【技术实现步骤摘要】
本专利技术属于图像增强，特别涉及一种用于ct图像纹理与细节增强方法。
技术介绍
1、ct成像技术利用x射线穿透人体，通过计算机处理获得的断层图像，能够提供高分辨率的解剖结构信息，ct图像在显示骨骼和某些组织结构方面具有独特优势，但在软组织对比度方面存在局限，这限制了它在某些临床应用中的有效性；在临床实践中，医生经常需要从ct图像中辨识微小的病变和结构细节；然而，由于噪声、伪影和对比度不足等问题，这些细节往往难以辨认；因此，提高ct图像的纹理和细节信息，对于提升诊断的准确性和可靠性具有重要意义。
2、传统的图像增强方法，如滤波、对比度拉伸和直方图均衡化等，虽然在一定程度上改善了图像质量，但往往以牺牲其他重要信息为代价；随着深度学习技术的发展，基于学习的方法，如卷积神经网络和生成对抗网络，已经开始应用于图像增强领域，但这些方法在处理医学图像时仍面临挑战，包括对标注数据的依赖、计算资源的消耗和模型泛化能力的限制。
3、随着深度学习技术在图像增强领域应用越来越多，特别是注意力机制和状态空间模型等网络结构，为处理长距离依赖和全局上下文信息提供了新的思路，这些技术可以提高ct图像纹理和细节信息；另外，多模态图像融合技术通过融合来自不同成像模态的信息，可以提高诊断的准确性。
技术实现思路
1、本专利技术提供一种用于ct图像纹理与细节增强方法，旨在提出一种ct图像数据增强模型，包括动态卷积提取模块dcem，通过状态空间模型和长短期记忆网络，有效地从ct图像中提取出有助于纹理
2、本专利技术旨在提出，提供一种用于ct图像纹理与细节增强方法，包括以下步骤。
3、s1、ct图像数据收集，收集高分辨率ct图像数据，对所述ct图像进行预处理操作，包括图像转换为灰度图操作，图像的分辨率调整至统一大小操作，图像归一化操作，图像数据增强操作，图像对比度调整操作，对预处理后的ct图像进行划分，划分为训练集和验证集。
4、s2、构建动态卷积提取模块dcem，包含归一化层、状态空间模型和长短期记忆网络。
5、s3、构建动态特征强化模块 dacm，包含注意力操作、池化层和relu激活函数。
6、s4、构建动态特征混合模块dfum，包含残差连接、深度卷积和逐点卷积。
7、s5、构建ct图像数据增强模型，包含输入、动态卷积提取模块dcem、动态特征强化模块 dacm、动态特征混合模块dfum和输出。
8、s6、ct图像数据增强模型训练及检测，使用ct图像训练集训练ct图像数据增强模型，训练完成后，输入ct图像验证集到ct图像数据增强模型，得到处理结果。
9、优选地，在s1步骤中，对于ct图像进行预处理操作，图像转换为灰度图操作，以减少处理的数据量并专注于ct图像的纹理和形状信息；图像的分辨率调整至统一大小操作，确保所有ct图像数据具有相同的维度，便于后续处理和分析；图像归一化操作，通过将ct图像像素值缩放到一个统一的范围，有助于ct图像数据增强模型更稳定地学习和提取特征；图像数据增强操作，提高ct图像数据增强模型对不同ct图像变化的泛化能力，增加ct图像数据增强模型的鲁棒性；图像对比度调整操作，优化ct图像的视觉效果，使得ct图像中的细节和结构更加清晰，便于特征的识别。
10、优选地，在s2步骤中，对于动态卷积提取模块dcem，输入所述步骤s1预处理后的ct图像，，和分别是预处理后的ct图像的高和宽，确保ct图像数据适用于后续的图像增强任务，将所述ct图像输入到自适应归一化层，计算整个ct图像的均值和标准差，，，其中是ct图像在位置处的灰度值，计算每个像素的自适应归一化，，得到归一化后的特征图，确保ct图像的像素值分布在一个统一的范围内，有助于ct图像数据增强模型更好地学习和识别图像特征，将所述特征图输入到状态空间模型ssm中，得到特征图，有助于提取ct图像更加全面的特征，将所述特征图输入到长短期记忆网络lstm中，得到dcem最终输出的特征图，能有效捕捉ct图像中的长期特征变化，提高特征提取的深度和质量。
11、优选地，在s3步骤中，对于动态特征强化模块 dacm，将所述步骤s2中的dcem最终输出的特征图定义为，将所述特征图输入到双通道注意力中，，通过加权操作突出重要的特征抑制不重要的特征，可以更精确地捕捉不同特征的重要性，通过全局平均池化层，，减少特征的空间维度，同时保留重要的特征信息，得到池化后的特征图，将所述池化后的特征图通过一个全连接层，，是全连接层的权重，是全连接层的偏置，提供了一个线性变换，使得动态特征强化模块 dacm可以学习特征之间的复杂关系，得到压缩后的特征图，将所述压缩后的特征图通过relu激活函数，，引入非线性帮助动态特征强化模块 dacm捕捉非线性特征，得到特征图，计算所述特征图的权重，，和是计算权重层的参数，使用softmax函数对所述权重进行归一化，，将所述归一化后的注意力权重加权，，是逐元素乘法，得到dacm最终输出的特征图。
12、优选地，在s4步骤中，对动态特征混合模块dfum，将所述步骤s3中dacm最终输出的特征图定义为，和是特征图中不同处理阶段的特征图，将所述特征图和通过平均池化操作，减少特征的空间尺寸，降低计算的复杂度，得到维度相同的特征图和，将所述维度相同的特征图和通过深度卷积操作，通过捕捉更深层次的特征关系，提取更加丰富和抽象的特征表示，，得到混合特征，将所述混合特征通过自注意力机制，通过强化重要的特征并忽略不重要的特征，提高特征的表达能力，，得到增强融合后的特征。
13、优选地，在s5步骤中，对于ct图像数据增强模型，输入所述步骤s1预处理后的ct图像到动态卷积提取模块dcem，，和分别是预处理后的ct图像的高和宽，通过状态空间模型和长短期记忆网络，有效地从ct图像中提取出有助于纹理和细节增强的特征，得到dcem最终输出的特征图，将所述步骤s2中的dcem最终输出的特征图定义为，输入特征图到动态特征强化模块 dacm，通过双通道注意力机制，增强动态卷积提取模块输出的特征图中的显著纹理和细节信息，得到dacm最终输出的特征图，将所述步骤s3中dacm最终输出的特征图定义为，和是特征图中不同处理阶段的特征图，输入特征图和到动态特征混合模块dfum，通过深度卷积和自注意力，融合动态特征强化模块输出的不同阶段的特征图，以增强最终的纹理和细节特征，得到增强融合后的特征。
14、与现有技术相比，本专利技术具有以下技术效果：
15、本专利技术提供的技术方案提出了ct图像数据增强模型，包括动态卷积提取模块dcem，通过状态空间模型和长短期记忆网络，有效地从ct图像中提取出有助于纹理和细节增强的特征；动态特征本文档来自技高网...
【技术保护点】
1.一种用于CT图像纹理与细节增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用于CT图像纹理与细节增强方法，其特征在于，在S2步骤中，对于动态卷积提取模块DCEM，输入所述步骤S1预处理后的CT图像，，和分别是预处理后的CT图像的高和宽，将所述CT图像输入到自适应归一化层，计算整个CT图像的均值和标准差，，，其中是CT图像在位置处的灰度值，计算每个像素的自适应归一化，，得到归一化后的特征图，将所述特征图输入到状态空间模型SSM中，得到特征图，将所述特征图输入到长短期记忆网络LSTM中，得到DCEM最终输出的特征图。
3.根据权利要求1所述的一种用于CT图像纹理与细节增强方法，其特征在于，在S3步骤中，对于动态特征强化模块 DACM，将所述步骤S2中的DCEM最终输出的特征图定义为，将所述特征图输入到双通道注意力中，通过全局平均池化层，，得到池化后的特征图，将所述池化后的特征图通过一个全连接层，，是全连接层的权重，是全连接层的偏置，得到压缩后的特征图，将所述压缩后的特征图通过ReLU激活函数，，得到特征图，计算所述特征图的权重，，和是计算
4.根据权利要求1所述的一种用于CT图像纹理与细节增强方法，其特征在于，在S4步骤中，对动态特征混合模块DFUM，将所述步骤S3中DACM最终输出的特征图定义为，和是特征图中不同处理阶段的特征图，将所述特征图和通过平均池化操作，得到维度相同的特征图和，将所述维度相同的特征图和通过深度卷积操作，，得到混合特征，将所述混合特征通过自注意力机制，，得到增强融合后的特征。
5.根据权利要求1所述的一种用于CT图像纹理与细节增强方法，其特征在于，在S5步骤中，对于CT图像数据增强模型，输入所述步骤S1预处理后的CT图像到动态卷积提取模块DCEM，，和分别是预处理后的CT图像的高和宽，得到DCEM最终输出的特征图，将所述步骤S2中的DCEM最终输出的特征图定义为，输入特征图到动态特征强化模块 DACM，得到DACM最终输出的特征图，将所述步骤S3中DACM最终输出的特征图定义为，和是特征图中不同处理阶段的特征图，输入特征图和到动态特征混合模块DFUM，得到增强融合后的特征。
...【技术特征摘要】
1.一种用于ct图像纹理与细节增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用于ct图像纹理与细节增强方法，其特征在于，在s2步骤中，对于动态卷积提取模块dcem，输入所述步骤s1预处理后的ct图像，，和分别是预处理后的ct图像的高和宽，将所述ct图像输入到自适应归一化层，计算整个ct图像的均值和标准差，，，其中是ct图像在位置处的灰度值，计算每个像素的自适应归一化，，得到归一化后的特征图，将所述特征图输入到状态空间模型ssm中，得到特征图，将所述特征图输入到长短期记忆网络lstm中，得到dcem最终输出的特征图。
3.根据权利要求1所述的一种用于ct图像纹理与细节增强方法，其特征在于，在s3步骤中，对于动态特征强化模块 dacm，将所述步骤s2中的dcem最终输出的特征图定义为，将所述特征图输入到双通道注意力中，通过全局平均池化层，，得到池化后的特征图，将所述池化后的特征图通过一个全连接层，，是全连接层的权重，是全连接层的偏置，得到压缩后的特征图，将所述压缩后的特征图通过relu激活函数，，得到特征图，计算所述特征图的权重，，和是计算权重层的参数，使用so...
【专利技术属性】
技术研发人员：岳冉冉，张波，韩德艺，孙立华，郭明学，
申请(专利权)人：中国人民解放军总医院第一医学中心，
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。