(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211178939.8 (22)申请日 2022.09.26 (71)申请人 中国人民解 放军总医院第一医学中 心 地址 100853 北京市海淀区复兴 路28号 (72)发明人 娄昕　杨明亮　吕晋浩　 (74)专利代理 机构 武汉宇晨专利事务所(普通 合伙) 42001 专利代理师 李鹏 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于聚焦学习的CT血管造影智能成像 方法 (57)摘要 本发明公开了一种基于聚焦学习的CT血管 造影智能成像方法， 采集NCCT图像和对应的真实 CTA图像并归一化处理， 归一化后的NCCT图像和 对应的真实CTA图像作为样本对， 将样本划分为 训练集、 验证集和测试集； 构建对抗网络模型， 包 括生成器、 矫正器及判别器； 构建生成器与矫正 器的联合聚焦学习损失函数， 构建判别器损失函 数； 利用训练集对构建好的对抗网络模型进行训 练， 利用验证集对训练后的对抗网络模 型进行验 证； 利用测试集获得最佳测试性能的生成器。 本 发明构建了联合聚焦学习损失函数， 使得所述生 成器合成CTA图像能够更好的凸显目标区域， 例 如血管组织； 本发明引入了矫正器， 使得NCCT图 像与CTA图像之间更好的配准对齐 。 权利要求书2页 说明书6页 附图2页 CN 115512182 A 2022.12.23 CN 115512182 A 1.一种基于聚焦学习的CT血 管造影智能成像方法， 其特 征在于， 包括以下步骤： 步骤1、 采集NCCT图像和对应的真实CTA图像并归一化处理， 归一化后的NCCT图像和对 应的归一 化真实CTA图像作为样本对， 将 样本对划分为训练集、 验证集和 测试集； 步骤2、 构建对抗网络模型， 对抗网络模型包括 生成器、 矫 正器以及判别器； 步骤3、 构建生成器与矫 正器的联合聚焦学习损失函数， 构建判别器损失函数； 步骤4、 利用训练集对对抗网络模型进行训练， 利用验证集对训练后的对抗网络模型进 行验证； 步骤5、 将测试集中的样本对输入到生成器， 生成对应的归一化合成CTA图像， 将获得的 归一化合成CTA图像进行测试评估， 获得最佳测试性能的生成器； 步骤6、 加载步骤5获得的生成器， 将待 处理的归一化NCCT图像作 为生成器输入， 输出归 一化合成CTA图像。 2.根据权利要求1所述一种基于聚焦学习的CT血管造影智能成像方法， 其特征在于， 所 述生成器包括输入层、 编码器、 中心 残差模块、 解码器以及输出层， 在生成器中： 归一化NCCT图像输入到 输入层， 编码器包括多层下采样卷积层， 中心残差模块包括多个残差块， 解码器包括多层上采样卷积层， 除输出层以外， 输入层、 下采样卷积层、 残差块和上采样卷积层均使用了归一化和功能 激活函数， 输出层将上采样卷积层的输出进 行2D卷积操作并经过激活函数输出归一化合成 CTA图像。 3.根据权利要求2所述一种基于聚焦学习的CT血管造影智能成像方法， 其特征在于， 所 述矫正器包括编码器、 中心残差模块、 解码器及输出端， 输出端包括提炼模块和输出层， 在 矫正器中： 生成器输出的归一 化合成CTA图像和归一 化真实CTA图像输入到编码器， 编码器包括多层下采样卷积层， 中心残差模块包括多个残差块， 解码器包括多层上采样卷积层， 提炼模块包括残差块和卷积层 编码器的下采样卷积层和对应的解码器的上采样卷积层之间通过跳转连接线进行连 接， 除输出端的提炼模块和输出层， 编码器的下采样卷积层、 中心残差模块的残差块和解 码器的上采样卷积层均使用了归一 化和功能激活函数， 输出层输出矫 正空间矩阵。 4.根据权利要求3所述一种基于聚焦学习的CT血管造影智能成像方法， 其特征在于， 所 述判别器包括多层下采样卷积层和一个2维卷积输出层， 判别器的输入为归一化真实CTA图 像或归一化合成CTA 图像， 判别器输出单通道图像矩阵块， 单通道图像矩阵块经平均池化 后， 获得对应的池化 值。 5.根据权利要求1所述一种基于聚焦学习的CT血管造影智能成像方法， 其特征在于， 所 述步骤3中的生成器与矫 正器的联合聚焦学习损失函数LGR定义为：权　利　要　求　书 1/2 页 2 CN 115512182 A 2LGAN(G,D)＝Ex[(1‑D(G(x)))2] LGAN(G,D)为对抗损失函数， D为判别器， G为生成器， m为聚焦尺度数， bi为第i个 的 加权系数， 为矫正损失函数， γ为LSmooth的加权系数， LSmmoth为平滑损失函数； E(.)为期 望运算符， 下标为输入变量， x为生成器 G输入的归一化NCCT图像， y为归一化真实CTA图像， 对应于重采样操作， R为 矫正器， 为梯度运 算符为， ‖. ‖1为L1距离运算符。 6.根据权利要求5所述一种基于聚焦学习的CT血管造影智能成像方法， 其特征在于， 所 述步骤3中判别器损失函数LAdv(G,D)定义 为： minLAdv(G,D)＝Ey[(1‑D(y))2]+Ex[D(G(x))2]。 7.根据权利要求书6所述一种基于聚焦学习的CT血管造影智能成像方法， 其特征在于， 步骤4中的对抗网络模型进行训练具体包括以下步骤： 首先， 判别器参数固定不变， 计算最小化的联合聚焦学习损失函数LGR的值， 进而实现对 生成器和矫 正器的参数 更新； 其次， 生成器与矫正器参数保持固定不变， 计算最小化的判别器损失函数LAdv(G,D)的 值， 进而对判别器参数进行优化更新。 8.根据权利要求书1所述一种基于聚焦学习的CT血管造影智能成像方法， 其特征在于， 所述步骤5中的测试性能包括归一化合成CTA图像的平均绝对误差(MAE)和峰值信噪比 (PSNR)， 还包括归一 化合成CTA图像与归一 化真实CTA图像的结构相似度(S SIM)。权　利　要　求　书 2/2 页 3 CN 115512182 A 3