本发明涉及ct图像生成，尤其涉及一种基于混合损失函数扩散模型的增强ct图像生成方法及装置。
背景技术：
1、随着医学影像技术的不断发展，电子计算机断层扫描技术（computedtomography，ct）在医学领域的应用日益广泛，涵盖了医学临床诊断、手术辅助检查以及健康监测等生命健康的重要领域。尽管ct医学图像已经取得了显著的进展和应用，但在实际的诊断过程中，仍然存在一些挑战，特别是一些病变组织和正常组织在图像上的显影差异较小，导致部分病症难以及时得到准确诊断。为了提高图像的诊断准确性，增强造影剂在医学ct成像中得到了广泛应用，能够使得正常组织与病变局部的信号对比更为明显，有助于医生更准确地诊断患者的病情。但是增强造影剂的高昂价格和潜在的副作用也成为一个不可忽视的问题，这对患者的身体和经济都造成了沉重的负担。
2、目前市场上的增强造影剂主要分为离子型造影剂和非离子型造影剂。离子型造影剂在水溶液中会解离成大量的阴离子和阳离子，具有高渗透性、高离子性和亲水性较弱的特点，因此可能导致患者出现一些副作用，如肺动脉压增加、肺血量减少、肾脏损害等。虽然非离子型造影剂在结构上去除了羧基和阳离子，具有亲水性强的特点，但由于其渗透压较低，仍可能引发电解质紊乱、渗透性失水等严重副作用。因此，如何在增强造影剂应用过程中去除其副作用已成为急需解决的问题。此外，无论是离子型造影剂还是非离子型造影剂，它们在制备、研发和生产方面都具有较高的成本，其高昂价格会给患者带来沉重的经济负担。
3、基于常规ct医学成像，实现常规ct医学成像与造影剂增强ct医学成像之间的图像生成不仅可以完全避免增强造影剂对患者的不良影响以及沉重的经济负担，同时还能显著提升常规ct医学成像的图像信号对比度，从而更清晰地突显患者的病灶区域。因此，提出一种可靠的造影剂增强ct医学成像生成方法对于降低我国造影剂相关副作用及病症的发病率以及死亡率具有重要的意义。
4、深度学习在医学图像合成领域的研究与应用是人工智能（artificialintelligence，ai）领域中备受关注的重要方向。利用深度学习方法，尤其是变分自编码器（variational autoencoder，vae）、生成对抗网络（generative adversarial networks，gan）以及扩散模型（diffusion model）以生成高质量的医学图像。深度学习的生成模型能够学习并生成逼真结构的医学图像，扩充医学图像数据集，提高模型性能。此外，深度学习可应用于医学图像的增强，改善模糊、噪声或低对比度的图像。深度学习在医学影像数据增强方面的应用，通过生成合成图像扩充数据集，提高深度学习模型的泛化性能，为医学领域带来了创新。
5、其中，扩散模型是一种基于马尔科夫链的隐变量生成模型，在医学成像领域引起了广泛关注，通过预测每个时间片添加的噪声来进行模型训练。与传统的变分自编码器和生成对抗模型相比，扩散模型在生成高质量图像方面表现出了显著的优势，这归功于其非平衡热力学启发的算法设计，允许通过设置条件高斯以提高图像生成的质量。相较于其他深度学习方法，扩散模型在计算上具有可伸缩性，可以灵活适应不同的硬件资源和规模，具备并行处理的能力。因此，基于扩散模型实现造影剂增强ct医学成像生成成为当前领域内的研究热点。然而，现有的扩散模型存在一些局限性，它们只能在受限的隐层特征空间中寻找图像合成任务的目标特征。这主要是由于现有的扩散模型通常只依赖于单一的损失函数，而单一损失函数本身存在归纳偏置问题，限制了模型观察和学习的隐层特征空间。特别是在图像生成任务中，尤其是从平扫ct图像到造影剂增强ct图像的合成任务中，存在一个极其复杂的解空间。这使得现有基于单一损失函数的扩散模型方法难以有效完成图像生成任务，经常出现模式崩溃和训练动态不稳定等问题。因此，亟需一种多种损失函数集成的扩散模型方法可以有效的解决现有扩散模型在医学成像生成任务中的局限性，有助于实现更准确和稳定的医学成像生成任务。
6、本技术首次提出一种基于混合损失函数的扩散模型的创新性方法和装置，旨在生成增强型ct图像。
技术实现思路
1、本发明的目的在于针对现有技术的不足，提供一种基于混合损失函数扩散模型的增强ct图像生成方法及装置。
2、本发明的目的是通过以下技术方案来实现的：本发明实施例第一方面提供了一种基于混合损失函数扩散模型的增强ct图像生成方法，包括以下步骤：
3、（1）采集ct图像数据及其配对的造影剂增强ct图像数据，并采用数据增强方法和面向数据的正则化方法对其进行预处理；
4、（2）将预处理后的ct图像数据及其配对的造影剂增强ct图像数据按比例划分为训练集、测试集和验证集；
5、（3）构建用于生成造影剂增强ct图像的扩散模型；
6、（4）使用训练集对扩散模型进行迭代训练，训练过程中基于混合损失函数调整扩散模型的参数，以获取训练好的扩散模型；
7、（5）将测试集中的ct图像数据输入至训练好的扩散模型中，得到对应的造影剂增强ct图像数据。
8、进一步地，所述采用数据增强方法和面向数据的正则化方法对其进行预处理，具体包括：
9、首先采用几何变换方法对采集到的ct图像数据及其配对的造影剂增强ct图像数据进行随机翻转、旋转、平移、裁剪和放缩变形操作，再使用颜色扰动方法改变ct图像数据及其配对的造影剂增强ct图像数据的通道顺序、色调和对比度，以获取数据增强后的ct图像数据及其配对的造影剂增强ct图像数据；最后采用面向数据的正则化方法为数据增强后的ct图像数据及其配对的造影剂增强ct图像数据添加随机噪声、进行随机遮挡与样本批正则化，完成ct图像数据及其配对的造影剂增强ct图像数据的预处理。
10、进一步地，所述用于生成造影剂增强ct图像的扩散模型为线性扩散模型或非线性扩散模型。
11、进一步地，所述用于生成造影剂增强ct图像的扩散模型为非线性扩散模型；所述非线性扩散模型用于对ct图像以及与其配对的造影剂增强ct图像之间的特征映射关系进行建模，以捕获ct图像和造影剂增强ct图像之间的映射关系，实现造影剂增强ct图像的生成。
12、进一步地，所述非线性扩散模型包括编码器、隐层和解码器；
13、所述非线性扩散模型包括扩散过程和逆扩散过程；
14、在扩散过程中，原始ct图像数据输入到非线性扩散模型中，依次经过编码器和隐层后，在时间点t处生成一个高斯噪声样本，再经过解码器后，将高斯噪声样本添加到原始ct图像中，得到带有高斯噪声的ct图像；该过程是通过对噪声图像序列进行迭代重复完成的，每次迭代均在原始ct图像上叠加部分高斯噪声；
15、逆扩散过程与扩散过程完全相反，在逆扩散过程中，将扩散过程中最后一次迭代得到的带有高斯噪声的ct图像数据输入到非线性扩散模型中，依次经过解码器、隐层和编码器逐步进行降噪操作以恢复每个时间点的ct图像，经过多次迭代后，输出造影剂增强ct图像数据。
16、进一步地，所述使用训练集对扩散模型进行迭代训练，训练过程中基于混合损失函数调整扩散模型的参数，以获取训练好的扩散模型，具体包括：
17、将训练集中的ct图像数据输入到线性/非线性扩散模型中，输出生成的造影剂增强ct图像数据；根据训练集中与该ct图像数据配对的造影剂增强ct图像数据和生成的造影剂增强ct图像数据计算混合损失函数值；以最小化混合损失函数值为优化目标，采用反向传播方法和梯度下降法对线性/非线性扩散模型的参数进行优化调整；不断重复上述迭代训练过程，直至达到预设的迭代训练次数或混合损失函数值收敛为止，获取训练好的线性/非线性扩散模型。
18、进一步地，所述混合损失函数具体包括：
19、采用像素级对比损失函数、结构相似性指标损失函数和感知损失函数作为混合损失函数的组成部分，通过对不同类型的损失函数进行加权组合，获得线性/非线性扩散模型的混合损失函数，其表达式为：
20、
21、式中，表示线性/非线性扩散模型的混合损失函数，表示像素级对比损失函数，表示结构相似性指标损失函数，表示感知损失函数，、和分别表示像素级对比损失函数、结构相似性指标损失函数和感知损失函数的权重。
22、进一步地，所述像素级对比损失函数的表达式为：
23、
24、式中，n是图像中的像素总数，是生成图像在第i个像素的值，是目标图像在第i个像素的值；
25、所述结构相似性指标损失函数的表达式为：
26、
27、式中，和分别是x和的平均值，和分别是x和的方差，是x和的协方差，和是用于稳定性的常数；
28、所述感知损失函数的表达式为：
29、
30、式中，是预训练网络的第 l层的特征映射，是第 l层特征映射的维度。
31、本发明实施例第二方面提供了一种基于混合损失函数扩散模型的增强ct图像生成装置，包括一个或多个处理器和存储器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的基于混合损失函数扩散模型的增强ct图像生成方法。
32、本发明实施例第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，用于实现上述的基于混合损失函数扩散模型的增强ct图像生成方法。
33、与现有技术相比，本发明的有益效果是：
34、（1）本发明利用深度学习扩散模型的图像合成技术，将平扫ct成像转化为造影剂增强ct成像，可以减少患者因造影剂而可能面临的医源性损伤风险，并进一步减轻患者的经济负担，提升其生活质量，有助于降低甚至避免造影剂对患者身体和经济造成的负担；
35、（2）本发明能够成功实现平扫ct成像到造影剂增强ct成像的高清图像生成，同时清晰地显示出平扫ct成像中无法具体展示的病灶情况，为医生提供了数据和影像支持，有助于更准确地诊断和制定治疗方案，提高准确度；
36、（3）本发明基于多损失函数集成扩散模型，能够实现平扫ct成像向造影剂增强ct成像的图像生成任务，能够稳定地将图像从平扫ct成像域迁移合成到造影剂增强ct成像域，生成清晰可靠的造影剂增强ct成像样本；
37、（4）本发明首先将原始的单一损失函数替换为多损失函数集成的混合函数形式，具体通过构建一个集成框架，使得多个损失函数的特征能够有机地融合在一起，能够更好地捕捉数据分布的特征，提高了扩散模型对不同特征的感知能力；然后引入一个自适应的特征均衡矩阵，以量化不同损失函数对扩散模型训练产生的影响，从而在训练过程中更有效地均衡这些影响。这一创新性的方法有助于提高扩散模型对不同特征的关注度，从而增强了合成图像的质量，更好地平衡了不同损失函数的特征；最终，不仅稳定了扩散模型的训练动态，提高了训练效率，还促使扩散模型更全面地捕获数据特征，显著降低了扩散模型固有的泛化能力差问题的可能性，为造影剂增强ct成像领域的进一步发展提供了有力支持。
1.一种基于混合损失函数扩散模型的增强ct图像生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于混合损失函数扩散模型的增强ct图像生成方法，其特征在于，所述采用数据增强方法和面向数据的正则化方法对其进行预处理，具体包括：
3.根据权利要求1所述的基于混合损失函数扩散模型的增强ct图像生成方法，其特征在于，所述用于生成造影剂增强ct图像的扩散模型为线性扩散模型或非线性扩散模型。
4.根据权利要求3所述的基于混合损失函数扩散模型的增强ct图像生成方法，其特征在于，所述用于生成造影剂增强ct图像的扩散模型为非线性扩散模型；所述非线性扩散模型用于对ct图像以及与其配对的造影剂增强ct图像之间的特征映射关系进行建模，以捕获ct图像和造影剂增强ct图像之间的映射关系，实现造影剂增强ct图像的生成。
5.根据权利要求4所述的基于混合损失函数扩散模型的增强ct图像生成方法，其特征在于，所述非线性扩散模型包括编码器、隐层和解码器；
6.根据权利要求1所述的基于混合损失函数扩散模型的增强ct图像生成方法，其特征在于，所述使用训练集对扩散模型进行迭代训练，训练过程中基于混合损失函数调整扩散模型的参数，以获取训练好的扩散模型，具体包括：
7.根据权利要求1或6所述的基于混合损失函数扩散模型的增强ct图像生成方法，其特征在于，所述混合损失函数具体包括：
8.根据权利要求7所述的基于混合损失函数扩散模型的增强ct图像生成方法，其特征在于，所述像素级对比损失函数的表达式为：
9.一种基于混合损失函数扩散模型的增强ct图像生成装置，包括一个或多个处理器和存储器，其特征在于，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现权利要求1-8中任一项所述的基于混合损失函数扩散模型的增强ct图像生成方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，用于实现权利要求1-8中任一项所述的基于混合损失函数扩散模型的增强ct图像生成方法。
