一种肿瘤放疗效果CT图像处理方法

本发明属于图像超分辨率领域，特别涉及一种肿瘤放疗效果ct图像处理方法。

背景技术：

1、肿瘤放疗过程中，ct图像的质量和细节分辨率对于精准定位和治疗至关重要。通过超分辨率技术，可以将低分辨率ct图像重建为高分辨率图像，显著提高图像的清晰度和细节可见性。这有助于医生更准确地识别肿瘤边界、内部结构及其与周围组织的关系，从而制定更精确的治疗计划，提高放疗的有效性和安全性。

2、传统上，为了获取高分辨率的ct图像，需要增加辐射剂量，这对患者的健康有一定风险。超分辨率技术允许在低剂量下获取低分辨率图像，并通过算法重建高分辨率图像，从而减少了对患者的辐射暴露。这不仅提高了ct成像的安全性，同时也增强了患者的接受度和治疗的可持续性。

3、在肿瘤放疗过程中，定期监控和评估治疗效果是关键环节。高分辨率ct图像可以更清晰地显示治疗前后肿瘤的变化和组织反应。通过超分辨率技术，医生能够更准确地评估肿瘤的体积变化和治疗效果，及时调整治疗策略，优化治疗方案。这对提高放疗的总体疗效和患者的预后具有重要意义。

4、目前，大多数任意尺度图像超分辨率方法通常依赖于在各种连续尺度下通过简单的合成退化模型（例如双三次降采样）生成的模拟数据。然而，这些方法在捕捉真实世界图像中的复杂退化现象方面存在显著不足，因为实际图像的退化过程往往涉及多种因素，如噪声、模糊和压缩伪影等，这些因素在简单的合成模型中难以完全模拟。

技术实现思路

1、本发明提供一种肿瘤放疗效果ct图像处理方法，旨在提出肿瘤放疗效果ct图像超分辨率模型，其中自适应特征选取模块根据查询点与特征点之间的相似度自适应地选取特征，使得模型能够动态地选择相关性较高的特征进行处理，一阶特征优化模块通过计算查询点的空间权重矩阵和特征优化，进一步提升了特征的辨别能力，二阶特征优化模块进一步处理一阶优化特征，能够捕捉更加复杂和细致的特征信息，最终优化生成模块采用基于欧氏距离的高斯分布权重计算方法，对最终特征进行优化，生成高质量的超分辨率肿瘤放疗效果ct图像。

2、本发明旨在提出肿瘤放疗效果ct图像超分辨率模型，提供一种肿瘤放疗效果ct图像处理方法，包括以下步骤：

3、s1、肿瘤放疗效果ct图像采集，在肿瘤放疗过程中不同时间节点，采集高分辨率肿瘤放疗效果ct图像，使用下采样算法转换为低分辨率肿瘤放疗效果ct图像，并对应保存为训练对，将所有训练对保存为超分辨率肿瘤放疗效果ct图像训练集；

4、s2、构建edsr特征提取模块，包含多个残差块；

5、s3、构建自适应特征选取模块，包含余弦相似度函数；

6、s4、构建一阶特征优化模块，包含卷积操作；

7、s5、构建二阶特征优化模块，包含relu激活函数；

8、s6、构建最终优化生成模块，包含计算优化权重；

9、s7、构建肿瘤放疗效果ct图像超分辨率模型，依次由输入、edsr特征提取模块、自适应特征选取模块、一阶特征优化模块、二阶特征优化模块、最终优化生成模块和全连接层组成；

10、s8、训练肿瘤放疗效果ct图像超分辨率模型，使用超分辨率肿瘤放疗效果ct图像训练集，训练肿瘤放疗效果ct图像超分辨率模型；

11、s9、肿瘤放疗效果ct图像处理，获得需要进行超分辨率操作的肿瘤放疗效果ct图像，输入到肿瘤放疗效果ct图像超分辨率模型，得到超分辨率肿瘤放疗效果ct图像。

12、优选地，在s2步骤中，对于edsr特征提取模块，输入低分辨率肿瘤放疗效果ct图像，，、和3代表的高、宽和通道，首先生成初始特征，，和是卷积层的权重和偏置，是relu激活函数，将初始特征经过4个串联的残差块得到预处理特征，，，是残差块，包含卷积层、激活函数和跳跃连接，预处理特征是edsr特征提取模块的输出特征，，相比，通道由3变为，高提升至2倍高，宽提升至2倍宽。

13、优选地，在s3步骤中，对于自适应特征选取模块，输入edsr特征提取模块得到的预处理特征，，、和代表的高、宽和通道，对于特征的n个位置对应的n个查询点，，设其中一个查询点为，其特征向量为，n个查询点的特征向量集为，计算位置关联度，，表示位置与查询点之间的关联度，代表余弦相似度函数，表示位置的特征向量，表示查询点的特征向量，然后通过位置关联度的阈值选取位置集合，，表示选取的与查询点关联度超过阈值的位置集合，并将位置的个数设置为lnum，表示位置，表示关联度的阈值，然后生成查询点的局部标记，，代表连接操作，代表解压缩操作，计算所有查询点的局部标记和位置集合，作为自适应特征选取模块的输出。

14、优选地，在s4步骤中，对于一阶特征优化模块，输入自适应特征选取模块得到的所有查询点的局部标记和位置集合，通过查询点的局部标记和位置集合，计算查询点的位置权重矩阵，，代表全连接层，是relu激活函数，代表空间注意力机制，然后计算查询点的一阶优化特征，，其中代表转置，是查询点对应的位置权重矩阵，代表沿最后一个维度进行拼接，代表一个全连接层串联一个relu激活函数，并配有跳跃连接，代表3×3卷积操作，代表逐元素相加，计算所有查询点的一阶优化特征，作为一阶特征优化模块的输出。

15、优选地，在s5步骤中，对于二阶特征优化模块，输入一阶特征优化模块得到的所有查询点的一阶优化特征，通过查询点的一阶优化特征，计算查询点的二阶优化特征，，代表位置集合对应的rgb值，代表将和沿最后一个维度进行拼接，代表全连接层，是relu激活函数，是gelu激活函数，代表1×1卷积操作，代表逐元素相加，计算所有查询点的二阶优化特征，作为二阶特征优化模块的输出。

16、优选地，在s6步骤中，对于最终优化生成模块，获得二阶特征优化模块得到的所有查询点的二阶优化特征，通过查询点对应的二阶优化特征，计算查询点对应的最终优化特征，，表示优化权重，根据查询点和每个坐标之间的距离，进行优化权重计算，，表示查询点和每个坐标之间的欧氏距离，代表控制高斯分布的标准差，代表查询点的位置集合的位置个数，计算所有查询点的最终优化特征，作为最终优化生成模块的输出。

17、优选地，在s7步骤中，对于肿瘤放疗效果ct图像超分辨率模型，输入低分辨率肿瘤放疗效果ct图像到edsr特征提取模块，获得预处理特征并输入到自适应特征选取模块，得到所有查询点的局部标记和位置集合并输入到一阶特征优化模块，得到所有查询点的一阶优化特征并输入到二阶特征优化模块，得到所有查询点的二阶优化特征并输入到最终优化生成模块，得到所有查询点的最终优化特征并输入到全连接层，得到超分辨率肿瘤放疗效果ct图像。

18、与现有技术相比，本发明具有以下技术效果：

19、本发明提供的技术方案提出了肿瘤放疗效果ct图像超分辨率模型，其中自适应特征选取模块根据查询点与特征点之间的相似度自适应地选取特征，使得模型能够动态地选择相关性较高的特征进行处理，一阶特征优化模块通过计算查询点的空间权重矩阵和特征优化，进一步提升了特征的辨别能力，二阶特征优化模块进一步处理一阶优化特征，能够捕捉更加复杂和细致的特征信息，最终优化生成模块采用基于欧氏距离的高斯分布权重计算方法，对最终特征进行优化，生成高质量的超分辨率肿瘤放疗效果ct图像。