[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

本發明涉及一種基于深度卷積神經網絡醫學圖像融合算法。目前醫學圖像的融合方法很多，但在臨床應用中還存在著許多尚未解決的技術難題。首先由于各種成像系統的成像原理不同，其圖像采集方式、格式以及圖像的大小、質量、空間與時間特性都有很大差別。本發明包括如下步驟：輸入CT圖像和MRI圖像，進行圖像預處理操作；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；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；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。本發明用于基于深度卷積神經網絡醫學圖像融合算法。

技術領域：

本發明涉及醫學圖像融合技術領域，具體涉及一種基于深度卷積神經網絡醫學圖像融合算法。

背景技術：

隨著醫學及計算機技術的發展，醫學影像已經成為臨床醫生診斷、治療或制定手術計劃的一種常規的輔助手段，無論是疾病診斷、手術計劃的確定與模擬，還是手術計劃的實施與監控都離不開醫學影像給出的準確的信息。不同的醫學影像可以提供人體相關臟器和組織的不同信息，不同成像技術對人體同一解剖結構所得到的形態和功能信息往往是互為差異、互為補充的。因此，利用圖像融合技術，可以對不同醫學影像信息進行適當的集成，在一幅圖像上同時表達來自多種成像源的信息，毫無疑問，融合得到的圖像可以為臨床醫生對病灶的觀察和對疾病的診斷提供更加直觀、全面和清晰的判斷依據，提高疾病診斷的準確性和正確性，也必將推動現代醫學臨床技術的進步。

圖像融合就是將用不同方法獲得的同一景物的圖像(或用同-方法在不同時刻獲得的圖像)采用某種算法進行綜合處理，以得到一個新的、滿足要求的圖像。通過將多個圖像融合，可克服由單一圖像帶來的圖像在幾何、光譜和空間分辨率等方面存在的局限性和差異性，提高圖像的質量，從而有利于對物理現象和事件定位、識別和解釋。

醫學影像學是臨床診斷信息的重要來源之一。根據醫學圖像所提供的信息內涵，可將醫學影像分為兩大類:解剖結構圖像(CT、MRI、B超等)和功能圖像(SPECT、PET等)。它們為醫學診斷提供了不同模態的圖像，這些多模態的醫學圖像可以提供不同的醫學信息，各有其優缺點:功能圖像分辨率較差，但它提供的臟器功能代謝信息是解剖圖像所不能替代的;解剖圖像以高分辨率提供了臟器的解剖形態信息(功能圖像無法提供臟器或病灶的解剖細節)，但無法反映臟器的功能情況。如: CT圖像具有很高的分辨力，骨骼成像非常清晰，對病灶的定位提供了良好的參照，但對病灶本身的顯示就較差；MRI圖像雖然空間分辨力比不上CT圖像，而且又缺乏剛性的骨組織作為定位參照，但是它對軟組織成像清晰，有利于病灶范圍的確定；PET圖像對正常組織的顯示不敏感，但是它對淋巴結、神經、腺體和腫瘤組織的顯示極為敏感，能夠突出、立體、多角度地顯示病變組織。目前各種成像設備的研究都已取得了很大的進步，各自圖像的空間分辨率和圖像質量有很大的提高，但由于成像原理不同所造成的圖像信息局限性，使得單獨使用某-類圖象的效果并不理想，且進展緩慢，往往事倍功半，所以醫學圖像融合技術應運而生。

目前醫學圖像融合中常用的還是像素級的圖像融合方法，主要算法有加權平均法、基于圖像分割的融合法、對比度調制法、邏輯濾波法、多分辨塔式算法、小波變換法等。雖然目前醫學圖像的融合方法很多，但在臨床應用中還存在著許多尚未解決的技術難題。首先由于各種成像系統的成像原理不同，其圖像采集方式、格式以及圖像的大小、質量、空間與時間特性都有很大差別，因此研究穩定且精度較高的全自動醫學圖像配準與融合方法是圖像融合技術的難點之一，其次圖像理解是醫學圖像融合的最終目的，圖像融合的潛力在于綜合處理應用各種成像設備所得信息以獲得新的有助于臨床診斷的信息，由于圖像融合技術目前還是一個全新的研究領域，因此如何理解和利用這些新的綜合信息，還需要不斷地實驗和證明。

發明內容：

本發明的目的是提供一種基于深度卷積神經網絡醫學圖像融合算法，采用深度卷積神經網絡通過卷積層數的選取，使得測試圖像的融合精度更高。

上述的目的通過以下的技術方案實現：