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：杭州全景医学影像诊断有限公司

摘要：本发明涉及深度学习领域，具体是指基于深度学习的PET‑CT肺癌图像增强与复原方法，包括数据收集与预处理、图像分割、训练与优化、图像增强与复原、模型评估与验证、迭代改进与持续学习，本方案采用UNet网络对PET‑CT图像进行数据标注，并将N‑MICCS方法融入到UNet网络中，从多个视角和尺度上对比PET和CT图像在相同解剖位置功能表现不同的特征差异，实现对PET‑CT图像精确的肿瘤边界勾画和病灶分割；采用EMT超分辨率模型对不同清晰度的PET‑CT图像进行学习训练，同时使用条纹窗口自注意力代替常规注意力机制，解决模型在处理局部特征时存在局限性、计算复杂度过高和局部信息挖掘不足的情况。

主权项：1.基于深度学习的PET-CT肺癌图像增强与复原方法，其特征在于：该方法包括以下步骤：步骤S1：数据收集与预处理，收集大量的PET-CT肺癌图像数据，包括正常、异常和含有肺癌病灶的样本，并对PET-CT肺癌图像数据进行预处理，包括标准化、去噪、归一化和配准，得到预处理图像数据；步骤S2：图像分割，对于含有肺癌病灶的预处理图像数据，使用UNet网络结构进行图像分割，得到分割后的图像数据，并使用N-MICCS方法捕获预处理图像数据之间的长距离依赖关系，标定出病灶区域；步骤S3：模型设计与构建，设计适用于图像增强与复原任务的EMT超分辨率模型，并结合PET和CT图像的特点，对分割后的图像数据进行处理；步骤S4：训练与优化，将分割后的图像数据分为训练集、验证集和测试集，使用训练集训练EMT超分辨率模型，并使用优化算法更新模型参数，得到训练好的EMT超分辨率模型；步骤S5：图像增强与复原，使用训练好的EMT超分辨率模型对PET-CT图像进行处理，输出最终的PET-CT肺癌图像，突出显示PET-CT肺癌图像中的病灶区域信息；步骤S6：模型评估与验证，使用独立的测试集评估EMT超分辨率模型性能，计算准确率、召回率、F1值、Dice系数；步骤S7：迭代改进与持续学习，随着PET-CT肺癌图像数据的积累和实际应用中的反馈，不断调整优化EMT超分辨率模型，进行迭代升级；在步骤S3中，模型设计与构建，具体包括以下步骤：步骤S31：浅层特征提取，使用一个3*3卷积层作为浅层特征提取单元SFEU，对分割后的图像数据进行初步特征提取，生成特征图F0，所用公式如下： ；式中，表示浅层特征提取单元SFEU的功能，表示低分辨率图像，为特征图F0；步骤S32：深层特征提取，使用深层特征提取单元DFEU对特征图F0进行处理，深层特征提取单元DFEU内部包含n个混合变换器块，得到特征图FD，所用公式如下： ；式中，表示深层特征提取单元DFEU的功能，表示第n个混合变换器块，表示DFEU中的第n个混合变换器块的功能，为特征图FD；步骤S33：像素混合，使用像素混合器PM将特征图F0和特征图FD进行混合，得到混合特征FP；步骤S34：像素混合优化，使用条纹窗口自注意力对步骤S33进行优化；步骤S35：特征重建，对混合特征FP使用重建单元RECU进行重构，生成高分辨率图像Isr；步骤S36：损失函数优化，使用最小化L1损失函数训练EMT超分辨率模型的参数；在步骤S34中，像素混合优化，具体包括以下步骤：步骤S341：对输入的特征图F0和深度特征图FD进行重塑，得到重塑特征图像，其中，表示条纹窗口自注意力中不同窗口的编号；步骤S342：线性变换计算，使用权重矩阵和对重塑特征图像进行线性变换，分别计算查询矩阵和值矩阵，得到查询矩阵和值矩阵的结果，所用公式如下： ； ；式中，和表示不同的权重矩阵，为重塑特征图像，为查询矩阵，为值矩阵；步骤S343：多头注意力计算，在每个条纹窗口自注意力中，使用多头注意力机制对查询矩阵和值矩阵的结果进行计算，得到注意力得分矩阵，所用公式如下： ；式中，为激活函数，为转置的，是计算和其转置的点积，表示缩放因子，表示注意力得分矩阵；步骤S344：拼接窗口输出，将所有的注意力得分矩阵逐一拼接起来，得到最终输出的特征图，所用公式如下： ；式中，表示将注意力得分矩阵从到逐一拼接起来，为最终输出的特征图。

全文数据：

权利要求：

百度查询： 杭州全景医学影像诊断有限公司 基于深度学习的PET-CT肺癌图像增强与复原方法