[發明專利]基于卷積神經網絡的乳腺X線圖像增強方法

有效

• 申請號: 201710326990.1
• 申請日: 2017-05-10
• 公開（公告）號: CN107133933B
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 何基
• 申請（專利權）人: 廣州海兆印豐信息科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 趙蕊紅

1.基于卷積神經網絡的乳腺X線圖像增強方法，其特征在于：圖像增強方法包括以下步驟：

A1、構建訓練數據庫；

A2、進行單尺度乳腺圖像增強卷積神經網絡訓練；

A3、將訓練好的單尺度卷積神經網絡模型對原始低對比乳腺X線圖像進行增強處理；

A4、進行多尺度乳腺圖像增強級聯卷積神經網絡訓練；

A5、將訓練好的多尺度卷積神經網絡模型對原始低對比乳腺X線圖像進行增強處理；

步驟A3的具體操作步驟如下：

A31、獲取原始低對比乳腺X線圖像I_{lc_test}；

A32、將步驟A31中的原始低對比乳腺X線圖像I_{lc_test}進行標準化操作，得到

A33、將步驟A32中的得到的作為輸入數據，在訓練好的卷積神經網絡模型EhNet中進行處理，得到的輸出數據為

A34、對步驟A33中的輸出數據進行反標準化處理，得到增強圖像I_{hc_test；}

步驟A4的具體操作步驟如下：

A41、對和進行K次降采樣操作，獲得降采樣數據和并將和加入訓練數據庫DataBase,令為

A42、構建多尺度乳腺圖像增強級聯卷積神經網絡模型CaEhNet及其對應的訓練模型，多尺度乳腺圖像增強級聯卷積神經網絡模型CaEhNet包含K+1個單尺度卷積神經網絡模型EhNet₀,EhNet₁,…,EhNet_K；

A43、令k＝K，并從訓練數據庫DataBase中取出降采樣數據并輸入到EhNet^k的訓練模型中訓練；

A44、將訓練數據庫DataBase中第k次降采樣數據作為輸入放進訓練好的卷積神經網絡模型EhNet_k中得到輸出

A45、將步驟A44中的進行升采樣操作得到并加入訓練數據庫DataBase；

A46、k若等于0，則停止多尺度級聯網絡訓練；若不等于0，則令k減1；此時，若k不等于K，則從訓練數據庫DataBase中取出數據并返回步驟A43進行下一尺度的卷積神經網絡EhNetk-1模型訓練

步驟A5的具體操作步驟如下：

A51、將步驟A32中的進行K次降采樣操作的到降采樣數據

A52、將A51中的輸入至訓練好的多尺度乳腺圖像增強級聯卷積神經網絡模型CaEhNet中，得到輸出數據

A53、對A52中的進行反標準化處理，得到增強圖像I_{hc_test}。

2.根據權利要求1所述的基于卷積神經網絡的乳腺X線圖像增強方法，其特征在于：步驟A1中構建訓練數據庫的方法如下：

A11、獲取乳腺X線圖像數據，包括低對比原始圖像數據I_lc和增強圖像數據I_hc；

A12、對步驟A11中獲取的原始圖像數據I_lc和I_hc進行標準化處理，得到和

A13、通過步驟A12中處理后得到的和進行訓練數據庫DataBase的構建。

3.根據權利要求2所述的基于卷積神經網絡的乳腺X線圖像增強方法，其特征在于：標準化的具體操作根據以下公式進行：

公式(1)中：為I_lc的均值，M_preset是預先設定的均值；

公式(2)中：為I′_lc的標準差值，為I_lc標準化處理后得到的值。

4.根據權利要求3所述的基于卷積神經網絡的乳腺X線圖像增強方法，其特征在于：步驟A2的具體操作步驟如下：

A21、在訓練數據庫DataBase中取出和訓練數據；

A22、構建單尺度乳腺圖像增強卷積神經網絡模型EhNet及其對應的訓練模型；

A23、將和作為輸入數據放入卷積神經網絡模型EhNet中的訓練模型。

5.根據權利要求4所述的基于卷積神經網絡的乳腺X線圖像增強方法，其特征在于：所述反標準化處理為標準化處理的逆處理。