【技術實現步驟摘要】
本專利技術涉及醫學圖像重建，尤其涉及一種基于一致性約束擴散模型的醫學圖像重建方法及系統。
技術介紹
1、相關的從低分辨率圖像生成高分辨率圖像的圖像處理方法，可以分為兩類：基于回歸的方法和深度生成方法。在病理圖像超分辨率領域，目前具有競爭力的方法大多都是基于回歸的方法。回歸方法直接學習低分辨率(lr)和高分辨率(hr)之間的映射，傾向于計算可能結果的平均值，這導致輸出過于平滑，缺乏高頻細節。考慮到病理圖像相比自然圖像具有更復雜的結構和紋理信息，回歸方法并不適合用于重建病理圖像，而對于以生成對抗網絡(generativeadversarialnetworks,gans)為代表的深度生成方法被證明具有學習圖像復雜分布的能力。然而，由于存在優化不穩定和模式崩潰的缺陷，gans在病理圖像超分辨率領域的應用受到限制，另外對于擴散模型作為一種新興技術因其生成高保真圖像和穩定優化的強大能力而受到研究人員的廣泛關注，但是，現有的擴散模型對于存在復雜的空間病理圖像并不能夠實現高保真的還原。
技術實現思路
1、為了解決上述技術問題，本專利技術的目的是提供一種基于一致性約束擴散模型的醫學圖像重建方法及系統，能夠輸出具有高保真的超分辨率病理重建圖像，并與輸入的低分辨率圖像特征保持一致性。
2、本專利技術所采用的第一技術方案是：一種基于一致性約束擴散模型的醫學圖像重建方法，包括以下步驟：
3、基于回歸算法對低分辨率病理圖像進行快速重建處理，得到待優化的輸入病理圖像；
4、引
5、通過一致性約束擴散模型對待優化的輸入病理圖像進行細節優化去噪處理，得到超分辨率病理圖像；
6、通過l1損失函數將超分辨率病理圖像與目標病理圖像進行對比損失計算，得到超分辨率病理重建圖像。
7、進一步，所述基于回歸算法對低分辨率病理圖像進行快速重建處理，得到待優化的輸入病理圖像這一步驟，其具體包括：
8、獲取低分辨率病理圖像；
9、對低分辨率病理圖像進行雙三次插值上采樣處理，得到插值后的病理圖像；
10、通過基于回歸的超分辨率模型對低分辨率病理圖像進行重建處理，得到初步的病理重建圖像；
11、整合插值后的病理圖像與初步的病理重建圖像，得到待優化的輸入病理圖像。
12、進一步，所述通過基于回歸的超分辨率模型對低分辨率病理圖像進行重建處理，得到初步的病理重建圖像這一步驟，其具體包括：
13、將低分辨率病理圖像輸入至基于回歸的超分辨率模型；
14、對低分辨率病理圖像進行編碼映射處理，得到三維特征病理圖像；
15、對三維特征病理圖像進行特征融合變換處理，得到融合后的三維特征病理圖像；
16、對融合后的三維特征病理圖像進行空間分辨率重建處理，得到初步的病理重建圖像。
17、進一步，所述一致性約束擴散模型包括空間注意力機制模塊、殘差網絡模塊、一致性特征增強器模塊與多尺度特征混合器模塊，其中：
18、所述一致性特征增強器模塊包括第一層歸一化層、多頭交叉注意力機制模塊、第二層歸一化層和多層感知機層；
19、所述多尺度特征混合器模塊包括并聯空洞卷積層模塊、空洞卷積層、第三層歸一化層、第一通道mlp層、第四層歸一化層、卷積層、第五層歸一化層和第二通道mlp層。
20、進一步，所述通過一致性約束擴散模型對待優化的輸入病理圖像進行細節優化去噪處理，得到超分辨率病理圖像這一步驟，其具體包括：
21、將待優化的輸入病理圖像輸入至一致性約束擴散模型；
22、基于一致性約束擴散模型的殘差網絡模塊，對待優化的輸入病理圖像進行特征提取處理，得到待優化的輸入病理圖像特征；
23、基于一致性約束擴散模型的一致性特征增強器模塊，對待優化的輸入病理圖像特征進行一致性約束特征增強處理，得到增強后的輸入病理圖像特征；
24、基于一致性約束擴散模型的空間注意力機制模塊，對增強后的輸入病理圖像特征進行空間特征提取處理，得到輸入病理圖像空間特征；
25、基于一致性約束擴散模型的多尺度特征混合器模塊，對輸入病理圖像空間特征進行多尺度特征融合處理，得到超分辨率病理圖像。
26、進一步，所述細節優化去噪處理的表達式具體如下所示：
27、
28、上式中，∈θ表示噪聲預測器，xrc表示初步的病理重建圖像，xup表示插值后的病理圖像，t表示當前的迭代步數，yt表示第t步迭代輸出的去噪圖像，yt-1表示第t-1步迭代輸出的去噪圖像，αt表示超參數，表示預測噪聲分布的方差。
29、進一步，所述基于一致性約束擴散模型的一致性特征增強器模塊，對待優化的輸入病理圖像特征進行一致性約束特征增強處理，得到增強后的輸入病理圖像特征這一步驟，其具體包括：
30、將待優化的輸入病理圖像特征輸入至一致性約束擴散模型的一致性特征增強器模塊；
31、基于一致性特征增強器模塊的第一層歸一化層，對待優化的輸入病理圖像特征進行歸一化處理，得到歸一化后的輸入病理圖像特征；
32、基于一致性特征增強器模塊的多頭交叉注意力機制模塊，對歸一化后的輸入病理圖像特征進行相關性建模處理，得到具有關聯結構的輸入病理圖像特征；
33、基于一致性特征增強器模塊的第二層歸一化層，對具有關聯結構的輸入病理圖像特征進行二次歸一化處理，得到標準輸入病理圖像特征；
34、基于一致性特征增強器模塊的多層感知機層，對標準輸入病理圖像特征進行特征映射處理，得到增強后的輸入病理圖像特征。
35、進一步，所述基于一致性約束擴散模型的多尺度特征混合器模塊，對輸入病理圖像空間特征進行多尺度特征融合處理，得到超分辨率病理圖像這一步驟，其具體包括：
36、將輸入病理圖像空間特征輸入至一致性約束擴散模型的多尺度特征混合器模塊；
37、基于多尺度特征混合器模塊的并聯空洞卷積層模塊，對輸入病理圖像空間特征進行多尺度特征提取處理，得到多尺度輸入病理圖像空間特征；
38、基于多尺度特征混合器模塊的空洞卷積層，對多尺度輸入病理圖像空間特征進行擴展感受野處理，得到擴展后的多尺度輸入病理圖像空間特征；
39、基于多尺度特征混合器模塊的第三層歸一化層與第一通道mlp層，對擴展后的多尺度輸入病理圖像空間特征進行標準化與特征重建處理，得到初步的多尺度輸入病理圖像空間重建特征；
40、基于多尺度特征混合器模塊的第四層歸一化層與卷積層，對初步的多尺度輸入病理圖像空間重建特征進行標準化與特征提取處理，得到多尺度輸入病理圖像空間重建特征；
41、基于多尺度特征混合器模塊的第五層歸一化層和第二通道mlp層，對多尺度輸入病理圖像空間重建特征進行標準化與特征融合處理，得到超分辨率病理圖像。
42、進一步本文檔來自技高網...
【技術保護點】
1.一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，包括以下步驟：
2.根據權利要求1所述一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，所述基于回歸算法對低分辨率病理圖像進行快速重建處理，得到待優化的輸入病理圖像這一步驟，其具體包括：
3.根據權利要求2所述一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，所述通過基于回歸的超分辨率模型對低分辨率病理圖像進行重建處理，得到初步的病理重建圖像這一步驟，其具體包括：
4.根據權利要求3所述一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，所述一致性約束擴散模型包括空間注意力機制模塊、殘差網絡模塊、一致性特征增強器模塊與多尺度特征混合器模塊，其中：
5.根據權利要求4所述一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，所述通過一致性約束擴散模型對待優化的輸入病理圖像進行細節優化去噪處理，得到超分辨率病理圖像這一步驟，其具體包括：
6.根據權利要求5所述一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，所述細節優化去噪處理的
7.根據權利要求6所述一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，所述基于一致性約束擴散模型的一致性特征增強器模塊，對待優化的輸入病理圖像特征進行一致性約束特征增強處理，得到增強后的輸入病理圖像特征這一步驟，其具體包括：
8.根據權利要求7所述一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，所述基于一致性約束擴散模型的多尺度特征混合器模塊，對輸入病理圖像空間特征進行多尺度特征融合處理，得到超分辨率病理圖像這一步驟，其具體包括：
9.根據權利要求8所述一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，還包括設置一致性約束擴散模型的去噪過程函數，其表達式為：
10.一種基于一致性約束擴散模型的醫學圖像重建系統，其特征在于，包括以下模塊：
...【技術特征摘要】
1.一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，包括以下步驟：
2.根據權利要求1所述一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，所述基于回歸算法對低分辨率病理圖像進行快速重建處理，得到待優化的輸入病理圖像這一步驟，其具體包括：
3.根據權利要求2所述一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，所述通過基于回歸的超分辨率模型對低分辨率病理圖像進行重建處理，得到初步的病理重建圖像這一步驟，其具體包括：
4.根據權利要求3所述一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，所述一致性約束擴散模型包括空間注意力機制模塊、殘差網絡模塊、一致性特征增強器模塊與多尺度特征混合器模塊，其中：
5.根據權利要求4所述一種基于一致性約束擴散模型的醫學圖像重建方法，其特征在于，所述通過一致性約束擴散模型對待優化的輸入病理圖像進行細節優化去噪處理，得到超分辨率病理圖像這一步驟，其...
【專利技術屬性】
技術研發人員：陸鋮，張宏泰，王鶴翔，牛海濤，宋明麗，劉再毅，
申請(專利權)人：廣東省人民醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。