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：山西财经大学

摘要：本发明公开了一种基于豪斯霍德分解与流模型的长时程医学影像插补方法。涉及医学影像修复领域。首先，利用区域微分同胚度量映射对不同时期的长时程医学影像进行配准。其次，通过卷积编码器对医学影像进行特征提取，对图像像素值输入进行提取，之后利用豪斯霍德分解（HouseholderDecomposition）与流模型（Flow‑BasedModel）对缺失图像特征进行预测。最后利用解码器对特征进行重构，得到缺失影像。本发明不仅能够有有效地插补出缺失的医学影像，又能有效的恢复出原始图像中病灶的细节信息，而且降低了数据缺失带来的预测偏差，从客观方面提高辅助诊断的效率。

主权项：1.一种基于豪斯霍德分解与流模型的长时程医学影像插补方法，其特征在于：包括如下步骤：S1：采集同一例病人的不同病理时期的影像，因为影像会随病理的进程产生形变，因此首先利用区域微分同胚度量映射对多个时期的长时程医学影像I＝{i0,i1,i2,...,in}进行配准，以获得同一解剖点的影像；对于参考图像i0与浮动图像i1，为了使i0和i1相似以及整个变换能够实现空间和时间上连续的平滑，区域微分同胚度量映射利用常微分方程的连续可微时间依赖的流速场vt来构造微分同胚变换群，再通过Hilbert空间来生成流速空间V，通过包括变分法在内的优化方法求解能量E在流速空间V上的最优解，最终达到参考图像i0与浮动图像i1之间的配准，并将配准得到的图像作为下一步操作的图像库，为插补缺失图像做准备；区域微分同胚度量映射的配准过程如下：S1-1：设变换区域Ω为一个有界开集，而vt为时间依赖的流速场，其中V为Ω上连续可微矢量场所构成的Hilbert空间；当利用速度矢量场来构造微分同胚变换时，由恒等变换原理得知，速度矢量场vt满足常微分方程：y为变换后的坐标；S1-2：当一个微分同胚变换群中的元素作用于图像i1，得到相应的满足微分同胚非刚体变换后的形变对象；此时，基于微分同胚变换的匹配问题就是求解相应的能量泛函极小化问题，计算公式如下： 公式1中等号右侧第一个项是正则项，第二个项是相似度，其中流速场vt决定了图像i1如何流向i0；而区域微分同胚度量映射的目标就是找到v*来最小化上面的目标函数；通过最小化目标函数，使浮动图像变换为配准图像i1+Δi；S2：采用特征映射编码器对配准好图像进行特征提取，特征映射编码器主要包括两个卷积层和两个池化层；卷积层是由若干卷积单元组成，每个卷积单元参数都是通过反向传播优化得到的，主要用于提取原始CT图像的局部特征；第一个卷积层使用32个3x3的卷积核，激活函数为ReLU，步长为2，填充方式为same；第二个卷积层使用64个3x3的卷积核，激活函数为ReLU，步长为2，填充方式为same；池化层用于降低特征维度，压缩数据和参数的规模，减小过拟合，同时提高模型的容错性；池化层使用是的是2x2的最大池化核；之后将编码器提取的图像特征映射输入到流模型中以预测丢失的图像；经过多次卷积之后，得到的特征图大小会变小；S3：采用流模型利用提取到的影像特征px来预测缺失影像特征πz；为了提高模型的收敛性和计算速度，在原流模型中引入了豪斯霍德分解；具体计算过程如下：S3-1仿射耦合；利用堆叠简单的双射来构造一个灵活且易于求解的变换函数；在每个单步双射中，使用易于反转的函数来更新输入向量；因此，使用仿射耦合来更新输入向量；给定D维输入x和划分区间dD，对应仿射耦合层的输出z的计算公式如下：z1:d＝hx1:d2 f·与k·分别表示尺度变换和偏移变换，⊙表示向量之间的点积，表示元素级的加法，H·表示豪斯霍德分解；S3-2：层归一化；对于不同长度的样本，使用层归一化对模型进行正则化；层归一化对每一层样本的所有神经元节点的尺度和偏差进行归一化，而不是针对通道进行归一化；设H为一层隐藏层节点数，l为多层感知机层数，计算层归一化的缩放参数μ和偏置参数σ： 通过公式4和5反映出，统计量的计算与样本数无关，只取决于隐藏层节点数； 公式6中，为规范化后每层的特征，al为每层的原始特征，μl为每层的缩放参数，σl为每层的偏置参数；归一化后，缩放参数和偏置参数被视为独立于数据的常规可训练参数，设置ε是为了防止分母为零；S3-3：豪斯霍德分解；给定矩阵，变换后的超平面通过正交于超平面的豪斯霍德向量获得；反射超平面定义为： H是豪斯霍德矩阵，Ht的重要特征是正交矩阵，所以Ht的雅可比行列式为1；S4：采用图像重建解码器对预测的特征进行解码：通过流模型得到的缺失图像的特征将被输入到解码器；解码器的作用是重建图像到原始图像的特征映射；解码器部分包括两个转置卷积层和上采样层；第一个转置卷积层使用64个3x3的卷积核，步长为2x2，步长为2，填充方式为same；第二个转置卷积层使用32个3x3的卷积核，步长为2x2，步长为2，填充方式为same；在转置卷积层后同样为上采样层；通过一系列转置卷积层进行图像的放大，逐步恢复出原始图像中的更细节的信息，使抽象的特征还原为原始图像。

全文数据：

权利要求：

百度查询： 山西财经大学 一种基于豪斯霍德分解与流模型的长时程医学影像插补方法