[发明专利]基于U-net生成对抗网络DSA成像方法及装置

说明书

本发明公开了一种基于U‑net的生成对抗网络数字血管减影(DSA)成像方法及装置，该方法首先获得多组造影帧和对应减影帧的原始数据；其次建立U形结构卷积网络，编码提取不同尺度特征，解码和skip connect恢复相应特征；该网络输入造影帧，输出对应的减影帧，以减轻生成DSA对背景帧的依赖，从而去除由于病人运动产生的运动伪影；随后，通过生成对抗训练的方式，交替训练生成器和判别器，进一步增强生成数字血管减影的质量。本发明可以有效地去除数字血管减影(DSA)中的运动伪影，数据质量可满足临床分析、诊断等要求，提高DSA成像质量和减少病人运动带来的影响。

技术领域

本发明涉及一种去除DSA成像伪影方法，尤其涉及一种基于生成对抗网络的去除DSA成像伪影方法及装置，属于XR成像技术领域。

背景技术

数字减影血管造影(Digital Subtraction Angiography)简称DSA，作为一种放射性治疗方法，在实际的成像过程中需要静脉注射造影剂并通过X光采集图像，然后将含有造影剂的图像(盈片)与未含造影剂的图像(蒙片)相减，将我们不感兴趣的组织影像剔除掉，将仅含有造影剂的目标区域影像留存，就得到突出的血管结构的影像，在这里剪掉的部分就是噪声，噪声去除之后，目标区域更加的清晰。这种成像模式能够准确的对血管形态学病变进行精确诊断，提高疾病发现率与诊断准确率，从而提高了手术的安全性，是临床不可缺少的重要工具。DSA在临床应用上用途广泛，主要应用在一些常规检查而且较难诊断的血管疾病中，后来也广泛应用于介入治疗，并且取得了巨大的突破，但是目前为止，DSA技术在脑血管疾病中的应用还不是十分完美，如何为临床诊断获得更高质量的影像结果成为目前阶段研究的热点问题。由于整个过程是连续帧的，机器只简单地完成了减影操作，几乎没有后处理工作，由于病人运动，直接DAS减影成像带有明显的噪声伪影，严重干扰临床医学对疾病的有效判断，不利于诊断和治疗。目前临床上需要对DSA 序列图像全自动的去除伪影增强算法。

近年来，深度学习在很多领域的都取得了突破性进展，但大家似乎发现了这样的一个现实，即深度学习取得突破性进展的工作基本都是判别模型相关的。Goodfellow等人启发自博弈论中的二人零和博弈，开创性地提出了生成对抗网络(GAN)。生成对抗网络包含一个生成模型和一个判别模型。其中，生成模型负责捕捉样本数据的分布，而判别模型一般情况下是一个二分类器，判别输入是真实数据还是生成的样本。这个模型的优化过程是一个“二元极小极大博弈”[1]问题，训练时固定其中一方(判别网络或生成网络)，更新另一个模型的参数，交替迭代，最终，生成模型能够估测出样本数据的分布。生成对抗网络的出现对无监督学习，图片生成[16]的研究起到极大的促进作用。生成对抗网络已经从最初的图片生成，被拓展到计算机视觉的各个领域，如图像分割、视频预测、风格迁移等。

当前去除DSA序列图像运动伪影的方法主要分成为两大类：基于DSA减影数据的后处理增强和DSA图像配准去伪影。对于传统的DSA减影增强方法主要有：边缘检测法，提取DSA图像边界；对数变换法，减少图像中的背景残留，获得图像和背景更一致的效果，剪影之前对造影图像和背景图像分别作对数变换；帧叠加法，降低图像在剪影过程中所产生的随机噪声；加窗显示法，动态的把灰度范围显示出来，从而能够更清晰的观察到医学图像的全部信息。

DSA减影配准就是寻求两幅图像间的几何变换关系,通过这一几何变换,使其中一幅医学图像浮动图像与另外一幅医学图像参考图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上具有相同的空间位置。配准的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。配准方法是由特征空间、搜索空间、搜索算法和相似性测度四个不同方面的组合。特征空间是指对待配准的图像的特征信息的提取搜索空间是进行变换的方式及变换的范围搜索算法决定下一步变换的具体方法以及得到最优的变换参数相似性测度是用来度量图像间相似性的一种标准。这些研究都取得了一定的成果,但是这些研究成果仍存在一定的局限性,不能直接使用于DSA减影图像配准过程,并不能适合临床的实际需求，有的虽然取得了较好的配准结果,但手工干预大,配准的计算工作量大,很难投入实时应用。