【技术实现步骤摘要】
本专利技术涉及一种数字减影血管造影图像生成方法，具体涉及一种基于深度学习的方法从单个盈片图像中生成dsa图像，属于图像生成。
技术介绍
1、人工智能(ai,artificial intelligence)自诞生以来，经历了快速的兴起和持续的发展。ai的兴起始于上世纪50年代，但直到最近几十年，由于计算能力的提升、数据的大量积累和算法的改进，ai才迎来了爆发式增长。ai在多个领域取得了重大突破，如自然语言处理、计算机视觉和机器学习。
2、人工智能的兴起和发展在深度学习技术的引入之前面临着图像处理算法的一个关键问题，即如何有效地提取图像中的有用特征。传统方法依赖于人工设计特征，但这存在两个限制：首先，人工特征提取受限于专业经验，可能无法全面提取有效特征；其次，人工特征融合方式有限，导致提取到的信息无法充分利用。然而，深度学习算法通过大量的训练过程，能够自主学习特征提取和融合方法，这是深度学习在机器视觉领域取得巨大成就的原因之一。
3、冠脉造影图像(dsa,digital subtraction angiography)是用于临床分析血管疾病的金标准。通过数字化图像处理，将注入造影剂前后拍摄的两帧x线图像进行减影、增强和再成像，消除血管造影图像上的骨骼和软组织影像，获得清晰的纯血管影像。冠脉造影图像为心血管诊断和手术提供有效信息。在冠脉造影图像这一具有挑战性的任务中，传统机器视觉算法通过将蒙片向盈片配准后作差以提取血管信息。由于蒙片和盈片在血管结构上的差异、人体骨骼结构的复杂性等问题，人工设计特征进行图像配准非
技术实现思路
1、本专利技术正是针对现有技术中存在的问题，提供一种从单个盈片图像生成数字减影血管造影的深度学习方法，该技术方案使用深度学习方法以及提出的网络模型对冠脉造影图像进行减影生成，避免传统算法中对于配准算法的依赖，减少减影结果中的伪影。
2、为了实现上述目的，本专利技术的技术方案如下，一种基于深度学习的数字减影血管造影图像生成方法，所述方法包括以下步骤：
3、步骤1：获得数字减影血管造影系统图像序列，数据来自人类头部和腿部两个部分。所有数据都来自具有标准注射方案的临床系统，序列第一帧中未注射造影剂，在后续帧中造影剂逐渐充盈；
4、步骤2：根据主观评估将数据集根据是否dsa图像包含运动伪影分成两部分。没有伪影的数据，即包含完整血管结构的数据，用于训练和测试。包含伪影的数据仅用于测试和视觉评估。
5、步骤3：选取序列中某一帧为减影帧，即减影模型的目标是获得该帧对应的dsa图像的像素回归结果；
6、步骤4：对于序列中的所有图像进行灰度归一化；
7、步骤5：对于序列中的所有图像进行翻转、平移缩放和旋转等数据增强方法；
8、步骤6：编写基于深度残差网络的生成器模型，该网络包括一个盈片输入端与一个dsa图像输出端；
9、步骤7：编写基于深度残差网络的判别器模型，该网络包括一个dsa图像输入端与一个判别结果输出端；
10、步骤8：根据步骤6中编写完成的卷积神经网络，对于生成器网络的输出采用交叉熵损失函数和均方误差损失函数进行优化；
11、步骤9：根据步骤7中编写完成的卷积神经网络，对于判别器的输出采用交叉熵损失函数进行优化；
12、步骤10：根据步骤8、步骤9，对于两个网络进行交叉训练至收敛则得到了血管减影网络模型。
13、作为本专利技术的一种改进，所述的生成器模型架构和判别器模型架构细节：
14、该模型分为生成器与判别器两个网络；其中一个生成器以减影帧数据张量为输入，减影帧对应标签为输出监督，称为生成网络；判别器以真实dsa数据、生成器生成的dsa数据为输入，数据来源为输出监督，称为判别网络；生成器网络生成dsa图像，判别器的作用是对给定的输入样本进行分类，判断其是来自生成器还是真实数据。生成器和判别器在训练过程中相互竞争和协作。生成器的目标是尽可能地生成逼真的dsa减影数据，以欺骗判别器；判别器的目标是尽可能地准确地判断样本的来源，以区分生成器产生的dsa数据和真实dsa数据。
15、作为本专利技术的一种改进，所述的生成器架构细节：生成器g包含5个基本块，每个基本块包含6层卷积层。这些层的卷积核大小为3×3，过滤器的数量为128。除了基本块外，还有4个卷积层和2个反卷积层。所有这些层的卷积核大小都是3×3。在这6层中，过滤器的数量分别为32、64、128、64、32和1。第一层和最后一层的步幅为1，其他层的步幅为2。
16、作为本专利技术的一种改进，所述的判别器架构细节：
17、判别器d是一个典型的cnn架构，包括三个卷积层和三个全连接层，其中前两个层使用prelu作为激活函数，最后一个层使用sigmoid函数输出概率。卷积层的卷积核大小为3×3，过滤器的数量分别为32、64和128。全连接层中的节点数量分别为512、128和1。
18、作为本专利技术的一种改进，所述的所述的生成器g损失函数细节：
19、
20、其中：
21、
22、
23、x是算法的输出，y是减影标签，d是鉴别器，g是生成器，w是宽，h是高。
24、作为本专利技术的一种改进，所述的所述的判别器d损失函数细节：
25、
26、其中：
27、
28、x是盈片，y是输入数据的类型为0或1，是鉴别器预测的概率，取值范围在[0,1]之间。
29、作为本专利技术的一种改进，所述的生成器和判别器训练过程细节：
30、减影帧被输入生成器g，然后网络g通过结合有监督损失和鉴别器损失的损失函数l进行优化。将dsa图像和盈片图像对的预测标记为“负”标签，以困惑鉴别器，因此鉴别器的损失可以引导生成器生成更真实和准确的血管图像。为确保整个网络能够收敛和稳定，鉴别器d训练一次，然后优化生成器g两次。
31、相对于现有技术，本专利技术具有如下优点，该技术方案利用残差密集块(rdb,residual dense block)并通过密集连接层提取高级特征，直接从单个实时图像生成dsa图像。为了获得更好的血管细节，训练阶段还使用了监督生成对抗网络策略，(1)相较于一般的基于配准的传统方法，本方法不需要采集蒙片图像，(2)相较于一般的基于配准的传统方法，本方法不受到蒙片与盈片配准效果的影响，(3).该方法在训练阶段使用了监督生成对抗网络策略以获得更好的血管细节。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的数字减影血管造影图像生成方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于深度学习的数字减影血管造影图像生成方法，其特征在于，所述步骤6中：生成器模型架构和判别器模型架构的对抗策略，具体如下：
3.根据权利要求1所述的基于深度学习的数字减影血管造影图像生成方法，其特征在于，所述步骤7中，生成器模型架构，具体如下：生成器G包含5个基本块，每个基本块包含6层卷积层，这些层的卷积核大小为3×3，过滤器的数量为128，除了基本块外，还有4个卷积层和2个反卷积层，所有这些层的卷积核大小都是3×3，在这6层中，过滤器的数量分别为32、64、128、64、32和1，第一层和最后一层的步幅为1，其他层的步幅为2。
4.根据权利要求1所述的基于深度学习的数字减影血管造影图像生成方法，其特征在于，所述步骤6中，判别器架构细节如下：
5.根据权利要求1所述的基于深度学习的数字减影血管造影图像生成方法，其特征在于，所述步骤8中，所述的生成器G损失函数细节如下：
6.根据权利要求1所述的基于深度学习的数字
7.根据权利要求1所述的基于深度学习的数字减影血管造影图像生成方法，其特征在于，所述步骤10中，生成器和判别器训练过程细节如下：
...【技术特征摘要】
1.一种基于深度学习的数字减影血管造影图像生成方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于深度学习的数字减影血管造影图像生成方法，其特征在于，所述步骤6中：生成器模型架构和判别器模型架构的对抗策略，具体如下：
3.根据权利要求1所述的基于深度学习的数字减影血管造影图像生成方法，其特征在于，所述步骤7中，生成器模型架构，具体如下：生成器g包含5个基本块，每个基本块包含6层卷积层，这些层的卷积核大小为3×3，过滤器的数量为128，除了基本块外，还有4个卷积层和2个反卷积层，所有这些层的卷积核大小都是3×3，在这6层中，过滤器的数量分别为32、64、128、6...
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。