[發(fā)明專利]一種乳腺DTI圖像去噪方法

有效

• 申請?zhí)枺?/td>: 201810470181.2
• 申請日: 2018-05-17
• 公開（公告）號: CN108961171B
• 公開（公告）日: 2020-12-22
• 發(fā)明（設計）人: 王艷玲;吳春華;沈中梅;周志凌;胡勝榮
• 申請（專利權(quán)）人: 蘇州高新區(qū)人民醫(yī)院
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/11;G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京潤川律師事務所 11643
• 代理人: 張超;王曉媛

1.一種乳腺DTI圖像去噪方法，通過該方法把乳腺的圖像中的白質(zhì)束纖維結(jié)構(gòu)全部提取出來，然后通過密集程度、粗細來分析病情，其特征在于，所述去噪方法包括：

步驟1、乳腺DTI圖像獲取：針對人體乳腺部位捕獲的三維乳腺DTI圖像；

步驟2、采用全卷積神經(jīng)網(wǎng)絡對該獲取三維乳腺DTI圖像進行分割；

步驟3、提取感興趣區(qū)域周邊的結(jié)構(gòu)信息，構(gòu)造先驗圖像；基于Contourlet變換的算法圖像去噪：

噪聲去噪采用模型：y＝x+σ*e，其中，x是期望圖像；y是觀測的含噪圖像；e是噪聲；σ是噪聲方差；

所述步驟2包括以下步驟：

S1.獲取乳腺區(qū)域訓練樣本，并標記；

S2.對訓練乳腺區(qū)域進行預處理，獲得預處理結(jié)果；

S3.構(gòu)建乳腺興趣區(qū)域分割的全卷積網(wǎng)絡結(jié)構(gòu)；

S4.利用訓練樣本訓練乳腺分割模型，以獲取最優(yōu)乳腺圖像分割模型；

S5.獲取被試者乳腺區(qū)域樣本，并標記；

S6.對測試乳腺區(qū)域進行預處理，獲得預處理結(jié)果；

S7.訓練好的分割模型對測試集進行分割；

S8.對全卷積網(wǎng)絡的分割結(jié)果進行后處理；

S9.選擇圖像分割的評價指標，進行分割結(jié)果統(tǒng)計評價；

所述步驟3包括以下步驟：

3.1、確定Contourlet分解的層次K，對含噪圖像進行Contourlet變換，得到低頻系數(shù)a₀和高頻系數(shù)d₀，d₁，……d_k-1；

3.2、在Contourlet變換域設定閾值δ對系數(shù)進行處理，得到新的Contourlet系數(shù)；

硬閾值處理法：

軟閾值處理法：

3.3、對處理后的高頻系數(shù)和低頻系數(shù)a₀進行Contourle逆變換，得到信號即為期望圖像x的估計值；

所述S1獲取乳腺區(qū)域三維訓練樣本，并標記包括以下步驟：

S11.用1.5T磁共振系統(tǒng)和7個編碼梯度對人體乳腺部位進行自旋回波單次激發(fā)EPI成像獲得，其成像參數(shù)為：TR 6.0ms，TE 2.36ms，層厚1.2mm，層距0.24mm，體素為0.9×0.8×51.2mm，SNR為1，獲取時間為104s；

S12.采用MEDINRIA對體元進行了人體乳腺腺體組織追蹤：參數(shù)設置如下：背景濾除門限＝100，部分各向異性門限＝100，平滑度＝0，抽樣率＝4，MFL＝100，抽樣速率為較大值；

所述S2對訓練乳腺區(qū)域進行預處理，獲得預處理結(jié)果包括以下步驟：

S21.計算全部訓練圖像的平均強度值和標準偏差；

S22.進行了一次歸一化運算，包括減去均值和除以方差；

S23.定位感興趣區(qū)域；

S24.用一個96×96×96的立方箱來分割感興趣區(qū)域圖像；

所述S3構(gòu)建乳腺興趣區(qū)域分割的全卷積網(wǎng)絡結(jié)構(gòu)包括以下步驟：

S31.卷積模組；

S311.移除了VGG-16的最后兩個全連接層；

S312.移除了最后一個卷積模塊的最大池化層；

S32.邊輸出模組；

S321.每個邊輸出模塊的輸入是相對應的VGG-16模塊的輸出，在每個邊輸出模塊中，用1×1×1的卷積層來將特征通道降低至一個特定的數(shù)量，第二至第五個模塊擁有128個特征通道，第一個模塊擁有64個特征通道；

S322.用一個上采樣層來對第二至第五個模塊進行分辨率重建，第一個模塊，我們不做任何處理；

S323.在每個模塊的最后一步，用1×1×1的卷積核作為分類器來獲取每個像素是乳腺或背景的預測概率圖，獲取五個概率圖，這五個概率圖包含不同尺度特征的信息；

S324.使用一個融合模塊來融合五個邊輸出模塊的輸出,融合模塊包括了一個用于堆疊五個邊輸出層輸出的連接層和一個用于獲取最終分割結(jié)果的卷積層；

所述S6對測試乳腺區(qū)域進行預處理，獲得預處理結(jié)果包括以下步驟：

S62.計算全部測試圖像的平均強度值和標準偏差；

S62.進行了一次歸一化運算，包括減去均值和除以方差；

S63.定位感興趣區(qū)域；

S64.用一個96×96×96的立方箱來分割感興趣區(qū)域圖像；

所述S9選擇圖像分割的評價指標，進行分割結(jié)果統(tǒng)計評價是用五個評價指標對分割的結(jié)果進行統(tǒng)計，其中，評價指標中的VOE(Volumetric Overlap Error)為體素重疊誤差，RVD(Relative Volume Difference)為體素相對誤差，ASD(Average Symmetric SurfaceDistance)為平均表面距離，RMSD(Root Mean Square Symmetric Surface Distance)為均方根表面距離，MSD(MaximumSymmetric Surface Distance)為最大表面距離，定義分割結(jié)果的區(qū)域為A，“金標準”區(qū)域為B，S(*)為數(shù)據(jù)“*”的表面體素，S*為“*”表面體素上的一點，D(*)為歐氏距離，則S(A)為A的所有表面體素，S_A為A表面體素的一點，S(B)為B的所有表面體素，S_B為B表面體素的一點，包括：

(1)VOE＝100×(1-(|A∩B|/|AUB|))

(2)RVD＝100×((|A|-|B|)/|B|)

(3)其中，||·||是歐式距離函數(shù)

(4)

(5)

所述步驟3中硬閾值處理方法如下：引入因子設置圖像的硬閾值為其中N為圖像的像素總數(shù)，不同尺度不同方向上能量記為引入因子k表示第k個尺度，j表示第j個方向，該因子與第k個尺度第j個方向上的輪廓細節(jié)有關(guān)，同時也與第k個尺度所分解的總的方向數(shù)有關(guān)，一旦分解的層數(shù)確定后，每一層的一總能量就確定了，即就確定了，因此分解的方向數(shù)越多，的比值越?。?/p>

所述c的取值為3.1；

所述步驟3中軟閾值處理方法如下：引入因子設置圖像的軟閾值為因為δ_k對不同尺度已經(jīng)設置了不同的閾值，而包含了對不同尺度進行不同的閾值，所以要對進行修正，一旦分解的層數(shù)確定，方向數(shù)越多，的比值越小，就越大，在同一層中不同的方向數(shù)會得到不同的閾值，盡量減少這種影響，得到去除人為干預，增加智能化分割和訓練步驟有效提高圖像處理精準度，處理閾由二維圖像擴大至三維圖像。