【技术实现步骤摘要】
本专利技术涉及医学影像以及人工智能，尤其涉及一种ct血管成像、分割的多任务互补学习实现方法。
技术介绍
1、ct血管造影(ct angiography，cta)以及基于cta进行血液分割重建是重要的血管成像手段。由于cta依赖的比剂的辐射有害。因此，需通过相关技术来解决上述问题，以避免对比剂辐射的潜在危害。一方面，开发新的无辐射对比剂难度大，成本高；另外一方面，现有的医学成像与分割模型以独立任务进行开发，没有充分利用相似任务之间的相关信息；再者，现有的医学影像模型大多针对可视边界图像开发，使得现有的模型无法直接应用于非可视化目标的增强和分割任务。故考虑通过深度学习技术，利用ct血管成像与血液分割任务的相似性和特异性，构建ct血管成像与血液分割的多任务互补学习模型，即该模型在无需注射对比剂条件下，同步实现ct血管成像(即合成cta)和血液分割，以消除对比剂使用所带来的辐射伤害和死亡风险，同时为受试者提供更快捷的血管成像和重建选择。
2、近来开发出了以reggan[kong l,et al.,advances in neural informationprocessing systems,2021,34:1964-1978.]为代表医学图像模态转换模型和以3d ux-net[lee h h,et al.,arxiv preprint arxiv:2209.15076,2022.]为代表的医学图像分割模型，较好实现了成对图像之间的模态转换和目标组织分割。但当前相关模型针对的是可视边界图像转换或分割的单任务设计，使得现有方法
技术实现思路
1、本专利技术的目的在于针对现有技术存在的上述问题，提供一种ct血管成像、分割的多任务互补学习实现方法。
2、本专利技术的上述目的通过以下技术手段实现：
3、一种ct血管成像、分割的多任务互补学习实现方法，包括以下步骤：
4、步骤1、将同一受试者同一部位的ct图像和真实cta图像作为样本；
5、步骤2、根据预设的重采样分辨率对所述的ct图像和真实cta图像进行重采样处理，获得具有相同空间分辨率和相同层的ct图像和真实cta图像；
6、步骤3、根据预设配准方法对上述具有相同空间分辨率的ct图像和真实cta图像配准处理，获得配准后的ct图像和真实cta图像并进行归一化处理，提取配准后的真实cta图像的真实血液分割掩码图；
7、步骤4、构建互补学习多任务学习模型，互补学习多任务学习模型包括共性特征提取模块、ct血管成像任务模块以及血液分割任务模块；
8、步骤5、构建ct血管成像与血液分割联合损失函数；
9、步骤6、基于最小化ct血管成像与血液分割联合损失函数值，训练互补学习多任务学习模型；
10、步骤7、利用训练完成的互补学习多任务学习模型，对待处理的ct图像进行ct血管成像和血液分割。
11、如上所述步骤3中以ct图像为配准空间，真实cta图像为待配准空间，将真实cta图像向ct图像配准。
12、如上所述归一化处理为将配准后的ct图像和真实cta图像[-125 275]窗区间的hu值归一化到[0 1]区间。
13、如上所述共性特征提取模块包括输入层、编码器、中心残差模块、解码器以及输出层，其中，编码器包括3层下采样卷积层，中心残差模块包括4个残差模块，解码器包括3层上采样卷积层；ct血管成像任务模块包括多个ct血管成像残差模块，血液分割任务模块包括多个血液分割残差模块。
14、如上所述相邻ct血管成像残差模块的ct血管成像信息融合基于以下公式：
15、hn＝sn+u
16、
17、其中，n为ct血管成像残差模块的序号，sn为第n个血液分割残差模块输出的分割结果，u为维度变换后的ct图像，hn为第n个血液分割残差模块输出的分割结果sn同维度变换ct图像u的和，en和en+1为第n个和第n+1个ct血管成像残差模块输出的成像结果，[]为矩阵拼接运算符，为第n个ct血管成像残差模块，最后一个ct血管成像残差模块输出通过激活函数tanh获得合成cta图像b。
18、如上所述相邻血液分割残差模块的网络血液分割信息融合基于以下公式：
19、vn＝en-u
20、
21、其中，为第n个血液分割残差模块，vn为第n个ct血管成像残差模块输出的成像结果en同维度变换ct图像u的差值，sn+1为第n+1个血液分割残差模块输出的分割结果，最后一个血液分割残差模块输出通过激活函数sigmod获得预测血液分割掩码图z。
22、如上所述ct血管成像与血液分割联合损失函数ltotal基于以下公式：
23、ltotal＝a*lsyn+b*lseg
24、其中，a为ct血管成像损失函数lsyn的加权值，b为血液分割损失函数lseg加权值。
25、如上所述ct血管成像损失函数lsyn为：
26、
27、其中，bi为ct血管成像任务模块输出的合成cta图像的第i个像素点，ci为合成cta图像对应的归一化的真实cta图像的第i个像素点，n为像素点总数。
28、如上所述血液分割损失函数lseg为：
29、lseg＝dice_loss+ce_loss
30、
31、
32、其中，z为血液分割任务模块输出的预测血液分割掩码图，m为归一化的真实血液分割掩码图，zi为预测血液分割掩码图的第i个像素点，mi为归一化的真实血液分割掩码图的第i个像素点，i为像素点序号，n为像素点总数，|z|和|m|分别表示z和m的像素点个数，|z∩m|表示z和m交集像素点个数。
33、本专利技术相对于现有技术，具有以下有益效果：
34、1、本专利技术设计了互补学习多任务模型，互补学习多任务模型能够同时完成cta的成像和血液的分割；
35、2、互补学习多任务模型在进行ct血管成像和血液分割任务的同时，充分利用了不同目标之间信息特征，增强了模型对多任务的协同实现能力，模型具有更好的ct血管成像和血液分割性能；
36、3、针对所述ct血管成像和血液分割的互补学习多任务模型还设计了联合损失函数，以ct血管成像损失和血液分割损失的加权损失和作为所述多任务模型的联合损失，以同步优化ct血管成像和分割分支网络，具有简单易训特点；
37、4、本专利技术利用人工智能技术构建深度学习模型，具有较好的鲁棒性和扩展性，如可扩展诊断、预测、评分以及智能化报告等模块。
本文档来自技高网...【技术保护点】
1.一种CT血管成像、分割的多任务互补学习实现方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种CT血管成像、分割的多任务互补学习实现方法，其特征在于：所述步骤3中以CT图像为配准空间，真实CTA图像为待配准空间，将真实CTA图像向CT图像配准。
3.根据权利要求1所述一种CT血管成像、分割的多任务互补学习实现方法，其特征在于：所述归一化处理为将配准后的CT图像和真实CTA图像[-125275]窗区间的HU值归一化到[0 1]区间。
4.根据权利要求1所述一种CT血管成像、分割的多任务互补学习实现方法，其特征在于：所述共性特征提取模块包括输入层、编码器、中心残差模块、解码器以及输出层，其中，编码器包括3层下采样卷积层，中心残差模块包括4个残差模块，解码器包括3层上采样卷积层；CT血管成像任务模块包括多个CT血管成像残差模块，血液分割任务模块包括多个血液分割残差模块。
5.根据权利要求1所述一种CT血管成像、分割的多任务互补学习实现方法，其特征在于：所述相邻CT血管成像残差模块的CT血管成像信息融合基于以下公式：
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。