[發明專利]一種級聯醫學圖像增強方法

有效

• 申請號: 202110113305.3
• 申請日: 2021-01-27
• 公開（公告）號: CN112767377B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 林劼;黨元;李繼演;伍雙楠;王勇
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06V10/74;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都金英專利代理事務所(普通合伙) 51218
• 代理人: 袁英

本發明公開了一種級聯醫學圖像增強方法，包括以下步驟：清晰醫學圖像和隨機噪聲聯合輸入，用深度學習模型1處理聯合輸入的特征，得到帶血污圖像；用深度學習模型2處理生成的帶血污的圖像和純血污原圖像，判斷兩張圖像是否相似；若不相似，則更新深度學習模型2的神經網絡梯度；若相似則進入下一步；將帶血污圖像輸入級聯神經網絡模型，輸出最終清晰圖像結果。本發明通過深度學習中的生成對抗網絡來模擬生成血污圖像，通過使用改進后的變分自編碼網絡來消除血污圖像中的血污，解決了醫學圖像中血液污染影響視覺的問題，較好的模擬醫學圖像中的血污和消除醫學圖像中的血污，使醫學圖像的清晰度更高、信噪比峰值更大。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種級聯醫學圖像增強方法。

背景技術

多年來，醫學影像技術迅速發展，已經成為醫療診斷中不可或缺的技術。進入數字影像時代以來，海量數據的產生為醫學影像未來的發展提供了更多的可能性。因此，如何對醫學影像大數據做進一步分析和挖掘、如何從醫學圖像高維度數據中提取有價值的信息、如何將現代醫學影像的發展與精準醫療緊密結合，成為醫學影像未來發展的重要課題。近年來，隨著計算能力的增強和數據的爆炸式增加，以深度學習為代表的人工智能(AI)技術取得了長足的進步，并開始應用于生產生活中的各個領域。

近年來，有諸多新研究著眼于如何利用深度學習技術來進一步優化醫學影像的采集與重建策略，然而，都并未取得較好的研究成果，其醫學圖像的采集效率和圖像質量都較低，不能模擬較為真實的血污圖像，從而無法實現更準確的診斷與治療。

發明內容

本發明的目的在于克服現有技術的不足，提供一種級聯醫學圖像增強方法。

本發明的目的是通過以下技術方案來實現的：

一種級聯醫學圖像增強方法，包括以下步驟：

步驟1：帶血污圖像的生成，清晰醫學圖像和隨機噪聲聯合輸入，用深度學習模型1處理聯合輸入的特征，得到帶血污圖像；

步驟2：帶血污圖像的判別，用深度學習模型2處理生成的帶血污的圖像和純血污原圖像，判斷兩張圖像是否相似；若不相似，則更新深度學習模型2的神經網絡梯度；若相似則跳轉到步驟3；

步驟3：清晰圖像的級聯生成，清晰圖像的級聯生成分為三個階段，在第一階段，輸入帶血污圖像生成血污殘差圖像，將血污殘差圖像與清晰醫學圖像相加得到清晰圖像，以得到清晰圖像作為帶血污圖像輸入第二階段；第二階段和第三階段重復第一階段步驟，并以第三階段輸出的清晰圖像作為最后的清晰圖像結果。

進一步的，所述步驟1包括以下子步驟：

步驟101：準備訓練樣本，訓練樣本為清晰醫學圖像和純血污原圖像；

步驟102：神經網絡設計，訓練網絡是神經網絡池化層和卷積層組合成的生成網絡；

步驟103：首先，對于清晰醫學圖像，進行兩次卷積操作，具體為：圖像特征維數為3×4n×4n的清晰醫學圖像I_clear一次卷積后得到維數為b×2n×2n的圖像特征F₂，F₂再一次卷積后得到維數為a×n×n圖像特征F1；其中a，b，n均為正整數；然后，生成維數為1×1×m的噪聲N₀，調整噪聲的結構得到維數為a×n×n噪聲N₁，其中m＝a×n×n；N₁+F₁作為輸入進行一次上采樣和卷積得到維數為b×2n×2n噪聲N₂；N₂+F₂作為輸入進行一次上采樣和卷積得到維數為3×4n×4n噪聲N₃，N₃+I_clear得到維數為3×4n×4n帶血污圖像I_noise。