一种基于空间扩散模型的低剂量DSA血管造影方法与流程

一种基于空间扩散模型的低剂量dsa血管造影方法
技术领域
1.本发明涉及血管造影检查技术领域，具体而言，涉及一种基于空间扩散模型的低剂量dsa血管造影方法。


背景技术：

2.dsa是数字减影血管造影的简称，它是把传统的血管造影和电子计算机相结合而产生的一种新型技术，在脑血管疾病的诊断和治疗方面具有非常大的优势，它的主要原理是把x线投照到人体上所得到的光学图像，经过影像增强、视频扫描以及数模转换，最终进行数字化的处理以后，骨骼、脑组织、肌肉、脂肪这些影像都会被减影除去，而造影剂所形成的血管图像则保存下来，最后产生实时动态的血管图像技术，但现有技术中，需要患者暴露在x射线辐射中进行造影检测，这或多或少的会给患者带来一定的影响，为了将该影响降到最低，需要控制x射线的辐射量以及减少曝光时间，然而，上述操作，虽然保证了患者安全，但会影响dsa影像的成像质量，因此，急需设计一种应用于低剂量血管数字剪影的图像增强技术，在降低x射线辐射强度以及减少曝光时间的前提下，提升dsa影像的成像质量。


技术实现要素：

3.为了解决上述问题，本发明的目的是提供一种基于空间扩散模型的低剂量dsa血管造影方法，先进的深度学习图像处理技术，以改善由于噪声的增加和对比度的降低带来的低剂量dsa图像的质量问题。
4.为了实现上述技术目的，本技术提供了一种基于空间扩散模型的低剂量dsa血管造影方法，包括以下步骤：
5.通过降低x射线管电压、减少曝光时间的低剂量技术，对患者进行dsa检查，获取低剂量dsa图像；
6.将低剂量dsa图像，通过深度神经网络模型进行特征增强，生成高分辨率的剪影前dsa图像；
7.通过扩散模型，将高分辨率的剪影前dsa图像，转换为高分辨率的剪影后dsa图像。
8.优选地，在对低剂量dsa图像进行特征增强的过程中，深度神经网络模型，由依次设置的输入和预处理层，特征提取层，transformer层，上采样层，输出层组成，其中，特征提取层具有自适应特征融合功能，transformer层具有局部注意力机制。
9.优选地，在使用深度神经网络模型对低剂量dsa图像进行处理的过程中，通过输入和预处理层，利用卷积层对低剂量dsa图像进行处理，生成特征图像；
10.将特征图像，输入到具有自适应特征融合功能的特征提取层进行一次处理，再依据具有局部注意力机制的transformer层进行二次处理；
11.将二次处理结果，通过上采样层，利用一个跳跃连接与具有自适应特征融合功能的特征提取层的一次处理结果进行融合后，通过输出层，生成高分辨率的剪影前dsa图像。
12.优选地，在进行一次处理的过程中，具有自适应特征融合功能的特征提取层由若
干个残差块组成，每个残差块包括两个卷积层和一个跳跃连接，跳跃连接用于防止梯度消失；残差块还包括自适应特征融合模块；
13.自适应特征融合模块用于将残差块的卷积层提取的特征分为两部分，一部分是浅层特征，另一部分是深层特征；通过一个全连接层和一个sigmoid激活函数来计算每部分特征的权重，并将权重应用到对应的特征部分进行加权求和，实现一次处理。
14.优选地，在进行二次处理的过程中，将一次处理结果，输入到具有局部注意力机制的transformer层；
15.transformer层，通过局部注意力机制，对一次处理结果进行二次处理，其中，通过局部注意力机制进行二次处理的过程为：
16.基于一次处理结果，获取每个查询特征qi对应的k
×
k窗口，其中，窗口中的每个特征都由一个键kj和一个值vj表示；
17.获取qi与每个kj之间的点积，得到原始注意力权重，并进行归一化，得到最终的注意力权重，对窗口内的值进行加权求和，生成二次处理结果。
18.优选地，在获取二次处理结果的过程中，二次处理结果表示为：
19.oi＝∑j(a
ij
*vj)
20.a
ij
＝softmax(a
ij
)
21.a
ij
＝qi*kj22.式中，oi表示二次处理结果，softmax是归一化函数，a
ij
表示原始注意力权重，a
ij
表示最终的注意力权重。
23.优选地，在将第一处理结果和第二处理结果进行融合的过程中，将上采样层，通过转置卷积层进行上采样，并利用一个跳跃连接，与具有自适应特征融合功能的特征提取层进行连接，实现第一处理结果和第二处理结果的融合；
24.将融合结果，利用输出层，通过一个卷积层映射为高分辨率的剪影前dsa图像。
25.优选地，在利用扩散模型对剪影前dsa图像进行处理的过程中，通过扩散模型的处理过程包括：
26.扩散过程：对剪影前dsa图像添加噪声，使得剪影前dsa图像的像素点的值，根据周围像素点的扩散值进行更新；
27.噪声预测过程：通过空间去噪器，预测扩散过程中添加的噪声，生成预测噪声；
28.逆扩散过程：根据预测噪声，对扩散过程的更新结果进行去噪处理，得到剪影前dsa图像。
29.优选地，在对剪影前dsa图像进行处理的过程中，扩散过程表示为：
[0030][0031]
式中，x
ij
是在位置(i,j)的像素值，dt是微小的时间步长，dw
ij
是位置(i,j)的噪声项，d是扩散系数，dx_neighbour是所有邻近像素点的扩散值之和；
[0032]
空间去噪器表示为：
[0033][0034]
式中，qθ表示空间去噪器，fθ为去噪器，ε
t
是去噪器预测的噪声，x
neighubour
是周围的邻近像素均值，λ是一个权重参数，用来调整邻近像素的影响；n表示高斯分布，i是单位矩
阵，β
t
是权重参数，表示控制邻近像素的影响程度；
[0035]
逆扩散过程表示为：
[0036][0037]
式中，ε
t-1
是由空间去噪器预测出的噪声。
[0038]
优选地，用于实现低剂量dsa血管造影方法的低剂量dsa血管造影系统，包括
[0039]
数据采集模块，用于获取低剂量dsa图像；
[0040]
特征增强模块，用于将低剂量dsa图像，通过深度神经网络模型进行特征增强，生成高分辨率的剪影前dsa图像；
[0041]
剪影模块，用于通过扩散模型，将高分辨率的剪影前dsa图像，转换为高分辨率的剪影后dsa图像。
[0042]
本发明公开了以下技术效果：
[0043]
1.降低辐射剂量：本发明通过使用低剂量技术，在保证图像质量的前提下，显著降低了患者在检查过程中的辐射暴露。
[0044]
2.提高诊断准确性：本发明通过使用扩散模型从剪影前的图像生成高质量的剪影后dsa图像，提升了诊断准确性。
[0045]
3.图像质量提升：在本发明中，通过使用深度学习生成模型，即使在使用低剂量技术的情况下，也能保证生成的dsa图像的质量。
附图说明
[0046]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0047]
图1是本发明所述方法的流程示意图；
[0048]
图2是本发明所述的扩散模型示意图。
具体实施方式
[0049]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0050]
如图1-2所示，本发明提供了一种低剂量血管数字剪影(digital subtraction angiography,dsa)增强的新型方法，该方法在降低x射线辐射剂量的同时，利用深度学习生成模型从剪影前的图像生成高质量的剪影后dsa图像，提升了诊断准确性和图像质量。
[0051]
在本发明中，首先利用低剂量技术进行dsa检查，通过降低x射线管电压、减少曝光
时间，降低患者在检查过程中的辐射暴露。然而，低剂量技术可能导致图像质量下降，特别是噪声的增加和对比度的降低。为了克服这个问题，本发明采用了先进的深度学习图像处理技术，以改善低剂量图像的质量，具体包括以下技术过程：
[0052]
1、网络结构：输入和预处理层：输入的低剂量dsa图像首先通过一个卷积层进行处理。卷积层的过滤器数量、卷积核的大小，步长、填充等可根据实际图像进行调整(保持图像大小不变)。这个层的输出是一个特征图，表示了原始图像的初步特征表示。
[0053]
1.1、特征提取层：图像通过n个残差块进行特征提取。每个残差块包含两个卷积层和一个跳跃连接。卷积层的设置同上，跳跃连接用于防止梯度消失，并保持信息流畅。
[0054]
特征提取是通过多层残差块完成的。每个残差块的基本结构是两个卷积层和一个跳跃连接。卷积层用于提取特征，跳跃连接则能够避免梯度消失和模型退化的问题。
[0055]
在每个残差块中，还引入了一个自适应特征融合模块。这个模块的目的是根据特征的重要性动态调整不同特征的权重。具体来说，这个模块由以下几个步骤组成：
[0056]
1.2、特征分离：首先，本发明将卷积层提取的特征分为两部分，一部分是浅层特征，另一部分是深层特征。浅层特征包含了大量的细节信息，而深层特征则包含了更高级的语义信息。
[0057]
1.3、特征权重计算：然后，使用一个全连接层和一个sigmoid激活函数来计算每个特征的权重。具体公式如下：
[0058]
w_i＝sigmoid(w_f*f_i+b_f)
[0059]
其中，f_i是特征，w_f和b_f是需要学习的参数。
[0060]
1.4、特征融合：最后，本发明将计算得到的权重应用到对应的特征上，并将所有的特征加权求和，得到最终的融合特征。
[0061][0062]
通过这种方式，本发明可以根据特征的重要性动态调整不同特征的权重，从而更好地融合浅层特征和深层特征，提取出更有用的信息。
[0063]
1.5、transformer层：然后，本发明将提取的特征送入一个自定义的transformer层。这个层的主要任务是捕捉图像的全局信息和长距离依赖性。为了适应图像数据，对原始的transformer结构进行了一些修改：
[0064]
1.6、自注意力机制：在这里，本发明使用了2d位置编码和局部注意力窗口。2d位置编码可以用以下公式给出：
[0065]
pe(pos，2i)＝sin(pos/n
(2id_model)
)
[0066]
pe(pos，2i+1)＝cos(pos/n
(2i/d_model)
)
[0067]
其中，pos是像素的位置，i是维度。d_mod el是模型的维度。本发明为每个维度生成一个频率不同的正弦或余弦编码，频率在1/n0到1/n
(d_medel/2)
之间变化，n可以根据图像尺寸进行调整。这样，对于任意两个不同的位置，它们的位置编码几乎总是不同的。这种编码方式可以帮助模型理解图像的二维结构。模型可以通过比较位置编码来判断两个像素的相对位置和相对距离。这对于理解图像的全局结构和局部结构都非常重要。
[0068]
由于在自注意力机制中，输入是一个特征集合，每个特征由一个查询(q)、一个键(k)和一个值(v)组成。在全局自注意力中，每个特征与所有其他特征进行交互，计算注意力
权重。而在局部注意力中，本发明限制了这种交互，只允许每个特征与其在k
×
k窗口内的邻居进行交互。这可以减少计算量，并保留更多的局部信息。
[0069]
以下是局部注意力机制的计算过程：
[0070]
1.对于每个查询特征qi，本发明在输入特征图中找到其对应的k
×
k窗口。窗口中的每个特征都由一个键kj和一个值vj表示。
[0071]
2.然后，本发明计算qi与每个kj之间的点积，得到原始注意力权重：a
ij
＝qi*kj。
[0072]
3.接着，本发明对这些原始注意力权重进行归一化，得到最终的注意力权重：a
ij
＝softmax(a
ij
)，其中，softmax是归一化函数，保证所有的注意力权重和为1。
[0073]
4.最后，本发明用这些注意力权重对窗口内的值进行加权求和，得到最终的输出特征：oi＝∑j(a
ij
*vj)。
[0074]
通过这种方式，每个像素都会对中心像素的特征表示有所贡献，保留了更多的局部信息，也大大减少了计算复杂度。
[0075]
1.7、上采样层：然后，本发明使用转置卷积层进行上采样，以提升图像的分辨率。为了避免上采样过程中的信息损失，本发明还在这个阶段加入了一个跳跃连接，直接将特征提取层的输出和上采样层的输出融合在一起。
[0076]
1.8、输出层：最后，本发明使用一个卷积层将融合后的特征映射为高分辨率的dsa图像。对于每一对图像，本发明将低剂量图像作为网络的输入，而将相应的高剂量图像作为训练目标。这样设置的目的是让网络学习如何将低剂量图像转化为高质量的dsa图像。
[0077]
2、训练过程中的主要目标是最小化网络输出和高剂量图像之间的差异。为了量化这种差异，本发明采用了一个组合损失函数，包括均方误差(mse)损失，感知损失，以及结构相似性(ssim)损失。
[0078]
2.1.均方误差(mse)损失：这是一种基本的像素级损失函数，它直接衡量了网络输出和目标图像在像素级别的差异。具体公式如下：
[0079]
l_mse＝(1/n)∑i(y
i-ti)2[0080]
其中，yi是网络的输出，ti是目标图像，n是像素数量。
[0081]
2.2.感知损失：这种损失函数考虑了图像的高级语义信息。它通过预训练的深度神经网络来提取图像的特征，然后计算特征之间的mse损失。这样可以使网络生成的图像在视觉效果上更接近目标图像。
[0082]
2.3.结构相似性(ssim)损失：ssim是一种评价图像质量的指标，它考虑了图像的亮度、对比度和结构信息。通过将ssim损失加入到总损失中，本发明可以让网络生成的图像在结构上更接近目标图像。
[0083]
通过这三种损失函数的组合，本发明可以从不同的角度度量网络输出和目标图像之间的差异，使网络能够生成质量更高的图像。在训练过程中，采用了adamw优化器，即在adam优化器基础上引入权重衰减(相当于l2正则化)的优化器。同时，本发明使用了余弦退火的学习率调度策略，使得模型在初期快速收敛，在后期能够稳定提升。
[0084]
3.空间扩散模型生成剪影后图像
[0085]
在本发明的第二个步骤中，目标是从剪影前的dsa图像生成剪影后的dsa图像。这可以看作是一个映射问题，本发明希望找到一个映射函数，它可以将剪影前的图像映射为剪影后的图像。在这里，本发明选择使用扩散模型来解决这个问题。
[0086]
扩散模型是一种概率模型，它通过对随机变量进行扩散(也就是添加噪声)和清理(也就是去噪声)来生成数据。在这个模型中，本发明将剪影前的dsa图像看作是"清理"的数据，剪影后的dsa图像看作是通过扩散过程生成的"噪声"数据。由于考虑到图像中的像素并不是独立存在的，它们之间具有很强的空间相关性，如dsa图像中的血管在纹理颜色具有相似性，并且在空间上相邻，因此在扩散的过程，本发明提出了一种新的空间扩散过程，具体来说是将dsa剪影前的图像视为一个二维的网格，每个像素点向邻近的像素点扩散，即在扩散过程中，像素点的值会根据周围像素点的扩散值进行更新，这样可以使得图像的局部结构在扩散过程中得到保持。
[0087]
本发明将扩散过程表示为以下的随机微分方程：
[0088][0089]
其中x
ij
是在位置(i，j)的像素值，dt是微小的时间步长，dw
ij
是位置(i，j)的噪声项，d是扩散系数，dx_neighbour是所有邻近像素点的扩散值之和，该方程描述了每个像素点如何根据其像素点的扩散值进行扩散。
[0090]
4、模型训练过程：
[0091]
在训练过程中，本发明的目标是根据当前带噪声的dsa剪影后图像，预测下一步应当减去的噪声，以便将图像恢复到初始状态。即逆扩散过程的空间去噪器q定义如下：
[0092][0093]
其中fθ为去噪器，这里用了一个神经网络作为去噪器，ε
t
是去噪器预测的噪声，x
neighubour
是周围的邻近像素均值，λ是一个权重参数，用来调整邻近像素的影响；n表示高斯分布，i是单位矩阵；β
t
是权重参数，表示控制邻近像素的影响程度。
[0094]
最后的逆扩散过程如下：
[0095][0096]
其中，ε
t-1
是由空间去噪器预测出的噪声；
[0097]
训练阶段的以最小化损失函数为目标：
[0098][0099]
其中p(x0)是训练数据的分布，p(β)是β的先验分布，fθ为去噪器，x
t
是经过t步扩散后的图像。实际上损失函数就是预测的噪声和实际添加的噪声之间的负对数似然。训练过程中，通过adam优化器进行梯度下降，需要对每一个训练样本进行多次扩散和逆扩散，以便去噪器能够学习到图像在不同扩散步骤中的统计特性。
[0100]
这个模型设计和训练过程的主要优点在于，它能够通过学习多尺度的空间扩散过程，更好地捕捉dsa图像的结构信息，并生成高质量的剪影后dsa图像。
[0101]
实施例1：在一个具体的实施例中，低剂量技术在dsa检查中的应用包括以下步骤：首先，将x射线管电压设置为比常规dsa检查低的电压；其次，减少x射线的曝光时间，以降低患者的辐射暴露；最后，通过改进的超分模型，提高图像质量。
[0102]
实施例2：在另一个具体的实施例中，深度学习生成模型在本发明中的应用包括以下步骤：首先，收集大量的剪影前和剪影后的dsa图像对作为训练数据集；其次，使用改进的扩散模型，并在训练数据集上进行训练，使其学会从剪影前的图像生成高质量的剪影后的
dsa图像；最后，利用训练好的模型，对新的剪影前的dsa图像进行处理，生成高质量的剪影后的dsa图像。
[0103]
本发明设计的dsa图像增强技术，适用于血管造影检查中，血管造影的检查但不限于脑血管、冠状动脉、肾脏血管等的dsa检查。此外，由于其低剂量的特性，本发明特别适合于需要反复进行dsa检查的患者，如慢性血管病患者。
[0104]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0105]
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0106]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种基于空间扩散模型的低剂量dsa血管造影方法，其特征在于，包括以下步骤：通过降低x射线管电压、减少曝光时间的低剂量技术，对患者进行dsa检查，获取低剂量dsa图像；将所述低剂量dsa图像，通过深度神经网络模型进行特征增强，生成高分辨率的剪影前dsa图像；通过扩散模型，将高分辨率的所述剪影前dsa图像，转换为高分辨率的剪影后dsa图像。2.根据权利要求1所述一种基于空间扩散模型的低剂量dsa血管造影方法，其特征在于：在对低剂量dsa图像进行特征增强的过程中，所述深度神经网络模型，由依次设置的输入和预处理层，特征提取层，transformer层，上采样层，输出层组成，其中，所述特征提取层具有自适应特征融合功能，所述transformer层具有局部注意力机制。3.根据权利要求2所述一种基于空间扩散模型的低剂量dsa血管造影方法，其特征在于：在使用深度神经网络模型对低剂量dsa图像进行处理的过程中，通过所述输入和预处理层，利用卷积层对所述低剂量dsa图像进行处理，生成特征图像；将所述特征图像，输入到具有自适应特征融合功能的所述特征提取层进行一次处理，再依据具有局部注意力机制的所述transformer层进行二次处理；将二次处理结果，通过上采样层，利用一个跳跃连接与具有自适应特征融合功能的所述特征提取层的一次处理结果进行融合后，通过所述输出层，生成高分辨率的所述剪影前dsa图像。4.根据权利要求3所述一种基于空间扩散模型的低剂量dsa血管造影方法，其特征在于：在进行一次处理的过程中，具有自适应特征融合功能的所述特征提取层由若干个残差块组成，每个残差块包括两个卷积层和一个跳跃连接，所述跳跃连接用于防止梯度消失；所述残差块还包括自适应特征融合模块；所述自适应特征融合模块用于将所述残差块的所述卷积层提取的特征分为两部分，一部分是浅层特征，另一部分是深层特征；通过一个全连接层和一个sigmoid激活函数来计算每部分特征的权重，并将所述权重应用到对应的特征部分进行加权求和，实现一次处理。5.根据权利要求4所述一种基于空间扩散模型的低剂量dsa血管造影方法，其特征在于：在进行二次处理的过程中，将一次处理结果，输入到具有局部注意力机制的所述transformer层；所述transformer层，通过局部注意力机制，对一次处理结果进行二次处理，其中，通过局部注意力机制进行二次处理的过程为：基于所述一次处理结果，获取每个查询特征q
i
对应的k
×
k窗口，其中，窗口中的每个特征都由一个键k
j
和一个值v
j
表示；获取q
i
与每个k
j
之间的点积，得到原始注意力权重，并进行归一化，得到最终的注意力权重，对窗口内的值进行加权求和，生成所述二次处理结果。6.根据权利要求5所述一种基于空间扩散模型的低剂量dsa血管造影方法，其特征在
于：在获取二次处理结果的过程中，所述二次处理结果表示为：o
i
＝∑
j
(a
ij
*v
j
)a
ij
＝softmax(a
ij
)a
ij
＝q
i
*k
j
式中，o
i
表示二次处理结果，softmax是归一化函数，a
ij
表示原始注意力权重，a
ij
表示最终的注意力权重。7.根据权利要求6所述一种基于空间扩散模型的低剂量dsa血管造影方法，其特征在于：在将第一处理结果和第二处理结果进行融合的过程中，将所述上采样层，通过转置卷积层进行上采样，并利用一个跳跃连接，与具有自适应特征融合功能的所述特征提取层进行连接，实现所述第一处理结果和所述第二处理结果的融合；将融合结果，利用所述输出层，通过一个卷积层映射为高分辨率的所述剪影前dsa图像。8.根据权利要求7所述一种基于空间扩散模型的低剂量dsa血管造影方法，其特征在于：在利用扩散模型对剪影前dsa图像进行处理的过程中，通过所述扩散模型的处理过程包括：扩散过程：对所述剪影前dsa图像添加噪声，使得所述剪影前dsa图像的像素点的值，根据周围像素点的扩散值进行更新；噪声预测过程：通过空间去噪器，预测所述扩散过程中添加的噪声，生成预测噪声；逆扩散过程：根据所述预测噪声，对所述扩散过程的更新结果进行去噪处理，得到所述剪影前dsa图像。9.根据权利要求8所述一种基于空间扩散模型的低剂量dsa血管造影方法，其特征在于：在对剪影前dsa图像进行处理的过程中，所述扩散过程表示为：式中，x
ij
是在位置(i,j)的像素值，dt是微小的时间步长，dw
ij
是位置(i,j)的噪声项，d是扩散系数，dx_neighbour是所有邻近像素点的扩散值之和；所述空间去噪器表示为：式中，qθ表示空间去噪器，fθ为去噪器，ε
t
是去噪器预测的噪声，x
neighubour
是周围的邻近像素均值，λ是一个权重参数，用来调整邻近像素的影响；n表示高斯分布，i是单位矩阵，β
t
是权重参数，表示控制邻近像素的影响程度；所述逆扩散过程表示为：式中，ε
t-1
是由空间去噪器预测出的噪声。
10.根据权利要求9所述一种基于空间扩散模型的低剂量dsa血管造影方法，其特征在于：用于实现低剂量dsa血管造影方法的低剂量dsa血管造影系统，包括数据采集模块，用于获取所述低剂量dsa图像；特征增强模块，用于将所述低剂量dsa图像，通过所述深度神经网络模型进行特征增强，生成高分辨率的所述剪影前dsa图像；剪影模块，用于通过所述扩散模型，将高分辨率的所述剪影前dsa图像，转换为高分辨率的所述剪影后dsa图像。

技术总结
本发明公开了一种基于空间扩散模型的低剂量DSA血管造影方法，属于血管造影检查技术领域，包括以下步骤：通过降低X射线管电压、减少曝光时间的低剂量技术，对患者进行DSA检查，获取低剂量DSA图像；将低剂量DSA图像，通过深度神经网络模型进行特征增强，生成高分辨率的剪影前DSA图像；通过扩散模型，将高分辨率的剪影前DSA图像，转换为高分辨率的剪影后DSA图像；本发明通过使用低剂量技术，在保证图像质量的前提下，显著降低了患者在检查过程中的辐射暴露；通过使用扩散模型从剪影前的图像生成高质量的剪影后DSA图像，提升了诊断准确性。提升了诊断准确性。提升了诊断准确性。


技术研发人员：张有健 张志诚 周冠群 李泽洲 周昊天
受保护的技术使用者：深圳扬奇医芯智能科技有限公司
技术研发日：2023.06.27
技术公布日：2023/9/14