一种基于生成对抗网络的CT图像伪影故障定位方法及系统与流程

本技术涉及计算机图像处理，尤其涉及一种基于生成对抗网络的ct图像伪影故障定位方法及系统。

背景技术：

1、ct(computed tomography，计算机断层扫描)是一种医学成像技术，它通过使用x射线和计算机处理技术来生成人体内部的详细图像，ct成像系统在各大医院的日常使用中，图像的伪影是最常见的故障之一。伪影是指在原本被扫描物体的真实图像中插入各种各样的图纹，如射线状线条、横竖状线条、环形线条、网格状的线条以及局部图像分辨率差等，从而导致真实图像严重失真。

2、现有的通过传统的深度学习方法用于解决图像伪影故障的定位问题，使用卷积神经网络(cnn)来训练一个模型，该模型可以接受输入图像并输出伪影的故障信息。其具体为首先准备一组带有已知伪影故障的训练数据，这些数据包括原始图像和标注的故障位置。然后，可以使用这些数据来训练cnn模型，使其能够学习到伪影的特征。但是，由于图像伪影故障的样本数量相对较小，传统的深度学习方法可能会面临小样本问题。小样本问题指的是在训练数据有限的情况下，模型难以充分学习和泛化。出现过拟合、不稳定和低准确性问题。在实际情况中过拟合问题表现为，在训练集上表现很好，但在新的未见过的数据上表现较差。这会导致模型无法很好地推广到实际应用中，限制了其实用性；不稳定表现为对输入数据的微小变化非常敏感。这可能导致模型在不同数据集或不同批次的数据上表现不一致，从而限制了模型的泛化能力和可靠性。低准确性表现为模型可能无法捕捉到伪影的全局和局部特征，导致定位准确性不高。模型可能会出现误判，将非伪影区域错误地标记为伪影，或者无法准确分类伪影的类型，进而降低ct图像伪影故障定位的精度。

3、综上，相关技术中存在的技术问题有待得到改善。

技术实现思路

1、本技术实施例的主要目的在于提出一种基于生成对抗网络的ct图像伪影故障定位方法及系统，能够从两个不同维度关注伪影特征进而提高ct图像伪影故障定位精度。

2、为实现上述目的，本技术实施例的一方面提出了一种基于生成对抗网络的ct图像伪影故障定位方法，所述方法包括：

3、获取待识别ct图像并进行数据预处理，得到预处理后的待识别ct图像；

4、引入双重注意力机制，构建ct图像伪影故障识别网络；

5、基于所述预处理后的待识别ct图像对所述ct图像伪影故障识别网络进行优化训练，得到训练后的ct图像伪影故障识别网络；

6、基于所述训练后的ct图像伪影故障识别网络进行ct图像伪影故障定位识别，得到ct图像伪影故障识别结果。

7、在一些实施例中，所述获取待识别ct图像并进行数据预处理，得到预处理后的待识别ct图像，包括：

8、获取待识别ct图像；

9、对所述待识别ct图像进行图像增强处理，得到增强后的待识别ct图像；

10、对所述增强后的待识别ct图像进行数据标准化处理，得到标准化后的待识别ct图像；

11、对所述标准化后的待识别ct图像进行划分处理，得到待识别ct图像训练数据集与待识别ct图像测试数据集；

12、整合所述待识别ct图像训练数据集与所述待识别ct图像测试数据集，得到预处理后的待识别ct图像。

13、在一些实施例中，所述ct图像伪影故障识别网络包括生成器模块与判别器模块，其中，所述生成器模块引入双重注意力机制，所述判别器模块为紧凑型卷积变换器网络。

14、在一些实施例中，所述基于所述预处理后的待识别ct图像对所述ct图像伪影故障识别网络进行优化训练，得到训练后的ct图像伪影故障识别网络，包括：

15、将所述预处理后的待识别ct图像的待识别ct图像训练数据集输入至所述ct图像伪影故障识别网络进行训练处理；

16、基于所述ct图像伪影故障识别网络的生成器模块，对所述待识别ct图像训练数据集进行转换处理，得到ct伪影图像；

17、基于所述ct图像伪影故障识别网络的判别器模块，对所述ct伪影图像进行识别处理，得到初步训练后的ct图像伪影故障识别网络；

18、将所述预处理后的待识别ct图像的待识别ct图像测试数据集输入至所述初步训练后的ct图像伪影故障识别网络进行测试处理，得到训练后的ct图像伪影故障识别网络。

19、在一些实施例中，所述ct图像伪影故障识别网络进行优化训练的过程表示为一个最大最小化问题，所述最大最小化问题的表达式具体如下所示：

20、

21、上式中，表示最大最小化问题，g表示生成器，d表示判别器，v(d,g)表示目标函数，e表示期望值，z表示随机噪声，x表示真实数据，pdata(x)表示真实数据的分布，pz(z)表示随机噪声的分布。

22、在一些实施例中，所述基于所述ct图像伪影故障识别网络的生成器模块，对所述待识别ct图像训练数据集进行转换处理，得到ct伪影图像，包括：

23、将所述待识别ct图像训练数据集输入至所述ct图像伪影故障识别网络的生成器模块，所述生成器模块包括反卷积模块、双重注意力机制模块和卷积模块；

24、基于所述生成器模块的反卷积模块，引入随机噪声，并对所述待识别ct图像训练数据集进行反卷积处理，得到第一输出待识别ct特征图像；

25、基于所述生成器模块的双重注意力机制模块，对所述第一输出待识别ct特征图像进行空间特征提取处理，得到第二输出待识别ct特征图像；

26、基于所述生成器模块的卷积模块，对所述第二输出待识别ct特征图像进行卷积处理，得到ct伪影图像。

27、在一些实施例中，所述反卷积模块包括第一反卷积模块、第二反卷积模块、第三反卷积模块和第四反卷积模块，所述第一反卷积模块、所述第二反卷积模块、所述第三反卷积模块和所述第四反卷积模块均包括反卷积层、归一化层和修正线性单元。

28、在一些实施例中，所述基于所述生成器模块的双重注意力机制模块，对所述第一输出待识别ct特征图像进行空间特征提取处理，得到第二输出待识别ct特征图像，包括：

29、将所述第一输出待识别ct特征图像输入至所述生成器模块的双重注意力机制模块，所述双重注意力机制模块包括空间注意力模块与通道注意力模块；

30、基于所述双重注意力机制模块的空间注意力模块，对所述第一输出待识别ct特征图像进行空间特征提取处理，得到待识别ct空间特征图像；

31、基于所述双重注意力机制模块的通道注意力模块，对所述待识别ct空间特征图像进行通道特征提取处理，得到待识别ct通道特征图像；

32、将所述待识别ct空间特征图像与所述待识别ct通道特征图像进行融合处理，得到第二输出待识别ct特征图像。

33、在一些实施例中，所述基于所述ct图像伪影故障识别网络的判别器模块，对所述ct伪影图像进行识别处理，得到初步训练后的ct图像伪影故障识别网络，包括：

34、将所述ct伪影图像输入至所述ct图像伪影故障识别网络的判别器模块，所述判别器模块包括卷积块、序列池化层和transformers块；

35、基于所述判别器模块的卷积块，对所述ct伪影图像进行特征提取处理，得到ct伪影特征图像；

36、基于所述判别器模块的transformers块，对所述ct伪影特征图像进行特征信息关联处理，得到ct伪影故障特征信息；

37、基于所述判别器模块的序列池化层，对所述ct伪影故障特征信息进行信息序列处理，输出初步训练后的ct图像伪影故障识别网络。

38、为实现上述目的，本技术实施例的另一方面提出了一种基于生成对抗网络的ct图像伪影故障定位系统，所述系统包括：

39、第一模块，用于获取待识别ct图像并进行数据预处理，得到预处理后的待识别ct图像；

40、第二模块，用于引入双重注意力机制，构建ct图像伪影故障识别网络；

41、第三模块，用于基于所述预处理后的待识别ct图像对所述ct图像伪影故障识别网络进行优化训练，得到训练后的ct图像伪影故障识别网络；

42、第四模块，用于基于所述训练后的ct图像伪影故障识别网络进行ct图像伪影故障定位识别，得到ct图像伪影故障识别结果。

43、本技术实施例至少包括以下有益效果：本技术提供一种基于生成对抗网络的ct图像伪影故障定位方法及系统，该方案通过获取待识别ct图像并进行数据预处理，进一步引入双重注意力机制，构建ct图像伪影故障识别网络，并基于预处理后的待识别ct图像对ct图像伪影故障识别网络进行优化训练，在ct图像伪影故障识别网络上引入双重注意力机制从两个不同维度关注伪影特征，保证生成图像的质量，且能够降低计算成本，使得在不需要大量训练集的情况下也能有较好判别性能，最终提高ct图像伪影故障定位精度。