【技術實現步驟摘要】
本專利技術涉及圖像處理，具體地涉及一種磁粒子成像圖像處理方法及裝置。
技術介紹
1、磁粒子成像是一種基于示蹤劑的斷層成像技術，可檢測超順磁性氧化鐵納米粒子（spions）的濃度分布，磁粒子成像視野中存在多個濃度差較大的樣本時，高濃度樣本的信號會對低濃度樣本信號產生干擾使得低濃度樣本信號被遮蔽，導致其樣本信息丟失或損壞。目前的重建算法難以準確恢復低濃度樣本的組織信息。
2、在醫學圖像分析領域，現有基于硬件優化的重建算法會增加成本和磁粒子成像系統的復雜性，同時無法考慮不同動態范圍影響，魯棒性低、恢復低濃度樣本組織信息的準確性低。
技術實現思路
1、鑒于上述問題，本專利技術提供了一種磁粒子成像圖像處理方法及裝置。
2、根據本專利技術的第一個方面，提供了一種磁粒子成像圖像處理方法，包括：利用高斯噪聲網絡對磁粒子成像噪聲圖像進行噪聲增強處理，得到目標噪聲圖像，其中，磁粒子成像噪聲圖像是磁粒子成像系統對生物組織進行掃描得到的；利用n個級聯的下采樣注意力層對目標噪聲圖像進行多級特征提取，得到n個圖像特征，其中，下采樣注意力層是基于l個級聯的下采樣注意力激勵子層構建得到的，n，l均為正整數；利用灰度自適應學習網絡層對第n個圖像特征進行特征融合，得到圖像灰度增強特征，其中，灰度自適應學習網絡層是基于自適應灰度增強學習參數調整得到的；利用n個級聯的上采樣注意力層處理n個圖像特征和圖像灰度增強特征，得到磁粒子成像去噪圖像，其中，上采樣注意力層是基于l個級聯的上采樣注意力激勵子層構
3、可選的，灰度自適應學習網絡層包括第一灰度特征提取子層、m個級聯的中間注意力激勵子層、第二灰度特征提取子層，m<l，m為正整數；利用灰度自適應學習網絡層對第n個圖像特征進行特征融合，得到圖像灰度增強特征包括：利用第一灰度特征提取子層處理第n個圖像特征，得到圖像灰度初始特征；利用m個級聯的中間注意力激勵子層處理圖像灰度初始特征，得到圖像激勵特征，其中，圖像激勵特征表征融合了深層次的圖像灰度信息、圖像位置信息；利用第二灰度特征提取子層處理圖像激勵特征，得到圖像灰度增強特征。
4、可選的，中間注意力激勵子層包括中間殘差激勵模塊和中間自注意力模塊；其中，利用m個級聯的中間注意力激勵子層處理圖像灰度初始特征，得到圖像激勵特征包括：利用第1個中間注意力激勵子層中的中間殘差激勵模塊處理圖像灰度初始特征，得到第1殘差特征；利用第1個中間注意力激勵子層中的中間自注意力模塊處理第1殘差特征，得到第1中間圖像激勵特征；利用m-1個級聯的中間注意力激勵子層處理第1中間圖像激勵特征，輸出圖像激勵特征。
5、可選的，中間殘差激勵模塊包括第一中間卷積單元、中間通道擠壓激勵單元、中間空間激勵單元、第二中間卷積單元；其中，利用第1個中間注意力激勵子層中的中間殘差激勵模塊處理圖像灰度初始特征，得到第1殘差特征包括：利用第一中間卷積單元處理圖像灰度初始特征，得到第一卷積特征；利用中間通道擠壓激勵單元處理第一卷積特征，得到通道特征，其中，中間通道擠壓激勵單元是基于通道注意力機制構建得到的；利用中間空間激勵單元處理第一卷積特征，得到空間特征，其中，中間空間激勵單元是基于空間注意力機制構建得到的；利用第二中間卷積單元處理通道特征和空間特征，得到第1殘差特征。
6、可選的，第一灰度特征提取子層包括卷積模塊、灰度注意力模塊和批歸一化模塊；利用第一灰度特征提取子層處理第n個圖像特征，得到圖像灰度初始特征包括：利用卷積模塊處理第n個圖像特征，得到第二卷積特征；利用灰度注意力模塊處理第二卷積特征，得到圖像灰度注意力特征；利用批歸一化模塊處理圖像灰度注意力特征，得到圖像灰度初始特征。
7、可選的，利用灰度注意力模塊處理第二卷積特征，得到圖像灰度注意力特征包括：對第二卷積特征進行向量轉化，得到查詢向量、鍵向量和值向量；利用歸一化函數處理能量向量，得到灰度注意力權重，其中，能量向量是基于查詢向量和鍵向量確定的；根據加權向量、第二卷積特征和自適應灰度增強學習參數，得到圖像灰度注意力特征，其中，加權向量是基于灰度注意力權重和值向量確定的。
8、可選的，利用n個級聯的上采樣注意力層處理n個圖像特征和圖像灰度增強特征，得到磁粒子成像去噪圖像包括：將圖像灰度增強特征和第n個圖像特征輸入至第1個上采樣注意力層，得到第1個上采樣特征；將第n個上采樣特征和第n-1個圖像特征輸入至第n-1個上采樣注意力層，得到第n-1個上采樣特征，其中，nn；將第2個上采樣特征和第1個圖像特征輸入至第n個上采樣注意力層，得到磁粒子成像去噪圖像。
9、可選的，去噪模型包括下采樣注意力層、灰度自適應學習網絡層、上采樣注意力層，去噪模型是基于如下操作訓練得到的：獲取訓練樣本，訓練樣本包括樣本噪聲圖像、樣本無噪仿真圖像，其中，樣本無噪仿真圖像是基于磁粒子重建系統對樣本生物組織圖像進行模擬得到的，樣本無噪仿真圖像中位于不同區域內像素點之間的灰度值變化范圍滿足預設模擬動態濃度范圍；基于預設噪聲范圍，將樣本噪聲圖像中的噪聲疊加至樣本無噪仿真圖像，得到樣本噪聲仿真圖像；利用高斯噪聲網絡對樣本噪聲仿真圖像進行噪聲增強處理，得到樣本目標噪聲圖像；利用去噪模型處理樣本目標噪聲圖像，得到樣本預測磁粒子成像去噪圖像；根據樣本預測磁粒子成像去噪圖像和樣本無噪仿真圖像，訓練去噪模型，得到訓練后的去噪模型。
10、可選的，基于預設噪聲范圍，將樣本噪聲圖像中的噪聲疊加至樣本無噪仿真圖像，得到樣本噪聲仿真圖像包括：基于單次噪聲疊加量參數，將樣本噪聲圖像中不同區域的噪聲疊加至樣本無噪仿真圖像中，得到初始樣本噪聲仿真圖像；根據樣本無噪仿真圖像和初始樣本噪聲仿真圖像各自的灰度值，得到初始樣本噪聲仿真圖像的噪聲程度；在噪聲程度不滿足預設噪聲范圍的情況下，基于單次噪聲疊加量參數，將樣本噪聲圖像中不同區域的噪聲繼續疊加至樣本無噪仿真圖像中；在噪聲程度滿足預設噪聲范圍的情況下，將初始樣本噪聲仿真圖像確定為樣本噪聲仿真圖像。
11、本專利技術的第二方面提供了一種磁粒子成像圖像處理裝置，包括：增強模塊，用于利用高斯噪聲網絡對磁粒子成像噪聲圖像進行噪聲增強處理，得到目標噪聲圖像，其中，磁粒子成像噪聲圖像是磁粒子成像系統對生物組織進行掃描得到的；提取模塊，用于利用n個級聯的下采樣注意力層對目標噪聲圖像進行多級特征提取，得到n個圖像特征，其中，下采樣注意力層是基于l個級聯的下采樣注意力激勵子層構建得到的，n，l均為正整數；融合模塊，用于利用灰度自適應學習網絡層對第n個圖像特征進行特征融合，得到圖像灰度增強特征，其中，灰度自適應學習網絡層是基于自適應灰度增強學習參數調整得到的；去噪模塊，用于利用n個級聯的上采樣注意力層處理n個圖像特征和圖像灰度增強特征，得到磁粒子成像去噪圖像，其中，上采樣注意力層是基于l個級聯的上采樣注意力激勵子層構建得到的。
12、根據本專利技術提供的磁粒子成像圖像處理方法及裝置，通過利用n個級聯的下采樣注意力層對所述目標噪聲圖像?進行多級特征提取本文檔來自技高網...
【技術保護點】
1.一種磁粒子成像圖像處理方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述灰度自適應學習網絡層包括第一灰度特征提取子層、M個級聯的中間注意力激勵子層、第二灰度特征提取子層，M<L，M為正整數；
3.根據權利要求2所述的方法，其特征在于，所述中間注意力激勵子層包括中間殘差激勵模塊和中間自注意力模塊；
4.根據權利要求3所述的方法，其特征在于，所述中間殘差激勵模塊包括第一中間卷積單元、中間通道擠壓激勵單元、中間空間激勵單元、第二中間卷積單元；
5.根據權利要求2所述的方法，其特征在于，所述第一灰度特征提取子層包括卷積模塊、灰度注意力模塊和批歸一化模塊；
6.根據權利要求5所述的方法，其特征在于，所述利用所述灰度注意力模塊處理所述第二卷積特征，得到圖像灰度注意力特征包括：
7.根據權利要求1所述的方法，其特征在于，所述利用N個級聯的上采樣注意力層處理N個所述圖像特征和所述圖像灰度增強特征，得到磁粒子成像去噪圖像包括：
8.根據權利要求1所述的方法，其特征在于，去噪模
9.根據權利要求8所述的方法，其特征在于，所述基于預設噪聲范圍，將所述樣本噪聲圖像中的噪聲疊加至所述樣本無噪仿真圖像，得到樣本噪聲仿真圖像包括：
10.一種磁粒子成像圖像處理裝置，所述裝置包括：
...【技術特征摘要】
1.一種磁粒子成像圖像處理方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述灰度自適應學習網絡層包括第一灰度特征提取子層、m個級聯的中間注意力激勵子層、第二灰度特征提取子層，m<l，m為正整數；
3.根據權利要求2所述的方法，其特征在于，所述中間注意力激勵子層包括中間殘差激勵模塊和中間自注意力模塊；
4.根據權利要求3所述的方法，其特征在于，所述中間殘差激勵模塊包括第一中間卷積單元、中間通道擠壓激勵單元、中間空間激勵單元、第二中間卷積單元；
5.根據權利要求2所述的方法，其特征在于，所述第一灰度特征提取子層包括卷積模塊、灰度注意力模塊和批歸一化模塊；
6.根據...
【專利技術屬性】
技術研發人員：田捷，劉遠鐸，衛澤琛，惠輝，楊鑫，
申請(專利權)人：中國科學院自動化研究所，
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。