[發明專利]一種圖像合成方法及其應用

在審

• 申請號: 202011492925.4
• 申請日: 2020-12-17
• 公開（公告）號: CN112508928A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 鄭海榮;江洪偉;李彥明;萬麗雯;薛恒志;胡戰利
• 申請（專利權）人: 深圳高性能醫療器械國家研究院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/50;G06T5/00;G06N3/04;G06N3/08
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 范盈

本申請屬于圖像成像技術領域，特別是涉及一種圖像合成方法及其應用。對從CT圖像到PET圖像的合成，現有技術使用的卷積不能很好的提取CT圖像中的特征信息。本申請基于自校正卷積神經網絡的圖像合成網絡，該網絡通過對圖像一使用自校正卷積神經網絡后得到圖像二，在掃描圖像一的同時獲得圖像二中的診斷信息，為醫生精準的治療提供幫助。

技術領域

本申請屬于圖像成像技術領域，特別是涉及一種圖像合成方法及其應用。

背景技術

正電子發射斷層顯像(PET)在疾病早期發現和術后分期診斷中起著不可或缺的作用，是一種廣泛應用于神經科學研究的功能成像方法。相對于正常組織，PET中使用的氟-D-葡萄糖(FDG)積累的增加是許多癌癥的有用標志，可幫助檢測和定位惡性腫瘤。盡管PET成像具有許多優點，但它有一些缺點，使其難以接受治療。放射性成分可能對孕婦或哺乳期患者有風險。此外，PET是一種相對較新的醫療程序，可能會很昂貴。因此，世界上大多數醫療中心仍未提供它。提供PET成像作為治療的一部分的困難增加了對替代的，便宜的，快速的和易于使用的類似PET的成像的需求。為了獲得PET圖像，從已有的CT圖像中的信息來合成PET圖像是非常有意義的，同時對于醫療診斷領域具有重要的科學意義和應用前景。

Avi Ben-Cohen，于2017年在International Workshop on Simulation andSynthesis in Medical Imaging期刊上發表文章“Virtual PET Images from CT DataUsing Deep Convolutional Networks:Initial Results”(使用深度卷積網絡從CT數據中獲取虛擬PET圖像：初步結果)使用全卷積網絡(FCN)和條件生成對抗網絡(GAN)從CT數據導出PET數據。使用全卷積網絡對CT圖像進行估計PET圖像，耗費計算資源較大，提取的CT圖像的信息特征圖轉化為合成的PET圖像，合成后的PET圖像與真實的PET圖像通過鑒別器得到鑒別器損失，降低鑒別器損失來進一步規范生成器生成圖像，使之更接近于真實圖像。

但是對從CT圖像到PET圖像的合成，現有技術使用的卷積不能很好的提取CT圖像中的特征信息。

發明內容

1.要解決的技術問題

基于對從CT圖像到PET圖像的合成，現有技術使用的卷積不能很好的提取CT圖像中的特征信息的問題，本申請提供了一種圖像合成方法及其應用。

2.技術方案

為了達到上述的目的，本申請提供了一種圖像合成方法，所述方法包括如下步驟：

步驟1：構建生成器網絡；

步驟2：將數據分為第一數據和第二數據，采用所述生成器網絡對所述第一數據進行自校正處理得到數據一，采用所述生成器網絡對所述第二數據進行卷積和批歸一化處理得到數據二，將所述數據一與所述數據二進行合并得到輸入數據；

步驟3：對所述生成器網絡進行優化；

步驟4：將圖像一和圖像二作為所述生成器網絡的輸入和訓練的標簽；

步驟5：訓練網絡，得到由圖像一到圖像二的映射關系；

步驟6:將圖像一通過訓練好的生成器網絡合成圖像二。

本申請提供的另一種實施方式為：所述步驟1中生成器網絡采用編碼解碼網絡進行構建，所述編碼解碼包括若干2D卷積。

本申請提供的另一種實施方式為：所述生成器網絡包括卷積層、自校正卷積層、反卷積層、批歸一化層和激活函數層，所述第一數據經過所述自校正卷積層處理得到所述數據一，所述第二數據經過卷積層和批歸一化層處理得到所述數據二。

本申請提供的另一種實施方式為：所述步驟2中所述數據將通道數平均分為第一通道和第二通道。