【技术实现步骤摘要】
本专利技术涉及医学成像，具体涉及基于深度学习的血管成像方法和系统。
技术介绍
1、血管疾病在我国已经成为影响居民健康水平、阻碍社会经济发展的重大公共卫生问题和社会问题。数字减影血管造影技术(digital subtraction angiography,dsa)作为血管影像诊断的“金标准”，可以发现微血管病变，帮助医生了解病变血管与周围血管的情况，从而及时做出诊断和制定治疗方案。目前，dsa广泛用于心血管、脑血管、周围血管等系统的疾病诊断和介入治疗，包括动脉瘤的检测、血管狭窄的评估、血管畸形的诊断等，以及介入治疗中血管支架的植入、栓塞物的清除等。总体而言，dsa技术在现代医学中扮演关键角色，为准确诊断和有效治疗血管疾病提供有力支持。
2、dsa数字血管造影是一个动态拍摄连续帧x射线图像的过程。具体成像涉及将造影剂进入血管后的造影图像与未注射造影剂时的背景图像逐帧相减，以突出显示靶血管的形态、分支和分布信息，并消除血管以外的其他组织结构如骨骼和软组织影像。然而，在常规成像条件下，由于病人在成像过程中不可避免的运动(如呼吸、心跳、吞咽、肌肉收缩等)，可能导致造影图像和背景图像减影对不精确重合，即配准不良，从而出现因几何运动而产生的伪影。伪影的存在会显著干扰医生对血管位置的准确判断，严重影响临床医生对疾病的诊断和治疗。此外，在临床诊断中，如果患者出现运动，医生通常会中止拍摄过程，重新进行下一次dsa检查，这会增加患者对比剂剂量和辐射暴露，对患者的生理和心理健康产生严重影响。尤其在介入治疗中进行dsa成像时，运动伪影可能严重
3、为了解决dsa图像中的伪影问题，现有研究方法可分为两类：基于图像配准的dsa图像伪影校正算法和基于深度学习的dsa血管成像算法。基于图像配准的dsa图像伪影校正方法在消除伪影和提升图像质量方面取得了一定进展，但由于dsa图像是三维血管结构的二维投影，且血管结构具有一定的复杂性，现有配准算法往往难以完全匹配造影图像和背景图像，容易导致配准效果不佳或存在算法耗时过长导致不太适合实际应用的问题。近期，部分研究者提出基于深度学习的血管成像算法，摆脱减影成像的传统范式，通过构建图像样本数据、建立图像到图像的深度模型，实现直接从动态造影图像预测对应的伪dsa血管图像。然而，现有的深度学习成像算法往往依赖大量无伪影的样本数据，而无伪影dsa图像的成像要求对成像设备、被检查对象和检查医师都极为严苛。难以获取的无伪影样本数据大大阻碍了基于深度学习的血管成像模型的发展。
技术实现思路
1、针对以上现有技术，本专利技术的目的在于实现高质量的dsa血管成像，通过将伪影检测结果作为先验知识引入到dsa血管成像模型训练中，无需大量的无伪影数据集，仅需有伪影数据即可训练dsa血管成像模型，重建无伪影的高质量dsa图像，辅助医生更好的进行临床诊断。
2、为达到上述目的，本专利技术采用的技术方案为：
3、基于深度学习的血管成像方法，包括如下步骤：
4、构建用于模型训练的数字减影血管数据集；
5、构建具有成对造影图像和有伪影掩码的dsa图像的子集数据；
6、构建初级dsa血管成像模型并生成整个数字减影血管数据集中每张造影图像对应的伪dsa图像；
7、计算伪dsa图像和真实dsa图像的交叉投影张量，并进行梯度积分得到重建的伪影图；
8、对重建的伪影图进行形态学操作得到真实dsa图像对应的伪影掩码；
9、基于伪影掩码构建伪影数据集；
10、基于伪影数据集构建最终血管成像模型并生成无伪影的dsa图像。
11、进一步地，构建具有成对造影图像和有伪影掩码的dsa图像的子集数据，具体包括：从数字减影血管数据集中挑选伪影轻的dsa图像和对应的造影图像，人工勾画dsa图像的伪影区域，构建具有成对造影图像和有伪影掩码的dsa图像的子集数据。
12、进一步地，初级dsa血管成像模型为基于伪影掩码加权的损失函数训练的输入为造影图像、输出为dsa图像的初级dsa血管成像模型netp。
13、进一步地，计算伪dsa图像和真实dsa图像的交叉投影张量，包括以下步骤：
14、利用netp生成的伪dsa图像ia对真实有伪影的dsa图像ib进行交叉张量投影，投影张量d可定义为：
15、
16、其中，表示伪dsa图像ia的结构张量经svd分解后得到的特征向量，表示真实dsa图像的结构张量经svd分解后的特征向量，p1和p2表示伪dsa图像和真实dsa图像像素映射参数。
17、进一步地，进行梯度积分得到重建的伪影图，包括：
18、用投影张量对真实dsa图像中的血管梯度进行变换，当参数p1和p2对应伪dsa图像和真实dsa图像中共同存在的血管边缘像素时，满足p1＝0,p2＝1且梯度变换具体公式为：
19、
20、其中，v1和v2分别表示对真实和伪dsa图像的结构张量经svd分解后得到的对应共有血管位置的特征向量，d表示对应血管梯度的结构张量，dv1表示对真实dsa图像中的血管梯度进行张量投影，得到梯度为0；
21、当伪dsa图像中为非边缘像素而真实dsa图像为伪影边缘像素时，满足p1＝p2＝1，代入公式(2)得到结果为v1；
22、对真实dsa图像梯度进行梯度变换后，血管梯度被消除，伪影梯度被保留，得到重建的伪影图。
23、进一步地，最终血管成像模型以造影图像为输入，dsa图像为输出，定义为模型netθ，其中θ为模型参数；
24、其中，构建伪影掩码加权的重建损失监督模型训练，模型的重建损失函数lrecon定义为：
25、lrecon＝||netθ(x)-y||⊙m (3)
26、其中，x表示输入的造影图像，y表示真实的dsa图像，netθ(x)为模型预测的dsa图像，m表示真实dsa图像对应的伪影掩码取反，⊙表示矩阵的点乘操作。
27、基于深度学习的血管成像系统，包括：
28、数字减影血管图像采集模块，用于获取造影前的背景图像、造影图像和dsa图像序列；
29、dsa图像伪影检测模块，用于检测dsa图像中的伪影区域，获取dsa图像的伪影掩码；
30、基于伪影感知的dsa成像模块，用于将伪影掩码作为先验知识，引导训练输入为造影图像、输出为dsa血管图像的血管成像模型。
31、进一步地，数字减影血管图像采集模块中，dsa图像序列采用常规数字减影成像方式得到。
32、根据本专利技术的一个方面，提供一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的基于深度学习的血管成像方法。
33、根据本专利技术的另一个方面，本文档来自技高网...
【技术保护点】
1.基于深度学习的血管成像方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，构建具有成对造影图像和有伪影掩码的DSA图像的子集数据，具体包括：从数字减影血管数据集中挑选伪影轻的DSA图像和对应的造影图像，人工勾画DSA图像的伪影区域，构建具有成对造影图像和有伪影掩码的DSA图像的子集数据。
3.根据权利要求1所述的方法，其特征在于，初级DSA血管成像模型为基于伪影掩码加权的损失函数训练的输入为造影图像、输出为DSA图像的初级DSA血管成像模型Netp。
4.根据权利要求1所述的方法，其特征在于，计算伪DSA图像和真实DSA图像的交叉投影张量，包括以下步骤：
5.根据权利要求4所述的方法，其特征在于，进行梯度积分得到重建的伪影图，包括：
6.根据权利要求1所述的方法，其特征在于，最终血管成像模型以造影图像为输入，DSA图像为输出，定义为模型Netθ，其中θ为模型参数；
7.基于深度学习的血管成像系统，其特征在于，包括：
8.根据权利要求7所述的系统，其特征在于，数字减影血管
9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1-6中任一项所述的基于深度学习的血管成像方法。
10.一种电子设备，其特征在于，包括处理器和权利要求9所述的存储介质，所述处理器执行所述存储介质中的指令。
...【技术特征摘要】
1.基于深度学习的血管成像方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，构建具有成对造影图像和有伪影掩码的dsa图像的子集数据，具体包括：从数字减影血管数据集中挑选伪影轻的dsa图像和对应的造影图像，人工勾画dsa图像的伪影区域，构建具有成对造影图像和有伪影掩码的dsa图像的子集数据。
3.根据权利要求1所述的方法，其特征在于，初级dsa血管成像模型为基于伪影掩码加权的损失函数训练的输入为造影图像、输出为dsa图像的初级dsa血管成像模型netp。
4.根据权利要求1所述的方法，其特征在于，计算伪dsa图像和真实dsa图像的交叉投影张量，包括以下步骤：
5.根据权利要求4所述的方法，其特...
【专利技术属性】
技术研发人员：刘云碧，所世滕，杜冬，涂圣贤，阳维，韩晓光，刘青山，
申请(专利权)人：南京邮电大学，
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。