[發明專利]一種用于醫學圖像低劑量估計的深度學習方法

有效

• 申請號: 202110296270.1
• 申請日: 2021-03-19
• 公開（公告）號: CN113053496B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 鄭海榮;李彥明;萬麗雯;胡戰利;鄧富權
• 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: G16H30/20
• 分類號: G16H30/20;G06N3/0464;G06N3/08
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 耿慧敏;朱偉軍

1.一種用于醫學圖像低劑量估計的深度學習方法，包括以下步驟：

步驟S1：利用小波變換對低劑量原始圖像進行分解，得到多層分解圖像，其中每層分解圖像包含與原始圖像對應的不同視角特性的多個子帶圖像；

步驟S2：將所述多層分解圖像和原始圖像輸入至卷積神經網絡進行訓練，經分解和重構，學習從低劑量原始圖像到標準劑量圖像之間的映射關系，其中，所述卷積神經網絡包含主干結構和多個分支結構，該主干結構以原始圖像為輸入，所述多個分支結構分別以對應的各層分解圖像為輸入；

其中，步驟S1包括：

采用離散哈爾小波將所述原始圖像分解為多層圖像，每層分解圖像包括壓縮圖像、水平紋理圖像、垂直紋理圖像和傾斜紋理圖像四個子帶圖像，每個子帶圖像是所述原始圖像四分之一大小；

其中，步驟S2包括

將各層分解圖像分別輸入對應的分支結構，每個分支結構包含多層卷積層、密集連接殘差塊結構DCR以及逆小波變換過程，并且較高一級分支結構的輸出特征與其下一級分支結構中的第一卷積層的輸出依次級聯，最終補充到所述主干結構；

其中，在訓練所述卷積神經網絡過程中，將低劑量PET圖像和MRI中的ip、water兩類圖像拼接，得到通道數量為3的圖像矩陣作為輸入，而將標準劑量的PET圖像作為輸出的目標圖像；

其中，所述主干結構包含多層卷積層、和堆積密集連接殘差塊結構，并采用注意力機制結構融合從各層分解圖像提取的特征，獲得輸出圖像；

其中，所述堆積密集連接殘差塊結構包含多個密集連接殘差塊結構DCR的連接，每個DCR后設有LeakyReLU激活函數，最后通過一層卷積層和LeakyReLU激活函數；所述注意力機制結構包含多個密集連接殘差結構DCR的連接，每個DCR后設有LeakyReLU激活函數，且最后通過一層卷積層和Tanh激活函數。

2.根據權利要求1所述的方法，其中，采用聯合損失函數訓練所述卷積神經網絡，表示為：

Loss＝w_per×Loss_per+w_MSE×Loss_MSE+w_ker×Loss_kernel

其中Loss_per為感知損失，Loss_MSE為均方誤差，Loss_kernel為kernel損失，w_per、w_MSE和w_ker分別為對應項的權重。

3.根據權利要求2所述的方法，其中，所述感知損失是采用預訓練的VGG-19作為提取圖像特征的感知器。

4.一種醫學圖像處理方法，包括：

將待處理圖像利用小波變換進行分解，得到多層分解圖像，每層分解圖像包含與待處理圖像對應的不同視角特性的多個子帶圖像；

將所述多層分解圖像和待處理圖像輸入根據權利要求1至3任一項所述方法得到的經訓練的卷積神經網絡，獲得輸出圖像。

5.一種計算機可讀存儲介質，其上存儲有計算機程序，其中，該程序被處理器執行時實現根據權利要求1至4中任一項所述方法的步驟。