CN119648552B - 一种多域感知对比增强计算机断层扫描图像合成方法、系统及电子设备 - Google Patents

一种多域感知对比增强计算机断层扫描图像合成方法、系统及电子设备

Info

Publication number
CN119648552B
CN119648552B CN202411818001.7A CN202411818001A CN119648552B CN 119648552 B CN119648552 B CN 119648552B CN 202411818001 A CN202411818001 A CN 202411818001A CN 119648552 B CN119648552 B CN 119648552B
Authority
CN
China
Prior art keywords
image
domain
cect
synthesis method
denoising
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.)
Active
Application number
CN202411818001.7A
Other languages
English (en)
Other versions
CN119648552A (zh
Inventor
陈诚
史思怡
陈云青
邹瀚影
肖若秀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202411818001.7A priority Critical patent/CN119648552B/zh
Publication of CN119648552A publication Critical patent/CN119648552A/zh
Application granted granted Critical
Publication of CN119648552B publication Critical patent/CN119648552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)

Abstract

本发明提供了一种多域感知对比增强计算机断层扫描图像合成方法、系统及电子设备，通过采用3D自编码器和去噪扩散概率模型，成功实现了从非对比增强到高质量对比增强图像的高效合成，优化了计算过程并提升了图像质量。多域感知正则化的引入，通过在不同频率带对图像进行细粒度的增强，显著提高了合成图像的细节表现力和纹理一致性。此外，本发明通过深度学习框架实现图像合成流程自动化，减少了人工操作，缩短了处理时间，为医学图像处理领域提供了一个快速、准确、可靠的技术解决方案。这些技术创新为CECT图像的生成提供了一种新的路径，推动了医学影像技术的发展。

Description

一种多域感知对比增强计算机断层扫描图像合成方法、系统 及电子设备
技术领域
本发明涉及医学成像技术领域，特别是一种用于急性胰腺炎评估的多域感知对比增强计算机断层扫描(CECT)图像合成方法、系统及电子设备。
背景技术
急性胰腺炎是一种严重的炎症性疾病，其特征是胰腺组织的水肿、出血和坏死。这种疾病可能迅速恶化，导致多器官功能障碍和高死亡率。因此，早期和准确的诊断对于有效治疗至关重要。
传统的诊断方法依赖于对比增强计算机断层扫描(CECT，Contrast-EnhancedComputed Tomography)，这是一种能够提供胰腺及其周围结构高分辨率图像的成像技术。CECT通过使用含有碘的对比剂来增强图像的对比度，从而更清晰地显示胰腺的血管和组织结构。然而，这种技术存在一些限制：(1)对比剂的副作用：使用碘对比剂可能引起过敏反应或其他副作用，对某些患者(如有肾脏疾病或对碘过敏的患者)不适用。(2)辐射暴露：CECT扫描涉及较高的辐射剂量，对患者的健康构成潜在风险。(3)成本和可及性：CECT设备昂贵，在某些地区或医疗机构中不易获得。
为了克服这些限制，研究人员一直在探索使用非对比增强计算机断层扫描(NCCT，Non-ContrastComputed Tomography)图像合成CECT图像的方法。这种方法旨在通过软件算法从NCCT图像生成类似于CECT的图像，从而避免了使用对比剂和减少辐射暴露。现有的图像合成方法，包括基于生成对抗网络(GANs，Generative Adversarial Networks)和扩散模型的方法，虽然在图像合成领域取得了一定的进展，但仍存在一些挑战，如训练不稳定、图像质量不足和无法准确模拟CECT图像的特定特征。
发明内容
本发明的目的是提供一种改进的CECT图像合成方法，能够减少对患者进行侵入性检查的需求，同时提供高质量的成像结果，以支持急性胰腺炎的准确诊断。通过使用先进的图像处理技术和机器学习算法，旨在提高诊断的准确性和效率，同时降低患者的健康风险和医疗成本。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种多域感知对比增强计算机断层扫描图像合成方法，包括如下步骤：
S1、通过医学图像数据采集与预处理，获取胰腺炎医学图像数据集，并将其划分为训练集、验证集和测试集；
S2、利用一个3D自编码器对图像进行压缩和重建，以获得潜在表示；
S3、构建一个去噪扩散概率模型，生成所述潜在表示的分布；
S4、通过编码条件代码优化特定目标，以生成与实际CECT图像一致性高的合成图像；
S5、设计多域感知正则化，确保生成的合成图像在不同频率空间内的一致性。
作为本发明所述的多域感知对比增强计算机断层扫描图像合成方法的优选方案，其中：所述步骤S1具体包括如下步骤：
S101、收集胰腺NCCT-CECT配对数据，所述配对数据由220对CT图像组成，所述CT图像使用西门子Definition AS 40扫描仪获取，采用120kV电压和303mA电流进行扫描；其中，每个NCCT和CECT的体素间距为0.78×0.78×5mm3，图像矩阵大小为512×512，包含19至81个切片；
S102、将所述配对CT图像随机分为训练集、验证集和测试集，所述训练集占80％，用于模型学习；所述验证集占10％，用于监督和优化模型；所述测试集占10％，用于评估模型性能；
S103、对数据集进行标准化处理，将其尺寸调整为128×128×16，并归一化至[0,255]范围，以减小数据存储压力并提高数据的实用性。
作为本发明所述的多域感知对比增强计算机断层扫描图像合成方法的优选方案，其中：所述步骤S2具体包括如下步骤：
S201、构建三维自编码器，将CECT图像的体素空间编码为潜在表示形式；
S202、将CECT图像xi通过编码器qΦ(z|xi)压缩为潜在变量，潜在表示z通过采样得到；
S203、使用解码器pθ(z|xi)对潜在表示z进行重构，以生成重建的CECT图像，并通过重构一致性学习优化潜在表示，使其接近数据分布；
S204、引入基于补丁的反正则化机制，以增强对胰腺炎区域细节的识别，改进生成图像的局部轮廓和纹理。
作为本发明所述的多域感知对比增强计算机断层扫描图像合成方法的优选方案，其中：所述步骤S204的实现方法为：
其中，qΦ表示编码器，pθ表示解码器，表示判别器，和分别表示真实图像和重建图像；
作为本发明所述的多域感知对比增强计算机断层扫描图像合成方法的优选方案，其中：所述步骤S3具体包括如下步骤：
S301、构建去噪扩散概率模型，通过逐步引入高斯噪声将原始数据转换为带噪数据，并通过预测噪声分布实现去噪；
S302、去噪扩散概率模型通过建立马尔可夫链，逐渐加入高斯噪声至原始数据中，学习噪声的分布；
S303、通过条件提取器将NCCT图像编码为条件嵌入，利用qΦ生成的潜在表示与噪声预测网络pθ进行联合优化；
S304、通过逆扩散过程重构高质量的CECT图像，并将推断的潜在表示解码为图像输出。
作为本发明所述的多域感知对比增强计算机断层扫描图像合成方法的优选方案，其中：所述步骤S3中，去噪扩散概率模型的最优范式为：
其中，xt表示在时间步t添加了噪声后的数据样本，∈表示实际添加的高斯噪声，∈θ(xt,t)表示模型在时间步t对噪声的预测结果，t和∈为随机抽样。
作为本发明所述的多域感知对比增强计算机断层扫描图像合成方法的优选方案，其中：所述步骤S4具体包括如下步骤：
S401、通过继承自编码器的编码器qΦ，获得用于条件生成的潜在条件码，减少冗余计算；
S402、将潜在条件码zc作为输入传递至3D U-Net主干网络，用于指导噪声预测模型∈θ进行去噪生成；
S403、在条件提取过程中，避免对DDPM模型进行额外训练，以提高生成效率。
作为本发明所述的多域感知对比增强计算机断层扫描图像合成方法的优选方案，其中：所述步骤S403的实现方法为：
其中，∈表示从标准正态分布N(0,1)采样的高斯噪声，∈θ(zt,t,zc)表示模型在时间步t对噪声的预测，zt是数据x在时间步t的表示，zc是从条件分布qφ(z|xi)中采样得到的条件隐变量，代表多域图像的潜在表示。
作为本发明所述的多域感知对比增强计算机断层扫描图像合成方法的优选方案，其中：所述步骤S5具体包括如下步骤：
S501、通过预设掩码，将合成图像映射至不同频率空间，以增强生成图像在各个频率域上的一致性；
S502、通过多域感知正则化，结合双域的空间信息，对生成图像进行优化，确保重建图像的局部细节与全局特征的平衡；
S503、通过动态权衡因子λ，在一致性与多域意识之间保持平衡，从而实现对合成图像的高质量生成与细节优化。
作为本发明所述的多域感知对比增强计算机断层扫描图像合成方法的优选方案，其中：所述步骤S501的实现方法为：
其中，表示对从条件概率分布pθ(xi|z)中采样得到的所有重建图像的期望值，和分别表示真实图像和重建图像，其下标h，代表经过了高通滤波器，下标l，代表经过了低通滤波器。
作为本发明所述的多域感知对比增强计算机断层扫描图像合成方法的优选方案，其中：所述步骤S503中完全的优化目标Q满足：
其中，表示整体优化目标，包括重建损失和多域感知正则化损失；重建损失，衡量模型重建图像与原始图像之间的差异；λ表示权衡系数，控制重建损失与多域感知正则化损失之间的平衡，取值为1.5。
作为本发明所述的多域感知对比增强计算机断层扫描图像合成方法的优选方案，其中：所述步骤S3中，还包括一个条件提取器，用于将非对比增强计算机断层扫描(NCCT)图像编码为条件嵌入，以指导DDPM生成特定的CECT图像。
为解决上述技术问题，根据本发明的另一个方面，本发明提供了如下技术方案：
一种多域感知对比增强计算机断层扫描图像合成系统，包括：
数据采集与预处理模块，通过医学图像数据采集与预处理，获取胰腺炎医学图像数据集，并将其划分为训练集、验证集和测试集；
图像压缩与重建模块，利用一个3D自编码器对图像进行压缩和重建，以获得潜在表示；
去噪扩散生成模块，构建一个去噪扩散概率模型，生成所述潜在表示的分布；
条件生成模块，通过编码条件代码优化特定目标，以生成与实际CECT图像一致性高的合成图像；
多域感知正则化模块，设计多域感知正则化，确保生成的合成图像在不同频率空间内的一致性。
为解决上述技术问题，根据本发明的另一个方面，本发明提供了如下技术方案：
一种电子设备，包括：处理器、存储器、内部总线和存储在存储器上并可在所述处理器上运行的程序或指令，该程序或指令被处理器执行时实现所述的多域感知对比增强计算机断层扫描图像合成方法。
一种可读性存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现所述的多域感知对比增强计算机断层扫描图像合成方法。
本发明的有益效果如下：
本发明提出一种多域感知对比增强计算机断层扫描图像合成方法、系统及电子设备，通过采用3D自编码器和去噪扩散概率模型，成功实现了从非对比增强到高质量对比增强图像的高效合成，优化了计算过程并提升了图像质量。多域感知正则化的引入，通过在不同频率带对图像进行细粒度的增强，显著提高了合成图像的细节表现力和纹理一致性。此外，本发明通过深度学习框架实现图像合成流程自动化，减少了人工操作，缩短了处理时间，为医学图像处理领域提供了一个快速、准确、可靠的技术解决方案。这些技术创新为CECT图像的生成提供了一种新的路径，推动了医学影像技术的发展。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是多域感知对比增强计算机断层扫描图像合成方法的步骤流程图；
图2是多域感知对比增强计算机断层扫描图像合成方法的框架结构示意图；
图3是多域感知对比增强计算机断层扫描图像合成系统的结构框图；
图4是表示本申请实施例的一种电子设备的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合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发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出提供了一种多域感知对比增强计算机断层扫描(CECT)图像合成方法，可解决传统CECT扫描中需使用碘对比剂带来的患者健康风险问题。具体地，通过该多域感知CECT图像合成方法，能够从非对比增强计算机断层扫描(NCCT)图像合成出与实际CECT图像高度一致的图像，实现无需使用碘对比剂即可进行疾病诊断的目的，同时降低了患者受到的辐射剂量。此外，本方法通过自动化的图像处理流程，显著提高了图像合成的效率和准确性，为医学影像诊断提供了一种创新的技术支持。
如图1所示，本发明一个实施例提供一种多域感知对比增强计算机断层扫描图像合成方法，包括如下步骤：
S1、通过医学图像数据采集与预处理，获取胰腺炎医学图像数据集，并将其划分为训练集、验证集和测试集。
本步骤为医学图像数据采集与预处理和数据集划分步骤，一种可选的医学图像数据预处理，图像数据采集，以及划分数据集的方式可以包括以下步骤：
S101、收集胰腺NCCT-CECT配对数据，所述配对数据由220对CT图像组成，所述CT图像使用西门子Definition AS 40扫描仪获取，采用120kV电压和303mA电流进行扫描；其中，每个NCCT和CECT的体素间距为0.78×0.78×5mm3，图像矩阵大小为512×512，包含19至81个切片；
S102、将所述配对CT图像随机分为训练集、验证集和测试集，所述训练集占80％，用于模型学习；所述验证集占10％，用于监督和优化模型；所述测试集占10％，用于评估模型性能；
S103、对数据集进行标准化处理，将其尺寸调整为128×128×16，并归一化至[0,255]范围，以减小数据存储压力并提高数据的实用性。
S2、利用一个3D自编码器对图像进行压缩和重建，以获得潜在表示；
一种可选的框架可以如图2所示，在第一个训练阶段，一个自动编码器约束建立一个图像的潜在表征。多域感知捕获了不同频率空间的一致性。随后，DDPM学习了后期表示的分布。我们继承了自动编码器的编码器作为条件提取器，它被认为是恰当的。然后，我们在条件嵌入中引入了多域的融合，以获得充分的表达式。在推理过程中，ddpm通过生成的NCCTimage采样和条件码，自动编码器的解码器将其重构到图像空间中，从而生成特定的合成的CECT图像。包括以下步骤：
S201、构建三维自编码器，将CECT图像的体素空间编码为潜在表示形式；
S202、将CECT图像xi通过编码器qΦ(z|xi)压缩为潜在变量，潜在表示z通过采样得到；
S203、使用解码器pθ(z|xi)对潜在表示z进行重构，以生成重建的CECT图像，并通过重构一致性学习优化潜在表示，使其接近数据分布；
S204、引入基于补丁的反正则化机制，以增强对胰腺炎区域细节的识别，改进生成图像的局部轮廓和纹理，所述步骤S204的实现方法为：
其中，qΦ表示编码器，pθ表示解码器，表示判别器，和分别表示真实图像和重建图像；
S3、构建一个去噪扩散概率模型(DDPM)来生成所述潜在表示的分布；
所述步骤S3具体包括如下步骤：
S301、构建去噪扩散概率模型，通过逐步引入高斯噪声将原始数据转换为带噪数据，并通过预测噪声分布实现去噪；
S302、去噪扩散概率模型通过建立马尔可夫链，逐渐加入高斯噪声至原始数据中，学习噪声的分布；
S303、通过条件提取器将NCCT图像编码为条件嵌入，利用qΦ生成的潜在表示与噪声预测网络pθ进行联合优化；
S304、通过逆扩散过程重构高质量的CECT图像，并将推断的潜在表示解码为图像输出。
所述步骤S3中，去噪扩散概率模型的最优范式为：
其中，xt表示在时间步t添加了噪声后的数据样本，∈表示实际添加的高斯噪声，∈θ(xt,t)表示模型在时间步t对噪声的预测结果，t和∈为随机抽样。
所述步骤S3中，还包括一个条件提取器，用于将非对比增强计算机断层扫描(NCCT)图像编码为条件嵌入，以指导DDPM生成特定的CECT图像。
S4、通过编码条件代码优化特定目标，以生成与实际CECT图像一致性高的合成图像；
所述步骤S4具体包括如下步骤：
S401、通过继承自编码器的编码器qΦ，获得用于条件生成的潜在条件码，减少冗余计算；
S402、将潜在条件码zc作为输入传递至3D U-Net主干网络，用于指导噪声预测模型∈θ进行去噪生成；
S403、在条件提取过程中，避免对DDPM模型进行额外训练，以提高生成效率，所述步骤S403的实现方法为：
其中，∈表示从标准正态分布N(0,1)采样的高斯噪声，∈θ(zt,t,zc)表示模型在时间步t对噪声的预测，zt是数据x在时间步t的表示，zc是从条件分布qφ(z|xi)中采样得到的条件隐变量，代表多域图像的潜在表示。
S5、设计多域感知正则化，以确保生成的合成图像在不同频率空间内的一致性。
所述步骤S5具体包括如下步骤：
S501、通过预设掩码，将合成图像映射至不同频率空间，以增强生成图像在各个频率域上的一致性，实现方法为：
其中，表示对从条件概率分布pθ(xi|z)中采样得到的所有重建图像的期望值，和分别表示真实图像和重建图像，其下标h，代表经过了高通滤波器，下标l，代表经过了低通滤波器。
S502、通过多域感知正则化，结合双域的空间信息，对生成图像进行优化，确保重建图像的局部细节与全局特征的平衡；
S503、通过动态权衡因子λ，在一致性与多域意识之间保持平衡，从而实现对合成图像的高质量生成与细节优化。
作为本发明所述的多域感知对比增强计算机断层扫描图像合成方法的优选方案，其中：
作为本发明所述的多域感知对比增强计算机断层扫描图像合成方法的优选方案，其中：所述步骤S503中完全的优化目标Q满足：
其中，表示整体优化目标，包括重建损失和多域感知正则化损失；重建损失，衡量模型重建图像与原始图像之间的差异；λ表示权衡系数，控制重建损失与多域感知正则化损失之间的平衡，取值为1.5。
如图3所示，本发明又一个实施例提供一种多域感知对比增强计算机断层扫描(CECT)图像合成系统，包括：
数据采集与预处理模块，通过医学图像数据采集与预处理，获取胰腺炎医学图像数据集，并将其划分为训练集、验证集和测试集；
图像压缩与重建模块，利用一个3D自编码器对图像进行压缩和重建，以获得潜在表示；
去噪扩散生成模块，构建一个去噪扩散概率模型，生成所述潜在表示的分布；
条件生成模块，通过编码条件代码优化特定目标，以生成与实际CECT图像一致性高的合成图像；
多域感知正则化模块，设计多域感知正则化，确保生成的合成图像在不同频率空间内的一致性。
可选的，所述数据采集与预处理模块包括：
数据采集子模块，系统从多个临床数据源收集配对的NCCT(非对比增强CT)和CECT(对比增强CT)图像数据。该数据通过标准CT扫描仪如西门子Definition AS 40扫描仪获取，CT扫描参数设置为120kV电压和303mA电流，确保扫描质量。
数据预处理子模块，系统对图像数据进行标准化处理，将其尺寸调整为128×128×16，并将像素值归一化到[0,255]范围，以便后续的模型训练能够统一处理。
数据划分子模块，将收集的数据集按照一定比例划分为训练集(80％)、验证集(10％)和测试集(10％)，以确保模型的可靠性与泛化能力。
可选的，所述图像压缩与重建模块包括：
编码子模块：通过构建三维自编码器，将CECT图像的高维空间信息编码为低维潜在表示形式。编码过程提取了图像的全局和局部特征，减少了冗余数据并压缩了图像信息。
重建子模块：潜在表示通过解码器进行重构，生成与原始CECT图像具有高度相似性的重建图像。此过程通过学习CECT图像的特征分布，确保重建图像的质量。
优化子模块：为了提高重建精度，系统采用一致性学习机制，通过优化潜在表示以匹配真实数据分布，并引入基于补丁的反正则化机制，增强系统对胰腺区域细节的识别，确保重建图像在细节和全局信息上都具备高一致性。
可选的，所述去噪扩散生成模块包括：
噪声引入子模块：在扩散模型的训练过程中，逐步向原始图像引入高斯噪声，将其转换为不同阶段的带噪数据。
噪声预测子模块：使用马尔可夫链模型，系统逐步预测不同阶段的噪声分布，并在每一步中学习如何去噪，逐渐逼近干净图像。
条件编码子模块：通过条件提取器，将NCCT图像编码为条件嵌入，并将其与扩散过程中的潜在变量结合，指导系统生成具有特定医学特征的CECT图像。该过程通过联合优化生成潜在表示，确保合成图像在全局结构和细节上都能反映真实图像特征。
可选的，所述条件生成模块包括：
条件编码子模块：该子模块通过继承自编码器的编码器部分，生成潜在条件码(zc)，将其用于指导后续生成过程，减少冗余计算。
噪声去除子模块：在潜在条件码的基础上，通过3D U-Net网络结构，逐步去除图像中的噪声，生成干净且高质量的CECT图像。
效率优化子模块：为了提高生成效率，系统避免对DDPM模型进行额外训练，通过减少冗余计算加速图像生成过程。该方法提高了整体模型的运行效率，使得在临床应用中可以快速生成高质量的图像。
可选的，所述多域感知正则化模块包括：
频率域映射子模块：通过预设掩码，将生成的CECT图像映射至不同的频率空间，以增强其多域信息感知能力。该映射过程可以确保图像在高频和低频信息上保持一致性。
细节优化子模块：结合双域的空间信息，对生成图像的细节部分进行优化，确保其在局部结构和全局特征上的平衡，改善图像的清晰度和对比度。
权衡控制子模块：通过动态权衡因子λ在一致性和多域意识之间进行调控，以实现不同域信息的最优融合，从而在细节和整体感知上达到理想的效果。最终，通过优化目标函数Q，系统能够生成高质量的合成图像，其优化目标Q满足：
其中，表示整体优化目标，包括重建损失和多域感知正则化损失；重建损失，衡量模型重建图像与原始图像之间的差异；λ表示权衡系数，控制重建损失与多域感知正则化损失之间的平衡，取值为1.5。
本发明提供了一种多域感知对比增强计算机断层扫描图像合成方法，具备显著的技术创新与实用性。通过采用3D自编码器和去噪扩散概率模型(DDPM)，该方法有效实现了从非对比增强到高质量对比增强图像的自动化合成。多域感知正则化技术在不同频率带上增强图像细节与纹理一致性，显著提高了合成图像的质量。此外，本发明优化了计算效率，减少了人工干预和处理时间，为医学图像处理提供了快速、精准的技术解决方案，具备重要的临床应用价值。
本发明实施例中的医学图像合成系统可以是装置，或者可以是芯片、集成电路等。所述医学图像合成系统可以是安卓、ios或其他操作系统，本申请实施例不进行具体限定。
如图4所示，本发明又一个实施例提供一种电子设备，结构框图如图4所示，包括处理器、存储器、内部总线和存储在存储器上并可在所述处理器上运行的程序或指令，该程序或指令被处理器执行时实现上述图像合成方法实施例的各个过程，此外还可能包括其他所需硬件如网络接口等。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述医学合成方法实施例的各个过程。
其中，所述电子设备可以是计算机芯片或实体实现，也可以是具有某种功能的产品。典型的实现设备是计算机，例如个人计算机、智能电话、平板计算机、可穿戴设备等或者设备的任意组合。所述处理器为电子设备的处理器，所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器、随机存取存储器、光盘等。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (8)

1.一种多域感知对比增强计算机断层扫描图像合成方法，其特征在于，包括如下步骤：
S1、通过医学图像数据采集与预处理，获取胰腺炎医学图像数据集，并将其划分为训练集、验证集和测试集；
S2、利用一个3D自编码器对图像进行压缩和重建，以获得潜在表示；
S3、构建一个去噪扩散概率模型，生成所述潜在表示的分布；所述步骤S3具体包括如下步骤：
S301、构建去噪扩散概率模型，通过逐步引入高斯噪声将原始数据转换为带噪数据，并通过预测噪声分布实现去噪；
S302、去噪扩散概率模型通过建立马尔可夫链，逐渐加入高斯噪声至原始数据中，学习噪声的分布；
S303、通过条件提取器将NCCT图像编码为条件嵌入，利用生成的潜在表示与解码器进行联合优化；
S304、通过逆扩散过程重构高质量的CECT图像，并将推断的潜在表示解码为图像输出；
S4、通过编码条件代码优化特定目标，以生成与实际CECT图像一致性高的合成图像；
S5、设计多域感知正则化，确保生成的合成图像在不同频率空间内的一致性；所述步骤S5具体包括如下步骤：
S501、通过预设掩码，将合成图像映射至不同频率空间，以增强生成图像在各个频率域上的一致性；
S502、通过多域感知正则化，结合双域的空间信息，对生成图像进行优化，确保重建图像的局部细节与全局特征的平衡；
S503、通过动态权衡因子λ，在一致性与多域意识之间保持平衡，从而实现对合成图像的高质量生成与细节优化。
2.根据权利要求1所述的多域感知对比增强计算机断层扫描图像合成方法，其特征在于，所述步骤S1具体包括如下步骤：
S101、收集胰腺NCCT-CECT配对数据；
S102、将配对数据随机分为训练集、验证集和测试集；
S103、对数据集进行标准化处理。
3.根据权利要求1所述的多域感知对比增强计算机断层扫描图像合成方法，其特征在于，所述步骤S2具体包括如下步骤：
S201、构建三维自编码器，将CECT图像的体素空间编码为潜在表示形式；
S202、将CECT图像通过编码器(z|)压缩为潜在变量，潜在表示z通过采样得到；
S203、使用解码器(z|)对潜在表示z进行重构，以生成重建的CECT图像，并通过重构一致性学习优化潜在表示，使其接近数据分布；
S204、引入基于补丁的反正则化机制，以增强对胰腺炎区域细节的识别，改进生成图像的局部轮廓和纹理。
4.根据权利要求1所述的多域感知对比增强计算机断层扫描图像合成方法，其特征在于，所述步骤S4具体包括如下步骤：
S401、通过继承自编码器的编码器，获得用于条件生成的潜在条件码，减少冗余计算；
S402、将潜在条件码zc作为输入传递至3D U-Net主干网络，用于指导去噪扩散概率模型进行去噪生成；
S403、在条件提取过程中，避免对DDPM模型进行额外训练，以提高生成效率。
5.根据权利要求1所述的多域感知对比增强计算机断层扫描图像合成方法，其特征在于，所述步骤S3中，还包括一个条件提取器，用于将非对比增强计算机断层扫描图像编码为条件嵌入，以指导DDPM生成特定的CECT图像。
6.一种多域感知对比增强计算机断层扫描图像合成系统，用于实现权利要求1-5任一项所述的多域感知对比增强计算机断层扫描图像合成方法，其特征在于，包括：
数据采集与预处理模块，通过医学图像数据采集与预处理，获取胰腺炎医学图像数据集，并将其划分为训练集、验证集和测试集；
图像压缩与重建模块，利用一个3D自编码器对图像进行压缩和重建，以获得潜在表示；
去噪扩散生成模块，构建一个去噪扩散概率模型，生成所述潜在表示的分布；
条件生成模块，通过编码条件代码优化特定目标，以生成与实际CECT图像一致性高的合成图像；
多域感知正则化模块，设计多域感知正则化，确保生成的合成图像在不同频率空间内的一致性。
7.一种电子设备，其特征在于，包括：处理器、存储器、内部总线和存储在存储器上并可在所述处理器上运行的程序或指令，该程序或指令被处理器执行时实现权利要求1-5任一项所述的多域感知对比增强计算机断层扫描图像合成方法。
8.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现权利要求1-5任一项所述的多域感知对比增强计算机断层扫描图像合成方法。
CN202411818001.7A 2024-12-11 2024-12-11 一种多域感知对比增强计算机断层扫描图像合成方法、系统及电子设备 Active CN119648552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411818001.7A CN119648552B (zh) 2024-12-11 2024-12-11 一种多域感知对比增强计算机断层扫描图像合成方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411818001.7A CN119648552B (zh) 2024-12-11 2024-12-11 一种多域感知对比增强计算机断层扫描图像合成方法、系统及电子设备

Publications (2)

Publication Number Publication Date
CN119648552A CN119648552A (zh) 2025-03-18
CN119648552B true CN119648552B (zh) 2025-09-23

Family

ID=94954863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411818001.7A Active CN119648552B (zh) 2024-12-11 2024-12-11 一种多域感知对比增强计算机断层扫描图像合成方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN119648552B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120316282B (zh) * 2025-06-17 2025-10-03 宁波大学 一种基于掩码引导的无对比剂血管造影生成系统和方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222852A (zh) * 2021-05-26 2021-08-06 深圳高性能医疗器械国家研究院有限公司 一种增强ct图像的重建方法
CN114565650A (zh) * 2022-02-28 2022-05-31 北京科技大学 一种图像处理方法和装置、电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019038246A1 (en) * 2017-08-24 2019-02-28 Agfa Nv METHOD FOR GENERATING AN IMPROVED TOMOGRAPHIC IMAGE OF AN OBJECT
CN115841591A (zh) * 2022-11-28 2023-03-24 中国科学院深圳先进技术研究院 一种跨模态医学图像合成系统、方法及计算机设备
CN116385329B (zh) * 2023-06-06 2023-08-29 之江实验室 基于特征融合的多层知识蒸馏医学影像生成方法和装置
CN118799432B (zh) * 2024-08-22 2025-05-13 北京医智影科技有限公司 一种基于掩码引导无监督对抗扩散模型的mr图像合成ct图像方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222852A (zh) * 2021-05-26 2021-08-06 深圳高性能医疗器械国家研究院有限公司 一种增强ct图像的重建方法
CN114565650A (zh) * 2022-02-28 2022-05-31 北京科技大学 一种图像处理方法和装置、电子设备

Also Published As

Publication number Publication date
CN119648552A (zh) 2025-03-18

Similar Documents

Publication Publication Date Title
CN110348515B (zh) 图像分类方法、图像分类模型训练方法及装置
US10867375B2 (en) Forecasting images for image processing
CN110852993A (zh) 一种造影剂作用下的成像方法与设备
US12433560B2 (en) Artifact-driven data synthesis in computed tomography
CN119648552B (zh) 一种多域感知对比增强计算机断层扫描图像合成方法、系统及电子设备
CN113052930A (zh) 一种胸部dr双能量数字减影图像生成方法
WO2020209826A1 (en) Deep reinforcement learning for computer assisted reading and analysis
CN118505529B (zh) 医学图像融合方法、装置、设备及存储介质
US20230263493A1 (en) Maskless 2D/3D Artificial Subtraction Angiography
Prakash et al. Decoupled SculptorGAN Framework for 3D Reconstruction and Enhanced Segmentation of Kidney Tumors in CT Images
Marie et al. DentoMorph-LDMs: diffusion models based on novel adaptive 8-connected gum tissue and deciduous teeth loss for dental image augmentation
CN117173271A (zh) Ct图像处理方法、模型训练方法、设备、介质及产品
CN119417821B (zh) 胃肠外科手术辅助系统及方法
CN118521670B (zh) 图像伪影去除方法、图像伪影去除模型的训练方法及装置
Hu et al. CBCT-to-CT synthesis using a hybrid U-Net diffusion model based on transformers and information bottleneck theory
CN119832103A (zh) 脑影像脑膜瘤患者平扫图像全自动生成增强图像方法
CN119131383A (zh) 医学图像分割方法、装置、设备及计算机可读存储介质
CN113269772A (zh) 一种图像分割方法和装置
Mittal et al. Deep residual learning-based denoiser for medical X-ray images
CN113223104A (zh) 一种基于因果关系的心脏mr图像插补方法及系统
CN119228994B (zh) 基于改进graf算法的心脏三维重建方法、系统与程序产品
CN120107110B (zh) 低剂量ct图像的去噪方法及系统、电子设备
US20250265679A1 (en) Spectral computed tomography with disentangled representation
US20230214664A1 (en) Learning apparatus, method, and program, image generation apparatus, method, and program, trained model, virtual image, and recording medium
Bhusnurmath et al. Optimizing Liver Segmentation with Enhanced U-Net Model and Preprocessing Techniques

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