目标模态B；其中：所述原始模态A是指包含设备成像噪音，和/或注射药剂的增强CT图像；目标模态B是指不包含设备成像噪音和注射药剂的CT图像；

在通过所述SSA-CycleGAN对不同数据集的肺结节区域图像进行转换处理，得到统一模态的肺结节区域图像之前，还包括：

构建SSA-CycleGAN；所述SSA-CycleGAN包括：第一生成对抗网络、第二生成对抗网络；所述第一生成对抗网络中包括：正向生成器、正向判别器、正向3D DenseNet分类器；所述第二生成对抗网络中包括：逆向生成器、逆向判别器、逆向3D DenseNet分类器；其中：

第一生成对抗网络用于将原始模态A转化为目标模态B；

第二生成对抗网络用于将目标模态B转化为原始模态A；

正向3D DenseNet分类器用于评估目标模态B在肺结节检测中的置信度；

逆向3D DenseNet分类器用于评估原始模态A在肺结节检测中的置信度；

所述方法，还包括：

通过来自不同数据集的肺结节区域图像对构建的所述SSA-CycleGAN进行训练，得到经过训练的SSA-CycleGAN；其中，所述SSA-CycleGAN的目标方程如下：

其中：

式中：为SSA-CycleGAN的训练优化目标方程，G_A为正向生成器，G_B为逆向生成器，C_A为正向3D DenseNet分类器，C_B为逆向3D DenseNet分类器，D_A为正向判别器，D_B为逆向判别器；为第一生成对抗网络的带高斯掩模的损失函数，为第二生成对抗网络的带高斯掩模的损失函数；为第一生成对抗网络的含3D DenseNet质量评估的损失函数，L_se(G_B,D_A,C_A,B,A)为第二生成对抗网络的含3D DenseNet质量评估的损失函数；为循环一致损失函数，λ为可调节权重；G_A为正向生成器，G_B为逆向生成器，D_A为正向判别器，D_B为逆向判别器，A为原始模态，B为目标模态；msk为3D掩模，为原始模态A转化为目标模态B的期望，D_B(x_B)为逆向判别器的预测结果，D_A(x_A)为正向判别器的预测结果，x_A为原始模态A的图像，x_B为目标模态B的图像，为目标模态B转化为原始模态A的期望，C_A(G_B(x_B))为正向3D DenseNet分类器的判别结果，G_A(x_A)为正向生成器的生成结果，C_A(G_B(x_B))为逆向3D DenseNet分类器的判别结果，G_B(x_B)为逆向生成器的生成结果，D_B(G_A(x_A))为逆向判别器的预测结果，D_A(G_B(x_B))为正向判别器的预测结果，s为可调节权重。