CN108710950A - 一种图像量化分析方法 - Google Patents

一种图像量化分析方法 Download PDF

Info

Publication number
CN108710950A
CN108710950A CN201810448977.8A CN201810448977A CN108710950A CN 108710950 A CN108710950 A CN 108710950A CN 201810448977 A CN201810448977 A CN 201810448977A CN 108710950 A CN108710950 A CN 108710950A
Authority
CN
China
Prior art keywords
sample
original
image
super
training
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.)
Pending
Application number
CN201810448977.8A
Other languages
English (en)
Inventor
姚伟武
王乾
刘成磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Sixth Peoples Hospital
Original Assignee
Shanghai Sixth Peoples Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Sixth Peoples Hospital filed Critical Shanghai Sixth Peoples Hospital
Priority to CN201810448977.8A priority Critical patent/CN108710950A/zh
Publication of CN108710950A publication Critical patent/CN108710950A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像量化分析方法，包括以下步骤获取原始图像样本，所述原始图像样本包括原始训练样本、原始测试样本；平滑模糊处理，分别对所述原始训练样本、原始测试样本中的图像块数据归一化，以降低图像的分辨率，得到模糊训练样本、模糊测试样本，使所述模糊测试样本具有和模糊训练样本相同的数据特征；训练超分辨重建模型、处理模糊测试样本、构造残差图谱，所述残差图谱中高灰度值响应的区域即为异常特征区域。

Description

一种图像量化分析方法
技术领域
本发明涉及机器学习应用、图像处理等领域，具体为一种图像量化分析方法，特别是对于原始高分辨率图像的处理方法。
背景技术
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，专门研究计算机怎样模拟或实现人组的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，可应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序等诸多领域。机器学习算法是一组从已知数据中自动分析及获得规律并利用规律对未知数据进行预测的算法。
图像数据是指用数值表示的各像素(pixel)的灰度值的集合。通常情况下，设备采集的图像，其分辨率有限，不能满足数据分析或者人为分析的要求，即使现有的一些高端设备所采集的图像的分辨率也很高，但达不到人为分析的要求，因此必须对所采集的高分辨图像进行进一步的处理，已达到进一步分析要求。
发明内容
本发明的目的是：提供一种图像量化分析方法，以达到图像进一步分析的要求，使图像的异常区域更加明显直观的显示，以方便肉眼识别。
实现上述目的的技术方案是：一种图像量化分析方法，包括以下步骤获取原始图像样本，所述原始图像样本包括原始训练样本、原始测试样本；平滑模糊处理，分别对所述原始训练样本、原始测试样本中的图像块数据归一化，以降低图像的分辨率，得到模糊训练样本、模糊测试样本，使所述模糊测试样本具有和模糊训练样本相同的数据特征；训练超分辨重建模型，利用超分辨全卷积网络建立所述模糊训练样本、与原始训练样本之间的像素特征映射关系，并从所述模糊训练样本中提取所述像素特征，得到超分辨重建模型；处理模糊测试样本，将模糊测试样本输入所述超分辨重建模型，得到相应的超分辨重建图像；构造残差图谱，计算原始测试样本与超分辨重建图像之间的残差图谱，其中，所述残差图谱中高灰度值响应的区域即为异常特征区域。
在本发明一较佳的实施例中，在所述平滑模糊处理步骤中，包括高斯平滑处理：在所述原始图像样本进行高斯滤波；降采样处理：对高斯滤波后原始图像样本以定值的缩放因子降采样；上采样处理：对降采样后的原始图像样本以定值的缩放因子上采样，并恢复至原始尺寸；归一化处理：采用MATLAB中mat2gray函数对原始图像样本和上采样后的原始图像样本进行归一化处理，使输出图像数据区间设置为[0,1]，其中，原始图像经归一化处理之后得到原始训练样本、原始测试样本；原始图像经过高斯平滑处理、降采样处理、上采样处理，和归一化处理之后得到模糊训练样本、模糊测试样本。
在本发明一较佳的实施例中，所述处理模糊测试样本步骤中，包括在原始测试样本与该原始测试样本的超分辨重建图像中获取相互对应的像素块，并获取像素块上的各像素点，若将第i个像素点做为图像块中心时，第j个像素点的残差值如下：rij＝(pj-qij)；其中，pj为原始图像中第j个像素点的灰度值，qij为当第i个像素点作为所截取的图像块中心时，原始图像中第j个像素点位置的超分辨重建图像的灰度值；在最终残差图谱中，对rij求平均，即
在本发明一较佳的实施例中，所述处理模糊测试样本步骤中，在所述平滑模糊处理步骤中，包括：归一化处理：采用MATLAB中mat2gray函数对原始图像样本进行归一化处理，使输出图像数据区间设置为[0,1]；在该原始图像样本的中心获取预设尺寸区域，将该预设尺寸区域的像素平均值作为所述原始图像样本的像素值。
在本发明一较佳的实施例中，所述处理模糊测试样本步骤中，包括，在所述原始测试样本与超分辨重建图像的中心获取预设尺寸区域，计算原始图像与超分辨重建图像的预设尺寸区域的残差值，以作为残差图谱中该像素点的残差值：其中，pi，qi分别表示原始测试样本和超分辨重建图像块第i个像素点的灰度值。
在本发明一较佳的实施例中，在获取原始图像样本步骤中，所述原始训练样本包括训练集样本；在所述训练超分辨重建模型步骤中，包括建立全卷积网络，搭建13层全卷积网络，每一层表示一个卷积模块，每一个所述卷积模块设有网络参数；训练13层全卷积神经的网络参数，输入平滑模糊处理后的模糊训练集样本的像素特征的数据，利用前向计算与梯度反向传播迭代更新网络参数直至收敛，建立超分辨重建模型。
在本发明一较佳的实施例中，在获取原始图像样本步骤中，所述原始训练样本包括验证集样本，所述训练集样本、验证集样本之间不存在重合，严格保证无数据泄漏；在建立超分辨重建模型步骤之后，还包括验证超分辨重建模型步骤，输入平滑模糊处理后的模糊验证集样本的像素特征的数据，得到相同尺寸的超分辨重建图像，计算原始的验证集样本与相应的高分辨重建图像的峰值信噪比，以检验该网络的超分辨性能。
在本发明一较佳的实施例中，在所述建立超分辨重建模型中包括每一层所述卷积模块的前向计算，即给定该层卷积模块的网络参数和输入的模糊训练样本的像素特征的数据，并计算处每次迭代的损失函数数值；梯度反向传播，即根据每次迭代的损失函数数值，计算出损失函数数值相对于任意一个网络参数的导数，即梯度，根据随机梯度下降法，设置搜索方向为沿着梯度下降的方向，设置搜索步长，并更新网络参数，损失函数数值相对于任意网络参数的梯度，可利用梯度反向传播算法，即根据链式法则，逐层求取偏导数相乘获得；前向计算与梯度反向传播交替进行，不断更新网络参数直至收敛。
在本发明一较佳的实施例中，其中，第1到第13层的所述卷积模块设有Convolution层；第7层到第13层之间的每一层的卷积模块中还包括Residual模块，以防止训练精度饱和的情况；第1到第12层的所述卷积模块设有BatchNromalization层，放置在非线性Activation函数ReLU(Rectified Linea Unit)函数前，以抑制非线性部分对于最优化过程中梯度反向传播的干扰；该全卷积网络的损失函数设置为平均平方误差函数；将各层卷积模块的权重值参数初始化为高斯随机数，将各层卷积模块的偏置值初始化为零。
在本发明一较佳的实施例中，所述每一层所述卷积模块的前向计算过程中包括Convolution层：yconv＝w*x+b；其中，x为该层卷积模块的输入数据，w为卷积核权重值，b为卷积核偏置值；BatchNormalization层：其中，μ＝mean(yconv),σ＝variance(yconv)；Activation模块：yactivation＝max(ybatchNorm,0)。
本发明的优点是：本发明的图像量化分析方法，通过机器学习方法，实现了原始图像中异常区域的检测识别。具体地说，是将样本分为原始训练样本与原始测试样本，原始训练样本又分为原始训练集和原始验证集。其中，原始训练样本为正常图片，而若原始测试样本中，存有异常区域，则可以通过正常图片的图像数据，训练建立超分辨重建模型，即从模糊的正常图片中得到超分辨重建出高分辨正常图像数据，然后平滑模糊原始测试样本，使其表现出与模糊原始训练样本相同的特征，再将模糊后的原始测试样本输入超分辨重建模型，输出相应的正常图像数据，对比原始测试样本与相应的超分辨重建图像，以增强异常区域，构造残差图谱进行检测识别，增加了人肉眼的识别率，更加直观的判别异常区域。
附图说明
下面结合附图和实施例对本发明作进一步解释。
图1是本发明实施例的图像量化分析方法步骤流程图。
图2是实施例1中的步骤02)具体步骤流程图。
图3是实施例1中的步骤03)具体步骤流程图。
图4是实施例1中的步骤032)具体步骤流程图。
具体实施方式
以下实施例的说明是参考附加的图式，用以例示本发明可用以实施的特定实施例。
实施例1：如图1所示，一种图像量化分析方法，包括步骤01)-步骤02)：
步骤01)获取原始图像样本。在该步骤01)中，所述原始图像样本包括原始训练样本、原始测试样本。而应下面步骤的需要，本实施例中，将原始训练样本分为训练集样本和验证集样本。例如，本实施例所采用的原始图像样本为T1与PD模态的MRI图像，图像分辨率为0.3mm×0.3mm×1mm，图像尺寸为480mm×480mm×24mm。原始训练样本与原始测试样本数据精度均调整为single，并存储为.hdf5格式。该原始训练样本可以选择健康人的T1与PD模态的MRI图像。该MRI图像中膝盖软骨骨关节的特征区域。
步骤02)平滑模糊处理。病灶区域平滑模糊用于从MRI图像中模糊消除病灶区域。在该步骤02)中，分别对所述原始训练样本、原始测试样本中的图像块数据归一化，以降低图像的分辨率，得到模糊训练样本、模糊测试样本，使所述模糊测试样本具有和模糊训练样本相同的数据特征。在本实施例中的步骤021)中，选取如下的方法进行平滑模糊处理，具体步骤如下所述，步骤0211)：高斯平滑处理：在所述原始图像样本进行高斯滤波。在该步骤中，可以选择相应的预设区域进行处理，如在预设区域中，随机截取一系列33mm×33mm的图像块，先对原始图像块进行高斯滤波，其中高斯核尺寸为11mm×11mm，高斯核标准差为2.0。步骤0212)：降采样处理：对高斯滤波后原始图像样本以定值的缩放因子降采样，如继步骤0211)之后，再对高斯滤波后图像以6为缩放因子将图像降采样为80mm×80mm。步骤0213)上采样处理：对降采样后的原始图像样本以定值的缩放因子上采样，并恢复至原始尺寸。如继步骤0212)之后，再对降采样处理后的原始图像样本以6为缩放因子将原始图像样本上采样恢复至480×480原始尺寸。步骤0213)：归一化处理：采用MATLAB中mat2gray函数对原始图像样本和上采样后的原始图像样本进行归一化处理，使输出图像数据区间设置为[0,1]。其中，原始图像经归一化处理之后得到原始训练样本、原始测试样本；原始图像样本经过高斯平滑处理、降采样处理、上采样处理和归一化处理之后得到模糊训练样本、模糊测试样本。
步骤03)训练超分辨重建模型。在该步骤03)中，利用超分辨全卷积网络建立所述模糊训练样本、与原始训练样本之间的像素特征映射关系，并从所述模糊训练样本中提取所述像素特征，得到超分辨重建模型。在该步骤03)中具体步骤如下所示，步骤031)：建立全卷积网络，搭建13层全卷积网络，每一层表示一个卷积模块，每一个所述卷积模块设有网络参数；其中，第1到第13层的所述卷积模块设有Convolution层，Convolution层的卷积核尺寸设置为3×3，卷积核个数设置为64；第7层到第13层之间的每一层的卷积模块中还包括Residual模块，以防止训练精度饱和的情况；第1到第12层的所述卷积模块设有BatchNromalization层，放置在非线性Activation函数ReLU(Rectified Linea Unit)函数前，以抑制非线性部分对于最优化过程中梯度反向传播的干扰；该全卷积网络的损失函数设置为平均平方误差函数；将各层卷积模块的权重值参数初始化为高斯随机数，将各层卷积模块的偏置值初始化为零；网络参数更新的最优化算法为随机梯度下降算法，初始基础学习率为1e-4，卷积核权重值学习率为1，卷积核偏置值学习率为0.5，动量因子为0.9，权重值衰减因子为0.1，小批量输入数据容量为64，最大迭代数为1000000。步骤032)：训练13层全卷积神经的网络参数，输入平滑模糊处理后的模糊训练集样本的像素特征的数据，利用前向计算与梯度反向传播迭代更新网络参数直至收敛，建立超分辨重建模型。如训练13层全卷积神经网络参数，在每次迭代中，从训练样本中随机有放回的抽取64个小批量数据，输入网络参数，更新每个卷积模块中卷积核的权重值与偏置值。观察训练过程中，损失函数数值的变化情况，直至该网络收敛。由于膝关节软骨MRI图像中早期病变仅表现为灰度值异常，并不存在软骨形态的改变或厚度的缺损，肉眼很难识别，因此需要运用基于超分辨重建的图像增强技术对图像病变区域进行增强、检测、识别。为了具体说明本发明，下面对步骤032)作进一步说明。步骤0321)每一层所述卷积模块的前向计算，即给定该层卷积模块的网络参数和输入的模糊训练样本的像素特征的数据，并计算处每次迭代的损失函数数值；所述每一层所述卷积模块的前向计算过程如下公式所示，包括：Convolution层：yconv＝w*x+b；其中，x为该层卷积模块的输入数据，w为卷积核权重值，b为卷积核偏置值；BatchNormalization层：其中，μ＝mean(yconv),σ＝variance(yconv)；Activation模块：yactivation＝max(ybatchNorm,0)。
步骤0322)：梯度反向传播，即根据每次迭代的损失函数数值，计算出损失函数数值相对于任意一个网络参数的导数，即梯度，根据随机梯度下降法，设置搜索方向为沿着梯度下降的方向，设置搜索步长1e-5，并更新网络参数，损失函数数值相对于任意网络参数的梯度，可利用梯度反向传播算法，即根据链式法则，逐层求取偏导数相乘获得；其中，l为损失函数数值，wi为待更新的网络参数，为对应卷积模块的输出。步骤0323)：前向计算与梯度反向传播交替进行，不断更新网络参数直至收敛。在建立超分辨重建模型步骤之后，还包括步骤033)：验证超分辨重建模型步骤，输入平滑模糊处理后的模糊验证集样本的像素特征的数据，得到相同尺寸的超分辨重建图像，计算原始的验证集样本与相应的高分辨重建图像的峰值信噪比，以检验该网络的超分辨性能。
步骤04)处理模糊测试样本，将模糊测试样本输入所述超分辨重建模型，得到相应的超分辨重建图像。
步骤05)构造残差图谱，计算原始测试样本与超分辨重建图像之间的残差图谱，其中，所述残差图谱中高灰度值响应的区域即为异常特征区域。具体的，所述步骤05)包括，在原始测试样本与该原始测试样本的超分辨重建图像中获取相互对应的像素块，如图像块的尺寸为15mm×15mm，并获取像素块上的各像素点，若将第i个像素点做为图像块中心时，第j个像素点的残差值如下：rij＝(pj-qij)；其中，pj为原始图像中第j个像素点的灰度值，qij为当第i个像素点作为所截取的图像块中心时，原始图像中第j个像素点位置的超分辨重建图像的灰度值；在最终残差图谱中，对rij求平均，即
实施例2，本实施例与实施例1的区别在于，本实施例所采取的平滑模糊处理步骤与实施例1不同，具体的本实施例采用步骤202来对此作具体说明：
步骤022)：在所述平滑模糊处理步骤中，包括归一化处理：采用MATLAB中mat2gray函数对原始图像样本进行归一化处理，使输出图像数据区间设置为[0,1]；在该原始图像样本的中心获取预设尺寸区域，将该预设尺寸区域的像素平均值作为所述原始图像样本的像素值。
基于上述步骤202处理后训练样本，其后续步骤也有不同。如在步骤03)中，可以共享超分辨重建网络结构，但需要分别单独训练各自的网络参数，即不同模糊策略之间的训练过程是互相独立的。
在制作残差图谱过程中，其步骤也不同，具体如下：步骤05)包括，在所述原始测试样本与超分辨重建图像的中心获取预设尺寸区域，计算原始图像与超分辨重建图像的预设尺寸区域的残差值，以作为残差图谱中该像素点的残差值：其中，pi，qi分别表示原始测试样本和超分辨重建图像块第i个像素点的灰度值。
通过机器学习方法，实现了原始图像中异常区域的检测识别。具体地说，是将样本分为原始训练样本与原始测试样本，原始训练样本又分为原始训练集和原始验证集。其中，原始训练样本为正常图片，而若原始测试样本中，存有异常区域，则可以通过正常图片的图像数据，训练建立超分辨重建模型，即从模糊的正常图片中得到超分辨重建出高分辨正常图片中的图像数据，然后平滑模糊原始测试样本，使其表现出与模糊原始训练样本相同的特征，再将模糊后的原始测试样本输入超分辨重建模型，输出相应的正常图像数据，对比原始测试样本与相应的超分辨重建图像，以增强异常区域，构造残差图谱进行检测识别。
本发明采用深度学习中的超分辨全卷积神经网络对模糊图像进行超分辨重建恢复，其中损失函数设置为平均平方误差，去衡量模糊图像与超分辨率重建图像之间像素级的灰度值差异，更新网络参数的最优化算法为随机梯度下降算法，利用小规模样本近似整体的梯度分布，从而沿着梯度下降最快的方向搜索最优解。需要特别注意的是，由于模糊图像与超分辨重建图像特征表现均为健康人软骨，因此超分辨率重建模型训练过程在健康人数据上进行，而该模型的测试则在包含有早期病变病灶区域的病人图像上，这样可以从病人图像上超分辨重建出相应健康软骨图像，从而进一步通过对比病灶区域图像与相应健康图像之间的差异，增强病灶区域。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像量化分析方法，其特征在于，包括以下步骤
获取原始图像样本，所述原始图像样本包括原始训练样本、原始测试样本；
平滑模糊处理，分别对所述原始训练样本、原始测试样本中的图像块数据归一化，以降低图像的分辨率，得到模糊训练样本、模糊测试样本，使所述模糊测试样本具有和模糊训练样本相同的数据特征；
训练超分辨重建模型，利用超分辨全卷积网络建立所述模糊训练样本、与原始训练样本之间的像素特征映射关系，并从所述模糊训练样本中提取所述像素特征，得到超分辨重建模型；
处理模糊测试样本，将模糊测试样本输入所述超分辨重建模型，得到相应的超分辨重建图像；
构造残差图谱，计算原始测试样本与超分辨重建图像之间的残差图谱，其中，所述残差图谱中高灰度值响应的区域即为异常特征区域。
2.根据权利要求1所述的图像量化分析方法，其特征在于，在所述平滑模糊处理步骤中，包括
高斯平滑处理：在所述原始图像样本进行高斯滤波；
降采样处理：对高斯滤波后原始图像样本以定值的缩放因子降采样；
上采样处理：对降采样后的原始图像样本以定值的缩放因子上采样，并恢复至原始尺寸；
归一化处理：采用MATLAB中mat2gray函数对原始图像样本和上采样后的原始图像样本进行归一化处理，使输出图像数据区间设置为[0,1]；
其中，
原始图像经归一化处理之后得到原始训练样本、原始测试样本；
原始图像样本经过高斯平滑处理、降采样处理、上采样处理和归一化处理之后得到模糊训练样本、模糊测试样本。
3.根据权利要求2所述的图像量化分析方法，其特征在于，所述处理模糊测试样本步骤中，包括
在原始测试样本与该原始测试样本的超分辨重建图像中获取相互对应的像素块，并获取像素块上的各像素点，若将第i个像素点做为图像块中心时，第j个像素点的残差值如下：rij＝(pj-qij)；
其中，pj为原始图像中第j个像素点的灰度值，qij为当第i个像素点作为所截取的图像块中心时，原始图像中第j个像素点位置的超分辨重建图像的灰度值；
在最终残差图谱中，对rij求平均，即
4.根据权利要求1所述的图像量化分析方法，其特征在于，所述处理模糊测试样本步骤中，在所述平滑模糊处理步骤中，包括：
归一化处理：采用MATLAB中mat2gray函数对原始图像样本进行归一化处理，使输出图像数据区间设置为[0,1]；
在该原始图像样本的中心获取预设尺寸区域，将该预设尺寸区域的像素平均值作为所述原始图像样本的像素值。
5.根据权利要求1所述的图像量化分析方法，其特征在于，所述处理模糊测试样本步骤中，包括，在所述原始测试样本与超分辨重建图像的中心获取预设尺寸区域，计算原始图像与超分辨重建图像的预设尺寸区域的残差值，以作为残差图谱中该像素点的残差值：
其中，pi，qi分别表示原始测试样本和超分辨重建图像块第i个像素点的灰度值。
6.根据权利要求1所述的图像量化分析方法，其特征在于，
在获取原始图像样本步骤中，所述原始训练样本包括训练集样本；
在所述训练超分辨重建模型步骤中，包括
建立全卷积网络，搭建13层全卷积网络，每一层表示一个卷积模块，每一个所述卷积模块设有网络参数；
训练13层全卷积神经的网络参数，输入平滑模糊处理后的模糊训练集样本的像素特征的数据，利用前向计算与梯度反向传播迭代更新网络参数直至收敛，建立超分辨重建模型。
7.根据权利要求6所述的图像量化分析方法，其特征在于，在获取原始图像样本步骤中，所述原始训练样本包括验证集样本，所述训练集样本、验证集样本之间不存在重合，严格保证无数据泄漏；
在建立超分辨重建模型步骤之后，还包括
验证超分辨重建模型步骤，输入平滑模糊处理后的模糊验证集样本的像素特征的数据，得到相同尺寸的超分辨重建图像，计算原始的验证集样本与相应的高分辨重建图像的峰值信噪比，以检验该网络的超分辨性能。
8.根据权利要求4所述的图像量化分析方法，其特征在于，在所述建立超分辨重建模型中包括
每一层所述卷积模块的前向计算，即给定该层卷积模块的网络参数和输入的模糊训练样本的像素特征的数据，并计算处每次迭代的损失函数数值；
梯度反向传播，即根据每次迭代的损失函数数值，计算出损失函数数值相对于任意一个网络参数的导数，即梯度，根据随机梯度下降法，设置搜索方向为沿着梯度下降的方向，设置搜索步长，并更新网络参数，损失函数数值相对于任意网络参数的梯度，可利用梯度反向传播算法，即根据链式法则，逐层求取偏导数相乘获得；
前向计算与梯度反向传播交替进行，不断更新网络参数直至收敛。
9.根据权利要求4所述的图像量化分析方法，其特征在于，其中，第1到第13层的所述卷积模块设有Convolution层；
第7层到第13层之间的每一层的卷积模块中还包括Residual模块，以防止训练精度饱和的情况；
第1到第12层的所述卷积模块设有BatchNromalization层，放置在非线性Activation函数ReLU(Rectified Linea Unit)函数前，以抑制非线性部分对于最优化过程中梯度反向传播的干扰；
该全卷积网络的损失函数设置为平均平方误差函数；将各层卷积模块的权重值参数初始化为高斯随机数，将各层卷积模块的偏置值初始化为零。
10.根据权利要求6所述的图像量化分析方法，其特征在于，所述每一层所述卷积模块的前向计算过程中包括
Convolution层：yconv＝w*x+b；
其中，x为该层卷积模块的输入数据，w为卷积核权重值，b为卷积核偏置值；
BatchNormalization层：
其中，μ＝mean(yconv),σ＝variance(yconv)；
Activation模块：yactivation＝max(ybatchNorm,0)。
CN201810448977.8A 2018-05-11 2018-05-11 一种图像量化分析方法 Pending CN108710950A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810448977.8A CN108710950A (zh) 2018-05-11 2018-05-11 一种图像量化分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810448977.8A CN108710950A (zh) 2018-05-11 2018-05-11 一种图像量化分析方法

Publications (1)

Publication Number Publication Date
CN108710950A true CN108710950A (zh) 2018-10-26

Family

ID=63868939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810448977.8A Pending CN108710950A (zh) 2018-05-11 2018-05-11 一种图像量化分析方法

Country Status (1)

Country Link
CN (1) CN108710950A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448070A (zh) * 2018-11-06 2019-03-08 明峰医疗系统股份有限公司 一种ct宽展视野的重建方法
CN109697740A (zh) * 2018-12-26 2019-04-30 上海联影智能医疗科技有限公司 图像重建方法、装置和计算机设备
CN110837856A (zh) * 2019-10-31 2020-02-25 深圳市商汤科技有限公司 神经网络训练及目标检测方法、装置、设备和存储介质
CN111767961A (zh) * 2020-07-02 2020-10-13 宁波杜比医疗科技有限公司 一种生化分析检测系统及其检测方法
WO2021073449A1 (zh) * 2019-10-16 2021-04-22 腾讯科技（深圳）有限公司 基于机器学习的去伪影方法、去伪影模型训练方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8755636B2 (en) * 2011-09-14 2014-06-17 Mediatek Inc. Method and apparatus of high-resolution image reconstruction based on multi-frame low-resolution images
CN103886568A (zh) * 2014-03-18 2014-06-25 南方医科大学 基于配准的肺4d-ct图像超分辨率重建方法
WO2017075768A1 (zh) * 2015-11-04 2017-05-11 北京大学深圳研究生院 一种基于字典匹配的图像超分辨率重建方法及装置
CN107274347A (zh) * 2017-07-11 2017-10-20 福建帝视信息科技有限公司 一种基于深度残差网络的视频超分辨率重建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8755636B2 (en) * 2011-09-14 2014-06-17 Mediatek Inc. Method and apparatus of high-resolution image reconstruction based on multi-frame low-resolution images
CN103886568A (zh) * 2014-03-18 2014-06-25 南方医科大学 基于配准的肺4d-ct图像超分辨率重建方法
WO2017075768A1 (zh) * 2015-11-04 2017-05-11 北京大学深圳研究生院 一种基于字典匹配的图像超分辨率重建方法及装置
CN107274347A (zh) * 2017-07-11 2017-10-20 福建帝视信息科技有限公司 一种基于深度残差网络的视频超分辨率重建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GUORONG WU ET AL: "Image Super-Resolution by Supervised Adaption of Patchwise Self-similarity from High-Resolution Image", 《INTERNATIONAL WORKSHOP ON PATCH-BASED TECHNIQUES IN MEDICAL IMAGING》 *
JINPENG ZHANG ET AL: "Brain atlas fusion from high-thickness diagnostic magnetic resonance images by learning-based super-resolution", 《PATTERN RECOGNITION》 *
李文文: "基于稀疏表示的单幅图像超分辨率重建算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448070A (zh) * 2018-11-06 2019-03-08 明峰医疗系统股份有限公司 一种ct宽展视野的重建方法
CN109697740A (zh) * 2018-12-26 2019-04-30 上海联影智能医疗科技有限公司 图像重建方法、装置和计算机设备
CN109697740B (zh) * 2018-12-26 2020-09-22 上海联影智能医疗科技有限公司 图像重建方法、装置和计算机设备
US11494877B2 (en) 2018-12-26 2022-11-08 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image reconstruction
WO2021073449A1 (zh) * 2019-10-16 2021-04-22 腾讯科技（深圳）有限公司 基于机器学习的去伪影方法、去伪影模型训练方法及装置
US11985358B2 (en) 2019-10-16 2024-05-14 Tencent Technology (Shenzhen) Company Limited Artifact removal method and apparatus based on machine learning, and method and apparatus for training artifact removal model based on machine learning
CN110837856A (zh) * 2019-10-31 2020-02-25 深圳市商汤科技有限公司 神经网络训练及目标检测方法、装置、设备和存储介质
CN111767961A (zh) * 2020-07-02 2020-10-13 宁波杜比医疗科技有限公司 一种生化分析检测系统及其检测方法

Similar Documents

Publication Publication Date Title
CN108710950A (zh) 一种图像量化分析方法
CN108510194A (zh) 风控模型训练方法、风险识别方法、装置、设备及介质
CN106548159A (zh) 基于全卷积神经网络的网纹人脸图像识别方法与装置
CN107247949A (zh) 基于深度学习的人脸识别方法、装置和电子设备
CN108492271A (zh) 一种融合多尺度信息的自动图像增强系统及方法
CN107680082A (zh) 基于深度卷积神经网络和全局特征的肺部肿瘤识别方法
CN109902546A (zh) 人脸识别方法、装置及计算机可读介质
CN109508644A (zh) 基于深度视频数据分析的面瘫等级评估系统
CN106780466A (zh) 一种基于卷积神经网络的宫颈细胞图像识别方法
Tong et al. Hybrid pooling for enhancement of generalization ability in deep convolutional neural networks
CN110119785A (zh) 一种基于多层spiking卷积神经网络的图像分类方法
CN106803069A (zh) 基于深度学习的人群高兴程度识别方法
CN105512680A (zh) 一种基于深度神经网络的多视sar图像目标识别方法
CN110879982B (zh) 一种人群计数系统及方法
CN106920215A (zh) 一种全景图像配准效果的检测方法
CN106295555A (zh) 一种活体指纹图像的检测方法
CN110097029B (zh) 基于Highway网络多视角步态识别的身份认证方法
CN106909938A (zh) 基于深度学习网络的视角无关性行为识别方法
KR102285665B1 (ko) 학습 커리큘럼 제공 방법, 시스템 및 장치
CN106295501A (zh) 基于唇部运动的深度学习身份识别方法
CN107145885A (zh) 一种基于卷积神经网络的单字图文字识别方法及装置
CN109255296A (zh) 一种基于深度卷积神经网络的日常人体行为识别方法
CN105913117A (zh) 一种计算机智能识别的相关神经网络方法
CN106022287A (zh) 一种基于深度学习与字典表示的跨年龄人脸验证方法
CN107242876A (zh) 一种用于精神状态辅助诊断的计算机视觉方法

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
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20220415