CN108961171A - 一种乳腺dti图像去噪方法 - Google Patents

一种乳腺dti图像去噪方法 Download PDF

Info

Publication number
CN108961171A
CN108961171A CN201810470181.2A CN201810470181A CN108961171A CN 108961171 A CN108961171 A CN 108961171A CN 201810470181 A CN201810470181 A CN 201810470181A CN 108961171 A CN108961171 A CN 108961171A
Authority
CN
China
Prior art keywords
image
mammary gland
module
threshold
dti
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
Application number
CN201810470181.2A
Other languages
English (en)
Other versions
CN108961171B (zh
Inventor
王艳玲
吴春华
沈中梅
周志凌
胡胜荣
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.)
Suzhou Hi Tech Zone People's Hospital
Original Assignee
Suzhou Hi Tech Zone People's 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 Suzhou Hi Tech Zone People's Hospital filed Critical Suzhou Hi Tech Zone People's Hospital
Priority to CN201810470181.2A priority Critical patent/CN108961171B/zh
Publication of CN108961171A publication Critical patent/CN108961171A/zh
Application granted granted Critical
Publication of CN108961171B publication Critical patent/CN108961171B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种乳腺DTI图像去噪方法，基于人工智能的方法以克服现有的图像处理技术中人工干预。该图像去噪方法可由二维空间扩大至三维空间，包括：硬阈值处理方法、软阈值处理方法、根据图像轮廓细节特性的图像去噪方法。本发明处理方法计算简单，可以很好的恢复细节信息，图像处理效果好，峰值信噪比也得到了提高。

Description

一种乳腺DTI图像去噪方法
技术领域
本发明涉及图像处理领域，具体涉及一种基于人工智能的图像去噪方法。
背景技术
扩散张量成像(DTI)是新近发展起来的一种成像方式。这种成像技术通过水分子扩散引起的磁共振信号衰减来获得生物体内水扩散的方向、量级和各向异性等信息。由于DTI可以提供其他成像方式(如断层扫描成像——CT，传统核磁共振成像——MRI)所不能提供的白质纤维走行等独特信息，且具有非侵入和不需要造影剂等优点，所以在理论研究和临床应用领域均引起了极大关注。特别是，扩散张量神经纤维束成像技术是目前非侵入获得活体白质结构的唯一手段，因此具有重要的临床价值。由于DTI数据的信噪比较低，会影响张量场数据可视化的效果。特别是进行白质束等纤维结构走行的跟踪时，被噪声污染的张量表现在方向排列上杂乱、不规则，使得跟踪出来的纤维结构不够平滑，甚至得到错误的结果，大大限制了DTI的应用。因此，对图像或者张量场进行恢复(去噪)处理是进行理论和应用研究的关键环节。DTI图像具有向量特性，对其进行去噪处理一直是扩散张量数据处理研究领域的热点和难点问题。迄今为止，还没有DTI图像平滑的“黄金”标准。
2016年以来，人工智能成为了非常热门的概念，在图像处理中，经常有工作是可以人工标记，但难以写出一个完整的规则来实现自动处理。有时候有一整套算法，但是参数太多，人工去调节、寻找合适的参数就太过繁琐。那么就可以利用机器学习的方法，提取一定数量的特征，人工标记一批结果，然后用机器学习的方法算出一套自动判断的准则。机器学习的方法在开发这类软件时就显得比较有效。为了寻找一种适合DTI图像特征的去噪方法，本发明提出一种基于全卷积神经网络(FCN)的机器学习方法，更加智能的对DTI图像进行去噪处理。
发明内容
为了解决上述的技术问题，本发明提出一种基于人工智能的乳腺DTI图像去噪方法。通过机器学习把乳腺的图像中的白质束等纤维结构全部提取出来，然后通过密集程度、粗细来分析病情。照片中纤维结构未必是完全相连的，有的地方可能略微模糊，孤立地看不见得能确定是不是相连的。这时候用本发明提出的基于全卷积神经网络(FCN)的方法来对无法判定的图像进行去噪增强，峰值信噪比得到了提高，尤其针对轮廓细节比较丰富的图像效果更明显。
本发明提供一种乳腺DTI图像去噪方法，所述去噪方法包括：
步骤1、图像获取：用1.5T磁共振系统和7个编码梯度对人体乳腺部位进行自旋回波单次激发EPI成像获得，其成像参数为：TR 6.0ms，TE 2.36ms，层厚1.2mm，层距0.24mm，体素为0.9×0.8×51.2mm，SNR为1，获取时间为104s；
采用MEDINRIA对该体元进行了人体乳腺腺体组织追踪：参数设置如下：背景滤除门限＝100，部分各向异性门限＝100，平滑度＝0，抽样率＝4，平滑度为0，MFL＝100，抽样速率为较大值；
步骤2、采用全卷积神经网络对该获取图像进行分割：
S1.获取乳腺区域训练样本，并标记；
S2.对训练乳腺区域进行预处理，获得预处理结果；
S3.构建乳腺兴趣区域分割的全卷积网络结构；
S4.利用训练样本训练乳腺分割模型，以获取最优乳腺图像分割模型；
S5.获取被试者乳腺区域样本，并标记；
S6.对测试乳腺区域进行预处理，获得预处理结果；
S7.训练好的分割模型对测试集进行分割；
S8.对全卷积网络的分割结果进行后处理；
S9.选择图像分割的评价指标，进行分割结果统计评价；
所述S3包括以下步骤：
S31.卷积模组；
S311.移除了VGG-16的最后两个全连接层；
S312.移除了最后一个卷积模块的最大池化层；
S32.边输出模组；
S321.每个边输出模块的输入是相对应的VGG-16模块的输出，在每个边输出模块中，用1×1的卷积层来将特征通道降低至一个特定的数量，第二至第五个模块拥有128个特征通道，第一个模块拥有64个特征通道；
S322.用一个上采样层来对第二至第五个模块进行分辨率重建，第一个模块，我们不做任何处理；
S323.在每个模块的最后一步，用1×1的卷积核作为分类器来获取每个像素是乳腺或背景的预测概率图，获取五个概率图，这五个概率图包含不同尺度特征的信息；
S324.使用一个融合模块来融合五个边输出模块的输出,融合模块包括了一个用于堆叠五个边输出层输出的连接层和一个用于获取最终分割结果的卷积层。
所述S9是用六个度量指标对分割的性能进行量化，包括：
(1)DSC方程，计算的是分割图和真实图的重叠，与它们之间的相似性呈正相关：
其中，TP为真阳性,FN为假阴性,FP为假阳性；
(2)PPV方程，用来计算FP和TP的值：
(3)专一性方程，用来计算TN和FP的值：
其中，TN为真阴性；
(4)敏感性方程，用来计算TP和FN的值：
(5)HM方程，评估结果与实际真相之间的差异：
(6)HD方程，比较结果和真实值：
其中，A代表分割的结果，B代表真实值，||·||是欧式距离函数。
步骤3、提取感兴趣区域周边的结构信息，构造先验图像；基于Contourlet变换的算法图像去噪：
噪声去噪一般采用模型：y＝x+σ*e，其中，x是期望图像；y是观测的含噪图像；e是噪声；σ是噪声方差；
3.1、确定Contourlet分解的层次K，对含噪图像进行Contourlet变换，得到低频系数a0。和高频系数d0，d1，……dk-1；
3.2、在Contourlet变换域设定阈值对系数进行处理，得到新的Contourlet系数；
硬阈值处理法：
软阈值处理法：
3.3、对处理后的高频系数和低频系数a0进行Contourle逆变换，得到信号即为原始信号x的估计值。
作为本发明进一步的改进，步骤3中硬阈值处理方法如下：引入因子设置图像的硬阈值为其中不同尺度不同方向上能量记为引入因子(k表示第k个尺度，j表示第j个方向)，该因子与第k个尺度第j个方向上的轮廓细节有关，同时也与第k个尺度所分解的总的方向数有关，一旦分解的层数确定后，每一层的一总能量就确定了，即就确定了，因此分解的方向数越多，的比值越小。
作为本发明进一步的改进，c的取值为3.1。
作为本发明进一步的改进，步骤3中软阈值处理方法如下：引入因子设置图像的软阈值为因为δk对不同尺度已经设置了不同的阈值，而包含了对不同尺度进行不同的阈值，所以要对进行修正，一旦分解的层数确定，方向数越多，的比值越小，就越大，在同一层中不同的方向数会得到不同的阈值，尽量减少这种影响，得到
作为本发明进一步的改进，含噪图像为针对人体乳腺部位捕获的三维图像。
本发明的有益效果是，处理方法计算简单，可以很好的恢复细节信息，图像处理效果好，峰值信噪比也得到了提高，去除人为干预，增加智能化分割和训练步骤有效提高图像处理精准度，处理阈由二维图像扩大至三维图像。
附图说明
图1是本发明一种乳腺DTI图像去噪方法流程图。
图2是本发明人工智能分割网络架构图。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所述的实施例只是本发明的部分具有代表性的实施例，而不是全部实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的其他所有实施例都属于本发明的保护范围。
实施例1 Contourlet阈值去噪
步骤1、图像获取：用1.5T磁共振系统和7个编码梯度对人体乳腺部位进行自旋回波单次激发EPI成像获得，其成像参数为：TR 6.0ms，TE 2.36ms，层厚1.2mm，层距0.24mm，体素为0.9×0.8×51.2mm，SNR为1，获取时间为104s；
步骤2、采用MEDINRIA对该体元进行了人体乳腺腺体组织追踪：参数设置如下：背景滤除门限＝100，部分各向异性门限＝100，平滑度＝0，抽样率＝4，平滑度为0，MFL＝100，抽样速率为较大值；
步骤3、基于Contourlet变换的算法图像去噪：
噪声去噪一般采用模型：y＝x+σ*e，其中，x是期望图像；y是观测的含噪图像；e是噪声；σ是噪声方差；
3.1、确定Contourlet分解的层次K，对含噪图像进行Contourlet变换，得到低频系数a0。和高频系数d0，d1，……dk-1；
3.2、在Contourlet变换域设定阈值对系数进行处理，得到新的Contourlet系数；
硬阈值处理法：
软阈值处理法：
3.3、对处理后的高频系数和低频系数a0进行Contourle逆变换，得到信号即为原始信号x的估计值。
实施例2硬阈值处理方法
引入因子设置图像的硬阈值为其中不同尺度不同方向上能量记为引入因子(k表示第k个尺度，j表示第j个方向)，该因子与第k个尺度第j个方向上的轮廓细节有关，同时也与第k个尺度所分解的总的方向数有关，一旦分解的层数确定后，每一层的一总能量就确定了，即就确定了，因此分解的方向数越多，的比值越小，其中经过大量实验c＝3.1去噪效果最好。
实施例3软阈值处理方法
引入因子设置图像的软阈值为因为δk对不同尺度已经设置了不同的阈值，而包含了对不同尺度进行不同的阈值，所以要对进行修正，一旦分解的层数确定，方向数越多，的比值越小，就越大，在同一层中不同的方向数会得到不同的阈值，尽量减少这种影响，得到
实施例4基于Contourlet域的根据图像轮廓细节特性的图像去噪方法
(1)Contourlet变换经过一个拉普拉斯金字塔滤波器LP(Iaplacian Pyramid)和一个多方向滤波组的分解将图像y分解为子带其中k＝0，…，K-1，j＝1，…，J，K为Contourlet变换分解总层数，J为第k层分解的总方向数；
(2)求出各个尺度各个方向以的能量以及各个尺度的总能量 等于所有系数的平方和；
(3)第k层第j个方向占第k层总能量的百分比越高，就说明图像的轮廓细节越多，阈值应设的较低，引入一个因子轮廓细节越多，其值越小，其中c取3.1；
(4)计算Donoho阈值和多尺度阈值：
(5)用进行调整，得出本发明两个算法的阈值
①硬阈值算法阈值：
②软阈值算法阈值：
(6)对系数进行阈值处理得到采用硬阈值法，即：
(7)对进行Contourlet变换，得到去噪后的图像。
实施例5本发明基于改进全卷积神经网络(FCN)的三维图像分割方法，如图2所示，按照以下步骤进行：
S1.获取乳腺区域三维训练样本，并标记；
S11.用1.5T磁共振系统和7个编码梯度对人体乳腺部位进行自旋回波单次激发EPI成像获得，其成像参数为：TR 6.0ms，TE 2.36ms，层厚1.2mm，层距0.24mm，体素为0.9×0.8×51.2mm，SNR为1，获取时间为104s；
S12.采用MEDINRIA对该体元进行了人体乳腺腺体组织追踪：参数设
置如下：背景滤除门限＝100，部分各向异性门限＝100，平滑度＝0，抽样率＝4，平滑度为
0，MFL＝100，抽样速率为较大值。
S2.对训练乳腺区域进行预处理，获得预处理结果；
S21.计算全部训练图像的平均强度值和标准偏差；
S22.进行了一次归一化运算，包括减去均值和除以方差；
S23.定位感兴趣区域；
S24.用一个96×96×96的立方箱来分割感兴趣区域图像。
S3.构建乳腺兴趣区域分割的全卷积网络结构；
S31.卷积模组；
S311.移除了VGG-16的最后两个全连接层；
S312.移除了最后一个卷积模块的最大池化层；
S32.边输出模组；
S321.每个边输出模块的输入是相对应的VGG-16模块的输出，在每个边输出模块中，用1×1×1的卷积层来将特征通道降低至一个特定的数量，第二至第五个模块拥有128个特征通道，第一个模块拥有64个特征通道；
S322.用一个上采样层来对第二至第五个模块进行分辨率重建，第一个模块，不做任何处理；
S323.在每个模块的最后一步，用1×1×1的卷积核作为分类器来获取每个像素是乳腺或背景的预测概率图，获取五个立体概率图，这五个概率图包含不同尺度特征的信息；
S324.使用一个融合模块来融合五个边输出模块的输出，融合模块包括了一个用于堆叠五个边输出层输出的连接层和一个用于获取最终分割结果的卷积层。
S4.利用训练样本训练乳腺立体分割模型，以获取最优乳腺图像分割模型；
S5.获取被试者乳腺区域样本，并标记；
S6.对测试乳腺区域进行预处理，获得预处理结果；
S62.计算全部测试图像的平均强度值和标准偏差；
S62.进行了一次归一化运算，包括减去均值和除以方差；
S63.定位感兴趣区域；
S64.用一个96×96×96的立方箱来分割感兴趣区域图像。
S7.训练好的分割模型对测试集进行分割；
S8.对全卷积网络的分割结果进行后处理；
S9.选择图像分割的评价指标，进行分割结果统计评价。
S9是用五个评价指标对分割的结果进行统计，定义分割结果的区域为A，“金标准”区域为B，S(*)为数据“*”的表面体素，S为“*”表面体素上的一点，D(*)为欧氏距离，包括：
(1)VOE＝100×(1-(|A∩B|/|AUB|))
(2)RVD＝100×((|A|-|B|)/|B|)
(3)其中，||·||是欧式距离函数。
(4)
(5)
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种乳腺DTI图像去噪方法，其特征在于，所述去噪方法包括：
步骤1、图像获取：用1.5T磁共振系统和7个编码梯度对人体乳腺部位进行自旋回波单次激发EPI成像获得，其成像参数为：TR 6.0ms，TE 2.36ms，层厚1.2mm，层距0.24mm，体素为0.9×0.8×51.2mm，SNR为1，获取时间为104s；
步骤2、采用全卷积神经网络对该获取图像进行分割；
步骤3、提取感兴趣区域周边的结构信息，构造先验图像；基于Contourlet变换的算法图像去噪：
噪声去噪一般采用模型：y＝x+σ*e，其中，x是期望图像；y是观测的含噪图像；e是噪声；σ是噪声方差。
2.根据权利要求1所述的一种乳腺DTI图像去噪方法，其特征在于，所述步骤2包括以下步骤：
S1.获取乳腺区域训练样本，并标记；
S2.对训练乳腺区域进行预处理，获得预处理结果；
S3.构建乳腺兴趣区域分割的全卷积网络结构；
S4.利用训练样本训练乳腺分割模型，以获取最优乳腺图像分割模型；
S5.获取被试者乳腺区域样本，并标记；
S6.对测试乳腺区域进行预处理，获得预处理结果；
S7.训练好的分割模型对测试集进行分割；
S8.对全卷积网络的分割结果进行后处理；
S9.选择图像分割的评价指标，进行分割结果统计评价。
3.根据权利要求2所述的一种乳腺DTI图像去噪方法，其特征在于，所述步骤3包括以下步骤：
3.1、确定Contourlet分解的层次K，对含噪图像进行Contourlet变换，得到低频系数a0。和高频系数d0，d1，……dk-1；
3.2、在Contourlet变换域设定阈值对系数进行处理，得到新的Contourlet系数；
硬阈值处理法：
软阈值处理法：
3.3、对处理后的高频系数和低频系数a0进行Contourle逆变换，得到信号即为原始信号x的估计值。
4.根据权利要求3所述的一种乳腺DTI图像去噪方法，其特征在于，所述S3包括以下步骤：
S31.卷积模组；
S311.移除了VGG-16的最后两个全连接层；
S312.移除了最后一个卷积模块的最大池化层；
S32.边输出模组；
S321.每个边输出模块的输入是相对应的VGG-16模块的输出，在每个边输出模块中，用1×1的卷积层来将特征通道降低至一个特定的数量，第二至第五个模块拥有128个特征通道，第一个模块拥有64个特征通道；
S322.用一个上采样层来对第二至第五个模块进行分辨率重建，第一个模块，我们不做任何处理；
S323.在每个模块的最后一步，用1×1的卷积核作为分类器来获取每个像素是乳腺或背景的预测概率图，获取五个概率图，这五个概率图包含不同尺度特征的信息；
S324.使用一个融合模块来融合五个边输出模块的输出,融合模块包括了一个用于堆叠五个边输出层输出的连接层和一个用于获取最终分割结果的卷积层。
5.根据权利要求3所述的一种乳腺DTI图像去噪方法，其特征在于，所述S9是用六个度量指标对分割的性能进行量化，包括：
(1)DSC方程，计算的是分割图和真实图的重叠，与它们之间的相似性呈正相关：
其中，TP为真阳性,FN为假阴性,FP为假阳性；
(2)PPV方程，用来计算FP和TP的值：
(3)专一性方程，用来计算TN和FP的值：
其中，TN为真阴性；
(4)敏感性方程，用来计算TP和FN的值：
(5)HM方程，评估结果与实际真相之间的差异：
(6)HD方程，比较结果和真实值：
其中，A代表分割的结果，B代表真实值，||·||是欧式距离函数。
6.根据权利要求1所述一种乳腺DTI图像去噪方法，其特征在于，所述步骤3中硬阈值处理方法如下：引入因子设置图像的硬阈值为其中不同尺度不同方向上能量记为引入因子(k表示第k个尺度，j表示第j个方向)，该因子与第k个尺度第j个方向上的轮廓细节有关，同时也与第k个尺度所分解的总的方向数有关，一旦分解的层数确定后，每一层的一总能量就确定了，即就确定了，因此分解的方向数越多，的比值越小。
7.根据权利要求2所述一种乳腺DTI图像去噪方法，其特征在于，所述c的取值为3.1。
8.根据权利要求1所述一种乳腺DTI图像去噪方法，其特征在于，所述步骤3中软阈值处理方法如下：引入因子设置图像的软阈值为因为δk对不同尺度已经设置了不同的阈值，而包含了对不同尺度进行不同的阈值，所以要对进行修正，一旦分解的层数确定，方向数越多，的比值越小，就越大，在同一层中不同的方向数会得到不同的阈值，尽量减少这种影响，得到
9.根据权利要求1-8任一权利要求所述的一种乳腺DTI图像去噪方法，其特征在于，所述含噪图像为针对人体乳腺部位捕获的三维图像。
CN201810470181.2A 2018-05-17 2018-05-17 一种乳腺dti图像去噪方法 Active CN108961171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810470181.2A CN108961171B (zh) 2018-05-17 2018-05-17 一种乳腺dti图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810470181.2A CN108961171B (zh) 2018-05-17 2018-05-17 一种乳腺dti图像去噪方法

Publications (2)

Publication Number Publication Date
CN108961171A true CN108961171A (zh) 2018-12-07
CN108961171B CN108961171B (zh) 2020-12-22

Family

ID=64499177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810470181.2A Active CN108961171B (zh) 2018-05-17 2018-05-17 一种乳腺dti图像去噪方法

Country Status (1)

Country Link
CN (1) CN108961171B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840913A (zh) * 2019-01-21 2019-06-04 中南民族大学 一种乳腺x线图像中肿块分割的方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130322728A1 (en) * 2011-02-17 2013-12-05 The Johns Hopkins University Multiparametric non-linear dimension reduction methods and systems related thereto
CN104732498A (zh) * 2015-03-31 2015-06-24 河海大学 一种基于非下采样Contourlet变换的阈值化图像去噪方法
WO2017114473A1 (en) * 2015-12-31 2017-07-06 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image processing

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130322728A1 (en) * 2011-02-17 2013-12-05 The Johns Hopkins University Multiparametric non-linear dimension reduction methods and systems related thereto
CN104732498A (zh) * 2015-03-31 2015-06-24 河海大学 一种基于非下采样Contourlet变换的阈值化图像去噪方法
WO2017114473A1 (en) * 2015-12-31 2017-07-06 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image processing

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
EVAN SHELHAMER ET AL.: "Fully Convolutional Networks for Semantic Segmentation", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
YONGCHANG ZHENG ET AL.: "Automatic liver segmentation based on appearance and context information", 《BIOMEDICAL ENGINEERING ONLINE》 *
欧阳洪波: "基于contourlet变换的自适应图像去噪及图像融合研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
玄玉波: "基于感兴趣区图像的小波去噪方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
解洪胜: "《基于支持向量机的图像检索若干问题》", 31 October 2013 *
郑光远 等: "医学影像计算机辅助检测与诊断系统综述", 《软件学报》 *
陈建军 等: "多尺度和多方向特征的图像去噪", 《重庆大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840913A (zh) * 2019-01-21 2019-06-04 中南民族大学 一种乳腺x线图像中肿块分割的方法和系统
CN109840913B (zh) * 2019-01-21 2020-12-29 中南民族大学 一种乳腺x线图像中肿块分割的方法和系统

Also Published As

Publication number Publication date
CN108961171B (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
Li et al. Infrared and visible image fusion using a deep learning framework
CN105957063B (zh) 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统
Shenbagarajan et al. Tumor diagnosis in MRI brain image using ACM segmentation and ANN-LM classification techniques
Kumar et al. Breast cancer classification of image using convolutional neural network
CN109872328A (zh) 一种脑部图像分割方法、装置和存储介质
CN109584254A (zh) 一种基于深层全卷积神经网络的心脏左心室分割方法
CN108399611B (zh) 基于梯度正则化的多聚焦图像融合方法
CN103985099B (zh) 一种弥散张量磁共振图像张量域非局部均值去噪方法
Tu et al. Dense-residual network with adversarial learning for skin lesion segmentation
CN112488976B (zh) 一种基于darts网络的多模态医学图像融合方法
Angoth et al. A novel wavelet based image fusion for brain tumor detection
CN112465905A (zh) 基于深度学习的磁共振成像数据的特征脑区定位方法
CN110660063A (zh) 多图像融合的肿瘤三维位置精准定位系统
CN113476032B (zh) 一种基于有向图谐波分析的脑结构与功能耦合的方法
Chen et al. Skin lesion segmentation using recurrent attentional convolutional networks
CN114266939A (zh) 一种基于ResTLU-Net模型的脑提取方法
Li et al. Speckle noise removal based on structural convolutional neural networks with feature fusion for medical image
CN116645283A (zh) 基于自监督感知损失多尺度卷积神经网络的低剂量ct图像去噪方法
Wang et al. A deep learning algorithm for fully automatic brain tumor segmentation
Lepcha et al. Multimodal medical image fusion based on pixel significance using anisotropic diffusion and cross bilateral filter
CN113191968A (zh) 三维超声图像盲去噪模型的建立方法及其应用
Damayanti et al. Corpus callosum segmentation from brain MRI images based on level set method
CN108961171A (zh) 一种乳腺dti图像去噪方法
CN110619633B (zh) 一种基于多路滤波策略的肝脏图像分割方法
CN116342444A (zh) 一种双通道多模态图像融合方法及融合成像终端机

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