本發(fā)明屬于圖像增強(qiáng)領(lǐng)域，特別涉及一種血管成像圖像優(yōu)化方法。

背景技術(shù)：

1、血管成像技術(shù)是醫(yī)學(xué)成像中極為重要的一環(huán)，廣泛應(yīng)用于心腦血管疾病、腫瘤、糖尿病等多種疾病的診斷和治療過程中，然而，由于成像設(shè)備和環(huán)境的限制，血管成像圖像數(shù)據(jù)往往存在對比度低、噪聲干擾嚴(yán)重等問題，給后續(xù)的目標(biāo)檢測和診斷帶來了很大挑戰(zhàn)，圖像增強(qiáng)技術(shù)在這一背景下應(yīng)運而生，通過一系列算法和處理手段，提高圖像數(shù)據(jù)的質(zhì)量，從而輔助醫(yī)生進(jìn)行更為精準(zhǔn)的診斷。

2、在血管成像圖像數(shù)據(jù)中，提高對比度和清晰度是圖像增強(qiáng)的首要目標(biāo)，對比度低的圖像數(shù)據(jù)中，細(xì)小的血管結(jié)構(gòu)往往難以辨識，甚至?xí)槐尘霸肼曆蜎]，通過圖像增強(qiáng)技術(shù)，可以顯著提高圖像的對比度，使得細(xì)小血管和其分支更加清晰可見，這種處理不僅可以讓醫(yī)生在診斷過程中更容易識別和分析血管結(jié)構(gòu)及其病變區(qū)域，還可以為后續(xù)的自動目標(biāo)檢測算法提供更優(yōu)質(zhì)的輸入數(shù)據(jù)。

3、最新的vit架構(gòu)通常結(jié)合了多尺度特征融合的方法，通過將不同尺度的特征進(jìn)行融合，能夠更全面地捕捉到圖像數(shù)據(jù)中的多尺度信息，多尺度特征融合有助于提升圖像數(shù)據(jù)的細(xì)節(jié)保留和全局信息整合，使得圖像數(shù)據(jù)增強(qiáng)效果更加顯著，通過這種方式，vit架構(gòu)可以更好地處理圖像數(shù)據(jù)中的各種復(fù)雜情況，提升圖像數(shù)據(jù)的整體質(zhì)量。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種血管成像圖像優(yōu)化方法，旨在提出血管成像圖像數(shù)據(jù)處理模型，其中一階段特征編碼模塊應(yīng)用多頭自注意力機(jī)制和前饋神經(jīng)網(wǎng)絡(luò)，能夠有效提取模糊血管成像圖像數(shù)據(jù)的高層次特征，權(quán)重補(bǔ)充模塊通過引入高斯噪聲和均勻噪聲，動態(tài)調(diào)整特征權(quán)重，以平衡不同類別的樣本分布，二階段特征編碼模塊通過vae的編碼器、采樣和解碼器結(jié)構(gòu)，能夠進(jìn)一步壓縮和重構(gòu)特征，捕捉圖像數(shù)據(jù)的潛在表示，三階段特征增強(qiáng)模塊通過混合自注意力機(jī)制，增強(qiáng)特征的交互性和全局表示能力，多階段圖像數(shù)據(jù)增強(qiáng)模塊通過逐層特征提取和增強(qiáng)，最終生成高質(zhì)量的增強(qiáng)血管成像圖像數(shù)據(jù)。

2、本發(fā)明旨在提出血管成像圖像數(shù)據(jù)處理模型，提供一種血管成像圖像優(yōu)化方法，包括以下步驟：

3、s1、血管成像圖像數(shù)據(jù)收集，收集多張清晰血管成像圖像，形成血管成像圖像數(shù)據(jù)集；

4、s2、構(gòu)建一階段特征編碼模塊，包含適配transformer模塊；

5、s3、構(gòu)建權(quán)重補(bǔ)充模塊，包含權(quán)重補(bǔ)充操作；

6、s4、構(gòu)建二階段特征編碼模塊，包含權(quán)重補(bǔ)充模塊；

7、s5、構(gòu)建三階段特征增強(qiáng)模塊，包含混合自注意力；

8、s6、構(gòu)建多階段圖像數(shù)據(jù)增強(qiáng)模塊，包含一階段特征編碼模塊、二階段特征編碼模塊、三階段特征增強(qiáng)模塊和圖像生成卷積；

9、s7、構(gòu)建血管成像圖像數(shù)據(jù)處理模型，包含輸入、多階段圖像數(shù)據(jù)增強(qiáng)模塊和輸出；

10、s8、血管成像圖像數(shù)據(jù)處理模型訓(xùn)練及血管成像圖像數(shù)據(jù)處理，使用血管成像圖像數(shù)據(jù)集訓(xùn)練血管成像圖像數(shù)據(jù)處理模型，訓(xùn)練完成后，獲得需要處理的血管成像圖像數(shù)據(jù)，輸入到血管成像圖像數(shù)據(jù)處理模型，得到增強(qiáng)血管成像圖像數(shù)據(jù)。

11、優(yōu)選地，在s1步驟中，對于血管成像圖像數(shù)據(jù)集，首先收集多張清晰血管成像圖像，包括從專業(yè)的期刊和會議論文集獲得多張清晰血管成像圖像，從科學(xué)圖像庫獲得多張清晰血管成像圖像數(shù)據(jù)，使用高斯模糊、散焦模糊、運動模糊和噪聲添加對多張清晰血管成像圖像進(jìn)行模糊處理，得到多張模糊血管成像圖像，并對應(yīng)多張清晰血管成像圖像形成多個訓(xùn)練對，從而形成血管成像圖像數(shù)據(jù)集。

12、優(yōu)選地，在s2步驟中，對于一階段特征編碼模塊，輸入單張模糊血管成像圖像數(shù)據(jù)if，if∈rh×w×3，h、w和3是單張模糊血管成像圖像數(shù)據(jù)if的高、寬和通道，將單張模糊血管成像圖像數(shù)據(jù)if輸入到多個串聯(lián)的適配transformer模塊，得到特征f1，f1∈rh×w×c，h、w和c是特征f1的高、寬和通道，單個適配transformer模塊由transformer模塊和適配器層組成，transformer模塊包括多頭自注意力機(jī)制和前饋神經(jīng)網(wǎng)絡(luò)ffn，適配器層包含降維線性層、非線性激活函數(shù)、升維線性層和殘差連接，將適配器層插入到單個transformer模塊中多頭自注意力機(jī)制和前饋神經(jīng)網(wǎng)絡(luò)ffn的中間位置，形成單個適配transformer模塊。

13、優(yōu)選地，在s2步驟中，對于一階段特征編碼模塊，集成了適配transformer模塊，包括多頭自注意力機(jī)制和前饋神經(jīng)網(wǎng)絡(luò)ffn，并引入適配器層，通過降維線性層、非線性激活函數(shù)、升維線性層和殘差連接來增強(qiáng)特征表達(dá)，這些適配器層被插入到transformer模塊的多頭自注意力機(jī)制和ffn之間，使得特征編碼模塊能夠更有效地提取和表示模糊血管成像圖像數(shù)據(jù)的高層次特征。

14、優(yōu)選地，在s3步驟中，對于權(quán)重補(bǔ)充模塊，輸入基礎(chǔ)特征fws1和優(yōu)化特征fws2，fws1∈rh×w×c，h、w和c是基礎(chǔ)特征fws1的高、寬和通道，fws2∈rh×w×c，優(yōu)化特征fws2和基礎(chǔ)特征fws1的維度一致，然后通過權(quán)重補(bǔ)充操作得到補(bǔ)充優(yōu)化特征fws2+，fws2+∈rh×w×c，權(quán)重補(bǔ)充操作具體為fws2+＝fws2(gt＝＝i)+＝α·(μ·noise1+(1-μ)·noise2)，gt表示真實掩碼，gt＝＝i用于判斷每個像素的真實類別是否等于類別i，其中α是噪聲強(qiáng)度控制參數(shù)，noise1是高斯噪聲項，noise2是均勻噪聲項，μ代表控制高斯噪聲項和均勻噪聲項比例的參數(shù)，μ取值為0到1，·代表乘法操作，n代表高斯噪聲，β是防止分母過小的平衡項，γ是置信度調(diào)整系數(shù)，confidence(i)是類別i的樣本置信度，var(i)是類別樣本頻率反比方差，u代表均勻噪聲，然后得到特征fwso，fwso∈rh×w×c，fwso＝(ffn(sa(dw(fws2+)))+fws2)⊙fws1+fws1，其中dw代表深度卷積，sa代表自注意力操作，ffn代表前饋神經(jīng)網(wǎng)絡(luò)，+代表逐元素相加，⊙代表逐元素乘積，特征fwso是權(quán)重補(bǔ)充模塊的輸出，特征fwso、基礎(chǔ)特征fws1和優(yōu)化特征fws2的維度保持一致。

15、優(yōu)選地，在s3步驟中，對于權(quán)重補(bǔ)充模塊，結(jié)合高斯噪聲和均勻噪聲，通過動態(tài)調(diào)整特征權(quán)重來平衡不同類別的樣本分布，使用類別樣本頻率反比方差和樣本置信度來調(diào)整噪聲強(qiáng)度，以增強(qiáng)稀少類別的特征表示，通過噪聲注入機(jī)制，提供更豐富和魯棒的特征表達(dá)，從而提升血管成像圖像數(shù)據(jù)處理模型在處理不平衡數(shù)據(jù)集時的性能和準(zhǔn)確性。

16、優(yōu)選地，在s4步驟中，對于二階段特征編碼模塊，獲得一階段特征編碼模塊輸出的特征f1，f1∈rh×w×c，h、w和c是特征f1的高、寬和通道，然后獲得特征f1s，f1s∈rh×w×c，f1s＝dw(sa(f1))，sa代表自注意力操作，dw代表深度卷積，然后獲得特征f1v，f1v∈rh×w×c，f1v＝vae(f1)，vae代表變分自編碼器，變分自編碼器包括編碼器、采樣和解碼器，然后獲得特征f1m，f1m∈rh×w×c，f1m＝f1s⊙f1v，⊙代表逐元素乘積，將特征f1作為基礎(chǔ)特征fws1，將特征f1m作為優(yōu)化特征fws2，將基礎(chǔ)特征fws1和優(yōu)化特征fws2輸入到權(quán)重補(bǔ)充模塊，得到特征fwso，將特征fwso作為特征f2，f2∈rh×w×c，特征f2、特征f1v和特征f1m是二階段特征編碼模塊的輸出。

17、優(yōu)選地，在s4步驟中，對于二階段特征編碼模塊，結(jié)合了變分自編碼器vae結(jié)構(gòu)，通過編碼器、采樣和解碼器進(jìn)一步壓縮和重構(gòu)特征，并結(jié)合自注意力操作和深度卷積，通過vae捕捉圖像數(shù)據(jù)的潛在表示，增強(qiáng)特征的多樣性和表示能力，并利用權(quán)重補(bǔ)充模塊動態(tài)調(diào)整特征權(quán)重，從而優(yōu)化特征的表示，使得血管成像圖像數(shù)據(jù)處理模型在處理不同類別樣本時更加魯棒和精確。

18、優(yōu)選地，在s5步驟中，對于三階段特征增強(qiáng)模塊，獲得二階段特征編碼模塊輸出的特征f2、特征f1v和特征f1m，首先獲得特征f3v，f3v∈rh×w×c，f3v＝vae(f1v+f2)，vae代表變分自編碼器，+代表逐元素相加，然后通過混合自注意力獲得特征f3m，f3m∈rh×w×c，混合自注意力計算為f3m＝ffn(conv(f1m⊙softmax(qkt))v)，其中conv代表3×3卷積，ffn代表前饋神經(jīng)網(wǎng)絡(luò)，⊙代表逐元素乘積，softmax代表softmax激活函數(shù)，q＝f2wq，k＝f2wk，v＝f2wv，q代表查詢，k代表鍵，v代表值，wq是生成查詢q的權(quán)重矩陣，wk是生成鍵k的權(quán)重矩陣，wv是生成值v的權(quán)重矩陣，然后獲得增強(qiáng)特征f3，f3∈rh×w×c，f3＝f3m⊙f3v，⊙代表逐元素乘積，增強(qiáng)特征f3是三階段特征增強(qiáng)模塊的輸出。

19、優(yōu)選地，在s5步驟中，對于三階段特征增強(qiáng)模塊，引入混合自注意力機(jī)制，結(jié)合變分自編碼器vae結(jié)構(gòu)，通過查詢、鍵和值之間的關(guān)系增強(qiáng)特征的交互性和全局表示能力，利用vae進(jìn)一步壓縮和重構(gòu)特征，通過混合自注意力機(jī)制進(jìn)行特征的全局交互和增強(qiáng)，最終生成更為魯棒和多樣化的特征表示，顯著提升血管成像圖像數(shù)據(jù)處理模型在處理復(fù)雜圖像數(shù)據(jù)任務(wù)時的表現(xiàn)。

20、優(yōu)選地，在s6步驟中，對于多階段圖像數(shù)據(jù)增強(qiáng)模塊，包含一階段特征編碼模塊、二階段特征編碼模塊、三階段特征增強(qiáng)模塊和圖像生成卷積，首先輸入單張模糊血管成像圖像數(shù)據(jù)if到一階段特征編碼模塊，得到特征f1，if∈rh×w×3，h、w和3是單張模糊血管成像圖像數(shù)據(jù)if的高、寬和通道，f1∈rh×w×c，g、w和c是特征f1的高、寬和通道，然后輸入特征f1到二階段特征編碼模塊，得到特征f2、特征f1v和特征f1m，f2∈rh×w×c，f1v∈rh×w×c，f1m∈rh×w×c，然后輸入特征f2、特征f1v和特征f1m到三階段特征增強(qiáng)模塊，得到增強(qiáng)特征f3，f3∈rh×w×c，最后將增強(qiáng)特征f3輸入到圖像生成卷積，得到單張增強(qiáng)血管成像圖像數(shù)據(jù)i+，i+∈rh×w×3，圖像生成卷積由3×3卷積實現(xiàn)。

21、優(yōu)選地，在s6步驟中，對于多階段圖像數(shù)據(jù)增強(qiáng)模塊，集成了一階段特征編碼、二階段特征編碼和三階段特征增強(qiáng)模塊，通過逐層特征提取和增強(qiáng)，最終生成高質(zhì)量的增強(qiáng)血管成像圖像數(shù)據(jù)，該模塊結(jié)合了適配transformer、自注意力機(jī)制、變分自編碼器vae和權(quán)重補(bǔ)充操作，使得特征在各階段得到充分的提取和優(yōu)化，提升了血管成像圖像的細(xì)節(jié)和清晰度，確保最終生成的血管成像圖像數(shù)據(jù)具有更高的質(zhì)量和可解釋性。

22、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下技術(shù)效果：

23、本發(fā)明提供的技術(shù)方案提出了血管成像圖像數(shù)據(jù)處理模型，其中一階段特征編碼模塊應(yīng)用多頭自注意力機(jī)制和前饋神經(jīng)網(wǎng)絡(luò)，能夠有效提取模糊血管成像圖像數(shù)據(jù)的高層次特征，權(quán)重補(bǔ)充模塊通過引入高斯噪聲和均勻噪聲，動態(tài)調(diào)整特征權(quán)重，以平衡不同類別的樣本分布，二階段特征編碼模塊通過vae的編碼器、采樣和解碼器結(jié)構(gòu)，能夠進(jìn)一步壓縮和重構(gòu)特征，捕捉血管成像圖像數(shù)據(jù)的潛在表示，三階段特征增強(qiáng)模塊通過混合自注意力機(jī)制，增強(qiáng)特征的交互性和全局表示能力，多階段圖像數(shù)據(jù)增強(qiáng)模塊通過逐層特征提取和增強(qiáng)，最終生成高質(zhì)量的增強(qiáng)血管成像圖像數(shù)據(jù)。