本發(fā)明涉及醫(yī)學(xué)影像處理，具體涉及一種基于dct-gan多尺度融合的ct造影智能成像方法及系統(tǒng)。

背景技術(shù)：

1、ct血管造影(cta)是一種非侵入性的醫(yī)學(xué)影像技術(shù)，它結(jié)合了計算機斷層掃描(ncct)和血管造影技術(shù)。通過向靜脈內(nèi)注射造影劑，ct設(shè)備能夠捕捉到造影劑在血管中的流動情況，從而生成血管的三維圖像。cta具有高精度和三維成像能力，能夠提供毫米級的血管圖像，幫助醫(yī)生準(zhǔn)確識別血管狹窄、動脈瘤、血管畸形等病變。然而，造影劑的注射會帶來多個方面的問題：(1)存在一定的不良反應(yīng)，如蕁麻疹、支氣管痙攣、喉頭水腫和心臟驟停等；(2)部分患者不適合造影劑檢查，如心、肝、腎功能不全等。(3)增加檢查時間，注射造影劑后需要等待一定時間等造影劑進入相應(yīng)器官才能開始檢查，而檢查時間的延長會導(dǎo)致急性腦卒中等疾病治療延后，從而影響患者的預(yù)后。

2、而隨著深度學(xué)習(xí)技術(shù)的發(fā)展，特別是生成對抗網(wǎng)絡(luò)(gan)框架的引入，已有相關(guān)研究人員通過構(gòu)建基于聚焦學(xué)習(xí)的對抗網(wǎng)絡(luò)模型，實現(xiàn)平掃ct(ncct)到cta的圖像轉(zhuǎn)換。這種轉(zhuǎn)換技術(shù)能夠模擬造影劑在血管中的流動效果，從而生成接近真實cta的圖像。雖然，該技術(shù)能夠顯著縮短檢查時間并降低成本，但仍然存在一些問題，如由于圖像特征提取不充分，導(dǎo)致生成的cta圖像在細(xì)節(jié)上不夠清晰，或者在某些區(qū)域出現(xiàn)偽影，影響診斷的準(zhǔn)確性。因此，為了提升生成圖像的質(zhì)量、真實感和穩(wěn)定性，有必要應(yīng)用一種結(jié)合了高級圖像特征提取與多尺度融合的深度學(xué)習(xí)模型，通過增強模型在頻域上的損失計算能力、以及對多尺度特征的深度融合，以提高圖像轉(zhuǎn)換的精度和真實性，減少偽影和細(xì)節(jié)模糊的問題。

技術(shù)實現(xiàn)思路

1、為了實現(xiàn)提高圖像轉(zhuǎn)換的精度和真實性，減少偽影和細(xì)節(jié)模糊的問題，本發(fā)明的目的在于提供一種基于dct-gan多尺度融合的ct造影智能成像方法及系統(tǒng)，所采用的技術(shù)方案具體如下：

2、第一方面，本技術(shù)公開了一種基于dct-gan多尺度融合的ct造影智能成像方法，其所述方法包括：

3、s1、獲取預(yù)處理后的目標(biāo)ncct-cta圖像數(shù)據(jù)集，所述目標(biāo)ncct-cta圖像數(shù)據(jù)集中包括了多張目標(biāo)ncct圖像、以及與之配準(zhǔn)的目標(biāo)cta圖像；

4、s2、基于所述目標(biāo)ncct-cta圖像數(shù)據(jù)集按照預(yù)設(shè)比例進行劃分，得到訓(xùn)練集、驗證集；

5、s3、將所述訓(xùn)練集、驗證集輸入至基于dct-gan多尺度融合的初始生成對抗網(wǎng)絡(luò)中進行模型訓(xùn)練，訓(xùn)練過程中，由生成器生成虛擬cta圖像，由鑒別器對輸入的原始cta圖像與虛擬cta圖像在圖像域和經(jīng)過離散余弦變換處理的頻域上進行判別，并基于圖像域與頻域上的相似度差異，以及鑒別器在這兩個域上的判別差異確定網(wǎng)絡(luò)總體損失函數(shù)；

6、s4、將預(yù)處理后的實時ncct圖像輸入至訓(xùn)練好的目標(biāo)生成對抗網(wǎng)絡(luò)中，由生成器基于dct-gan多尺度融合策略處理，生成高質(zhì)量、高分辨率的虛擬cta圖像。

7、進一步的，步驟s1中，所述目標(biāo)ncct-cta圖像數(shù)據(jù)集中的每個配準(zhǔn)圖像對，均通過以下步驟處理得到：

8、s11、獲取初始ncct圖像、以及與之配準(zhǔn)的初始cta圖像；

9、s12、按照基于自適應(yīng)圖像分析技術(shù)的預(yù)處理流程對所述初始ncct圖像、以及與之配準(zhǔn)的初始cta圖像進行操作，得到預(yù)處理后的目標(biāo)ncct圖像、以及與之配準(zhǔn)的目標(biāo)cta圖像。

10、進一步的，步驟s12中，所述按照基于自適應(yīng)圖像分析技術(shù)的預(yù)處理流程對所述初始ncct圖像、以及與之配準(zhǔn)的初始cta圖像進行操作，得到預(yù)處理后的目標(biāo)ncct圖像、以及與之配準(zhǔn)的目標(biāo)cta圖像，包括：

11、s121、采用自適應(yīng)閾值分割算法分別對所述初始ncct圖像、以及所述初始cta圖像進行二值化處理，得到二值化后的中間ncct圖像、以及中間cta圖像；

12、s122、將所述中間ncct圖像、以及所述中間cta圖像進行逐像素取交集操作，得到初始掩模圖像；

13、s123、通過最大連通域分析去除所述初始掩模圖像中的離散區(qū)域，得到目標(biāo)掩模圖像；

14、s124、基于所述目標(biāo)掩模圖像從所述初始ncct圖像、以及初始cta圖像中提取出去除了無關(guān)背景、以及噪聲區(qū)域的感興趣區(qū)域，得到預(yù)處理后的目標(biāo)ncct圖像、以及與之配準(zhǔn)的目標(biāo)cta圖像。

15、進一步的，步驟s2中，所述基于所述目標(biāo)ncct-cta圖像數(shù)據(jù)集按照預(yù)設(shè)比例進行劃分，得到訓(xùn)練集、驗證集以及測試集，包括：

16、s21、按照預(yù)設(shè)的成像特性差異調(diào)整規(guī)則、及切片與篩選標(biāo)準(zhǔn)，對所述目標(biāo)ncct-cta圖像數(shù)據(jù)集進行圖像標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化后的ncct-cta二維切片圖像數(shù)據(jù)集；

17、s22、按照預(yù)設(shè)比例對所述標(biāo)準(zhǔn)化后的ncct-cta二維切片圖像數(shù)據(jù)集進行劃分，得到訓(xùn)練集、驗證集以及測試集。

18、進一步的，步驟s21中，所述按照預(yù)設(shè)的成像特性差異調(diào)整規(guī)則、及切片與篩選標(biāo)準(zhǔn)，對所述目標(biāo)ncct-cta圖像數(shù)據(jù)集進行圖像標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化后的ncct-cta二維切片圖像數(shù)據(jù)集，包括：

19、s211、按照預(yù)設(shè)的成像特性差異調(diào)整規(guī)則，對所述目標(biāo)ncct圖像、以及所述目標(biāo)cta圖像的窗位和窗寬進行調(diào)整，得到調(diào)整后的目標(biāo)ncct圖像和目標(biāo)cta圖像；

20、s212、按照預(yù)設(shè)的切片參數(shù)，對調(diào)整后的目標(biāo)ncct圖像和目標(biāo)cta圖像進行切片操作，得到初步的ncct-cta二維切片圖像數(shù)據(jù)集；

21、s213、在確定數(shù)據(jù)集中相應(yīng)二維切片圖像中腦部區(qū)域占比小于預(yù)設(shè)閾值時，從數(shù)據(jù)集中刪除該二維切片圖像，得到最終的標(biāo)準(zhǔn)化后的ncct-cta二維切片圖像數(shù)據(jù)集。

22、進一步的，步驟s3中，訓(xùn)練過程中，所述網(wǎng)絡(luò)總體損失函數(shù)通過以下步驟確定：

23、s31、基于初始生成對抗網(wǎng)絡(luò)中的生成器，通過多尺度處理對輸入的原始ncct圖像進行多尺度特征提取、特征對齊以及特征融合，得到融合特征圖；

24、s32、將所述融合特征圖輸入至對應(yīng)的解碼器中進行重構(gòu)處理，得到虛擬cta圖像；

25、s33、對從輸入的原始ncct圖像、原始cta圖像、以及虛擬cta圖像分別按照以下公式進行離散余弦變換處理，得到相應(yīng)的頻域圖像：

26、

27、其中，f表示待處理的圖像，dct(f)u,v表示圖像f在頻率坐標(biāo)(u,v)處經(jīng)過離散余弦變換操作后得到的頻域圖像，α(u)和α(v)表述預(yù)設(shè)的歸一化系數(shù)，n表示信號采樣長度，f(x,y)表示圖像f在空間坐標(biāo)(x,y)處的像素值；

28、s34、基于原始cta圖像與生成器生成的虛擬cta圖像在圖像域、以及頻域上的差異，確定生成器的總損失函數(shù)；

29、s35、基于鑒別器對原始ncct圖像與原始cta圖像、以及原始ncct圖像與虛擬cta圖像在圖像域和頻域上的判別結(jié)果，確定鑒別器的圖像域?qū)箵p失函數(shù)、鑒別器的頻域?qū)箵p失函數(shù)；

30、s36、基于所確定的各項損失函數(shù)進行加權(quán)求和，得到網(wǎng)絡(luò)總體損失函數(shù)。

31、進一步的，步驟s31中，所述基于初始生成對抗網(wǎng)絡(luò)中的生成器，通過多尺度處理對輸入的原始ncct圖像進行多尺度特征提取、特征對齊以及特征融合，得到融合特征圖，包括：

32、s311、基于生成器中包含的不同尺度的特征提取層，從輸入的原始ncct圖像中提取出不同級別的特征信息，得到多層級特征圖；

33、s312、將除最后一層級的所有特征圖分別按照通道數(shù)、以及尺寸進行特征對齊，以使這些特征圖與最后一層級特征圖的通道數(shù)相匹配，且具有一致的空間分辨率；

34、s313、將特征對齊后的各特征圖與最后一層級特征圖按照逐元素相加的方式進行特征融合，得到融合特征圖。

35、進一步的，步驟s34中，所述基于原始cta圖像與生成器生成的虛擬cta圖像在圖像域、以及頻域上的差異，確定生成器的總損失函數(shù)，包括；

36、s341、基于所述原始cta圖像與所述虛擬cta圖像在圖像域上的差異，構(gòu)建生成器的圖像域相似損失函數(shù)；

37、s342、基于所述原始cta圖像與所述虛擬cta圖像在頻域上的差異，構(gòu)建生成器的頻域相似損失函數(shù)；

38、s343、基于鑒別器對所述原始cta圖像與所述虛擬cta圖像在圖像域、以及頻域上的判別差異，構(gòu)建生成器的對抗損失函數(shù)；

39、s344、基于生成器的圖像域相似損失函數(shù)、頻域相似損失函數(shù)、以及對抗損失函數(shù)進行加權(quán)求和，得到生成器的總損失函數(shù)。

40、進一步的，步驟s35中，所述鑒別器的圖像域?qū)箵p失函數(shù)如下所示：

41、

42、所述鑒別器的頻域?qū)箵p失函數(shù)如下所示：

43、

44、步驟s36中，所述網(wǎng)絡(luò)總體損失函數(shù)如下所示：

45、

46、其中，ncctoriginal表示原始ncct圖像，ctaoriginal表示原始cta圖像，ctavirtual表示虛擬cta圖像，d表示鑒別器，lbce表示二元交叉熵?fù)p失函數(shù)，表示原始ncct圖像經(jīng)過離散余弦變換操作后得到的頻域圖像，表示原始cta圖像經(jīng)過離散余弦變換操作后得到的頻域圖像，表示虛擬cta圖像經(jīng)過離散余弦變換操作后得到的頻域圖像，lgenerator表示生成器的總損失函數(shù)。

47、第二方面，本技術(shù)公開的一種基于dct-gan多尺度融合的ct造影智能成像系統(tǒng)，所述系統(tǒng)包括數(shù)據(jù)獲取模塊、數(shù)據(jù)劃分模塊、gan網(wǎng)絡(luò)訓(xùn)練模塊以及虛擬cta圖像生成模塊，其中：

48、所述數(shù)據(jù)獲取模塊，用于獲取預(yù)處理后的目標(biāo)ncct-cta圖像數(shù)據(jù)集，所述目標(biāo)ncct-cta圖像數(shù)據(jù)集中包括了多張目標(biāo)ncct圖像、以及與之配準(zhǔn)的目標(biāo)cta圖像；

49、所述數(shù)據(jù)劃分模塊，用于基于所述目標(biāo)ncct-cta圖像數(shù)據(jù)集按照預(yù)設(shè)比例進行劃分，得到訓(xùn)練集、驗證集；

50、所述gan網(wǎng)絡(luò)訓(xùn)練模塊，用于將所述訓(xùn)練集、驗證集輸入至基于dct-gan多尺度融合的初始生成對抗網(wǎng)絡(luò)中進行模型訓(xùn)練，訓(xùn)練過程中，將所述訓(xùn)練集、驗證集輸入至基于dct-gan多尺度融合的初始生成對抗網(wǎng)絡(luò)中進行模型訓(xùn)練，訓(xùn)練過程中，由生成器生成虛擬cta圖像，由鑒別器對輸入的原始cta圖像與虛擬cta圖像在圖像域和經(jīng)過離散余弦變換處理的頻域上進行判別，并基于圖像域與頻域上的相似度差異，以及鑒別器在這兩個域上的判別差異確定網(wǎng)絡(luò)總體損失函數(shù)；

51、所述虛擬cta圖像生成模塊，用于將預(yù)處理后的實時ncct圖像輸入至訓(xùn)練好的目標(biāo)生成對抗網(wǎng)絡(luò)中，由生成器基于dct-gan多尺度融合策略處理，生成高質(zhì)量、高分辨率的虛擬cta圖像。

52、本發(fā)明具有如下有益效果：

53、1)由于離散余弦變換在頻域上的處理有助于模型捕捉到圖像中的高頻成分，這些高頻成分對于圖像的細(xì)節(jié)表現(xiàn)至關(guān)重要。通過dct-gan多尺度融合策略，使得模型能夠在生成虛擬cta圖像時保留更多的細(xì)節(jié)信息，從而減少細(xì)節(jié)模糊的問題；

54、2)利用生成器和鑒別器在圖像域和頻域上的協(xié)同作用，使得模型能夠捕捉到更多的細(xì)節(jié)信息，進一步提高了圖像轉(zhuǎn)換的精度；

55、3)基于鑒別器在頻域上的判別作用還能夠有效地抑制生成圖像中的偽影，因為偽影通常表現(xiàn)為圖像中的高頻噪聲或異常結(jié)構(gòu)。通過優(yōu)化損失函數(shù)，使得模型能夠逐步減少這些偽影，使得生成的虛擬cta圖像更加清晰、準(zhǔn)確。