[发明专利]一种基于聚焦学习的CT血管造影智能成像方法

权利要求书

1.一种基于聚焦学习的CT血管造影智能成像方法，其特征在于，包括以下步骤：

步骤1、采集NCCT图像和对应的真实CTA图像并归一化处理，归一化后的NCCT图像和对应的归一化真实CTA图像作为样本对，将样本对划分为训练集、验证集和测试集；

步骤2、构建对抗网络模型，对抗网络模型包括生成器、矫正器以及判别器；

步骤3、构建生成器与矫正器的联合聚焦学习损失函数，构建判别器损失函数；

步骤4、利用训练集对对抗网络模型进行训练，利用验证集对训练后的对抗网络模型进行验证；

步骤5、将测试集中的样本对输入到生成器，生成对应的归一化合成CTA图像，将获得的归一化合成CTA图像进行测试评估，获得最佳测试性能的生成器；

步骤6、加载步骤5获得的生成器，将待处理的归一化NCCT图像作为生成器输入，输出归一化合成CTA图像，

所述步骤3中的生成器与矫正器的联合聚焦学习损失函数L_GR定义为：

L_GAN(G，D)＝E_x[(1-D(G(x)))²]

L_GAN(G，D)为对抗损失函数，D为判别器，G为生成器，m为聚焦尺度数，b_i为第i个的加权系数，为矫正损失函数，γ为L_smooth的加权系数，L_smooth为平滑损失函数；E(.)为期望运算符，下标为输入变量，x为生成器G输入的归一化NCCT图像，对应于重采样操作，R为矫正器，为梯度运算符为，||.||₁为L₁距离运算符，R(G(x)，y)为矫正器训练输出的矫正空间矩阵，G(x)为生成器的输出，为矫正后的归一化合成CTA图像，y为归一化真实CTA图像，i取值为1和2，i＝1时计算y和的全图像损失，i＝2时计算y和的区域滤波图像损失，

所述步骤3中判别器损失函数L_Adv(G，D)定义为：

minL_Adv(G，D)＝E_y[(1-D(y))²]+E_x[D(G(x))²]。

2.根据权利要求1所述一种基于聚焦学习的CT血管造影智能成像方法，其特征在于，所述生成器包括输入层、编码器、中心残差模块、解码器以及输出层，在生成器中：

归一化NCCT图像输入到输入层，

编码器包括多层下采样卷积层，

中心残差模块包括多个残差块，

解码器包括多层上采样卷积层，

除输出层以外，输入层、下采样卷积层、残差块和上采样卷积层均使用了归一化和功能激活函数，输出层将上采样卷积层的输出进行2D卷积操作并经过激活函数输出归一化合成CTA图像。

3.根据权利要求2所述一种基于聚焦学习的CT血管造影智能成像方法，其特征在于，所述矫正器包括编码器、中心残差模块、解码器及输出端，输出端包括提炼模块和输出层，在矫正器中：

生成器输出的归一化合成CTA图像和归一化真实CTA图像输入到编码器，

编码器包括多层下采样卷积层，

中心残差模块包括多个残差块，

解码器包括多层上采样卷积层，

提炼模块包括残差块和卷积层

编码器的下采样卷积层和对应的解码器的上采样卷积层之间通过跳转连接线进行连接，

除输出端的提炼模块和输出层，编码器的下采样卷积层、中心残差模块的残差块和解码器的上采样卷积层均使用了归一化和功能激活函数，输出层输出矫正空间矩阵。

4.根据权利要求3所述一种基于聚焦学习的CT血管造影智能成像方法，其特征在于，所述判别器包括多层下采样卷积层和一个2维卷积输出层，判别器的输入为归一化真实CTA图像或归一化合成CTA图像，判别器输出单通道图像矩阵块，单通道图像矩阵块经平均池化后，获得对应的池化值。