【技術(shù)實(shí)現(xiàn)步驟摘要】
一種基于多尺度注意力生成對(duì)抗網(wǎng)絡(luò)的醫(yī)學(xué)圖像增強(qiáng)方法
[0001]本專利技術(shù)涉及醫(yī)學(xué)圖像增強(qiáng)、醫(yī)學(xué)圖像合成等領(lǐng)域，屬于醫(yī)學(xué)圖像處理技 術(shù)領(lǐng)域，具體涉及一種基于多尺度注意力生成對(duì)抗網(wǎng)絡(luò)的醫(yī)學(xué)圖像增強(qiáng)方法。
技術(shù)介紹
[0002]隨著現(xiàn)代醫(yī)療水平的不斷提升，作為實(shí)現(xiàn)“智慧醫(yī)療”核心的醫(yī)學(xué)影像 設(shè)備逐漸在各基層醫(yī)院得到應(yīng)用，X光(X
?
ray)、電子計(jì)算機(jī)斷層掃描 (Computer Tomography,CT)、核磁共振(Magnetic Resonance,MR)、激光 掃描共聚焦顯微鏡(Confocal Laser Scanning Microscope,CLSM)、超聲波 (Ultrasound)等醫(yī)學(xué)圖像往往能為醫(yī)生們提供許多與生物或解剖組織相關(guān) 的信息，是進(jìn)行臨床診斷和治療的重要依據(jù)。然而實(shí)際獲取醫(yī)學(xué)圖像的過(guò)程 中存在許多不可控因素，導(dǎo)致采集到的圖像是低質(zhì)量的，主要原因包括：(1) 由于成本和技術(shù)受限，成像設(shè)備年久失修、缺乏維護(hù)，并且可能不具備最新 的功能組件；(2)成像設(shè)備所處環(huán)境不佳，如黑暗、欠曝、存在遮擋等。這 些低質(zhì)量圖像存在兩點(diǎn)不良影響：(1)大大增加了醫(yī)護(hù)人員閱片識(shí)片的精力 和時(shí)間成本，從而導(dǎo)致臨床診斷的不確定性、誤判和漏判率提高；(2)計(jì)算 機(jī)視覺(jué)模型在面對(duì)低質(zhì)量圖像時(shí)準(zhǔn)確性能會(huì)大幅降低，不利于開(kāi)展后續(xù)的圖 像分析、分割和分類等任務(wù)，大大降低醫(yī)學(xué)圖像的應(yīng)用價(jià)值。因此，保證醫(yī) 學(xué)圖像的高質(zhì)量十分重要，利用快速發(fā)展的計(jì)算機(jī)視覺(jué)技術(shù)提高醫(yī)學(xué)圖像的 質(zhì)量在近幾年已成為研究熱點(diǎn)。醫(yī)學(xué)圖像增強(qiáng)...
【技術(shù)保護(hù)點(diǎn)】
【技術(shù)特征摘要】
1.一種基于多尺度注意力生成對(duì)抗網(wǎng)絡(luò)的醫(yī)學(xué)圖像增強(qiáng)方法，其特征在于，包括以下步驟：S1、構(gòu)建生成器G
L
→
H
和判別器G
L
→
H
，為增強(qiáng)圖像分支；構(gòu)建相同生成器G
H
→
L
和判別器G
H
→
L
，為還原圖像分支；S2、將原始低質(zhì)量圖像x輸入到生成器G
L
→
H
中得到增強(qiáng)圖像再將輸入到生成器G
H
→
L
中得到還原的低質(zhì)量圖像將原始高質(zhì)量圖像y輸入到生成器G
H
→
L
中得到低質(zhì)量圖像再將輸入到生成器G
L
→
H
中得到還原的高質(zhì)量圖像從中計(jì)算循環(huán)一致?lián)p失L
Cyc
、光照均勻損失L
IU
、紋理保真損失L
TF
、圖像平滑損失L
IS
和感知損失L
PL
；S2.1、將原始低質(zhì)量圖像x和原始高質(zhì)量圖像y分別輸入到生成器G
H
→
L
和G
L
→
H
中得到映射圖像和從中計(jì)算身份映射損失L
Idt
；S2.2、將原始高質(zhì)量圖像y和增強(qiáng)圖像輸入到判別器D
H
中，由D
H
判別它們的真假，將原始低質(zhì)量圖像x和生成低質(zhì)量圖像輸入到判別器D
L
中，由D
L
判別它們的真假，從中計(jì)算對(duì)抗損失L
Adv
；S3、基于Adam算法和誤差反向傳播原理，通過(guò)優(yōu)化總體損失函數(shù)獲得梯度，首先固定生成器，對(duì)判別器參數(shù)進(jìn)行更新；然后固定判別器，對(duì)生成器參數(shù)進(jìn)行更新；重復(fù)以上過(guò)程直至達(dá)到訓(xùn)練輪數(shù)上限。2.根據(jù)權(quán)利要求1所述的基于多尺度注意力生成對(duì)抗網(wǎng)絡(luò)的醫(yī)學(xué)圖像增強(qiáng)方法，其特征在于，所述步驟S1中，生成器以基于卷積殘差模塊的U
?
Net為主體，在編碼層跳轉(zhuǎn)連接時(shí)加入注意力門以過(guò)濾無(wú)效信息，突出重要圖像區(qū)域，避免冗余底層特征堆積；設(shè)計(jì)金字塔特征FPN對(duì)解碼層進(jìn)行擴(kuò)展，融合不同層次的特征和末端輸出，更好地利用起多尺度、上下文全局信息；最后使用卷積注意力模塊在通道和空間維度對(duì)融合特征進(jìn)行注意力分配，成像時(shí)能夠更加關(guān)注重點(diǎn)信息。3.根據(jù)權(quán)利要求1所述的基于多尺度注意力生成對(duì)抗網(wǎng)絡(luò)的醫(yī)學(xué)圖像增強(qiáng)方法，其特征在于，所述步驟S2中，判別器則是由多個(gè)卷積模塊構(gòu)成的多尺度形式的神經(jīng)網(wǎng)絡(luò)。4.根據(jù)權(quán)利要求1所述的基于多尺度注意力生成對(duì)抗網(wǎng)絡(luò)的醫(yī)學(xué)圖像增強(qiáng)方法，其特征在于，所述步驟S2中，計(jì)算循環(huán)一致?lián)p失L
Cyc
、光照均勻損失L
IU
、紋理保真損失L
TF
、圖像平滑損失L
IS
和感知損失L
PL
，包括：L
Cyc
＝E
x
[||G
H
→
L
(G
L
→
H
(x))
?
x||1]+E
y
[||G
L
→
H
(G
H
→
L
(y))
?
y||1]
?????
(1)(1)(1)(1)5.根據(jù)權(quán)利要求4所述的基于多尺度注意力生成對(duì)抗網(wǎng)絡(luò)的醫(yī)學(xué)圖像增強(qiáng)方法，其特征在于，所述(1)式中，其中，x、y分別表示原始低質(zhì)量圖像和原始高質(zhì)量圖像；G
L
→
H
表示用于生成高質(zhì)量圖像的生成器，G
H
→
L
表示用于生成低質(zhì)量圖像的生成器；
(2)式中，其中，分別表示輸入圖像的全局平均照明度和p
×
p大小的局部區(qū)域平均照明度；代表雙三次插值上采樣操作，用以消除尺度差...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：余玉豐，鐘國(guó)金，
申請(qǐng)(專利權(quán))人：廣州大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。