【技术实现步骤摘要】
本专利技术公开涉及医疗影像修复，具体地，涉及一种pet/ct成像的肺部影像修复模型训练方法、修复方法及装置。
技术介绍
1、ct(computedtomography，计算机断层)医学影像技术是一种从探测器采集的原始数据排列成以探测器通道为横轴、以扫描视野为纵轴的二维矩阵，作为图像重建的原始的ct投影数据，也称为sinogram，其本质上是图像上各点所形成的曲线缠绕叠加。进一步的，pet/ct检查前要注射一种药物，这种药物是一种显像剂，这种显像剂的作用主要是为了使显像更加清晰，它类似于糖类并且参与人体的代谢。因此，代谢比较旺盛的病灶部位需要能量会大量吸收这种显像剂，因此，这种显像剂会在病灶部位高度聚集，这一现象通过pet/ct显像显示出来，从而准确检查出病灶。pet/ct结果在肺部检测过程中会包含两个影像，其中ct相当于肺部全图，而pet相当于对病灶进行标记。ct和pet的计算方法是一致的。
2、目前，通过ct和pet技术进行肺部病灶检查是一种较为常用且检查结果准确性较高的方法。但是，也存在很多老旧的肺部影像数据，由于保存不当造成像素丢失，或者由于当时拍摄技术的限制导致的影像分辨率较低等问题，使得该老旧的肺部影像数据可信度较低，难以准确地分析出病灶，需要对这些老旧的肺部影像数据进行修复，还原出高清的肺部影像。
3、现有技术中，采用常规神经网络模型对老旧的肺部影像数据进行直接分析，其数据量过小，难以达到医疗级精度，且标记也会消耗大量资源(一般要求标记者有一定的医疗知识基础)，造成了人力资源的浪费，且往往无法
4、因此，本领域技术人员亟待研发一种新的技术方案来解决上述问题。
技术实现思路
1、为克服相关技术中存在的问题，本专利技术公开提供一种pet/ct成像的肺部影像修复模型训练方法、修复方法及装置。
2、根据本专利技术公开实施例的第一方面，提供一种pet/ct成像的肺部影像修复模型训练方法，所述方法包括；
3、获取pet/ct成像的样本肺部影像，将所述样本肺部影像按照断面扫描的图层划分为n张第一图像数据；
4、对所述第一图像数据进行降分辨率处理，获取n张第二图像数据；
5、选取相邻的4张第二图像数据，根据全局特殊token的pacth数组和普遍人体token的pacth数组，获取所述相邻的4张第二图像数据的正向特征参数和反向特征参数；
6、通过长短期记忆网络对所述正向特征参数和反向特征参数进行修正，获取修正后的正向目标特征参数和反向目标特征参数；
7、通过三次内插法对每张所述第二图像数据进行初始放大处理，获取n张第三图像数据；
8、根据每张第三图像数据的自注意力机制、正向目标特征参数的交叉注意力机制和反向目标特征参数的交叉注意力机制，获取第三图像数据的补偿值；
9、根据所述补偿值、第一图像数据和第二图像数据获取目标损失函数；
10、对所述目标损失函数进行反向传播，获取肺部影像修复模型。
11、可选的，所述对所述第一图像数据进行降分辨率处理，获取n张第二图像数据，包括：
12、将n张第一图像数据依次计为p1、p2、……、pn，其中每张第一图像数据分辨率为w×h；
13、分别令u＝w/2，v＝h/2，对第一图像数据进行降分辨率处理，获取第二图像数据x1、x2、……、xn，其中第二图像数据的分辨率为u×v。
14、可选的，所述选取相邻的4张第二图像数据，根据全局特殊token的pacth数组和普遍人体token的pacth数组，获取所述相邻的4张第二图像数据的正向特征参数和反向特征参数，包括：
15、取相邻的4张第二图像数据；
16、通过c-vit模型将每张第二图像数据划分为m*m个patch，每个patch包含p*p个特征向量值；
17、生成全局特殊token的pacth数组ptk和普遍人体token的pacth数组btk，以使每张第二图像数据包含(2+m*m)个patch，4张第二图像数据中包含(5+4*m*m)个patch；
18、获取所述相邻的4张第二图像数据的正向特征参数bri＝[btki ptki-2ptki-1 ptkiptki+1]和反向特征参数cri＝[btki ptki-1 ptki ptki+1ptki+2]。
19、可选的，所述通过三次内插法对每张所述第二图像数据进行初始放大处理，获取n张第三图像数据，包括：
20、通过三次内插法对每张所述第二图像数据xi进行初始放大处理，获取n张第三图像数据ki，其中每个第三图像数据ki中包含2m*2m个patch。
21、可选的，所述根据每张第三图像数据的自注意力机制、正向目标特征参数的交叉注意力机制和反向目标特征参数的交叉注意力机制，获取第三图像数据的补偿值，包括：
22、根据每个第三图像数据ki的patch周围7*7区域进行自注意力机制计算；
23、对正向目标特征参数byi和反向目标特征参数bzi进行交叉注意力机制计算；
24、对第二图像数据xi-2、xi-1、xi+1、xi+2的3*3区域进行交叉注意力机制计算；
25、拼接所有修正后的patch，获取第三图像数据的补偿值dxi。
26、可选的，所述根据所述补偿值、第一图像数据和第二图像数据获取目标损失函数，包括：
27、根据所述补偿值dxi和第二图像数据xi获取第四图像数据axi＝xi-dxi；
28、根据第四图像数据axi与第一图像数据pi在各个像素点之间的误差值的绝对值之和获取目标损失函数其中，j和k表示第j行第k列的像素点。
29、根据本专利技术公开实施例的第二方面，提供一种pet/ct成像的肺部影像修复方法，所述方法基于本专利技术公开实施例的第一方面所述的肺部影像修复模型，所述方法包括；
30、获取pet/ct成像的待修复肺部影像的第五图像数据；
31、将所述第五图像数据作为肺部影像修复模型的输入，根据所述肺部影像修复模型的输出结果获取修复好的第六图像数据。
32、根据本专利技术公开实施例的第三方面，提供一种pet/ct成像的肺部影像修复模型训练装置，所述装置包括；
33、样本图像分割模块，获取pet/ct成像的样本肺部影像，将所述样本肺部影像按照断面扫描的图层划分为n张第一图像数据；
34、降分辨率处理模块，与所述样本图像分割模块相连，对所述第一图像数据进行降分辨率处理，获取n张第二图像数据；
35、特征参数提取模块，与所述降分辨率处理模块相连，选取相邻的4张第二图像数据，根据全局特殊token的pacth数组和普遍人体token的pacth数组，获取所述相邻的4张第二图像数据的正向特征参数和反向特征参数；
36、特征参数修正模块，与所述特征参数本文档来自技高网...
【技术保护点】
1.一种PET/CT成像的肺部影像修复模型训练方法，其特征在于，所述方法包括；
2.根据权利要求1所述的PET/CT成像的肺部影像修复模型训练方法，其特征在于，所述对所述第一图像数据进行降分辨率处理，获取n张第二图像数据，包括：
3.根据权利要求1所述的PET/CT成像的肺部影像修复模型训练方法，其特征在于，所述选取相邻的4张第二图像数据，根据全局特殊token的pacth数组和普遍人体token的pacth数组，获取所述相邻的4张第二图像数据的正向特征参数和反向特征参数，包括：
4.根据权利要求1所述的PET/CT成像的肺部影像修复模型训练方法，其特征在于，所述通过三次内插法对每张所述第二图像数据进行初始放大处理，获取n张第三图像数据，包括：
5.根据权利要求1所述的PET/CT成像的肺部影像修复模型训练方法，其特征在于，所述根据每张第三图像数据的自注意力机制、正向目标特征参数的交叉注意力机制和反向目标特征参数的交叉注意力机制，获取第三图像数据的补偿值，包括：
6.根据权利要求5所述的PET/CT成像的肺部影像修复模型
7.一种PET/CT成像的肺部影像修复方法，其特征在于，所述方法基于权利要求1-6中任一项所述的肺部影像修复模型，所述方法包括；
8.一种PET/CT成像的肺部影像修复模型训练装置，其特征在于，所述装置包括；
9.一种PET/CT成像的肺部影像修复装置，其特征在于，所述装置基于权利要求1-6中任一项所述的肺部影像修复模型，所述装置包括；
...【技术特征摘要】
1.一种pet/ct成像的肺部影像修复模型训练方法，其特征在于，所述方法包括；
2.根据权利要求1所述的pet/ct成像的肺部影像修复模型训练方法，其特征在于，所述对所述第一图像数据进行降分辨率处理，获取n张第二图像数据，包括：
3.根据权利要求1所述的pet/ct成像的肺部影像修复模型训练方法，其特征在于，所述选取相邻的4张第二图像数据，根据全局特殊token的pacth数组和普遍人体token的pacth数组，获取所述相邻的4张第二图像数据的正向特征参数和反向特征参数，包括：
4.根据权利要求1所述的pet/ct成像的肺部影像修复模型训练方法，其特征在于，所述通过三次内插法对每张所述第二图像数据进行初始放大处理，获取n张第三图像数据，包括：
5.根据权利要求1所述的pet...
【专利技术属性】
技术研发人员：高欣，冯刚，彭莉玲，彭思思，孙明祥，
申请(专利权)人：上海全景医学影像诊断中心有限公司，
类型：发明
国别省市：
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。