【技术实现步骤摘要】
一种模态合成与增强的弱监督医学图像融合方法
[0001]本专利技术属于图像融合
,具体涉及一种模态合成与增强的弱监督医学图像融合方法。
技术介绍
[0002]随着医学成像的不断发展,医学图像成为了疾病诊断的有效工具。如今医学图像有多种模态,如磁共振(MR)图像、计算机断层扫描(CT)图像、正电子发射断层扫描(PET)图像等,且不同的模态均有其自身的优点和局限性。例如,CT图像能很好地显示骨骼信息,但是不能清晰地表征软组织等结构信息;MR图像能充分显示软组织信息,但其对骨骼信息的表征有很大缺陷;PET图像可为临床提供丰富的人体代谢信息,但分辨率较低。因此,将来自CT、MR、PET三模态的图像信息整合到一个图像中,完成多模态图像融合,可以实现优势互补。多模态融合图像既保留了原始图像的特征,又弥补了单模态医学图像的缺陷,展示了丰富的细节信息,为临床诊断治疗提供了有效的依据。
[0003]近年来,深度学习以其强大的特征提取能力在模态合成、图像融合、图像分割等图像处理领域得到了广泛的应用,并取得了良好的结果。其中,卷积神经网络(CNN)作为深度学习的代表方法,在图像融合领域发挥着越来越重要的作用。生成对抗网络(GAN)同样作为一种深度学习方法,通过生成模块与鉴别模块的相互博弈产生输出,这种相互博弈的过程提高了图像特征提取的准确性,使融合图像保留更多源图像信息。但以上方法均为有监督训练方式,在网络训练过程中需要大量配准好的成对数据集进行模型训练,然而在图像配准过程中需花费大量时间及人力成本。
[0004]另 ...
【技术保护点】
【技术特征摘要】
1.一种模态合成与增强的弱监督医学图像融合方法,其特征在于,由模态合成、图像增强和图像融合三部分组成,包括以下步骤:步骤1,在模态合成部分,MR图像通过多生成器模态合成网络训练得到的生成器,生成深层结构合成图s
CT_stru
与浅层细节合成图s
CT_det
;步骤2,在图像增强部分,MR图像通过双生成器图像增强网络训练得到的生成器,生成深层结构增强图s
MR_stru
与浅层细节增强图s
MR_det
;步骤3,在图像融合部分,以s
CT_stru
、s
CT_det
、s
MR_stru
、s
MR_det
和原始PET图像共同作为输入,通过多模态图像融合生成对抗网络,获得CT、MR、PET三模态融合图像。2.根据权利要求1所述的一种模态合成与增强的弱监督医学图像融合方法,其特征在于,所述模态合成部分包括两个阶段:模态合成训练和模态合成预测;在所述模态合成训练阶段,多生成器模态合成网络以CycleGAN为基础,将生成器分为由MR合成CT图像的深层结构生成器G
CT_deep
和浅层细节生成器G
CT_shallow
以及由CT合成MR图像的深层结构生成器G
MR_deep
和浅层细节生成器G
MR_shallow
,通过4个生成器与模态合成鉴别器D
CT
、D
MR
的相互对抗循环训练网络,不断对图像深层结构与浅层细节特征提取并提高生成器图像合成性能;在所述模态合成预测阶段,MR图像作为输入,通过训练好的MR合成CT图像的深层结构生成器G
CT_deep
和浅层细节生成器G
CT_shallow
,生成深层结构合成图s
CT_stru
与浅层细节合成图s
CT_det
。3.根据权利要求2所述的一种模态合成与增强的弱监督医学图像融合方法,其特征在于,所述模态合成训练阶段采用弱监督方式训练网络,具体训练过程如下:MR图像作为训练数据,输入到G
CT_deep
和G
CT_shallow
,生成CT深层结构合成图S
CT_structure
与CT浅层细节合成图S
CT_details
,CT图像同样作为训练数据输入到G
MR_deep
和G
MR_shallow
,生成MR深层结构合成图S
MR_structure
与MR浅层细节合成图S
MR_details
;而后S
CT_structure
与S
CT_details
继续进入G
MR_deep
和G
MR_shallow
,S
MR_structure
与S
MR_details
继续输入G
CT_deep
和G
CT_shallow
循环训练网络,通过G
CT_deep
、G
CT_shallow
与D
CT
,G
MR_deep
、G
MR_shallow
与D
MR
的相互对抗,使生成器的模态合成性能得以提高。4.根据权利要求2所述的一种模态合成与增强的弱监督医学图像融合方法,其特征在于,所述MR合成CT图像的深层结构生成器G
CT_deep
和CT合成MR图像的深层结构生成器G
MR_deep
均由编码、转换和解码三部分组成;所述编码部分由2个卷积层Conv6、Conv7组成,其中卷积层Conv6代表一个7
×
7、有k个滤波器且步长为1的Convolution
‑
InstanceNorm
‑
ReLU层;卷积层Conv7为一个3
×
3、有k个滤波器且步长为2的Convolution
‑
InstanceNorm
‑
ReLU层;所述转换部分由9个Residualblock组成,所述解码部分由1个反卷积层DeConv4和1个卷积层Conv8组成,DeConv4为一个3
×
3、有k个滤波器且步长为1/2的fractional
‑
strided
‑
Convolution
‑
InstanceNorm
‑
ReLU层;Conv8代表一个7
×
7、有k个滤波器且步长为1的Convolution
‑
InstanceNorm
‑
ReLU层;所述MR合成CT图像的浅层细节生成器G
CT_shallow
和CT合成MR图像的浅层细节生成器G
MR_shallow
由编码、转换和解码三部分组成;所述编码部分由2个卷积层Conv6,Conv7组成,其中Conv6代表一个7
×
7、有k个滤波器且步长为1的Convolution
‑
InstanceNorm
‑
ReLU层,Conv7为一个3
×
3、有k个滤波器且步长为2的Convolution
‑
InstanceNorm
‑
ReLU层;所述转换部分由9个Residual block组成;所述解码部分由1个反卷积层DeConv4和1个卷积层Conv8组成,其中反卷积层DeConv4为一个3
×
3、有k个滤波器且步长为1/2的fractional
‑
strided
‑
Convolution
‑
InstanceNorm
‑
ReLU层,卷积层Conv8代表一个7
×
7、有k个滤波器且步长为1的Convolution
‑
InstanceNorm
‑
ReLU层。5.根据权利要求3所述的一种模态合成与增强的弱监督医学图像融合方法,其特征在于,所述G
CT_deep
、G
CT_shallow
与D
CT
,G
MR_deep
、G
MR_shallow
与D
MR
的相互对抗具体为:(1)通过对抗性损失与循环一致性损失,学习增强深层结构信息的X
MR
与Y
CT
域、浅层细节信息的X
′
MR
与Y
′
CT
域;(2)网络包括四个映射函数:G:X
MR
→
Y
CT
、F:Y
CT
→
X
MR
、M:X
′
MR
→
...
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。