CN116863013A - 基于人工智能的扫描图像处理方法及其系统 - Google Patents
基于人工智能的扫描图像处理方法及其系统 Download PDFInfo
- Publication number
- CN116863013A CN116863013A CN202310607694.4A CN202310607694A CN116863013A CN 116863013 A CN116863013 A CN 116863013A CN 202310607694 A CN202310607694 A CN 202310607694A CN 116863013 A CN116863013 A CN 116863013A
- Authority
- CN
- China
- Prior art keywords
- pulmonary artery
- artery cta
- image
- scanning image
- matrix
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 58
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 210000001147 pulmonary artery Anatomy 0.000 claims abstract description 342
- 239000011159 matrix material Substances 0.000 claims abstract description 159
- 239000013598 vector Substances 0.000 claims abstract description 139
- 238000005457 optimization Methods 0.000 claims abstract description 41
- 238000009792 diffusion process Methods 0.000 claims abstract description 31
- 230000000903 blocking effect Effects 0.000 claims abstract description 30
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 69
- 239000003795 chemical substances by application Substances 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 206010008479 Chest Pain Diseases 0.000 description 21
- 238000000034 method Methods 0.000 description 17
- 238000009826 distribution Methods 0.000 description 12
- 208000024891 symptom Diseases 0.000 description 11
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 208000004476 Acute Coronary Syndrome Diseases 0.000 description 4
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 4
- 206010002895 aortic dissection Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 206010015856 Extrasystoles Diseases 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000035474 group of disease Diseases 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010014513 Embolism arterial Diseases 0.000 description 1
- 208000000616 Hemoptysis Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/7635—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks based on graphs, e.g. graph cuts or spectral clustering
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
- Radiology & Medical Imaging (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Software Systems (AREA)
Abstract
公开了一种基于人工智能的扫描图像处理方法及其系统。其首先对肺动脉CTA扫描图像进行图像降噪处理后再进行图像分块处理以得到肺动脉CTA扫描图像块的序列，接着，将所述肺动脉CTA扫描图像块的序列通过ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量，然后，将所述多个上下文述肺动脉CTA扫描图像块特征向量排列并进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵，最后，将所述优化全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器以得到肺动脉重建图像。这样，可以提高医生的工作效率且降低误诊率。
Description
技术领域
本申请涉及智能化图像处理领域，且更为具体地，涉及一种基于人工智能的扫描图像处理方法及其系统。
背景技术
胸痛三联征(chest pain triple-rule-out，TRO)主要表现为急性胸痛发作的3种疾病及并发症，临床上最常见的病因包括急性冠状动脉综合征(ACS)、肺动脉栓塞(PE)和胸腹主动脉夹层(AD)。
急性胸痛是急诊科及心血管内科最常见的疾病之一，起病很急，发病凶险可危及生命，临床症状主要表现为胸痛、呼吸困难和咯血等。然而，急性胸痛是临床上最常见的症状之一，是以胸痛为主要表现的一组异质性疾病群。不同病因导致的胸痛症状既相似，又有不同特征，具体可表现为不同部位、不同性质和不同程度的疼痛，且伴随症状亦可不同。因此，若仅凭临床症状及实验室检查难以及时确诊，而且实验室和超声等检查耗时长，不利于TRO早期诊断。不仅如此，常规的CT检查也只能满足单项的CTA检查，不能同时兼顾三种疾病，很容易忽略ACS、PE或AD其中一到两个疾病的检出，容易出现误诊或漏诊。
因此，期望一种优化的基于人工智能的扫描图像处理方案，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于人工智能的扫描图像处理方法及其系统。其首先对肺动脉CTA扫描图像进行图像降噪处理后再进行图像分块处理以得到肺动脉CTA扫描图像块的序列，接着，将所述肺动脉CTA扫描图像块的序列通过ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量，然后，将所述多个上下文述肺动脉CTA扫描图像块特征向量排列并进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵，最后，将所述优化全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器以得到肺动脉重建图像。这样，可以提高医生的工作效率且降低误诊率。
根据本申请的一个方面，提供了一种基于人工智能的扫描图像处理方法，其包括：
获取肺动脉CTA扫描图像；
对所述肺动脉CTA扫描图像进行图像降噪处理以得到降噪后肺动脉CTA扫描图像；
对所述肺动脉CTA扫描图像进行图像分块处理以得到肺动脉CTA扫描图像块的序列；
将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量；
将所述多个上下文述肺动脉CTA扫描图像块特征向量排列为全局肺动脉CTA扫描图像特征矩阵；
对所述全局肺动脉CTA扫描图像特征矩阵进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵；以及
将所述优化全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器以得到肺动脉重建图像。
在上述的基于人工智能的扫描图像处理方法中，对所述肺动脉CTA扫描图像进行图像分块处理以得到肺动脉CTA扫描图像块的序列，包括：
对所述肺动脉CTA扫描图像进行均匀分块处理以得到所述肺动脉CTA扫描图像块的序列，其中，所述肺动脉CTA扫描图像块的序列中各个肺动脉CTA扫描图像块具有相同的尺寸。
在上述的基于人工智能的扫描图像处理方法中，将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量，包括：
使用所述ViT模型的嵌入层对所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块进行向量嵌入化以得到扫描图像块嵌入向量的序列；以及
将所述扫描图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文述肺动脉CTA扫描图像块特征向量。
在上述的基于人工智能的扫描图像处理方法中，使用所述ViT模型的嵌入层对所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块进行向量嵌入化以得到扫描图像块嵌入向量的序列，包括：
将所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块分别展开为一维像素输入向量以得到多个一维像素输入向量；以及
使用所述ViT模型的嵌入层对所述多个一维像素输入向量中各个一维像素输入向量进行全连接编码以得到所述扫描图像块嵌入向量的序列。
在上述的基于人工智能的扫描图像处理方法中，对所述全局肺动脉CTA扫描图像特征矩阵进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵，包括：
将所述全局肺动脉CTA扫描图像特征矩阵通过线性变换转换为正方矩阵；以及
对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化全局肺动脉CTA扫描图像特征矩阵。
在上述的基于人工智能的扫描图像处理方法中，对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化全局肺动脉CTA扫描图像特征矩阵，包括：
以如下优化公式对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化全局肺动脉CTA扫描图像特征矩阵；
其中，所述优化公式为：
其中，Md是所述正方矩阵，Mc是所述优化全局肺动脉CTA扫描图像特征矩阵，V1～Vn表示所述正方矩阵的各个行特征向量，且DV是所述正方矩阵的每两个相应行特征向量之间的距离组成的距离矩阵，Md T是所述正方矩阵的转置矩阵，DV T是所述正方矩阵的每两个相应行特征向量之间的距离组成的距离矩阵的转置矩阵，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置特征值为幂的自然指数函数值，⊙和分别表示按位置点乘和矩阵加法。
根据本申请的另一个方面，提供了一种基于人工智能的扫描图像处理系统，其包括：
图像获取模块，用于获取肺动脉CTA扫描图像；
图像降噪处理模块，用于对所述肺动脉CTA扫描图像进行图像降噪处理以得到降噪后肺动脉CTA扫描图像；
图像分块处理模块，用于对所述肺动脉CTA扫描图像进行图像分块处理以得到肺动脉CTA扫描图像块的序列；
嵌入编码模块，用于将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量；
矩阵排列模块，用于将所述多个上下文述肺动脉CTA扫描图像块特征向量排列为全局肺动脉CTA扫描图像特征矩阵；
优化模块，用于对所述全局肺动脉CTA扫描图像特征矩阵进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵；以及
重建生成模块，用于将所述优化全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器以得到肺动脉重建图像。
在上述的基于人工智能的扫描图像处理系统中，所述图像分块处理模块，用于：
对所述肺动脉CTA扫描图像进行均匀分块处理以得到所述肺动脉CTA扫描图像块的序列，其中，所述肺动脉CTA扫描图像块的序列中各个肺动脉CTA扫描图像块具有相同的尺寸。
在上述的基于人工智能的扫描图像处理系统中，所述嵌入编码模块，包括：
嵌入化单元，用于使用所述ViT模型的嵌入层对所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块进行向量嵌入化以得到扫描图像块嵌入向量的序列；以及
转换编码单元，用于将所述扫描图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文述肺动脉CTA扫描图像块特征向量。
在上述的基于人工智能的扫描图像处理系统中，所述嵌入化单元，包括：
图像展开单元，用于将所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块分别展开为一维像素输入向量以得到多个一维像素输入向量；以及
全连接编码单元，用于使用所述ViT模型的嵌入层对所述多个一维像素输入向量中各个一维像素输入向量进行全连接编码以得到所述扫描图像块嵌入向量的序列。
与现有技术相比，本申请提供的基于人工智能的扫描图像处理方法及其系统，其首先对肺动脉CTA扫描图像进行图像降噪处理后再进行图像分块处理以得到肺动脉CTA扫描图像块的序列，接着，将所述肺动脉CTA扫描图像块的序列通过ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量，然后，将所述多个上下文述肺动脉CTA扫描图像块特征向量排列并进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵，最后，将所述优化全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器以得到肺动脉重建图像。这样，可以提高医生的工作效率且降低误诊率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的基于人工智能的扫描图像处理方法的应用场景图。
图2为根据本申请实施例的基于人工智能的扫描图像处理方法的流程图。
图3为根据本申请实施例的基于人工智能的扫描图像处理方法的架构示意图。
图4为根据本申请实施例的基于人工智能的扫描图像处理方法的子步骤S140的流程图。
图5为根据本申请实施例的基于人工智能的扫描图像处理方法的子步骤S141的流程图。
图6为根据本申请实施例的基于人工智能的扫描图像处理方法的子步骤S160的流程图。
图7为根据本申请实施例的基于人工智能的扫描图像处理系统的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如上所述，急性胸痛是临床上最常见的症状之一，是以胸痛为主要表现的一组异质性疾病群。因不同病因导致的胸痛症状既相似，又有不同特征，具体可表现为不同部位、不同性质和不同程度的疼痛，且伴随症状亦可不同。因此，若仅凭临床症状及实验室检查难以及时确诊，而且实验室和超声等检查耗时长，不利于TRO早期诊断。不仅如此，常规的CT检查也只能满足单项的CTA检查，不能同时兼顾三种疾病，很容易忽略ACS、PE或AD其中一到两个疾病的检出，容易出现误诊或漏诊。因此，期望一种优化的基于人工智能的扫描图像处理方案，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率。
应可以理解，随着计算机技术的不断进步，迭代重建技术已常规应用于临床工作中，相对于传统滤波反投影(FBP)重建技术，迭代重建技术可在保持相同图像质量的情况下降低32％-65％的辐射剂量。
基于此，在本申请的技术方案中，期望通过对于肺动脉CTA扫描图像进行分析来进行肺动脉扫描图像的重建，从而优化图像质量和图像特征的表达，以辅助医生进行胸痛三联征的诊断。但是，由于所述肺动脉CTA扫描图像中存在有大量的信息量，而关于肺动脉的特征信息在实际监测的过程中为小尺度的隐性特征信息，难以进行充分捕捉。因此，在此过程中，难点在于如何进行所述肺动脉CTA扫描图像中关于肺动脉的隐含特征分布信息的充分表达，以此来进行肺动脉图像的重建，进而以重建图像来辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率，便于患者早期治疗。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述肺动脉CTA扫描图像中关于肺动脉的隐含特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取肺动脉CTA扫描图像。应可以理解，由于肺动脉是身体内部的组织器官，因而所采集的肺动脉CTA扫描图像难免会受到多种因素的影响，例如散射辐射、噪声等，这些因素会严重影响到图像的质量和诊断精度。因此，在进行所述肺动脉CTA扫描图像的分析和处理之前，首先要进行降噪处理，以去除图像中的噪声干扰，提高图像的清晰度和准确性，以便更好地进行后续图像分析并得到准确的肺动脉重建图像。
进一步地，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述肺动脉CTA扫描图像进行图像的特征挖掘，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。并且，还考虑到由于所述肺动脉CTA扫描图像进行图像中关于肺动脉的隐含特征为小尺度的细微特征，难以进行捕捉提取。因此，为了能够提高所述肺动脉CTA扫描图像进行图像中关于肺动脉的隐含小尺度细微特征的表达能力，以此来提高对于肺动脉特征刻画的充分性，在本申请的技术方案中，将所述肺动脉CTA扫描图像进行图像分块处理以得到肺动脉CTA扫描图像块的序列后，将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型中进行编码，以提取出所述肺动脉CTA扫描图像进行图像中关于肺动脉的隐含局部上下文语义关联特征分布信息，从而得到多个上下文述肺动脉CTA扫描图像块特征向量。
具体来说，应可以理解，在对于所述肺动脉CTA扫描图像进行图像分块处理后的各个肺动脉CTA扫描图像块中关于肺动脉的小尺度隐含特征不再是小尺度的特征信息，有利于后续进行肺动脉图像的重建。特别地，这里，所述嵌入层通过可学习嵌入矩阵将所述各个肺动脉CTA扫描图像块线性投影为一维嵌入向量。嵌入化的实现过程是先分别将各个所述肺动脉CTA扫描图像块中所有像素位置的像素值排列为一维向量，然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。并且，这里，所述ViT模型可以像Transformer一样直接通过自注意机制处理所述各个肺动脉CTA扫描图像块，以此来分别提取出所述各个肺动脉CTA扫描图像块中基于所述肺动脉CTA扫描图像进行图像整体的关于所述肺动脉的局部隐含上下文语义关联特征信息。
然后，将所述多个上下文述肺动脉CTA扫描图像块特征向量排列为全局肺动脉CTA扫描图像特征矩阵，以此来整合所述各个肺动脉CTA扫描图像块中的肺动脉局部隐含上下文语义关联特征信息。
接着，为了能够基于所述肺动脉的全局隐含上下文语义关联特征来生成肺动脉重建图像，以此来辅助医生进行胸痛三联征的诊断，在本申请的技术方案中，进一步再将所述全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器以得到肺动脉重建图像。特别地，在本申请的一个具体示例中，所述基于扩散模型的重建生成器包括前向扩散过程和反向生成过程，前向扩散过程可以对所述全局肺动脉CTA扫描图像特征矩阵逐渐添加高斯噪音直至变成随机噪音，而反向生成过程是去噪音过程，将对于所述随机噪音开始逐渐去噪音直至生成所述肺动脉重建图像。应可以理解，由于所述扩散模型的整体结构原理并不复杂，其可以通过大规模训练具备的及其丰富的特征空间，由此获得强大生成能力的模型，并且扩散模型是正态分布上的每个点都是真实数据的映射，具有更好的可解释性。这样，能够准确地进行肺动脉图像的重建，以此来辅助医生进行胸痛三联征的诊断。
特别地，在本申请的技术方案中，将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量，并将所述多个上下文述肺动脉CTA扫描图像块特征向量排列为所述全局肺动脉CTA扫描图像特征矩阵时，本申请的申请人考虑到在ViT模型进行每个所述肺动脉CTA扫描图像块的上下文图像语义特征关联编码时，会由于各个上下文述肺动脉CTA扫描图像块特征向量的内部图像特征语义与特征向量排列导致的合成噪声特征发生混淆，使得有意义的生成图像语义特征与噪声特征之间分界的模糊性影响所述全局肺动脉CTA扫描图像特征矩阵的整体生成式特征分布表达效果，从而降低所述全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器得到的所述肺动脉重建图像的图像质量。
因此，首先将所述全局肺动脉CTA扫描图像特征矩阵通过线性变换转换为正方矩阵，即使得其行数和列数相同，再对所述正方矩阵，例如记为Md进行向量谱聚类代理学习融合优化，来得到优化后的全局肺动脉CTA扫描图像特征矩阵，例如表示为Mc，这里，优化后的全局肺动脉CTA扫描图像特征矩阵Mc具体为：
其中，V1～Vn表示所述正方矩阵Md的各个行特征向量，且DV是相应向量之间的距离组成的距离矩阵。
这里，对于将所述多个上下文述肺动脉CTA扫描图像块特征向量的上下文图像语义特征关联编码时，由于各个上下文述肺动脉CTA扫描图像块特征向量的内部图像特征语义与合成噪声特征发生混淆而导致有意义的生成图像语义特征与噪声特征之间分界的模糊性，所述向量谱聚类代理学习融合优化通过引入用于表示特征向量间的空间布局和语义相似性的谱聚类代理学习，来利用生成式回归语义特征和生成式回归场景之间的关联的概念化信息，对各个上下文述肺动脉CTA扫描图像块特征向量间的潜在关联属性进行隐性监督传播，从而提高合成特征的整体分布依赖性，由此提升所述全局肺动脉CTA扫描图像特征矩阵的整体生成式特征分布表达效果，以提升其通过基于扩散模型的重建生成器得到的所述肺动脉重建图像的图像质量。这样，能够进行肺动脉图像的重建，进而以重建图像来辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率，便于患者早期治疗。
图1为根据本申请实施例的基于人工智能的扫描图像处理方法的应用场景图。如图1所示，在该应用场景中，首先，获取肺动脉CTA扫描图像(例如，图1中所示意的D)，然后，将所述肺动脉CTA扫描图像输入至部署有基于人工智能的扫描图像处理算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述基于人工智能的扫描图像处理算法对所述肺动脉CTA扫描图像进行处理以得到肺动脉重建图像。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的基于人工智能的扫描图像处理方法的流程图。如图2所示，根据本申请实施例的基于人工智能的扫描图像处理方法，包括步骤：S110，获取肺动脉CTA扫描图像；S120，对所述肺动脉CTA扫描图像进行图像降噪处理以得到降噪后肺动脉CTA扫描图像；S130，对所述肺动脉CTA扫描图像进行图像分块处理以得到肺动脉CTA扫描图像块的序列；S140，将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量；S150，将所述多个上下文述肺动脉CTA扫描图像块特征向量排列为全局肺动脉CTA扫描图像特征矩阵；S160，对所述全局肺动脉CTA扫描图像特征矩阵进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵；以及，S170，将所述优化全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器以得到肺动脉重建图像。
图3为根据本申请实施例的基于人工智能的扫描图像处理方法的架构示意图。如图3所示，在该网络架构中，首先，获取肺动脉CTA扫描图像；接着，对所述肺动脉CTA扫描图像进行图像降噪处理以得到降噪后肺动脉CTA扫描图像；然后，对所述肺动脉CTA扫描图像进行图像分块处理以得到肺动脉CTA扫描图像块的序列；接着，将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量；然后，将所述多个上下文述肺动脉CTA扫描图像块特征向量排列为全局肺动脉CTA扫描图像特征矩阵；接着，对所述全局肺动脉CTA扫描图像特征矩阵进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵；最后，将所述优化全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器以得到肺动脉重建图像。
更具体地，在步骤S110中，获取肺动脉CTA扫描图像。在本申请的技术方案中，可以通过对于肺动脉CTA扫描图像进行分析来进行肺动脉扫描图像的重建，从而优化图像质量和图像特征的表达，以辅助医生进行胸痛三联征的诊断。
更具体地，在步骤S120中，对所述肺动脉CTA扫描图像进行图像降噪处理以得到降噪后肺动脉CTA扫描图像。肺动脉是身体内部的组织器官，因而所采集的肺动脉CTA扫描图像难免会受到多种因素的影响，例如散射辐射、噪声等，这些因素会严重影响到图像的质量和诊断精度。因此，在进行所述肺动脉CTA扫描图像的分析和处理之前，首先要进行降噪处理，以去除图像中的噪声干扰，提高图像的清晰度和准确性，以便更好地进行后续图像分析并得到准确的肺动脉重建图像。
更具体地，在步骤S130中，对所述肺动脉CTA扫描图像进行图像分块处理以得到肺动脉CTA扫描图像块的序列。由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。并且，还考虑到由于所述肺动脉CTA扫描图像进行图像中关于肺动脉的隐含特征为小尺度的细微特征，难以进行捕捉提取。因此，为了能够提高所述肺动脉CTA扫描图像进行图像中关于肺动脉的隐含小尺度细微特征的表达能力，以此来提高对于肺动脉特征刻画的充分性。
相应地，在一个具体示例中，对所述肺动脉CTA扫描图像进行图像分块处理以得到肺动脉CTA扫描图像块的序列，包括：对所述肺动脉CTA扫描图像进行均匀分块处理以得到所述肺动脉CTA扫描图像块的序列，其中，所述肺动脉CTA扫描图像块的序列中各个肺动脉CTA扫描图像块具有相同的尺寸。
更具体地，在步骤S140中，将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量。从而提取出所述肺动脉CTA扫描图像进行图像中关于肺动脉的隐含局部上下文语义关联特征分布信息，从而得到多个上下文述肺动脉CTA扫描图像块特征向量。应可以理解，在对于所述肺动脉CTA扫描图像进行图像分块处理后的各个肺动脉CTA扫描图像块中关于肺动脉的小尺度隐含特征不再是小尺度的特征信息，有利于后续进行肺动脉图像的重建。
相应地，在一个具体示例中，如图4所示，将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量，包括：S141，使用所述ViT模型的嵌入层对所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块进行向量嵌入化以得到扫描图像块嵌入向量的序列；以及，S142，将所述扫描图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文述肺动脉CTA扫描图像块特征向量。
相应地，在一个具体示例中，如图5所示，使用所述ViT模型的嵌入层对所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块进行向量嵌入化以得到扫描图像块嵌入向量的序列，包括：S1411，将所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块分别展开为一维像素输入向量以得到多个一维像素输入向量；以及，S1412，使用所述ViT模型的嵌入层对所述多个一维像素输入向量中各个一维像素输入向量进行全连接编码以得到所述扫描图像块嵌入向量的序列。
更具体地，在步骤S150中，将所述多个上下文述肺动脉CTA扫描图像块特征向量排列为全局肺动脉CTA扫描图像特征矩阵。以此来整合所述各个肺动脉CTA扫描图像块中的肺动脉局部隐含上下文语义关联特征信息。
更具体地，在步骤S160中，对所述全局肺动脉CTA扫描图像特征矩阵进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵。特别地，在本申请的技术方案中，将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量，并将所述多个上下文述肺动脉CTA扫描图像块特征向量排列为所述全局肺动脉CTA扫描图像特征矩阵时，本申请的申请人考虑到在ViT模型进行每个所述肺动脉CTA扫描图像块的上下文图像语义特征关联编码时，会由于各个上下文述肺动脉CTA扫描图像块特征向量的内部图像特征语义与特征向量排列导致的合成噪声特征发生混淆，使得有意义的生成图像语义特征与噪声特征之间分界的模糊性影响所述全局肺动脉CTA扫描图像特征矩阵的整体生成式特征分布表达效果，从而降低所述全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器得到的所述肺动脉重建图像的图像质量。因此，首先将所述全局肺动脉CTA扫描图像特征矩阵通过线性变换转换为正方矩阵，即使得其行数和列数相同，再对所述正方矩阵进行向量谱聚类代理学习融合优化，来得到优化后的全局肺动脉CTA扫描图像特征矩阵，这里，优化后的全局肺动脉CTA扫描图像特征矩阵。
相应地，在一个具体示例中，如图6所示，对所述全局肺动脉CTA扫描图像特征矩阵进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵，包括：S161，将所述全局肺动脉CTA扫描图像特征矩阵通过线性变换转换为正方矩阵；以及，S162，对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化全局肺动脉CTA扫描图像特征矩阵。
相应地，在一个具体示例中，对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化全局肺动脉CTA扫描图像特征矩阵，包括：以如下优化公式对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化全局肺动脉CTA扫描图像特征矩阵；其中，所述优化公式为：
其中，Md是所述正方矩阵，Mc是所述优化全局肺动脉CTA扫描图像特征矩阵，V1～Vn表示所述正方矩阵的各个行特征向量，且DV是所述正方矩阵的每两个相应行特征向量之间的距离组成的距离矩阵，Md T是所述正方矩阵的转置矩阵，DV T是所述正方矩阵的每两个相应行特征向量之间的距离组成的距离矩阵的转置矩阵，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置特征值为幂的自然指数函数值，⊙和分别表示按位置点乘和矩阵加法。
这里，对于将所述多个上下文述肺动脉CTA扫描图像块特征向量的上下文图像语义特征关联编码时，由于各个上下文述肺动脉CTA扫描图像块特征向量的内部图像特征语义与合成噪声特征发生混淆而导致有意义的生成图像语义特征与噪声特征之间分界的模糊性，所述向量谱聚类代理学习融合优化通过引入用于表示特征向量间的空间布局和语义相似性的谱聚类代理学习，来利用生成式回归语义特征和生成式回归场景之间的关联的概念化信息，对各个上下文述肺动脉CTA扫描图像块特征向量间的潜在关联属性进行隐性监督传播，从而提高合成特征的整体分布依赖性，由此提升所述全局肺动脉CTA扫描图像特征矩阵的整体生成式特征分布表达效果，以提升其通过基于扩散模型的重建生成器得到的所述肺动脉重建图像的图像质量。这样，能够进行肺动脉图像的重建，进而以重建图像来辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率，便于患者早期治疗。
更具体地，在步骤S170中，将所述优化全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器以得到肺动脉重建图像。特别地，在本申请的一个具体示例中，所述基于扩散模型的重建生成器包括前向扩散过程和反向生成过程，前向扩散过程可以对所述全局肺动脉CTA扫描图像特征矩阵逐渐添加高斯噪音直至变成随机噪音，而反向生成过程是去噪音过程，将对于所述随机噪音开始逐渐去噪音直至生成所述肺动脉重建图像。应可以理解，由于所述扩散模型的整体结构原理并不复杂，其可以通过大规模训练具备的及其丰富的特征空间，由此获得强大生成能力的模型，并且扩散模型是正态分布上的每个点都是真实数据的映射，具有更好的可解释性。这样，能够准确地进行肺动脉图像的重建，以此来辅助医生进行胸痛三联征的诊断。
综上，基于本申请实施例的基于人工智能的扫描图像处理方法，其首先对肺动脉CTA扫描图像进行图像降噪处理后再进行图像分块处理以得到肺动脉CTA扫描图像块的序列，接着，将所述肺动脉CTA扫描图像块的序列通过ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量，然后，将所述多个上下文述肺动脉CTA扫描图像块特征向量排列并进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵，最后，将所述优化全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器以得到肺动脉重建图像。这样，可以提高医生的工作效率且降低误诊率。
图7为根据本申请实施例的基于人工智能的扫描图像处理系统100的框图。如图7所示，根据本申请实施例的基于人工智能的扫描图像处理系统100，包括：图像获取模块110，用于获取肺动脉CTA扫描图像；图像降噪处理模块120，用于对所述肺动脉CTA扫描图像进行图像降噪处理以得到降噪后肺动脉CTA扫描图像；图像分块处理模块130，用于对所述肺动脉CTA扫描图像进行图像分块处理以得到肺动脉CTA扫描图像块的序列；嵌入编码模块140，用于将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量；矩阵排列模块150，用于将所述多个上下文述肺动脉CTA扫描图像块特征向量排列为全局肺动脉CTA扫描图像特征矩阵；优化模块160，用于对所述全局肺动脉CTA扫描图像特征矩阵进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵；以及，重建生成模块170，用于将所述优化全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器以得到肺动脉重建图像。
在一个示例中，在上述基于人工智能的扫描图像处理系统100中，所述图像分块处理模块130，用于：对所述肺动脉CTA扫描图像进行均匀分块处理以得到所述肺动脉CTA扫描图像块的序列，其中，所述肺动脉CTA扫描图像块的序列中各个肺动脉CTA扫描图像块具有相同的尺寸。
在一个示例中，在上述基于人工智能的扫描图像处理系统100中，所述嵌入编码模块140，包括：嵌入化单元，用于使用所述ViT模型的嵌入层对所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块进行向量嵌入化以得到扫描图像块嵌入向量的序列；以及，转换编码单元，用于将所述扫描图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文述肺动脉CTA扫描图像块特征向量。
在一个示例中，在上述基于人工智能的扫描图像处理系统100中，所述嵌入化单元，包括：图像展开单元，用于将所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块分别展开为一维像素输入向量以得到多个一维像素输入向量；以及，全连接编码单元，用于使用所述ViT模型的嵌入层对所述多个一维像素输入向量中各个一维像素输入向量进行全连接编码以得到所述扫描图像块嵌入向量的序列。
在一个示例中，在上述基于人工智能的扫描图像处理系统100中，所述优化模块160，用于：将所述全局肺动脉CTA扫描图像特征矩阵通过线性变换转换为正方矩阵；以及，对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化全局肺动脉CTA扫描图像特征矩阵。
在一个示例中，在上述基于人工智能的扫描图像处理系统100中，所述对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化全局肺动脉CTA扫描图像特征矩阵，包括：以如下优化公式对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化全局肺动脉CTA扫描图像特征矩阵；其中，所述优化公式为：
其中，Md是所述正方矩阵，Mc是所述优化全局肺动脉CTA扫描图像特征矩阵，V1～Vn表示所述正方矩阵的各个行特征向量，且DV是所述正方矩阵的每两个相应行特征向量之间的距离组成的距离矩阵，Md T是所述正方矩阵的转置矩阵，DV T是所述正方矩阵的每两个相应行特征向量之间的距离组成的距离矩阵的转置矩阵，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置特征值为幂的自然指数函数值，⊙和分别表示按位置点乘和矩阵加法。
这里，本领域技术人员可以理解，上述基于人工智能的扫描图像处理系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的基于人工智能的扫描图像处理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于人工智能的扫描图像处理系统100可以实现在各种无线终端中，例如具有基于人工智能的扫描图像处理算法的服务器等。在一个示例中，根据本申请实施例的基于人工智能的扫描图像处理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于人工智能的扫描图像处理系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于人工智能的扫描图像处理系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于人工智能的扫描图像处理系统100与该无线终端也可以是分立的设备，并且该基于人工智能的扫描图像处理系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种基于人工智能的扫描图像处理方法，其特征在于，包括：
获取肺动脉CTA扫描图像；
对所述肺动脉CTA扫描图像进行图像降噪处理以得到降噪后肺动脉CTA扫描图像；
对所述肺动脉CTA扫描图像进行图像分块处理以得到肺动脉CTA扫描图像块的序列；
将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量；
将所述多个上下文述肺动脉CTA扫描图像块特征向量排列为全局肺动脉CTA扫描图像特征矩阵；
对所述全局肺动脉CTA扫描图像特征矩阵进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵；以及
将所述优化全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器以得到肺动脉重建图像。
2.根据权利要求1所述的基于人工智能的扫描图像处理方法，其特征在于，对所述肺动脉CTA扫描图像进行图像分块处理以得到肺动脉CTA扫描图像块的序列，包括：
对所述肺动脉CTA扫描图像进行均匀分块处理以得到所述肺动脉CTA扫描图像块的序列，其中，所述肺动脉CTA扫描图像块的序列中各个肺动脉CTA扫描图像块具有相同的尺寸。
3.根据权利要求2所述的基于人工智能的扫描图像处理方法，其特征在于，将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量，包括：
使用所述ViT模型的嵌入层对所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块进行向量嵌入化以得到扫描图像块嵌入向量的序列；以及
将所述扫描图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文述肺动脉CTA扫描图像块特征向量。
4.根据权利要求3所述的基于人工智能的扫描图像处理方法，其特征在于，使用所述ViT模型的嵌入层对所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块进行向量嵌入化以得到扫描图像块嵌入向量的序列，包括：
将所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块分别展开为一维像素输入向量以得到多个一维像素输入向量；以及
使用所述ViT模型的嵌入层对所述多个一维像素输入向量中各个一维像素输入向量进行全连接编码以得到所述扫描图像块嵌入向量的序列。
5.根据权利要求4所述的基于人工智能的扫描图像处理方法，其特征在于，对所述全局肺动脉CTA扫描图像特征矩阵进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵，包括：
将所述全局肺动脉CTA扫描图像特征矩阵通过线性变换转换为正方矩阵；以及
对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化全局肺动脉CTA扫描图像特征矩阵。
6.根据权利要求5所述的基于人工智能的扫描图像处理方法，其特征在于，对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化全局肺动脉CTA扫描图像特征矩阵，包括：
以如下优化公式对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化全局肺动脉CTA扫描图像特征矩阵；
其中，所述优化公式为：
其中，Md是所述正方矩阵，Mc是所述优化全局肺动脉CTA扫描图像特征矩阵，V1～Vn表示所述正方矩阵的各个行特征向量，且DV是所述正方矩阵的每两个相应行特征向量之间的距离组成的距离矩阵，Md T是所述正方矩阵的转置矩阵，DV T是所述正方矩阵的每两个相应行特征向量之间的距离组成的距离矩阵的转置矩阵，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置特征值为幂的自然指数函数值，⊙和分别表示按位置点乘和矩阵加法。
7.一种基于人工智能的扫描图像处理系统，其特征在于，包括：
图像获取模块，用于获取肺动脉CTA扫描图像；
图像降噪处理模块，用于对所述肺动脉CTA扫描图像进行图像降噪处理以得到降噪后肺动脉CTA扫描图像；
图像分块处理模块，用于对所述肺动脉CTA扫描图像进行图像分块处理以得到肺动脉CTA扫描图像块的序列；
嵌入编码模块，用于将所述肺动脉CTA扫描图像块的序列通过包含嵌入层的ViT模型以得到多个上下文述肺动脉CTA扫描图像块特征向量；
矩阵排列模块，用于将所述多个上下文述肺动脉CTA扫描图像块特征向量排列为全局肺动脉CTA扫描图像特征矩阵；
优化模块，用于对所述全局肺动脉CTA扫描图像特征矩阵进行特征优化以得到优化全局肺动脉CTA扫描图像特征矩阵；以及
重建生成模块，用于将所述优化全局肺动脉CTA扫描图像特征矩阵通过基于扩散模型的重建生成器以得到肺动脉重建图像。
8.根据权利要求7所述的基于人工智能的扫描图像处理系统，其特征在于，所述图像分块处理模块，用于：
对所述肺动脉CTA扫描图像进行均匀分块处理以得到所述肺动脉CTA扫描图像块的序列，其中，所述肺动脉CTA扫描图像块的序列中各个肺动脉CTA扫描图像块具有相同的尺寸。
9.根据权利要求8所述的基于人工智能的扫描图像处理系统，其特征在于，所述嵌入编码模块，包括：
嵌入化单元，用于使用所述ViT模型的嵌入层对所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块进行向量嵌入化以得到扫描图像块嵌入向量的序列；以及
转换编码单元，用于将所述扫描图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文述肺动脉CTA扫描图像块特征向量。
10.根据权利要求9所述的基于人工智能的扫描图像处理系统，其特征在于，所述嵌入化单元，包括：
图像展开单元，用于将所述肺动脉CTA扫描图像块的序列中的各个肺动脉CTA扫描图像块分别展开为一维像素输入向量以得到多个一维像素输入向量；以及
全连接编码单元，用于使用所述ViT模型的嵌入层对所述多个一维像素输入向量中各个一维像素输入向量进行全连接编码以得到所述扫描图像块嵌入向量的序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310607694.4A CN116863013B (zh) | 2023-05-26 | 2023-05-26 | 基于人工智能的扫描图像处理方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310607694.4A CN116863013B (zh) | 2023-05-26 | 2023-05-26 | 基于人工智能的扫描图像处理方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116863013A true CN116863013A (zh) | 2023-10-10 |
| CN116863013B CN116863013B (zh) | 2024-04-12 |
Family
ID=88217837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310607694.4A Active CN116863013B (zh) | 2023-05-26 | 2023-05-26 | 基于人工智能的扫描图像处理方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116863013B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009083921A1 (en) * | 2007-12-28 | 2009-07-09 | Koninklijke Philips Electronics N.V. | Scanning method and system |
| CN105167798A (zh) * | 2015-10-21 | 2015-12-23 | 穆亚平 | 一种冠状动脉cta影像中提取血管方法 |
| CN107545269A (zh) * | 2016-06-23 | 2018-01-05 | 西门子保健有限责任公司 | 使用递归神经网络进行血管疾病检测的方法和系统 |
| CN111951277A (zh) * | 2020-07-28 | 2020-11-17 | 杭州电子科技大学 | 一种基于cta图像的冠状动脉分割方法 |
| CN114898080A (zh) * | 2022-04-19 | 2022-08-12 | 杭州电子科技大学 | 一种基于ViT网络的图像成像设备识别方法 |
-
2023
- 2023-05-26 CN CN202310607694.4A patent/CN116863013B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009083921A1 (en) * | 2007-12-28 | 2009-07-09 | Koninklijke Philips Electronics N.V. | Scanning method and system |
| CN105167798A (zh) * | 2015-10-21 | 2015-12-23 | 穆亚平 | 一种冠状动脉cta影像中提取血管方法 |
| CN107545269A (zh) * | 2016-06-23 | 2018-01-05 | 西门子保健有限责任公司 | 使用递归神经网络进行血管疾病检测的方法和系统 |
| CN111951277A (zh) * | 2020-07-28 | 2020-11-17 | 杭州电子科技大学 | 一种基于cta图像的冠状动脉分割方法 |
| CN114898080A (zh) * | 2022-04-19 | 2022-08-12 | 杭州电子科技大学 | 一种基于ViT网络的图像成像设备识别方法 |
Non-Patent Citations (7)
| Title |
|---|
| ANGGRAINI MUSTIKA CAKTI 等: "Aortic dissection in Indonesia male: 3 case report", ANNALS OF MEDICINE AND SURGERY, vol. 75, pages 1 - 15 * |
| 姜文龙: "大矩阵IMR重建技术对肺结节图像质量的影响", 中国医疗设备, no. 06, 10 June 2019 (2019-06-10), pages 1 - 5 * |
| 张璐 等: "基于生成式对抗网络的冠状动脉CT血管成像运动伪影去除的初步研究", 上海交通大学学报(医学版), no. 9, pages 1 - 7 * |
| 徐梦佳: "基于深度卷积神经网络的多模态医学影像分析方法研究", 中国优秀博士学位论文全文库信息科技, no. 10, pages 1 - 70 * |
| 王焱 等: "改进的谱聚类算法在图像分割中的应用", 测控技术, no. 04, pages 1 - 5 * |
| 许悦: "基于多模态融合的医学图像分割方法研究", 中国优秀硕士学位论文全文库信息科技, no. 1, pages 1 - 73 * |
| 韩光辉 等: "肺部CT图像病变区域检测方法", 自动化学报, no. 12, pages 1 - 6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116863013B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107748900B (zh) | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 | |
| Li et al. | Deep learning attention mechanism in medical image analysis: Basics and beyonds | |
| Zhao et al. | Deep learning of brain magnetic resonance images: A brief review | |
| Tan et al. | Segmentation of lung airways based on deep learning methods | |
| Wang et al. | Deep tomographic image reconstruction: yesterday, today, and tomorrow—editorial for the 2nd special issue “Machine Learning for Image Reconstruction” | |
| Huang et al. | Automatic Retinal Vessel Segmentation Based on an Improved U‐Net Approach | |
| Sheremet et al. | Diagnosis of lung disease based on medical images using artificial neural networks | |
| Hu et al. | Domain and content adaptive convolution for domain generalization in medical image segmentation | |
| Bolhassani et al. | Semi-supervised segmentation of multi-vendor and multi-center cardiac MRI | |
| Shi et al. | Automatic detection of pulmonary nodules in CT images based on 3D Res-I network | |
| Sun et al. | Semi-supervised multimodal image translation for missing modality imputation | |
| CN113592769B (zh) | 异常图像的检测、模型的训练方法、装置、设备及介质 | |
| Wang et al. | IGNFusion: an unsupervised information gate network for multimodal medical image fusion | |
| Li et al. | Category guided attention network for brain tumor segmentation in MRI | |
| Tran et al. | Deep learning-based inpainting for chest X-ray image | |
| CN116863013B (zh) | 基于人工智能的扫描图像处理方法及其系统 | |
| Shao et al. | FCG-Net: an innovative full-scale connected network for thyroid nodule segmentation in ultrasound images | |
| CN116664956A (zh) | 基于多任务自动编码器的图像识别方法及系统 | |
| Jabbar et al. | Machine Learning Methods for Signal, Image and Speech Processing | |
| Kusuma et al. | A hybrid model for skin disease classification using transfer learning | |
| CN115374854A (zh) | 多模态情感识别方法、装置及计算机可读存储介质 | |
| Ta et al. | Simultaneous segmentation and motion estimation of left ventricular myocardium in 3D echocardiography using multi-task learning | |
| Li et al. | Generative ai enables the detection of autism using eeg signals | |
| CN116630386B (zh) | Cta扫描图像处理方法及其系统 | |
| Li et al. | CAGAN: Classifier‐augmented generative adversarial networks for weakly‐supervised COVID‐19 lung lesion localisation |
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 |