1.基于三维去噪扩散模型的肺部PET&CT图像分割方法,其特征在于:包括以下步骤:S1,将原始数据集分为训练集、验证集和测试集,并对这些数据集进行重采样和归一化处理;
S2,对原始的DDPM结构进行了修改,所有的2D操作、图层和噪声都被3D替代,同时对残差块进行了优化;这包括使用GroupNorm替代BatchNorm,将SiLU函数替代ReLU函数,将2D卷积层替换为3D卷积层,并将步长设置为1;同时,对U-Net网络结构也进行优化,优化后的U-Net利用了全尺寸跳跃连接和深度监督;
全尺寸跳跃连接转换了编码器和解码器之间的互连以及解码器子网络之间的内连接,每个解码器层都结合了来自编码器的小尺度和相同尺度的特征映射和来自解码器的大尺度特征映射,从而全尺度捕获细粒度细节和粗粒度语义;为了从全尺度聚合特征图中学习层次表示,采用了全尺度深度监督:将优化后的U-Net从每个解码器阶段产生一个侧输出,该侧输出由地面真值监督;为了实现深度监督,每个解码器阶段的最后一层被馈送到一个普通的3×3卷积层,然后是双线性上采样和s型函数;
为了进一步增强器官的边界,采用一种多尺度结构相似指数损失函数MS-SSIM,区域分布差异越大,MS-SSIM值越高;从分割结果P和地面真值G中裁剪出两个对应的N×N大小的批数据,分别表示为p={p其中,μ
S3,采用基于Analytic-DPM的方法对3D-DDPM进行了优化,以提高对数似然度和生成高质量样本的能力,同时提升训练速度;优化的过程从最小化联合分布的KL散度开始,针对DDPM算法进行了调整和改进;
DDPM参数是通过优化ELBO(L
即,
其中,D
下面直接从最小化联合分布的KL散度出发,拆分为多个矩匹配的优化;
其中,
在步数足够多的情况下,p(x
由于假设q(x
其中,
分别对μ
其中,
利用全期望公式和全方差公式进一步化简:
其中,p(x
其中,
用
其中,
S4,定义目标清洁数据为3D肿瘤掩膜,这些数据包含了肿瘤区域的精确位置和形状信息,成为模型训练和优化的目标;
目标清洁数据指的是用于训练和评估的肺腺瘤的真实标记数据,即肿瘤的准确边界和形态信息,用于作为模型训练的目标和评估的标准;
S5,设置批大小为1,即每次模型训练时仅处理单个体积的数据;训练过程中通过随机裁剪操作生成大小为32×96×96mm选择适合三维医学图像的数据增强技术,以增加训练样本的多样性和数量,提高模型的泛化能力;根据具体情况确定数据增强的方式和参数,确保增强后的数据保持医学图像的结构完整性和信息一致性;将批处理大小设置为1,即每次输入模型的数据为单个体积,以避免批处理效应对模型训练过程的影响,并保证模型对单个样本的处理能力;随机裁剪操作是指从原始三维医学图像中随机选择一个子体积作为训练样本,以减少内存消耗并加快训练速度;在数据增强后,准备好训练数据集,并进行模型训练前的准备工作,包括设置训练参数;确定模型的评估指标和训练停止条件,以便在训练过程中监控模型的性能,并及时调整参数以提高模型的训练效果。
2.根据权利要求1所述的基于三维去噪扩散模型的肺部PET&CT图像分割方法,其特征在于:所述步骤S1中,将原始数据集按照指定比例分为训练集、验证集和测试集;确保数据集的划分合理,保证模型训练、验证和测试的数据来源具有代表性和独立性;使用线性插值法将原始数据集的空间分辨率重采样至1×1×1mm