CN113706358A - 一种断层扫描图像层间距的加密方法和加密装置 - Google Patents
一种断层扫描图像层间距的加密方法和加密装置 Download PDFInfo
- Publication number
- CN113706358A CN113706358A CN202110780234.2A CN202110780234A CN113706358A CN 113706358 A CN113706358 A CN 113706358A CN 202110780234 A CN202110780234 A CN 202110780234A CN 113706358 A CN113706358 A CN 113706358A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- dimensional image
- encryption
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011229 interlayer Substances 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000002591 computed tomography Methods 0.000 claims abstract description 14
- 239000010410 layer Substances 0.000 claims description 91
- 238000005070 sampling Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000003325 tomography Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本申请涉及数字化医疗技术领域，具体涉及一种断层扫描图像层间距加密方法、断层扫描图像层间距加密装置、电子设备和计算机可读存储介质。该方法首先将需要层间距加密的某一部位的电子计算机断层扫描图像数据集进行预处理；使用变分自编码生成对抗网络，学习该部位的组织结构特征；使用层间距加密网络预测细层间距图像，在训练时，预训练好的变分自编码生成对抗网络作为网络约束的一部分。本公开设备简单，操作简便，成本低廉，速度快，层间距加密效果好，有较高的实用价值。
Description
技术领域
本申请涉及数字化医疗技术领域，具体涉及一种断层扫描图像层间距加密方法、断层扫描图像层间距加密装置、电子设备和计算机可读存储介质。
背景技术
医学电子计算机断层扫描图像在重建时，利用的是一段连续扫描区间内的扫描数据，这段连续扫描区间的长度即为医学电子计算机断层扫描图像的层厚。因此医学电子计算机断层扫描图像上的CT值不能够准确代表该组织器官本身的CT值，而是整个扫描范围内组织器官的平均CT值。连续两张医学电子计算机断层扫描图像之间的距离称作层间距。越小的层间距意味着更多的数据，意味着更高的医学电子计算机断层扫描图像精度，同时会占用更多的存储资源。利用层间距等于或大于层厚的医学电子计算机断层扫描图像，生成更细层间距的图像，能够节省重建成本与存储资源，同时增强图像的质量。
目前鲜有工作进行医学电子计算机断层扫描图像的层间距加密，大部分针对医学电子计算机断层扫描图像的质量增强工作在低剂量射线得到的二维图像质量提升上展开，少部分工作在含有时间维度的计算机断层扫描图像上进行时间维度加密上展开。
发明内容
本公开的目的是为克服已有技术的不足之处，针对三维医学电子计算机断层扫描图像，进行层间距加密，得到细层间距的图像，能够节省存储成本，提高图像质量。
根据本公开的第一方面，提出一种断层扫描图像层间距的加密方法，包括：
获取人体部位多幅断层扫描图像，分别对多幅电子计算机断层扫描图像进行归一化处理，得到多幅三维图像；
利用所述的三维图像中的二维图像切片对变分自编码生成对抗网络进行训练，将所述的三维图像中的二维图像切片输入变分自编码生成对抗网络，所述的变分自编码生成对抗网络输出得到人体部位的组织结构特征；
构建和训练一个层间距加密网络；
将所述的三维图像中的二维图像切片中的连续两张二维图像切片输入所述的层间距加密网络，得到细层间距图像，实现断层扫描图像层间距的加密。
可选地，对变分自编码生成对抗网络进行训练的过程为：
变分自编码生成对抗网络由编码器、解码器和判别器组成；所述的编码器包括四个降采样模块、一个全连接模块和两个全连接层；所述的解码器包括一个全连接模块和四个上采样模块；所述的判别器包括四个降采样模块、一个全连接模块和一个全连接层，降采样模块包括卷积层、实例归一化层和激活层；升采样模块包括反卷积层，实例归一化层和激活层；全连接模块包括全连接层和实例归一化层；
变分自编码生成对抗网络的损失函数为相对熵损失函数、潜在空间距离损失函数、重建原始图像损失函数和判别器损失函数。
可选地，构建和训练一个层间距加密网络的过程如下：
层间距加密网络由包含多尺度特征提取跳跃连接的U型结构网络、通道注意力网络和空间变形网络组成；
对所述的层间距加密网络进行训练，得到一个训练后的层间距加密网络。
可选地，多尺度特征提取跳跃连接的U型结构网络的结构如下：
U型结构网络包括四次降采样与四次升采样，四次降采样中的前三次下采样为连接升采样的跳跃连接过程，在每次跳跃连接中进行多尺度特征提取，多尺度特征提取模块由四个卷积层并联而成，四个卷积层分别包括尺寸为1*1卷积核、尺寸为3*3卷积核、两个尺寸为3*3大小卷积核及一个池化层和尺寸为3*3卷积核；
降采样过程包括一个卷积层和一个激活层，激活函数采用LeakyRelu函数；升采样过程包括卷积层、激活层和上采样层，激活函数采用LeakyRelu。
可选地，通道注意力网络的结构如下：
通道注意力网络由多个通道注意力单元级联而成，通道注意力单元使用残差网络连接，残差网络内包括两部分，残差网络的第一部分为卷积层和LeakyRelu激活层，残差网络的第二部分为通道注意力主体，通道注意力主体包括平均池化层、卷积层、LeakyRelu 激活层、卷积层和Sigmoid激活层，由第二部分的通道注意力主体输出的权重与残差网络的第一部分输出的向量相乘作为通道注意力网络的输出。
可选地，空间变形网络的结构如下：
空间变形模块对于需要预测的细层间距图像上的每一个像素，在与原始输入图像尺寸等大小的形变场中能够学习到对应的亚像素位置，原始输入图像中亚像素所在位置的像素值即为细层间距图像的像素值。针对亚像素的位置是浮点数，采用相邻四个像素的线性插值的方法，求得亚像素所对应的像素值。
可选地，对层间距加密网络进行训练的损失函数包括重建损失、感知损失函数和变分自编码生成对抗网络的约束损失函数；
可选地，实现电子计算机断层扫描图像层间距的加密的过程如下：
将连续两张二维图像切片输入包含多尺度特征提取跳跃连接的U型结构网络，将包含多尺度特征提取跳跃连接的U型结构网络的输出直接输入到通道注意力网络中，得到三维图像的形变场；将该三维图像的形变场和三维图像输入到空间变形网络，空间变形网络输出得到细层间距图像。
根据本公开的第二方面，提出一种断层扫描图像层间距的加密装置，包括：
图像采集模块，获取人体部位多幅断层扫描图像，分别对多幅电子计算机断层扫描图像进行归一化处理，得到多幅三维图像；
组织结构特征提取模块，利用所述的三维图像中的二维图像切片对变分自编码生成对抗网络进行训练，将所述的三维图像中的二维图像切片输入变分自编码生成对抗网络，所述的变分自编码生成对抗网络输出得到人体部位的组织结构特征；
构建网络模块，用于构建和训练一个层间距加密网络；
获取细层间距图像模块，用于将所述的三维图像中的二维图像切片中的连续两张二维图像切片输入所述的层间距加密网络，得到细层间距图像，实现断层扫描图像层间距的加密。
根据本公开的第三方面，提出一种断层扫描图像层间距的加密电子设备，包括服务器、存储器和处理器。
根据本公开的第四方面，提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取人体部位多幅断层扫描图像，分别对多幅电子计算机断层扫描图像进行归一化处理，得到多幅三维图像；
利用所述的三维图像中的二维图像切片对变分自编码生成对抗网络进行训练，将所述的三维图像中的二维图像切片输入变分自编码生成对抗网络，所述的变分自编码生成对抗网络输出得到人体部位的组织结构特征；
构建和训练一个层间距加密网络；
将所述的三维图像中的二维图像切片中的连续两张二维图像切片输入所述的层间距加密网络，得到细层间距图像，实现断层扫描图像层间距的加密。
根据本公开的实施例，本公开使用变分自编码生成对抗网络学习某一部位的组织结构信息作为约束，能够利用不同人体某一部位组织结构分布具有相似性的信息，避免生成的细层间距图像偏离实际，更具有真实性。本公开根据医学电子计算机断层扫描图像特点，设计了层间距加密网络，能够生成细节丰富，效果逼真的细层间距图像，使用方便，运行速率高效，真实性强。本公开克服现有技术中鲜有工作进行层间距加密任务的问题，所需设备简单，操作简便，成本低廉，层间距加密效果好，有较高的实用价值。
附图说明
图1是根据本公开一个实施例示出的一种断层扫描图像层间距加密方法的整体流程框图。
图2是根据本公开一个实施例示出的层间距加密网络的结构图。其中，①表示降采样模块，②表示卷积层，③表示升采样模块，④表示多尺度特征提取模块，⑤表示通道注意力网络，⑥表示空间变形网络。
图3是根据本公开一个实施例示出的通道注意力网络的结构图。
图4是本公开的一种断层扫描图像层间距加密装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1是根据本公开一个实施例示出的断层扫描图像层间距的加密方法的示意流程图。本实施例所示的断层扫描图像层间距的加密方法，可以适用于人体胸部的粗层间距断层扫描图像等。
在步骤1中，获取人体部位多幅断层扫描图像，分别对多幅电子计算机断层扫描图像进行归一化处理，得到多幅三维图像；
在本实施例中，选用胸部图像作为层间距加密的某一部位图像，使用美国国家癌症研究所公开的LIDC-IDRI肺结节数据集，选用的图像大小均为512*512大小。
对筛选出的满足大小的所有图像进行截断处理，方便后续的处理与训练。截断区间设置为[-1000,2000]。将截断后的图像进行归一化处理，作为网络的输入。针对变分自编码生成对抗网络，将图像归一化到[-1,1]；针对层间距加密网络，将图像归一化到[0,1]。
在步骤2中，利用所述的三维图像中的二维图像切片对变分自编码生成对抗网络进行训练，将所述的三维图像中的二维图像切片输入变分自编码生成对抗网络，所述的变分自编码生成对抗网络输出得到人体部位的组织结构特征；
在一个实施例中，所述的变分自编码生成对抗网络由编码器、解码器和判别器组成；所述的编码器包括四个降采样模块、一个全连接模块和两个全连接层；所述的解码器包括一个全连接模块和四个上采样模块；所述的判别器包括四个降采样模块、一个全连接模块和一个全连接层，降采样模块包括卷积层、实例归一化层和激活层；升采样模块包括反卷积层，实例归一化层和激活层；全连接模块包括全连接层和实例归一化层；
变分自编码生成对抗网络的损失函数如下所示：
相对熵损失函数表达式为：
LKL＝z2
潜在空间距离损失函数表达式为：
重建原始图像损失函数表达式为：
判别器损失：
其中，Enc()表示编码器，Dec()表示解码器，Dis()表示判别器，x表示输入的三维图像， z表示随机生成的潜在组织结构特征向量，
表示输出图像。
在步骤3中，构建和训练一个层间距加密网络，其网络结构图如图2所示；
在一个实施例中，层间距加密网络由包含多尺度特征提取跳跃连接的U型结构网络、通道注意力网络和空间变形网络组成；
对所述的层间距加密网络进行训练，得到一个训练后的层间距加密网络。
在一个实施例中，所述的多尺度特征提取跳跃连接的U型结构网络的结构如下：
U型结构网络包括四次降采样与四次升采样，四次降采样中的前三次下采样为连接升采样的跳跃连接过程，在每次跳跃连接中进行多尺度特征提取，多尺度特征提取模块由四个卷积层并联而成，四个卷积层分别包括尺寸为1*1卷积核、尺寸为3*3卷积核、两个尺寸为3*3大小卷积核及一个池化层和尺寸为3*3卷积核；
降采样过程包括一个卷积层和一个激活层，激活函数采用LeakyRelu函数；升采样过程包括卷积层、激活层和上采样层，激活函数采用LeakyRelu。
在一个实施例中，所述的通道注意力网络的结构如图3所示：
通道注意力网络由多个通道注意力单元级联而成，通道注意力单元使用残差网络连接，残差网络内包括两部分，残差网络的第一部分为卷积层和LeakyRelu激活层，残差网络的第二部分为通道注意力主体，通道注意力主体包括平均池化层、卷积层、LeakyRelu 激活层、卷积层和Sigmoid激活层，由第二部分的通道注意力主体输出的权重与残差网络的第一部分输出的向量相乘作为通道注意力网络的输出。
通道注意力模块网络结构如图4所示，通道注意力模块由多个通道注意力单元级联而成，通道注意力单元使用残差连接，内部可细化分为两部分，第一部分是卷积部分，第二部分是通道注意力主体部分，包括平均池化层、卷积层、LeakyRelu激活层、卷积层与Sigmoid激活层。通道注意力主体部分得到的权重与卷积部分的输出相乘得到输出结果。
空间变形模块对于需要预测的细层间距图像上的每一个像素，在与原始输入图像尺寸等大小的形变场中能够学习到对应的亚像素位置，原始输入图像中亚像素所在位置的像素值即为细层间距图像的像素值。针对亚像素的位置是浮点数，采用相邻四个像素的线性插值的方法，求得亚像素所对应的像素值。
在一个实施例中，对层间距加密网络进行训练的损失函数包括重建损失、感知损失函数和变分自编码生成对抗网络的约束损失函数；其表达式如下：
重建损失函数表达式为：
感知损失函数表达式为：
变分自编码生成对抗网络的约束损失函数表达式为：
其中，y表示两张连续二维图像中间的细层间距图像，
表示层间距加密网络输出，
表示预训练好的视觉几何组网络的前j层,
表示预训练好的变分自编码生成对抗网络的编码器部分，
表示预训练好的变分自编码生成对抗网络的判别器部分，λGAN为人为设定的超参数，
变分自编码生成对抗网络的约束损失，利用所述的预训练好的变分自编码生成对抗网络，潜在向量约束损失利用潜在空间所保存的组织结构信息，对生成图像与真实图像之间的结构差异进行约束，判别损失用于区分真实图像与重建图像，提高生成细层间距图像质量。
在步骤4中，将所述的三维图像中的二维图像切片中的连续两张二维图像切片输入所述的层间距加密网络，得到细层间距图像，实现断层扫描图像层间距的加密。
在一个实施例中，将连续两张二维图像切片输入包含多尺度特征提取跳跃连接的U型结构网络，将包含多尺度特征提取跳跃连接的U型结构网络的输出直接输入到通道注意力网络中，得到三维图像的形变场；将该三维图像的形变场和三维图像输入到空间变形网络，空间变形网络对于需要预测的细层间距图像上的每一个像素，在与原始输入图像尺寸等大小的形变场中能够学习到对应的亚像素位置，原始输入图像中亚像素所在位置的像素值即为细层间距图像的像素值。针对亚像素的位置是浮点数，采用相邻四个像素的线性插值的方法，求得亚像素所对应的像素值。空间变形网络输出得到细层间距图像。
与上述断层扫描图像层间距的加密方法相对应的，本公开还提出了断层扫描图像层间距的加密装置。
图4所示是本公开一个实施例示出的断层扫描图像层间距的加密装置的实施例，包括：
图像采集模块，获取人体部位多幅断层扫描图像，分别对多幅电子计算机断层扫描图像进行归一化处理，得到多幅三维图像；
组织结构特征提取模块，利用所述的三维图像中的二维图像切片对变分自编码生成对抗网络进行训练，将所述的三维图像中的二维图像切片输入变分自编码生成对抗网络，所述的变分自编码生成对抗网络输出得到人体部位的组织结构特征；
构建网络模块，用于构建和训练一个层间距加密网络；
获取细层间距图像模块，用于将所述的三维图像中的二维图像切片中的连续两张二维图像切片输入所述的层间距加密网络，得到细层间距图像。
在测试时，仅使用层间距加密网络即可得到两张粗层间距图像之间的细层间距图像，实现断层扫描图像层间距的加密。
本公开的实施例还提出了一种电子设备，包括：
存储器：用于存储处理器可执行的指令；
处理器：所述处理器被配置为：
获取人体部位多幅断层扫描图像，分别对多幅电子计算机断层扫描图像进行归一化处理，得到多幅三维图像；
利用所述的三维图像中的二维图像切片对变分自编码生成对抗网络进行训练，将所述的三维图像中的二维图像切片输入变分自编码生成对抗网络，所述的变分自编码生成对抗网络输出得到人体部位的组织结构特征；
构建和训练一个层间距加密网络；
将所述的三维图像中的二维图像切片中的连续两张二维图像切片输入所述的层间距加密网络，得到细层间距图像，实现断层扫描图像层间距的加密。
本公开的实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行是实现以下步骤：
获取人体部位多幅断层扫描图像，分别对多幅电子计算机断层扫描图像进行归一化处理，得到多幅三维图像；
利用所述的三维图像中的二维图像切片对变分自编码生成对抗网络进行训练，将所述的三维图像中的二维图像切片输入变分自编码生成对抗网络，所述的变分自编码生成对抗网络输出得到人体部位的组织结构特征；
构建和训练一个层间距加密网络；
将所述的三维图像中的二维图像切片中的连续两张二维图像切片输入所述的层间距加密网络，得到细层间距图像，实现断层扫描图像层间距的加密。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频) 等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收第一用户为接入方软件配置引导信息的请求；根据请求，为第一用户提供配置页面；获取第一用户在配置页面为引导信息设置的显示条件和显示位置信息；在引导配置系统中保存引导信息的显示条件和显示位置信息；在监测到接入方软件的运行满足显示条件时，控制接入方软件根据显示位置信息显示引导信息。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收第一用户为接入方软件配置引导信息的请求；根据请求，为第一用户提供配置页面；获取第一用户在配置页面为引导信息设置的显示条件和显示位置信息；在引导配置系统中保存引导信息的显示条件和显示位置信息；在监测到接入方软件的运行满足显示条件时，控制接入方软件根据显示位置信息显示引导信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (11)
1.一种断层扫描图像层间距的加密方法，其特征在于该方法包括以下步骤：
获取人体部位多幅断层扫描图像，分别对多幅电子计算机断层扫描图像进行归一化处理，得到多幅三维图像；
利用所述的三维图像中的二维图像切片对变分自编码生成对抗网络进行训练，将所述的三维图像中的二维图像切片输入变分自编码生成对抗网络，所述的变分自编码生成对抗网络输出得到人体部位的组织结构特征；
构建和训练一个层间距加密网络；
将所述的三维图像中的二维图像切片中的连续两张二维图像切片输入所述的层间距加密网络，得到细层间距图像，实现断层扫描图像层间距的加密。
2.如权利要求1所述的断层扫描图像层间距的加密方法，其特征在于其中所述的对变分自编码生成对抗网络进行训练的过程为：
变分自编码生成对抗网络由编码器、解码器和判别器组成；所述的编码器包括四个降采样模块、一个全连接模块和两个全连接层；所述的解码器包括一个全连接模块和四个上采样模块；所述的判别器包括四个降采样模块、一个全连接模块和一个全连接层，降采样模块包括卷积层、实例归一化层和激活层；升采样模块包括反卷积层，实例归一化层和激活层；全连接模块包括全连接层和实例归一化层；
变分自编码生成对抗网络的损失函数为相对熵损失函数、潜在空间距离损失函数、重建原始图像损失函数和判别器损失函数。
3.如权利要求1所述的断层扫描图像层间距的加密方法，其特征在于其中所述的构建和训练一个层间距加密网络的过程如下：
层间距加密网络由包含多尺度特征提取跳跃连接的U型结构网络、通道注意力网络和空间变形网络组成；
对所述的层间距加密网络进行训练，得到一个训练后的层间距加密网络。
4.如权利要求3所述的断层扫描图像层间距的加密方法，其特征在于其中所述的多尺度特征提取跳跃连接的U型结构网络的结构如下：
U型结构网络包括四次降采样与四次升采样，四次降采样中的前三次下采样为连接升采样的跳跃连接过程，在每次跳跃连接中进行多尺度特征提取，多尺度特征提取模块由四个卷积层并联而成，四个卷积层分别包括尺寸为1*1卷积核、尺寸为3*3卷积核、两个尺寸为3*3大小卷积核及一个池化层和尺寸为3*3卷积核；
降采样过程包括一个卷积层和一个激活层，激活函数采用LeakyRelu函数；升采样过程包括卷积层、激活层和上采样层，激活函数采用LeakyRelu。
5.如权利要求3所述的断层扫描图像层间距的加密方法，其特征在于其中所述的通道注意力网络的结构如下：
通道注意力网络由多个通道注意力单元级联而成，通道注意力单元使用残差网络连接，残差网络内包括两部分，残差网络的第一部分为卷积层和LeakyRelu激活层，残差网络的第二部分为通道注意力主体，通道注意力主体包括平均池化层、卷积层、LeakyRelu激活层、卷积层和Sigmoid激活层，由第二部分的通道注意力主体输出的权重与残差网络的第一部分输出的向量相乘作为通道注意力网络的输出。
6.如权利要求3所述的断层扫描图像层间距的加密方法，其特征在于其中所述的空间变形网络的结构如下：
空间变形模块对于需要预测的细层间距图像上的每一个像素，在与原始输入图像尺寸等大小的形变场中能够学习到对应的亚像素位置，原始输入图像中亚像素所在位置的像素值即为细层间距图像的像素值。针对亚像素的位置是浮点数，采用相邻四个像素的线性插值的方法，求得亚像素所对应的像素值。
7.如权利要求3所述的断层扫描图像层间距的加密方法，其特征在于其中所述的对层间距加密网络进行训练的损失函数包括重建损失、感知损失函数和变分自编码生成对抗网络的约束损失函数。
8.如权利要求1所述的扫描图像层间距的加密方法，其特征在于所述的实现电子计算机断层扫描图像层间距的加密的过程如下：
将连续两张二维图像切片输入包含多尺度特征提取跳跃连接的U型结构网络，将包含多尺度特征提取跳跃连接的U型结构网络的输出直接输入到通道注意力网络中，得到三维图像的形变场；将该三维图像的形变场和三维图像输入到空间变形网络，空间变形网络输出得到细层间距的图像。
9.一种断层扫描图像层间距的加密装置，其特征在于，所述的加密装置包括：
图像采集模块，获取人体部位多幅断层扫描图像，分别对多幅电子计算机断层扫描图像进行归一化处理，得到多幅三维图像；
组织结构特征提取模块，利用所述的三维图像中的二维图像切片对变分自编码生成对抗网络进行训练，将所述的三维图像中的二维图像切片输入变分自编码生成对抗网络，所述的变分自编码生成对抗网络输出得到人体部位的组织结构特征；
构建网络模块，用于构建和训练一个层间距加密网络；
获取细层间距图像模块，用于将所述的三维图像中的二维图像切片中的连续两张二维图像切片输入所述的层间距加密网络，得到细层间距图像，实现断层扫描图像层间距的加密。
10.一种断层扫描图像层间距的加密电子设备，其特征在于，包括：
存储器：用于存储处理器可执行的指令；
处理器：所述处理器被配置为：
获取人体部位多幅断层扫描图像，分别对多幅电子计算机断层扫描图像进行归一化处理，得到多幅三维图像；
利用所述的三维图像中的二维图像切片对变分自编码生成对抗网络进行训练，将所述的三维图像中的二维图像切片输入变分自编码生成对抗网络，所述的变分自编码生成对抗网络输出得到人体部位的组织结构特征；
构建和训练一个层间距加密网络；
将所述的三维图像中的二维图像切片中的连续两张二维图像切片输入所述的层间距加密网络，得到细层间距图像，实现断层扫描图像层间距的加密。
11.一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，该程序被处理器执行时实现以下步骤：
获取人体部位多幅断层扫描图像，分别对多幅电子计算机断层扫描图像进行归一化处理，得到多幅三维图像；
利用所述的三维图像中的二维图像切片对变分自编码生成对抗网络进行训练，将所述的三维图像中的二维图像切片输入变分自编码生成对抗网络，所述的变分自编码生成对抗网络输出得到人体部位的组织结构特征；
构建和训练一个层间距加密网络；
将所述的三维图像中的二维图像切片中的连续两张二维图像切片输入所述的层间距加密网络，得到细层间距图像，实现断层扫描图像层间距的加密。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110780234.2A CN113706358B (zh) | 2021-07-09 | 2021-07-09 | 一种断层扫描图像层间距的加密方法和加密装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110780234.2A CN113706358B (zh) | 2021-07-09 | 2021-07-09 | 一种断层扫描图像层间距的加密方法和加密装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706358A true CN113706358A (zh) | 2021-11-26 |
| CN113706358B CN113706358B (zh) | 2024-07-12 |
Family
ID=78648803
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110780234.2A Active CN113706358B (zh) | 2021-07-09 | 2021-07-09 | 一种断层扫描图像层间距的加密方法和加密装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706358B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629816A (zh) * | 2018-05-09 | 2018-10-09 | 复旦大学 | 基于深度学习进行薄层磁共振图像重建的方法 |
| CN110070612A (zh) * | 2019-04-25 | 2019-07-30 | 东北大学 | 一种基于生成对抗网络的ct图像层间插值方法 |
| CN110473285A (zh) * | 2019-07-30 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 图像重构方法、装置、计算机设备和存储介质 |
| US20200397334A1 (en) * | 2018-03-12 | 2020-12-24 | Lvis Corporation | Systems and methods for generating thin image slices from thick image slices |
| CN112991341A (zh) * | 2021-04-28 | 2021-06-18 | 江苏瑞尔医疗科技有限公司 | 基于厚层ct图像生成薄层ct图像的系统及方法 |
-
2021
- 2021-07-09 CN CN202110780234.2A patent/CN113706358B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200397334A1 (en) * | 2018-03-12 | 2020-12-24 | Lvis Corporation | Systems and methods for generating thin image slices from thick image slices |
| CN108629816A (zh) * | 2018-05-09 | 2018-10-09 | 复旦大学 | 基于深度学习进行薄层磁共振图像重建的方法 |
| CN110070612A (zh) * | 2019-04-25 | 2019-07-30 | 东北大学 | 一种基于生成对抗网络的ct图像层间插值方法 |
| CN110473285A (zh) * | 2019-07-30 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 图像重构方法、装置、计算机设备和存储介质 |
| CN112991341A (zh) * | 2021-04-28 | 2021-06-18 | 江苏瑞尔医疗科技有限公司 | 基于厚层ct图像生成薄层ct图像的系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| ZHANG, SIYUAN 等: "2D CNN-Based Slices-to-Volume Superresolution Reconstruction", IEEE ACCESS, 20 May 2020 (2020-05-20) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706358B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3919002B1 (en) | Ct image generation method and apparatus, computer device and computer-readable storage medium | |
| CN109978037B (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
| US8811697B2 (en) | Data transmission in remote computer assisted detection | |
| CN101201937B (zh) | 基于小波重构与分解的数字图像增强方法及其装置 | |
| US10713761B2 (en) | Method and apparatus to perform local de-noising of a scanning imager image | |
| US10867375B2 (en) | Forecasting images for image processing | |
| CN107688783B (zh) | 3d图像检测方法、装置、电子设备及计算机可读介质 | |
| CN111311704A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
| CN114549552B (zh) | 基于空间邻域分析的肺部ct图像分割装置 | |
| CN111598989B (zh) | 一种图像渲染参数设置方法、装置、电子设备及存储介质 | |
| CN116485809B (zh) | 基于自注意力与感受野调整的牙齿实例分割方法及系统 | |
| CN111612792B (zh) | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 | |
| CN114742802B (zh) | 基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法 | |
| CN112150470A (zh) | 图像分割方法、装置、介质及电子设备 | |
| CN117649385A (zh) | 一种基于全局和局部注意力机制的肺部ct图像分割方法 | |
| JPH10171977A (ja) | 改良されたコンピュータ断層撮影スキャナ及びコンピュータ断層撮影を実行する方法 | |
| CN111028134A (zh) | 图像处理方法、装置、系统及介质 | |
| CN115526824A (zh) | 图像处理方法及相关装置 | |
| CN117152442B (zh) | 影像靶区自动勾画方法、装置、电子设备和可读存储介质 | |
| US11455755B2 (en) | Methods and apparatus for neural network based image reconstruction | |
| CN117830449A (zh) | 基于生成对抗网络的神经辐射场实现从单张医学x光图像重建新视角图像的方法 | |
| CN113706358A (zh) | 一种断层扫描图像层间距的加密方法和加密装置 | |
| Aldemir et al. | Chain code strategy for lossless storage and transfer of segmented binary medical data | |
| CN113592968B (zh) | 断层扫描图像中金属伪影的消减方法和装置 | |
| CN113643394B (zh) | 散射校正方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |