[发明专利]基于U-net生成对抗网络DSA成像方法及装置

权利要求书

1.一种基于U-net的生成对抗网络DSA成像方法，其特征在于，所述方法包括以下步骤：

(1)获得多组造影帧数据I_contrast和对应的减影帧数据I_dsa，作为卷积网络的训练集；

(2)建立U-net作为生成器，将训练集中的造影帧数据I_contrast输入生成器中，输出相应的血管减影I_dsa，通过学习训练集的数据更新网络参数，从而降低输出的血管减影和原始血管减影数据I_dsa之间的欧式距离，训练生成器，同时得到

(3)建立造影帧和减影帧的卷积神经网络CNN作为判别器，将生成器得到的血管减影和对应的I_contrast造影帧图像contact作为输入，输出标签为false；将原始对应的造影帧I_contrast和减影帧I_dsa融合contact作为输入，输出标签为true；通过学习原始数据集和生成的数据集更新判别器参数；

(4)交替训练，每训练一次判别器，训练两次生成器，直到判别器无法区分真实数据和生成数据，生成器能生成对应无伪影的血管减影数据；

(5)将测试的造影帧图像输入训练完成的生成器得到对应的血管减影图像，得到当前造影帧对应的数字血管减影结果。

2.根据权利要求1所述的基于U-net的生成对抗网络DSA成像方法，其特征在于，所述步骤(1)中通过对DSA连续帧数据，取前3帧作为背景帧，减影帧为造影帧减去背景帧，得到对应的造影帧和剪影帧数据。

3.根据权利要求1所述的基于U-net的生成对抗网络DSA成像方法，其特征在于，所述步骤(2)中采用的U-net作为的生成器将造影帧数据经过非线性映射转换为相应的减影帧数据。

4.根据权利要求1所述的基于U-net的生成对抗网络DSA成像方法，其特征在于，所述U-net卷积神经网络的训练使用L2损失与L2正则化，VGG网络与训练模型pool4_1作为感知损失，所述判别器CNN的训练使用softmax交叉熵损失。

5.根据权利要求1所述的基于U-net的生成对抗网络DSA成像方法，其特征在于，输入到生成器U-net卷积神经网络和判别器CNN的数据是去均值和归一化后的数据。

6.一种基于U-net生成对抗网络的全网络数字血管减影DSA成像装置，其特征在于，所述装置包括：

造影帧和对应的减影帧训练集获取与预处理模块，用于获得多组正常无伪影的DSA减影数据和对应的造影帧数据，以及增加无造影剂的造影帧以及对应的清晰无伪影剪影帧数据标签对；

数字血管减影U-net卷积神经网络训练模块，用于建立剪影帧图像空间到造影帧空间的卷积网络，将训练集中造影帧图像数据I_contrast输入U-net中，输出对应的血管减影图像通过学习减影数据空间训练集更新网络参数，从而降低输出输出血管减影图像与真实的血管减影I_dsa的欧式距离，得到更新参数的U-net；

判别器CNN获取与处理模块，用于建立造影帧图像与剪影帧图像contact向量判断是否真假标签的CNN，将U-net输出的fake减影帧与对应的造影帧图像contact向量，判别为false；将真实的血管减影和对应的造影帧图像contact向量，判别为true，通过学习判断减影帧和造影帧融合的图像空间更新训练集数据更新网络参数，从而降低生成器输出的fake血管减影与真实对应的血管减影的欧式距离，得到训练好的CNN；

以及，数字血管减影DSA全网络成像模块，用于将测试的造影帧图像数据输入训练完成的生成器U-net卷积神经网络得到血管减影图像，得到剔除运动伪影的数字血管减影DSA图像，避免背景帧的依赖，即的奥DSA全网络成像的最终结果。