[發明專利]基于深度卷積神經網絡醫學圖像融合算法

在審

• 申請號: 202010852509.4
• 申請日: 2020-08-21
• 公開（公告）號: CN112150564A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 何召蘭;姚徐;丁淑培
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06T7/90
• 分類號: G06T7/90;G06T5/50;G06N3/04;G06K9/62;G16H30/20
• 代理公司: 哈爾濱東方專利事務所 23118
• 代理人: 陳曉光

1.一種基于深度卷積神經網絡醫學圖像融合算法，其特征是：該算法包括如下步驟：

步驟一、輸入CT圖像和MRI圖像，進行圖像預處理操作，包括灰度，二值化，濾波去噪；

步驟二、將兩張圖像進行歸一化處理，將不同源的圖像整合在同一像素級下；

步驟三、采用最佳的配準方法對圖像進行配準處理，使用搜索算法，在搜索空間中找到使得相似性度量最優的解；

步驟四、將配準之后的子帶圖像進行像素級圖像融合處理，將融合之后的子帶圖像通過多尺度Retinex算法進行特征提取增強，多尺度Retinex是在單尺度Retinex算法的基礎上發展而來，單尺度Retinex算法的具體流程如下：

（1）讀入原圖S(x,y)，若為灰度圖，則將圖像每個像素的灰度值由整數值轉換為浮點數，并轉換到對數域；若輸入是彩圖，將圖像的每個顏色分類分別處理，將每個分量的像素值由整數值轉換為浮點數，并轉換到對數域中，方面后面的數據計算；

（1）

（2）

（3）

其中r(x,y)為輸出圖像，*為卷積符號，F(x,y)為中心環繞函數，可以表示為：

（4）

其中C表示為高斯環繞尺度，λ是一個尺度，它的取值必須滿足以下條件：

（5）

（2）輸入尺度C，在離散條件下，積分轉換為求和，進一步確定參數λ的值；

（3）根據前面的公式，計算得到r(x,y)，果是彩圖，則每個通道均為ri=(x,y)；

（4）將r(x,y)從對數域轉換到實數域得到輸出圖像R(x,y)；

（5）對R(x,y)線性拉伸并以相應的格式輸出顯示；

多尺度Retinex算法是在單尺度Retinex算法的基礎上發展而來，多尺度Retinex算法的計算公式如下：

（6）

其中式子中的K是高斯中心環繞函數的個數，當K=1時，多尺度Retinex算法退化為單尺度Retinex算法；

步驟五、進入到已經訓練好的深度卷積神經網絡里進行圖像的特征匹配，進行分類決策，最后得到融合的圖像；

深度卷積神經網絡主要是由輸入層、卷積層、激活函數、池化層、全連接層組成；

輸入層：深度卷積網絡將圖片作為網絡的輸入，通過訓練提取特征，將圖片進行預處理；

卷積層：通過卷積運算是對輸入進行另一種表示，卷積層視為黑盒子，輸出看作是輸入的另外一種表示，整個網絡的訓練所需的中間參數；

池化層：通過池化處理縮小圖片特征尺寸，2*2的池化使特征圖大小減半，采用大小為3*3，步長為2，pad=0的卷積核替換池化層；

激活函數：網絡中卷積層的激勵函數和池化層的激勵函數都是線性整流函數，網絡中引入非線性類似ReLU的變體函數；

全連接層：常見的網絡會含有兩個全連接層，第二個全連接層的輸出與分類個數的輸出對應，第一個卷積層通過全局平均池化層等替換；

步驟六、利用源圖像的評價指標，對融合之后圖像的參數進行計算對比源圖。

2.根據權利要求1所述的基于深度卷積神經網絡醫學圖像融合算法，其特征是：所述的步驟三將配準之后的子帶圖像進行像素級圖像融合采用Contourlet變換。