[發(fā)明專利]醫(yī)學影像的融合方法及基于融合醫(yī)學影像學習的圖像檢測方法

有效

• 申請?zhí)枺?/td>: 201810704005.0
• 申請日: 2018-06-29
• 公開（公告）號: CN109035160B
• 公開（公告）日: 2022-06-21
• 發(fā)明（設(shè)計）人: 李鵬;張衍儒;白世貞;任宗偉
• 申請（專利權(quán)）人: 哈爾濱商業(yè)大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/50;G06T7/00
• 代理公司: 黑龍江立超同創(chuàng)知識產(chǎn)權(quán)代理有限責任公司 23217
• 代理人: 楊立超

1.一種基于融合醫(yī)學影像學習的圖像檢測方法，其特征在于：包括如下步驟：

獲取所有融合圖像組成的融合醫(yī)學影像數(shù)據(jù)集S{I_F}；

對數(shù)據(jù)集S{I_F}采用改進的YOLO v2深度學習算法進行訓練，生成訓練網(wǎng)絡(luò)；改進的YOLOv2深度學習算法中改進措施為：

1)在基準神經(jīng)網(wǎng)絡(luò)中加入融合層，融合層把淺層的特征圖和深層特征圖融合；YOLO的檢測器使用經(jīng)過增加的高低分辨率的特征圖，擁有更多的細粒度特征，即是指對物體的關(guān)鍵部件進行定位和準確的描述的特征，適于對偏小尺度的物體檢測；

2)在訓練時增加各種乳腺醫(yī)學影像，將非乳腺腫瘤區(qū)域進行標記，作為負樣本，以減少正常乳腺組織被歸類為乳腺腫瘤的錯誤分類率；

3)在用非極大值抑制進行冗余回歸操作時，采用如下改進公式計算置信度分數(shù)s_i：

其中，iou為交并比，即模型產(chǎn)生的目標窗口與原來標記窗口的交疊率，M是置信分數(shù)最高的回歸框，b_i是需要處理的回歸框，iou(M,b_i)表示回歸框b_i和回歸框M的交并比，其值越高，b_i的置信得分s_i就減小的更快，σ為高斯參數(shù)，設(shè)為0.5，e是自然常數(shù)；

對待檢測圖像，用訓練好的網(wǎng)絡(luò)進行檢測，并給出判斷決策；

上述融合醫(yī)學影像數(shù)據(jù)集中融合圖像的獲取過程包括：

(1)、讀取模態(tài)A醫(yī)學影像I_A，模態(tài)B醫(yī)學影像I_B；

(2)、采用引導濾波分別對兩類模態(tài)醫(yī)學影像進行預(yù)處理，得到去噪圖像I_Aq、I_Bq；具體過程如下：

引導濾波的輸入?yún)?shù)為引導圖像I和需要被處理優(yōu)化的圖像p，輸出為優(yōu)化后的圖像q；引導圖像與輸入圖像可以預(yù)先設(shè)置為I＝p，均為原始醫(yī)學影像；引導圖像由局部線性模型引出，首先在局部鄰域內(nèi)，通過最小化代價函數(shù)來確定線性系數(shù)a_k和b_k的值，即在以k為中心，r為半徑的局部窗口w_k中，代價函數(shù)函數(shù)如公式(1)所示：

其中，q_i代表像素點i的濾波輸出，I_i表示引導圖像中像素點i的灰度值，p_i表示輸入圖像中像素點i的灰度值，a_k，b_k為常數(shù)，在w_k中固定不變，ε是一個正則化參數(shù)，作用是防止a_k過大，以保持數(shù)據(jù)穩(wěn)定性；根據(jù)線性回歸求出：

其中：u_k和σ_k²為引導圖像I在局部鄰域ω_k中的均值和方差；|ω|為鄰域內(nèi)的像素個數(shù)；為鄰域內(nèi)的均值；

最終得到的線性輸出模型：

其中，q_k即是去噪圖像I_q，和分別指在局部鄰域內(nèi)ω_k里a_k和b_k的平均值；去噪圖像I_q是去噪圖像I_Aq、I_Bq的概括；

(3)、采用改進的剪切波變換對圖像進行多尺度剖分；具體過程如下：對于步驟(2)中得到的去噪圖像I_q，(a)確定待處理圖像的分解尺度層數(shù)n以及隨尺度分解層數(shù)改變擴散濾波次數(shù)增加或者減少的次數(shù)N_t；(b)對待處理的圖像I_q進行nN_t次擴散濾波，得到濾波結(jié)果記為殘差記為(c)對進行(n-1)N_t次擴散濾波，得到的濾波結(jié)果記為殘差記為(d)以此類推，對進行N_t次擴散濾波得到濾波結(jié)果記為殘差記為(e)重構(gòu)圖像I_q'⁰重構(gòu)過程為經(jīng)過以上的多尺度分解后為最高頻的信息，為最低頻的信息；到信號頻率遞增；

(4)、根據(jù)融合規(guī)則，對兩類模態(tài)影像進行融合，得到融合圖像I_F；所采用的融合規(guī)則是根據(jù)醫(yī)學影像的特點在低頻和高頻融合規(guī)則中選用不同的方法分別融合：

在低頻區(qū)，根據(jù)由于醫(yī)學圖像不同組織間灰度差異小、對比度很低的特點，采用將區(qū)域常方差和區(qū)域信息熵兩種顯著性測度相結(jié)合來融合低頻部分，按照下面的公式進行融合

I_F＝ω_A*I_LA+ω_B*I_LB (4)

其中ω_A、ω_B為兩幅低頻圖像的加權(quán)系數(shù)，E_A、E_B為圖像的區(qū)域信息熵，σ_A、σ_B為區(qū)域常方差；

在高頻區(qū)，采用改進的拉普拉斯能量融合策略，融合規(guī)則如下，首先計算改進的拉普拉斯能量：

S＝|I^l,k(i,j)-0.5I^l,k(i-1,j-1)-0.5I^l,k(i+1,j+1)| (8)

T＝|I^l,k(i,j)-0.5I^l,k(i+1,j-1)-0.5I^l,k(i-1,j+1)| (9)

式中的I^l,k(i,j)表示l尺度、k方向上，像素點(i,j)處的高頻系數(shù)；以(i,j)為中心的局部窗口(2P+1)×(2Q+1)的拉普拉斯能量和定義如下：

基于NSML^l,k(i,j)表示l尺度，k方向上，像素點(i,j)處的拉普拉斯能量和；w(a,b)為與NML^l,k(i+a,j+b)相對應(yīng)的窗口函數(shù)，根據(jù)距離中心像素的距離不同取不同的權(quán)值，則高頻部分的融合規(guī)則為：

式中A^l,k(i,j)、B^l,k(i,j)、F^l,k(i,j)分別為待融合的兩幅高頻圖像和融合圖像的在l尺度，k方向上，像素點(i,j)處的高頻子帶系數(shù)。