CN119478110A 一种基于视觉自注意力神经网络的虚拟增强ct生成方法 （福建医科大学附属第一医院）

一种基于视觉自注意力神经网络的虚拟增一种基于视觉自注意力神经网络的虚拟增强CT和归一化预处理后，用CycleFCNs神经网络进行形变配准，再以基于视觉自注意力机制的VIT神利用先进神经网络技术，充分融合多模态MRI信22.根据权利要求1所述的一种基于视觉自注意力神经网络的虚拟增强CT生成方法，其;;表示图像I的最小值。3.根据权利要求1所述的一种基于视觉自注意力神经网络的虚拟增强CT生成方法，其助Pytorch深度学习框架、PyCharm集成开发环境、GPU运算平台CUDA和GPU加速库cuDNN搭4.根据权利要求3所述的一种基于视觉自注意力神经网络的虚拟增强CT生成方法，其用于浮动图像得到形变图像，形变图像再次输入网络生成r'作用于形变图像得到重建图5.根据权利要求4所述的一种基于视觉自注意力神经网络的虚拟增强CT生成方法，其;36.根据权利要求1所述的一种基于视觉自注意力神经网络的虚拟增强CT生成方法，其基础构建VIT神经网络，VIT神经网络包含输入层、PatchEmbedding层、位置编码层、入图像分割成固定大小的图像块并进行线性投影，将高维图像数据映射到低维向量空间，用于提取图像特征和整合全局信息；输出层将经过处理的特征向量映射回原始图像尺寸，7.根据权利要求6所述的一种基于视觉自注意力神经网络的虚拟增强CT生成方法，其计算注意力分数：在TransformerEncoder层的自注意力子层中，对于每个图像块向的注意力权重；每个图像块向量对其他图像块向量的关注程度被量化为一个在到1之间的加权求和：根据归一化后的注意力权重，对每个图像块向量的value向量进行加权求oi为第i个图像块向量经过自注意8.根据权利要求1所述的一种基于视觉自注意力神经网络的虚拟增强CT生成方法，其RMSE计算公式为ME计算公式为；4强CT和真实CT图像，和为图像均值，'x和sigmay为图像标准9.根据权利要求8所述的一种基于视觉自注意力神经网络的虚拟增强CT生成方法，其;为满足剂量和距离容差的点数Ntotat为总点数，当虚拟增强5针对上述问题提出一种基于视觉自注意力神经网络的虚拟[0005]本发明的目的在于提供一种基于视觉自注意力神经网络的6;;Inorm表示归一化后的图像，I表示原图像，max(I)表示图像I的最大值，min(I)表示图像I的最小值。;[0021]作为一种优选方案，构建基于视觉自注意力机制的VIT神经网络模型时，以位置编码层、TransformerEncoder层和输出层，输入层负责接收MRI影像数据，PatchEmbedding层将输入图像分割成固定大小的图像块并进行线性投影，将高维图像数据映射7[0024]注意力分数归一化：对计算得到的注意力分数进行归一化处理，采用softmax函一化后的注意力权重；每个图像块向量对其他图像块向量的关注程度被量化为一个在到1RMSE计算公式为ME计算公式为；拟增强CT和真实CT图像，HX和y为图像均值，[0027]作为一种优选方案，相似度评估与优化还包括剂量学评价，剂量学评价基于;为剂量差异为剂量容差，Ad为距离差异a为距离容差，8为满足剂量和距离容差的点数Ntotat为总点数，当虚拟增强全卷积神经网络同时训练策略及额外循环损失项增加形变配准结果的循环一致性；借助制能够自动学习不同模态图像中各个区域之间的关联关系，充分考虑图像的全局关联性，成的sCT图像具有更丰富的细节和更准确的解剖结构信息与传统方法合成的sCT相比，本发[0033]图1为本发明一种基于视觉自注意力神经网络的虚拟增强CT生成方法步骤流程示[0036]如图1所示，本发明实施例提供一种基于视觉自注意力神经网络的虚拟增强CT生9[0049]将收集到的患者MRI影像导入治疗计划系统（TreatmentPlanningSystem，TPSTPS是用于设计和评估放疗计划的专业系统，将MRI影像导入其中可以方便后续的数据处;[0057]对于图像中的每一个像素点，将其减去计算得到的像素均值，然后除以;[0075]利用ResNetBlock增加神经网络的复杂度；ResNetBlo[0077]输入待配准图像对：将经过预处理后的MRI和CT影像数据作为待配准图像对输入对的特征信息，计算并生成空间形变变换T；这个空间形变变换T描述了如何将浮动图像另一个空间形变变换；的作用是将形变图像尽可能地映射回原始浮动图像的空间位[0082]医师勾画与数据准备：邀请经验丰富的专业医师仔细勾画MRI和CT图像中的正常结等重要器官和组织的边界；将医师勾画的轮廓数据与配准后的MRI和CT图像进行精确匹;值衡量了MRI和CT图像中同一器官轮廓表面上对应点之间的平均距离；较小的HD值意味着[0092]PatchEmbedding层将输入的MRI图像分割成固定大小的图像块（patch并对每[0095]输出层将经过TransformerEncoder层处理后的特征向量映射回原始图像的尺寸;;oi为第i个图像块向量经过自注意力机制后的输出，vi为第j个图像块向量在一定范围内遍历不同的超参数值，使用验证集评估模型性能，选择性能最好的合作为最终的模型设置；合适的超参数能够提高模型的训练效率和泛化能力，避免过拟合或欠拟合现象的发生；;RMSE计算公式为：ME计算公式为：;X和Y分别为虚拟增强CT和真实CT图像，和为图像均值，'X和sigmay为图像标准差，'w为协方