CN107862665A - Ct图像序列的增强方法及装置 - Google Patents
Ct图像序列的增强方法及装置 Download PDFInfo
- Publication number
- CN107862665A CN107862665A CN201711173998.5A CN201711173998A CN107862665A CN 107862665 A CN107862665 A CN 107862665A CN 201711173998 A CN201711173998 A CN 201711173998A CN 107862665 A CN107862665 A CN 107862665A
- Authority
- CN
- China
- Prior art keywords
- image
- enhancing
- training
- dimensional image
- sequences
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002708 enhancing effect Effects 0.000 claims abstract description 115
- 238000002591 computed tomography Methods 0.000 claims description 193
- 238000013528 artificial neural network Methods 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001052 transient effect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种CT图像序列的增强方法及装置。该方法包括：将待增强CT图像序列中各CT图像转换为灰度图像，将灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到三维立体图像，将三维立体图像竖直分割，得到第一预设数目的第一尺寸的待增强二维图像，将第一预设数目的第一尺寸的待增强二维图像依次输入至图像增强模型，输出第一预设数目的第二尺寸的增强二维图像，将第一预设数目的第二尺寸的增强二维图像竖直排列，合并为增强三维立体图像，将增强三维立体图像水平分割为第二预设数目的预设尺寸的目标二维图像，作为待增强CT图像序列对应的增强CT图像序列。本发明实现了待增强CT图像序列的增强。
Description
技术领域
本发明涉及图像增强技术领域，更具体地，涉及一种CT图像序列的增强方法及装置。
背景技术
CT(Computed Tomography)，即电子计算机断层扫描，是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描。
扫描可分为薄层扫描和厚层扫描。薄层扫描得到的CT图像序列中各CT图像，能很好的反映受检者人体内部结构，对于疾病的诊断有很大的参考价值。但薄层扫描的X光剂量较大，容易对人体健康产生影响。厚层扫描得到的CT图像序列中各CT图像相对模糊，对于疾病的诊断准确率会产生很大的影响。因此，目前急需一种CT图像序列增强方法对厚层扫描得到的CT图像序列进行增强，以在尽可能减小CT扫描对人体损伤的同时为医生提供清晰的CT图像序列。。
发明内容
本发明提供一种CT图像序列的增强方法及装置，以克服现有技术中，厚层扫描得到的CT图像序列中各CT图像相对模糊，对于疾病的诊断准确率会产生很大的影响的问题。
根据本发明的第一方面，提供一种CT图像序列的增强方法，该方法包括：步骤1，将待增强CT图像序列进行预处理，得到第一预设数目的第一尺寸的待增强二维图像；所述预处理为将CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到三维立体图像，将所述三维立体图像竖直分割；步骤2，将所述第一预设数目的第一尺寸的待增强二维图像依次输入至图像增强模型，输出所述第一预设数目的第二尺寸的增强二维图像；所述图像增强模型为利用增强CT图像序列已知的若干训练CT图像序列对深度神经网络进行训练而得；步骤3，将所述第一预设数目的第二尺寸的增强二维图像竖直排列，合并为增强三维立体图像，将所述增强三维立体图像水平分割为第二预设数目的所述预设尺寸的目标二维图像，作为所述待增强CT图像序列对应的增强CT图像序列。
其中，在步骤1之前，所述方法还包括：获取所述若干训练CT图像序列的真实三维立体图像和在所述深度神经网络下的增强三维立体图像；根据所述若干训练CT图像序列的真实三维立体图像和在所述深度神经网络下的增强三维立体图像，得到所述深度神经网络在所述若干训练CT图像序列下的损失函数；利用梯度下降法，最小化所述损失函数，得到所述深度神经网络的新参数，并利用所述新参数更新所述深度神经网络的当前参数；重复所述损失函数的获取和所述深度神经网络的参数更新，直至所述损失函数满足预设阈值，将最后一次参数更新的所述深度神经网络作为图像增强模型。
其中，所述获取所述若干训练CT图像序列的真实三维立体图像和在所述深度神经网络下的增强三维立体图像，具体包括：将所述若干训练CT图像序列的增强CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到所述若干训练CT图像序列的真实三维立体图像；对于所述若干训练CT图像序列中的每个训练CT图像序列，将该训练CT图像序列进行所述第一预处理，得到所述第一预设数目的第一尺寸的待增强训练二维图像；将所述第一预设数目的第一尺寸的待增强训练二维图像依次输入至所述深度神经网络，输出所述第一预设数目的第二尺寸的增强训练二维图像；将所述第一预设数目的第二尺寸的增强训练二维图像竖直排列，合并为增强训练三维立体图像。
其中，所述深度神经网络在所述若干训练CT图像序列中每个训练CT图像序列下的损失函数为该训练CT图像序列的增强训练三维立体图像和真实增强三维立体图像对应像素点像素值的均方误差、该训练CT图像序列的增强训练三维立体图像和真实增强三维立体图像在Vgg19模型下第5个池化层之前的第4个卷积层的输出结果的均方误差以及该训练CT图像序列的增强训练三维立体图像和真实增强三维立体图像的梯度的均方误差的加权；
所述深度神经网络在所述若干训练CT图像序列下的损失函数为所述深度神经网络在各训练CT图像序列下的损失函数之和。
其中，所述深度神经网络在所述若干训练CT图像序列中每个CT图像序列下的损失函数表达式为：
Loss＝MSE(Labels，Outputs)
+1e-6×MSE(Vgg19(Labels)，Vgg19(Outputs))
+1e-6×MSE(Grand(Labels)，Grand(Outputs))；
其中，Labels为该CT图像序列的真实增强三维立体图像，Outputs为该CT图像序列的增强训练三维立体图像；MSE(Labels，Outputs)为Labels和Outputs对应像素点像素值的均方误差；Vgg19(Labels)和Vgg19(Outputs)分别为Labels和Outputs在Vgg19模型下第5个池化层之前的第4个卷积层的输出结果，MSE(Vgg19(Labels)，Vgg19(Outputs))为Vgg19(Labels)和Vgg19(Outputs)的均方误差；Grand(Labels)和Grand(Outputs)分别为Labels和Outputs的梯度，MSE(Grand(Labels)，Grand(Outputs))为Grand(Labels)和Grand(Outputs)的均方误差；1e-6为权值。
其中，所述待增强CT图像序列和训练CT图像序列包含相同数目的CT图像；所述待增强CT图像序列、训练CT图像序列包含的CT图像均由同一CT机进行相同厚度的CT扫描而得。
其中，所述将CT图像序列中各CT图像转换为灰度图像，具体包括：根据预设窗宽和窗位，将CT图像序列中各CT图像的像素值设置至预设范围得到灰度图像。
根据本发明的第二个方面，提供一种CT图像序列的增强装置，包括：待增强二维图像获取模块、增强模块和分割模块；所述待增强二维图像获取模块，用于将待增强CT图像序列进行预处理，得到第一预设数目的第一尺寸的待增强二维图像；所述预处理为将CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到三维立体图像，将所述三维立体图像竖直分割；所述增强模块，用于将所述第一预设数目的第一尺寸的待增强二维图像依次输入至图像增强模型，输出所述第一预设数目的第二尺寸的增强二维图像；所述图像增强模型为利用增强CT图像序列已知的若干训练CT图像序列对深度神经网络进行训练而得；所述分割模块，用于将所述第一预设数目的第二尺寸的增强二维图像竖直排列，合并为增强三维立体图像，将所述增强三维立体图像水平分割为第二预设数目的所述预设尺寸的目标二维图像，作为所述待增强CT图像序列对应的增强CT图像序列。
根据本发明的第三方面，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如第一方面所述的方法。
根据本发明的第四方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如第一方面所述的方法。
本发明提出的CT图像序列的增强方法及装置，通过将待增强CT图像序列进行预处理，得到第一预设数目的第一尺寸的待增强二维图像；所述预处理为将CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到三维立体图像，将所述三维立体图像竖直分割，将所述第一预设数目的第一尺寸的待增强二维图像依次输入至图像增强模型，输出所述第一预设数目的第二尺寸的增强二维图像；所述图像增强模型为利用增强CT图像序列已知的若干训练CT图像序列对深度神经网络进行训练而得，将所述第一预设数目的第二尺寸的增强二维图像竖直排列，合并为增强三维立体图像，将所述增强三维立体图像水平分割为第二预设数目的所述预设尺寸的目标二维图像，作为所述待增强CT图像序列对应的增强CT图像序列，实现了CT图像序列的增强，可将厚层扫描得到的相对模糊CT图像序列增强为较清晰的图像序列，从而有利于医生对疾病的诊断。
附图说明
图1为根据本发明实施例的一种CT图像序列的增强方法流程图；
图2为根据本发明实施例的一种CT图像序列的增强装置示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，根据本发明的第一方面，提供一种CT图像序列的增强方法，该方法包括：步骤1，将待增强CT图像序列进行预处理，得到第一预设数目的第一尺寸的待增强二维图像；所述预处理为将CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到三维立体图像，将所述三维立体图像竖直分割；步骤2，将所述第一预设数目的第一尺寸的待增强二维图像依次输入至图像增强模型，输出所述第一预设数目的第二尺寸的增强二维图像；所述图像增强模型为利用增强CT图像序列已知的若干训练CT图像序列对深度神经网络进行训练而得；步骤3，将所述第一预设数目的第二尺寸的增强二维图像竖直排列，合并为增强三维立体图像，将所述增强三维立体图像水平分割为第二预设数目的所述预设尺寸的目标二维图像，作为所述待增强CT图像序列对应的增强CT图像序列。
在本实施例中，待增强CT图像序列和若干训练CT图像序列为采用同一CT机进行厚层CT扫描得到的CT图像序列，且扫描厚度相同。第一尺寸小于第二尺寸，即将待增强二维图像输入至图像增强模型，输出的增强二维图像包含了更多像素点，能够更加详细地展示CT图像中的内容。若干训练CT图像序列的增强CT图像序列为采用同一CT机薄层扫描得到的CT图像序列。
本发明提出的CT图像序列的增强方法，通过将待增强CT图像序列进行预处理，得到第一预设数目的第一尺寸的待增强二维图像；所述预处理为将CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到三维立体图像，将所述三维立体图像竖直分割，将所述第一预设数目的第一尺寸的待增强二维图像依次输入至图像增强模型，输出所述第一预设数目的第二尺寸的增强二维图像；所述图像增强模型为利用增强CT图像序列已知的若干训练CT图像序列对深度神经网络进行训练而得，将所述第一预设数目的第二尺寸的增强二维图像竖直排列，合并为增强三维立体图像，将所述增强三维立体图像水平分割为第二预设数目的所述预设尺寸的目标二维图像，作为所述待增强CT图像序列对应的增强CT图像序列，实现了CT图像序列的增强，可将厚层扫描得到的相对模糊CT图像序列增强为较清晰的图像序列，从而有利于医生对疾病的诊断。
作为一种可选实施例，在步骤1之前，所述方法还包括：获取所述若干训练CT图像序列的真实三维立体图像和在所述深度神经网络下的增强三维立体图像；根据所述若干训练CT图像序列的真实三维立体图像和在所述深度神经网络下的增强三维立体图像，得到所述深度神经网络在所述若干训练CT图像序列下的损失函数；利用梯度下降法，最小化所述损失函数，得到所述深度神经网络的新参数，并利用所述新参数更新所述深度神经网络的当前参数；重复所述损失函数的获取和所述深度神经网络的参数更新，直至所述损失函数满足预设阈值，将最后一次参数更新的所述深度神经网络作为图像增强模型。
在本实施例中，若干训练CT图像序列的真实三维立体图像，能够较清晰的再现被扫描部位的结构。若干训练CT图像序列在深度神经网络下的增强三维立体图像也再现了被扫描部位的结构。如果若干训练CT图像序列的真实三维立体图像和在深度神经网络下的增强三维立体图像误差较小，对被扫描部位的结构的准确再现能力相近，则说明当前的深度神经网络具有较好的CT图像序列增强能力，反之，则说明当前的深度神经网络增强能力不足。因此，基于所述若干训练CT图像序列的真实三维立体图像和在所述深度神经网络下的增强三维立体图像的误差最小，获取图像增强模型，以使图像增强模型能够将厚层扫描得到的相对模糊CT图像序列增强至与薄层扫描所得CT图像序列具有相近的清晰度，从而有利于医生对疾病的诊断。
作为一种可选实施例，所述获取所述若干训练CT图像序列的真实三维立体图像和在所述深度神经网络下的增强三维立体图像，具体包括：将所述若干训练CT图像序列的增强CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到所述若干训练CT图像序列的真实三维立体图像；对于所述若干训练CT图像序列中的每个训练CT图像序列，将该训练CT图像序列进行所述第一预处理，得到所述第一预设数目的第一尺寸的待增强训练二维图像；将所述第一预设数目的第一尺寸的待增强训练二维图像依次输入至所述深度神经网络，输出所述第一预设数目的第二尺寸的增强训练二维图像；将所述第一预设数目的第二尺寸的增强训练二维图像竖直排列，合并为增强训练三维立体图像。
在本实施例中，若干训练CT图像序列的增强CT图像序列为采用薄层扫描得到的CT图像序列，具有较好的清晰度。根据若干训练CT图像序列的增强CT图像序列得到的若干训练CT图像序列的真实三维立体图像，能够较清晰的再现被扫描部位的结构。若干训练CT图像序列在深度神经网络下的增强三维立体图像也再现了被扫描部位的结构。
作为一种可选实施例，所述深度神经网络在所述若干训练CT图像序列中每个训练CT图像序列下的损失函数为该训练CT图像序列的增强训练三维立体图像和真实增强三维立体图像对应像素点像素值的均方误差、该训练CT图像序列的增强训练三维立体图像和真实增强三维立体图像在Vgg19模型下第5个池化层之前的第4个卷积层的输出结果的均方误差以及该训练CT图像序列的增强训练三维立体图像和真实增强三维立体图像的梯度的均方误差的加权；
所述深度神经网络在所述若干训练CT图像序列下的损失函数为所述深度神经网络在各训练CT图像序列下的损失函数之和。
作为一种可选实施例，所述深度神经网络在所述若干训练CT图像序列中每个CT图像序列下的损失函数表达式为：
Loss＝MSE(Labels，Outputs)
+1e-6×MSE(Vgg19(Labels)，Vgg19(Outputs))
+1e-6×MSE(Grand(Labels)，Grand(Outputs))；
其中，Labels为该CT图像序列的真实增强三维立体图像，Outputs为该CT图像序列的增强训练三维立体图像；MSE(Labels，Outputs)为Labels和Outputs对应像素点像素值的均方误差；Vgg19(Labels)和Vgg19(Outputs)分别为Labels和Outputs在Vgg19模型下第5个池化层之前的第4个卷积层的输出结果，MSE(Vgg19(Labels)，Vgg19(Outputs))为Vgg19(Labels)和Vgg19(Outputs)的均方误差；Grand(Labels)和Grand(Outputs)分别为Labels和Outputs的梯度，MSE(Grand(Labels)，Grand(Outputs))为Grand(Labels)和Grand(Outputs)的均方误差；1e-6为权值。
作为一种可选实施例，所述待增强CT图像序列和训练CT图像序列包含相同数目的CT图像；所述待增强CT图像序列、训练CT图像序列包含的CT图像均由同一CT机进行相同厚度的CT扫描而得。
在本实施例中，所述待增强CT图像序列和训练CT图像序列包含相同数目的CT图像，使得根据CT图像序列得到的待增强二维图像有相同的尺寸，从而确保待增强CT图像序列得到的待增强二维图像可应用于利用所述深度神经网络训练得到的图像增强模型。
作为一种可选实施例，所述将CT图像序列中各CT图像转换为灰度图像，具体包括：根据预设窗宽和窗位，将CT图像序列中各CT图像的像素值设置至预设范围得到灰度图像。
在本实施例中，根据预设窗宽和窗位，将CT图像像素点的像素值调整至窗位之间，即像素点的像素值位于左窗位左边时，令像素点的像素值为左窗位对应值，像素点的像素值位于右窗位右边时，令像素点的像素值为右窗位对应值，然后进行归一化处理，具体可归一化至0～1、0～255或-1～1之间等，在此不做限定。
如图2所示，根据本发明的第二个方面，提供一种CT图像序列的增强装置，包括：待增强二维图像获取模块、增强模块和分割模块；所述待增强二维图像获取模块，用于将待增强CT图像序列进行预处理，得到第一预设数目的第一尺寸的待增强二维图像；所述预处理为将CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到三维立体图像，将所述三维立体图像竖直分割；所述增强模块，用于将所述第一预设数目的第一尺寸的待增强二维图像依次输入至图像增强模型，输出所述第一预设数目的第二尺寸的增强二维图像；所述图像增强模型为利用增强CT图像序列已知的若干训练CT图像序列对深度神经网络进行训练而得；所述分割模块，用于将所述第一预设数目的第二尺寸的增强二维图像竖直排列，合并为增强三维立体图像，将所述增强三维立体图像水平分割为第二预设数目的所述预设尺寸的目标二维图像，作为所述待增强CT图像序列对应的增强CT图像序列。
本发明提出的CT图像序列的增强装置，通过待增强二维图像获取模块，将待增强CT图像序列进行预处理，得到第一预设数目的第一尺寸的待增强二维图像；所述预处理为将CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到三维立体图像，将所述三维立体图像竖直分割，通过增强模块，将所述第一预设数目的第一尺寸的待增强二维图像依次输入至图像增强模型，输出所述第一预设数目的第二尺寸的增强二维图像；所述图像增强模型为利用增强CT图像序列已知的若干训练CT图像序列对深度神经网络进行训练而得，通过分割模块，将所述第一预设数目的第二尺寸的增强二维图像竖直排列，合并为增强三维立体图像，将所述增强三维立体图像水平分割为第二预设数目的所述预设尺寸的目标二维图像，作为所述待增强CT图像序列对应的增强CT图像序列，实现了CT图像序列的增强，可将厚层扫描得到的相对模糊CT图像序列增强为较清晰的图像序列，从而有利于医生对疾病的诊断。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：步骤1，将待增强CT图像序列进行预处理，得到第一预设数目的第一尺寸的待增强二维图像；所述预处理为将CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到三维立体图像，将所述三维立体图像竖直分割；步骤2，将所述第一预设数目的第一尺寸的待增强二维图像依次输入至图像增强模型，输出所述第一预设数目的第二尺寸的增强二维图像；所述图像增强模型为利用增强CT图像序列已知的若干训练CT图像序列对深度神经网络进行训练而得；步骤3，将所述第一预设数目的第二尺寸的增强二维图像竖直排列，合并为增强三维立体图像，将所述增强三维立体图像水平分割为第二预设数目的所述预设尺寸的目标二维图像，作为所述待增强CT图像序列对应的增强CT图像序列。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：步骤1，将待增强CT图像序列进行预处理，得到第一预设数目的第一尺寸的待增强二维图像；所述预处理为将CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到三维立体图像，将所述三维立体图像竖直分割；步骤2，将所述第一预设数目的第一尺寸的待增强二维图像依次输入至图像增强模型，输出所述第一预设数目的第二尺寸的增强二维图像；所述图像增强模型为利用增强CT图像序列已知的若干训练CT图像序列对深度神经网络进行训练而得；步骤3，将所述第一预设数目的第二尺寸的增强二维图像竖直排列，合并为增强三维立体图像，将所述增强三维立体图像水平分割为第二预设数目的所述预设尺寸的目标二维图像，作为所述待增强CT图像序列对应的增强CT图像序列。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种CT图像序列的增强方法，其特征在于，包括：
步骤1，将待增强CT图像序列进行预处理，得到第一预设数目的第一尺寸的待增强二维图像；所述预处理为将CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到三维立体图像，将所述三维立体图像竖直分割；
步骤2，将所述第一预设数目的第一尺寸的待增强二维图像依次输入至图像增强模型，输出所述第一预设数目的第二尺寸的增强二维图像；所述图像增强模型为利用增强CT图像序列已知的若干训练CT图像序列对深度神经网络进行训练而得；
步骤3，将所述第一预设数目的第二尺寸的增强二维图像竖直排列，合并为增强三维立体图像，将所述增强三维立体图像水平分割为第二预设数目的所述预设尺寸的目标二维图像，作为所述待增强CT图像序列对应的增强CT图像序列。
2.根据权利要求1所述的方法，其特征在于，在步骤1之前，所述方法还包括：
获取所述若干训练CT图像序列的真实三维立体图像和在所述深度神经网络下的增强三维立体图像；
根据所述若干训练CT图像序列的真实三维立体图像和在所述深度神经网络下的增强三维立体图像，得到所述深度神经网络在所述若干训练CT图像序列下的损失函数；
利用梯度下降法最小化所述损失函数，得到所述深度神经网络的新参数，并利用所述新参数更新所述深度神经网络的当前参数；
重复所述损失函数的获取和所述深度神经网络的参数更新，直至所述损失函数满足预设阈值，将最后一次参数更新的所述深度神经网络作为图像增强模型。
3.根据权利要求2所述的方法，其特征在于，所述获取所述若干训练CT图像序列的真实三维立体图像和在所述深度神经网络下的增强三维立体图像，具体包括：
将所述若干训练CT图像序列的增强CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到所述若干训练CT图像序列的真实三维立体图像；
对于所述若干训练CT图像序列中的每个训练CT图像序列，将该训练CT图像序列进行所述第一预处理，得到所述第一预设数目的第一尺寸的待增强训练二维图像；
将所述第一预设数目的第一尺寸的待增强训练二维图像依次输入至所述深度神经网络，输出所述第一预设数目的第二尺寸的增强训练二维图像；
将所述第一预设数目的第二尺寸的增强训练二维图像竖直排列，合并为增强三维立体图像。
4.根据权利要求3所述的方法，其特征在于，所述深度神经网络在所述若干训练CT图像序列中每个训练CT图像序列下的损失函数为该训练CT图像序列的增强训练三维立体图像和真实增强三维立体图像对应像素点像素值的均方误差、该训练CT图像序列的增强训练三维立体图像和真实增强三维立体图像在Vgg19模型下第5个池化层之前的第4个卷积层的输出结果的均方误差以及该训练CT图像序列的增强训练三维立体图像和真实增强三维立体图像的梯度的均方误差的加权；
所述深度神经网络在所述若干训练CT图像序列下的损失函数为所述深度神经网络在各训练CT图像序列下的损失函数之和。
5.根据权利要求4所述的方法，其特征在于，所述深度神经网络在所述若干训练CT图像序列中每个CT图像序列下的损失函数表达式为：
Loss＝MSE(Labels，Outputs)
+1e-6×MSE(Vgg19(Labels)，Vgg19(Outputs))
+1e-6×MSE(Grand(Labels)，Grand(Outputs))；
其中，Labels为该CT图像序列的真实增强三维立体图像，Outputs为该CT图像序列的增强训练三维立体图像；MSE(Labels，Outputs)为Labels和Outputs对应像素点像素值的均方误差；Vgg19(Labels)和Vgg19(Outputs)分别为Labels和Outputs在Vgg19模型下第5个池化层之前的第4个卷积层的输出结果，MSE(Vgg19(Labels)，Vgg19(Outputs))为Vgg19(Labels)和Vgg19(Outputs)的均方误差；Grand(Labels)和Grand(Outputs)分别为Labels和Outputs的梯度，MSE(Grand(Labels)，Grand(Outputs))为Grand(Labels)和Grand(Outputs)的均方误差；1e-6为权值。
6.根据权利要求2所述的方法，其特征在于，所述待增强CT图像序列和训练CT图像序列包含相同数目的CT图像；
所述待增强CT图像序列、训练CT图像序列包含的CT图像均由同一CT机进行相同厚度的CT扫描而得。
7.根据权利要求1所述的方法，其特征在于，所述将CT图像序列中各CT图像转换为灰度图像，具体包括：
根据预设窗宽和窗位，将CT图像序列中各CT图像的像素值设置至预设范围得到灰度图像。
8.一种CT图像序列的增强装置，其特征在于，包括：待增强二维图像获取模块、增强模块和分割模块；
所述待增强二维图像获取模块，用于将待增强CT图像序列进行预处理，得到第一预设数目的第一尺寸的待增强二维图像；所述预处理为将CT图像序列中各CT图像转换为灰度图像，将所述灰度图像缩放为预设尺寸的图像后水平叠放且合并，得到三维立体图像，将所述三维立体图像竖直分割；
所述增强模块，用于将所述第一预设数目的第一尺寸的待增强二维图像依次输入至图像增强模型，输出所述第一预设数目的第二尺寸的增强二维图像；所述图像增强模型为利用增强CT图像序列已知的若干训练CT图像序列对深度神经网络进行训练而得；
所述分割模块，用于将所述第一预设数目的第二尺寸的增强二维图像竖直排列，合并为增强三维立体图像，将所述增强三维立体图像水平分割为第二预设数目的所述预设尺寸的目标二维图像，作为所述待增强CT图像序列对应的增强CT图像序列。
9.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至7任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711173998.5A CN107862665B (zh) | 2017-11-22 | 2017-11-22 | Ct图像序列的增强方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711173998.5A CN107862665B (zh) | 2017-11-22 | 2017-11-22 | Ct图像序列的增强方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107862665A true CN107862665A (zh) | 2018-03-30 |
| CN107862665B CN107862665B (zh) | 2020-09-11 |
Family
ID=61702276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711173998.5A Active CN107862665B (zh) | 2017-11-22 | 2017-11-22 | Ct图像序列的增强方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107862665B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035234A (zh) * | 2018-07-25 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 一种结节检测方法、装置和存储介质 |
| CN109800516A (zh) * | 2019-01-24 | 2019-05-24 | 电子科技大学 | 一种基于dcgan的多孔质材料内流场模型构建方法 |
| CN111047532A (zh) * | 2019-12-06 | 2020-04-21 | 广东启迪图卫科技股份有限公司 | 一种基于3d卷积神经网络的低照度视频增强方法 |
| CN113052774A (zh) * | 2021-03-30 | 2021-06-29 | 上海商汤智能科技有限公司 | 图像优化方法及相关模型的训练方法和相关装置、设备 |
| CN113158856A (zh) * | 2021-04-08 | 2021-07-23 | 成都国星宇航科技有限公司 | 一种提取遥感图像中目标区域的处理方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103108208A (zh) * | 2013-01-23 | 2013-05-15 | 哈尔滨医科大学 | 一种ct后处理图像的增强显示方法及系统 |
| US20140328531A1 (en) * | 2013-05-03 | 2014-11-06 | Samsung Life Public Welfare Foundation | Medical imaging apparatus and method of controlling the same |
| CN104574319A (zh) * | 2015-01-22 | 2015-04-29 | 深圳大学 | 一种肺部ct图像的血管增强方法及系统 |
| CN104851108A (zh) * | 2015-06-09 | 2015-08-19 | 武汉联影医疗科技有限公司 | 基于ct图像的肝动脉分割方法 |
| US20150348263A1 (en) * | 2014-06-02 | 2015-12-03 | Kabushiki Kaisha Toshiba | Medical image processing apparatus and medical image processing method |
-
2017
- 2017-11-22 CN CN201711173998.5A patent/CN107862665B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103108208A (zh) * | 2013-01-23 | 2013-05-15 | 哈尔滨医科大学 | 一种ct后处理图像的增强显示方法及系统 |
| US20140328531A1 (en) * | 2013-05-03 | 2014-11-06 | Samsung Life Public Welfare Foundation | Medical imaging apparatus and method of controlling the same |
| US20150348263A1 (en) * | 2014-06-02 | 2015-12-03 | Kabushiki Kaisha Toshiba | Medical image processing apparatus and medical image processing method |
| CN104574319A (zh) * | 2015-01-22 | 2015-04-29 | 深圳大学 | 一种肺部ct图像的血管增强方法及系统 |
| CN104851108A (zh) * | 2015-06-09 | 2015-08-19 | 武汉联影医疗科技有限公司 | 基于ct图像的肝动脉分割方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035234A (zh) * | 2018-07-25 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 一种结节检测方法、装置和存储介质 |
| CN109035234B (zh) * | 2018-07-25 | 2020-12-01 | 腾讯科技（深圳）有限公司 | 一种结节检测方法、装置和存储介质 |
| CN109800516A (zh) * | 2019-01-24 | 2019-05-24 | 电子科技大学 | 一种基于dcgan的多孔质材料内流场模型构建方法 |
| CN111047532A (zh) * | 2019-12-06 | 2020-04-21 | 广东启迪图卫科技股份有限公司 | 一种基于3d卷积神经网络的低照度视频增强方法 |
| CN113052774A (zh) * | 2021-03-30 | 2021-06-29 | 上海商汤智能科技有限公司 | 图像优化方法及相关模型的训练方法和相关装置、设备 |
| CN113052774B (zh) * | 2021-03-30 | 2022-10-21 | 上海商汤智能科技有限公司 | 图像优化方法及相关模型的训练方法和相关装置、设备 |
| CN113158856A (zh) * | 2021-04-08 | 2021-07-23 | 成都国星宇航科技有限公司 | 一种提取遥感图像中目标区域的处理方法和装置 |
| CN113158856B (zh) * | 2021-04-08 | 2024-04-19 | 成都国星宇航科技股份有限公司 | 一种提取遥感图像中目标区域的处理方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107862665B (zh) | 2020-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107862665A (zh) | Ct图像序列的增强方法及装置 | |
| RU2720440C1 (ru) | Способ сегментации изображения с использованием нейронной сети | |
| RU2720070C1 (ru) | Системы и способы сегментации изображения с использованием свёрточной нейронной сети | |
| CN109993726A (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
| CN114072845A (zh) | 使用具有可变形层的CycleGAN的SCT图像生成 | |
| CN107798682A (zh) | 图像分割系统、方法、装置和计算机可读存储介质 | |
| CN108416821B (zh) | 一种深度神经网络的ct图像超分辨重建方法 | |
| CN109146899A (zh) | Ct图像的危及器官分割方法及装置 | |
| Ye et al. | Deep residual learning for model-based iterative ct reconstruction using plug-and-play framework | |
| JP2019114262A (ja) | 医用画像処理装置、医用画像処理プログラム、学習装置及び学習プログラム | |
| CN107093198A (zh) | 用于伪影校正算法的选择方法、用于执行该方法的数据处理设备和医学成像系统 | |
| CN106127849A (zh) | 三维精细血管重建方法及其系统 | |
| CN115578404B (zh) | 一种基于深度学习的肝脏肿瘤图像增强和分割的方法 | |
| CN111369574A (zh) | 一种胸腔器官的分割方法及装置 | |
| CN110400626A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN112488971A (zh) | 基于空间注意力机制和深度卷积生成对抗网络的医学图像融合方法 | |
| CN114022491B (zh) | 基于改进空间金字塔模型的小数据集食管癌肿瘤靶区影像自动勾画方法 | |
| CN114119474A (zh) | 深度学习自动分割超声图像中人体组织的方法 | |
| US11631160B2 (en) | Image processing apparatus, image processing method, and X-ray CT apparatus | |
| CN112529950A (zh) | 一种用于辐射剂量评估的生物体体素模型实现方法 | |
| CN116363248A (zh) | 单平面X-Ray影像合成CT影像的方法、系统、设备和介质 | |
| CN116309806A (zh) | 一种基于CSAI-Grid RCNN的甲状腺超声图像感兴趣区域定位方法 | |
| CN113538305A (zh) | 与covid-19相关联的异常图案的医学图像合成 | |
| CN113689353A (zh) | 三维图像的增强方法、图像增强模型的训练方法及装置 | |
| CN113538451B (zh) | 一种深静脉血栓的磁共振图像分割方法及装置，电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210721 Address after: 310018 22nd floor, building 1, 199 Yuancheng Road, Xiasha street, Hangzhou Economic and Technological Development Zone, Zhejiang Province Patentee after: Hangzhou Zhuojian Information Technology Co.,Ltd. Address before: 100085 Haidian District, Beijing 1 High Court No. 18 building 103-86 Patentee before: BEIJING MEDP.AI INTELLIGENT TECHNOLOGY Co.,Ltd. |