【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于条件扩散的多模偏移影像融合重建方法及相关装置。
技术介绍
1、临床诊疗过程产生大量的医学影像资料，为医学影像计算机视觉技术的改进提供了新的契机。然而目前多数研究集中于探索单独医学影像如ct、mr、超声图像等的语义识别，其使用的深度学习框架多针对单独的ct或mr图像，无法融合两者特征实现更精准的分割。消化道及周边区域包含众多组织器官，例如血管、胆胰管、肠道、实体脏器等等，同一种医学影像难以同时兼顾不同组织器官的边界显影要求，多模影像融合分割为实现环手术目标众多组织器官分割重建提供了有效途径。然而ct、mr等图像特征差别明显，一些主流方法的机图像融合分割方法如生成对抗网络（gan）的训练不稳定、缺乏可解释性和易模式崩溃，严重影响了生成样本的质量。
2、目前的图像融合技术多针对可见光图像与红外线图像的融合，医学图像融合因其复杂性及应用的意义引起了图像融合社区广泛的讨论。医学图像融合可以通过融合多种医学成像模式精确检测异常部位来辅助诊断和治疗。最近设计了许多方法来解决医学图像融合带来的挑战，并且生成模型已被广泛用于对融合图像的分布进行建模并实现令人满意的批量融合效果。其中，基于生成对抗的gan网络占主导地位。文献设计了一个双对抗融合网络tardal，使具有一个生成器和双鉴别器的融合网络在求同存异的同时从差异中学习，从而保留了红外目标的结构信息和可见光的纹理细节，在高效处理挑战场景方面表现出明显的优势。有为了弥补光学传感器成像的缺陷，有文献提出了可学习的特征自适应网络msis，研究了红外
3、基于生成对抗的gan网络取得了优越的图像生成结果，然而gan网络的训练不稳定、缺乏可解释性和易模式崩溃，严重影响了生成样本的质量。且由于医学影像采集时间不同，不同影像之间的特征往往存在较大的特征偏移，现有方法相对受限的特征视野难以准确修正偏移融合不同组织特征。在医学影像中ct与mr影像之间往往存在较大的差异，两者的亮度空间分布不均，现有技术难以很好地解决这个问题。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于条件扩散的多模偏移影像融合重建方法及相关装置，解决了ct与mri图像因采集时间不同造成的特征偏移问题与ct与mri图像两者差异中的亮度空间分布不均问题。
2、为了解决上述技术问题，本专利技术实施例提供了一种基于条件扩散的多模偏移影像融合重建方法，所述方法包括：
3、获得原ct影像，并基于无条件扩散采样对所述原ct影像进行迁移处理，生成迁移mri影像；
4、将所述迁移mri影像和原mri影像输入状态空间特征提取模块中进行特征提取处理，获得融合特征数据；
5、将所述融合特征数据输入协同任务解码器中进行解码操作，生成重建ct影像、组织形变场和mri分割图像，所述协同任务解码器中包含循环重建解码器、形变估计解码器和组织分割解码器，所述重建ct影像用于与所述原ct影像计算循环一致损失；
6、基于所述组织形变场和所述mri分割图像进行三维重建处理，获得组织三维解剖重建图像。
7、可选的，所述基于无条件扩散采样对所述原ct影像进行迁移处理，生成迁移mri影像，包括：
8、对所述原ct影像逐渐添加高斯噪声，将所述原ct影像转化为高斯信号，并利用去燥分数匹配法对所述高斯信号进行去燥处理，生成去燥影像；
9、以原ct影像的概率作为先验条件通过似然矫正优化将所述去燥影像进行迁移处理，生成迁移mri影像。
10、可选的，所述似然矫正优化为采用最大期望算法计算原ct影像与迁移mri影像的相似度；所述最大期望算法包含e-step与m-step两个步骤；
11、其中，e-step为更新潜在变量x的条件期望的计算结果，以便在m-step中进行最大化步骤，其计算式如下：
12、；
13、；
14、其中，表示对其随机变量的期望值；表示行索引，范围从1到h，h为常数；表示列索引，范围从1到w，w为常数；表示去燥扩散步长；表示迁移mri影像与原ct影像的差值中第i行第j列的数据点的观测值；表示原ct影像与迁移mri影像之间的差值中第i行第j列的数据点的观测值；表示一个正太分布的参数，用于描述数据点和的关系；为潜在变量，表示一个正太分布的参数，用于描述数据点的分布。
15、可选的，所述将所述迁移mri影像和原mri影像输入状态空间特征提取模块中进行特征提取处理，获得融合特征数据，包括：
16、将所述迁移mri影像和所述原mri影像输入所述状态空间特征提取模块中经过n层vss长距特征编码进行特征提取处理，获得第一提取特征；
17、将所述第一提取特征进行特征patch融合处理，获得第一融合特征；
18、将所述第一融合特征再经过n层vss长距特征编码进行特征提取处理，获得第二提取特征；
19、将所述第二提取特征进行特征patch融合处理，形成融合特征数据。
20、可选的，所述将所述融合特征数据输入协同任务解码器中进行解码操作，生成重建ct影像、组织形变场和mri分割图像，包括：
21、将所述融合特征数据输入所述协同任务解码器中，并在所述协同任务解码器中的循环重建解码器内进行ct影像重建处理，获得重建ct影像；
22、在所述协同任务解码器中的形变估计解码器内进行原ct影像与原mri影像的偏移信息提取处理，获得组织形变场；
23、在所述协同任务解码器中的组织分割解码器内进行原mri影像的血管和组织分割处理，获得mri分割图像。
24、可选的，所述获得重建ct影像之后，还包括：
25、基于所述重建ct影像与所述原ct影像的计算循环一致损失返回所述状态空间特征提取模块的节点参数的修正处理。
26、可选的，所述基于所述组织形变场和所述mri分割图像进行三维重建处理，获得组织三维解剖重建图像，包括：
27、基于所述组织形变场中的偏移信息和所述mri分割图像中的血管及组织进行三维重建处理，获得组织三维解剖重建图像。
28、另外，本专利技术实施例还提供了一种基于条件扩散的多模偏移影像融合重建装置，所述装置包括：
29、迁移生成模块：用于获得原ct影像，并基于无条件扩散采样对所述原ct影像进行迁移处理，生成迁移mri影像；
30、特征提取模块：用于将所述迁移mri影像和原mri本文档来自技高网...
【技术保护点】
1.一种基于条件扩散的多模偏移影像融合重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的多模偏移影像融合重建方法，其特征在于，所述基于无条件扩散采样对所述原CT影像进行迁移处理，生成迁移MRI影像，包括：
3.根据权利要求2所述的多模偏移影像融合重建方法，其特征在于，所述似然矫正优化为采用最大期望算法计算原CT影像与迁移MRI影像的 相似度；所述最大期望算法包含E-step与M-step两个步骤；
4.根据权利要求1所述的多模偏移影像融合重建方法，其特征在于，所述将所述迁移MRI影像和原MRI影像输入状态空间特征提取模块中进行特征提取处理，获得融合特征数据，包括：
5.根据权利要求1所述的多模偏移影像融合重建方法，其特征在于，所述将所述融合特征数据输入协同任务解码器中进行解码操作，生成重建CT影像、组织形变场和MRI分割图像，包括：
6.根据权利要求5所述的多模偏移影像融合重建方法，其特征在于，所述获得重建CT影像之后，还包括：
7.根据权利要求1所述的多模偏移影像融合重建方法，其特征在于，所述基
8.一种基于条件扩散的多模偏移影像融合重建装置，其特征在于，所述装置包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于条件扩散的多模偏移影像融合重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的多模偏移影像融合重建方法，其特征在于，所述基于无条件扩散采样对所述原ct影像进行迁移处理，生成迁移mri影像，包括：
3.根据权利要求2所述的多模偏移影像融合重建方法，其特征在于，所述似然矫正优化为采用最大期望算法计算原ct影像与迁移mri影像的 相似度；所述最大期望算法包含e-step与m-step两个步骤；
4.根据权利要求1所述的多模偏移影像融合重建方法，其特征在于，所述将所述迁移mri影像和原mri影像输入状态空间特征提取模块中进行特征提取处理，获得融合特征数据，包括：
5.根据权利要求1所述的多模偏移影像融合重建方法，其特征在于，所述将所述融合特征数据输入协同任务解码器中进行解码操作，...
【专利技术属性】
技术研发人员：陶海粟，钱银玲，杨剑，郭康炜，曾小军，林锦裕，王俊锋，宋卓锦，唐玄霜，李馨慈，林文俊，
申请(专利权)人：南方医科大学珠江医院，
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。