[发明专利]一种基于聚焦学习的CT血管造影智能成像方法

说明书

本发明公开了一种基于聚焦学习的CT血管造影智能成像方法，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图像和对应的真实CTA图像作为样本对，将样本划分为训练集、验证集和测试集；构建对抗网络模型，包括生成器、矫正器及判别器；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；利用训练集对构建好的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；利用测试集获得最佳测试性能的生成器。本发明构建了联合聚焦学习损失函数，使得所述生成器合成CTA图像能够更好的凸显目标区域，例如血管组织；本发明引入了矫正器，使得NCCT图像与CTA图像之间更好的配准对齐。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于聚焦学习的CT血管造影智能成像方法。

背景技术

CT血管造影(CT angiography，CTA)由于使用流程中需要造影剂，使得往返的CT扫描占用大量时间并增加相关费用，因此，需通过相关技术或手段来解决上述问题，考虑通过人工智能技术，通过构建聚焦学习的对抗网络模型，实现平扫CT(NCCT)到CTA的图像转换，进而减少CTA检查流程，提供更快更经济的成像选择。

近年，随着人工智能技术的发展，出现了以Pix2pix网络[Isola P,etal.Proceedings of the IEEE Conference on Computer Vision and PatternRecognition.2017:1125-1134.]为代表的图像转换模型，较好实现了成对图像之间的模态转换。针对实际难以获得大量高质量成对的医学图像问题，研究者们尝试将cycleGAN模型[Zhu J Y,Proceedings of the IEEE international conference on computervision.2017:2223-2232.]应用于非配对医学图像模态转换中，但所取得效果有限。针对医学图像难以获得严格配对数据，非配对数据无监督学习效果有限的痛点，近来开发出了以RegGAN[Kong L,et al..Advances in Neural Information Processing Systems,2021,34:1964-1978.]为代表医学图像模态转换模型。由于当前相关模型没有考虑不同组织区域重要性差异，使得在此条件下训练获得的模型无法凸显重要区域的图像数据。

发明内容

为解决上述技术问题，本发明提供了一种基于聚焦学习的CT血管造影智能成像方法，采用了如下所述技术方案：

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。

如上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，