买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：上海全景医学影像诊断中心有限公司;高欣;冯刚

摘要：本发明属于图像处理领域，具体是基于人工智能的PET‑CT肺癌影像数据库适应性扩展方法。所述方法包括图像采集、图像去模糊、图像修复、图像增强、图像质量评估、数据入库，本发明采用基于反馈机制与双门注意力的网络模型对PET‑CT肺癌影像进行去模糊处理，使用基于自适应反馈机制的解码器网络，提高重构图像质量，使用双门控注意模块，避免卷积冗余和通道冗余，降低计算成本，提高重构效率；同时，本发明采用双分支修正残差网络模型，对PET‑CT肺癌影像进行统一标准的质量评估，实现对图像质量进行快速且准确的评估，统一图像的质量标准，扩展PET‑CT肺癌影像数据库的适应性。

主权项：1.基于人工智能的PET-CT肺癌影像数据库适应性扩展方法，其特征在于：包括以下步骤：步骤S1：图像采集，采集旧CT拍摄设备拍摄的PET-CT肺癌影像，并将其定义为待修复图像，采集新CT拍摄设备拍摄的清晰PET-CT肺癌影像，并将其定义为清晰图像；步骤S2：图像去模糊，使用基于反馈机制与双门注意力的网络模型对待修复图像进行去模糊处理，得到去模糊图像，具体包括以下步骤：步骤S21：数据预处理，对所有清晰图像进行预处理，得到预处理后的清晰图像；步骤S22：人工加噪，对预处理后的清晰图像进行随机加噪，得到带噪声图像；步骤S23：去噪训练，使用预处理后的清晰图像与带噪声图像，对基于反馈机制与双门注意力的网络模型进行去噪训练，具体包括以下步骤：步骤S231：图像参数与模型初始化，初始化预处理后的清晰图像与带噪声图像的维度为C，H，W，其中C为通道数、H为图像高度、W为图像宽度，并将其定义为维度为C，H，W的初级特征，初始化基于反馈机制与双门注意力的网络模型的编码器、双门控注意力模块、基于反馈机制的解码器以及损失函数，设置损失函数阈值；步骤S232：编码器特征提取，使用卷积核大小为3*3的编码器对带噪声图像进行特征提取，得到维度为2C，H2，W2的一级特征，使用卷积核大小为2*2，步长为2的编码器对一级特征进行下采样和特征提取，得到维度为4C，H4，W4的二级特征，将二级特征按通道划分，得到4个维度为C，H4，W4的三级特征；步骤S233：特征增强，使用双门控注意力模块对三级特征捕捉远程依赖，得到增强特征，具体包括以下步骤：步骤S2331：特征归一化，对三级特征进行归一化处理，得到维度为C，H4，W4的归一化特征；步骤S2332：通道变换，采用1*1卷积对归一化特征进行通道变换卷积，将归一化特征的通道数从C扩展到2m+nC，得到维度为2m+nC，H4，W4的通道扩展特征，其中m与n为控制去除通道用于的缩减因子的超参数，其中0m≤1，0n≤1；步骤S2333：特征分流，将通道拓展特征根据通道进行分流处理，得到两个通道数为mC的分流特征和一个通道数为nC的分流特征，并构建一个H×W×C的学习矩阵ω；步骤S2334：特征映射，将一个通道数为mC的分流特征与一个通道数为nC的分流特征分别进行傅里叶变换，得到频域特征m与频域特征n；步骤S2335：依赖获取，将频域特征m与频域特征n分别与学习矩阵ω相乘，得到频域依赖特征Fm与频域依赖特征Fn；步骤S2336：特征重组，将频域依赖特征Fm与频域依赖特征Fn与分别进行逆傅里叶变换，得到依赖特征Ym与依赖特征Yn，采用1*1卷积将依赖特征Ym与通道数为mC的分流特征通道数转都换为nC并与依赖特征Yn重组，得到最终依赖特征，其中最终依赖特征通道数为nC；步骤S2337：特征输出，采用1*1卷积将最终依赖特征的通道数转换为C，并与归一化特征进行加权求和，得到增强特征，其中增强特征的维度为C，H4，W4；步骤S234：图像重建，根据增强特征采用基于反馈机制的解码器重建图像，得到去噪图像，具体包括以下步骤：步骤S2341：特征一级上采样，对维度为C，H4，W4的增强特征进行上采样，得到维度为2C，H2，W2的增强特征，将维度为2C，H2，W2的增强特征与维度为2C，H2，W2的一级特征进行加权融合，得到维度为2C，H2，W2的一级增强特征；步骤S2342：特征二级上采样，使用残差块对维度为2C，H2，W2的一级增强特征进行处理后，将维度为2C，H2，W2的一级增强特征进行上采样，得到维度为C，H，W的一级增强特征，将维度为C，H，W的一级增强特征与维度为C，H，W的初级特征进行加权求和，得到维度为C，H，W的二级增强特征；步骤S2343：特征转换为图像，使用反卷积与激活函数将维度为C，H，W的二级增强特征转换为去噪图像，其中图像维度为C，H，W；步骤S235：对抗训练，使用去噪图像与清晰图像进行对抗训练，并使用损失函数计算损失λ；步骤S236：反馈传递，提取去噪图像的特征，并将其定义为反馈特征，其中反馈特征的维度为C，H，W，使用3*3卷积将反馈特征卷积为维度为C，H4，W4的反馈特征，并将维度为C，H4，W4的反馈特征乘以损失λ后与维度为C，H4，W4的增强特征进行加权求和，得到新的维度为C，H4，W4增强图像；步骤S237：多级传递，重复步骤S234至步骤S236，直至损失函数到达损失函数阈值，并得到最终去噪图像以及训练好的基于反馈机制与双门注意力的网络模型；步骤S24：待修复图像去模糊，使用训练好的基于反馈机制与双门注意力的网络模型对待修复图像进行去模糊处理，得到去模糊图像；步骤S3：图像修复，使用卷积神经网络对去模糊图像进行缺失值补充，得到修复图像；步骤S4：图像增强，对修复图像进行细节增强处理，得到增强图像；步骤S5：图像质量评估，采用双分支残差网络，对增强图像进行质量评估，得到质量分数，并根据质量分数对基于反馈机制与双门注意力的网络模型、卷积神经网络模型进行优化、迭代，并使用优化后的基于反馈机制与双门注意力的网络模型与卷积神经网络模型对所有待修复图像进行处理得到增强图像集，具体包括以下步骤：步骤S51：图像转换，将增强图像转换为灰度图像和色彩过滤图像；步骤S52：双分支修正残差特征提取，使用双分支修正残差特征提取网络对灰度图像和色彩过滤图像进行特征提取，得到灰度图像的特征与色彩过滤图像的特征，其中特征维度为C，H，W，具体包括以下步骤：步骤S521：初级特征提取，采用3*3卷积提取灰度图像和色彩过滤图像的初级特征，得到初级灰度特征与初级色彩过滤特征；步骤S522：初级残差处理，对初级灰度特征与初级色彩过滤特征进行3*3卷积处理后进行归一化处理，并采用三层3*3卷积进行特征提取，得到初级灰度卷积特征与初级色彩过滤卷积特征，将两个初级灰度卷积特征和初级色彩过滤卷积特征分别与初级灰度卷积特征和初级色彩过滤卷积特征叠加并激活，得到初级灰度残差特征与初级色彩过滤灰度特征；步骤S523：多层二级残差处理，对初级灰度残差特征与初级色彩过滤灰度特征进行四层3*3卷积-池化-归一化-3*3卷积-3*3卷积-3*3卷积-叠加-激活处理，得到灰度图像的特征与色彩过滤图像的特征，其中特征维度为C，H，W；步骤S53：全局注意力处理，根据维度计算全局灰度特征与全局色彩过滤特征，具体包括以下步骤：步骤S531：特征拆分，对灰度图像的特征与色彩过滤图像的特征按照高度H与宽度W进行拆分，得到维度为C，H灰度特征、维度为C，W的灰度特征、维度为C，H的色彩过滤特征、维度为C，W的色彩过滤特征；步骤S532：矩阵转置，并将四个拆分出来的特征进行矩阵转置，得到灰度矩阵C，H、灰度矩阵C，W、色彩过滤矩阵C，H、色彩过滤矩阵C，W；步骤S533：自相关特征计算，将灰度矩阵C，H与灰度矩阵C，W相乘，得到灰度自相关矩阵，将色彩过滤矩阵C，H与色彩过滤矩阵C，W相乘，得到色彩过滤自相关矩阵；步骤S534：特征融合，将灰度自相关矩阵与色彩过滤自相关矩阵进行归一化和矩阵逆转置，并将逆转置后的矩阵分别与灰度图像的特征、色彩过滤图像的特征进行加权求和，得到全局灰度特征与全局色彩过滤特征；步骤S54：特征组合，将全局灰度特征与全局色彩过滤特征进行组合，得到组合特征F；步骤S55：质量分数计算，使用全连接层计算组合特征F的权重与对应的分数，将该分数定义为最终的质量分数，并设置唯一一个质量分数阈值；步骤S56：模型迭代，对基于反馈机制与双门注意力的网络模型、卷积神经网络模型进行优化、迭代，直至所有增强图像的质量分数到达质量分数阈值，得到优化后的基于反馈机制与双门注意力的网络模型、卷积神经网络模型以及所有待修复图像对应的增强图像，并所有增强图像定义为增强图像集；步骤S6：数据入库，新建图像存储数据库，将增强图像集存入新建图像存储数据库，得到重构PET-CT肺癌影像数据库。

全文数据：

权利要求：

百度查询： 上海全景医学影像诊断中心有限公司 高欣 冯刚 基于人工智能的PET-CT肺癌影像数据库适应性扩展方法