CN109801251A - 医学影像的融合方法及基于融合医学影像学习的图像检测方法 - Google Patents
医学影像的融合方法及基于融合医学影像学习的图像检测方法 Download PDFInfo
- Publication number
- CN109801251A CN109801251A CN201910077701.8A CN201910077701A CN109801251A CN 109801251 A CN109801251 A CN 109801251A CN 201910077701 A CN201910077701 A CN 201910077701A CN 109801251 A CN109801251 A CN 109801251A
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- medical image
- medical
- data
- 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.)
- Withdrawn
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了医学影像的融合方法及基于融合医学影像学习的图像检测方法,包括以下方法步骤,a,首先将需要进行融合与检测的图像进行整理,然后对采集的影响进行聚焦数字化处理;b,对采集的图像进行高清数字化加工处理,通过数字计算的方法进行预处理;c,对处理后的图像进行图像块的充分融合排序;d,对融合处理排序后的图像进行校正,充分清除融合中产生的误差;e,最后根据融合规则,对处理后的模态影像进行融合。本发明将不同模态的医学影像融合在一起,互相完善,优势互补,同时通过多种提高准确度的算法进行减少融合过程中产生的误差,并且从不同角度提供病变组织更丰富的信息,整体方法简单值得推广。
Description
技术领域
本发明涉及医疗技术领域,具体为医学影像的融合方法及基于融合医学影像学习的图像检测方法。
背景技术
医学影像学Medical Imaging,是研究借助于某种介质(如X射线、电磁场、超声波等)与人体相互作用,把人体内部组织器官结构、密度以影像方式表现出来,供诊断医师根据影像提供的信息进行判断,从而对人体健康状况进行评价的一门科学,包括医学成像系统和医学图像处理两方面相对独立的研究方向。医学成像又称卤化银成像,因为从前的菲林(胶卷)是用感光材料卤化银化学感光物成像的,医学影像学可以作为一种医疗辅助手段用于诊断和治疗,也可以作为一种科研手段用于生命科学的研究中。诊断主要包括透视、放射线片、CT、MRI、超声、数字减影、血管造影等。治疗主要应用为介入治疗、放疗等方面。另外,除了医疗上面的用途之外,影像学结合其他学术领域,譬如认知心理学(cognitivepsychology)、语言学(linguistics)、教育学(education)、社会学(sociology)等,可以让研究人员探索人类在进行认知行为时的大脑活动,这样的研究已经逐渐成形,学术界称之为认知神经科学(cognitive neuroscience)。医学影像学中的许多技术已经在科学研究的工业中获得了广泛的应用。医学影像学的发展受益于现代计算机技术的突飞猛进,其与图像处理,计算机视觉,模式识别技术的结合产生了一个新的计算机技术分支--医学图像处理。
目前医学的影响融合技术较差,导致图像分析结果不够准确,同时检测方法不够先进,整体会导致诊断误差较大,针对以上所述,那么如何发明出医学影像的融合方法及基于融合医学影像学习的图像检测方法,这成为我们需要解决的问题。
发明内容
本发明的目的在于提供医学影像的融合方法及基于融合医学影像学习的图像检测方法,较大的提高了分析的准确性。
本发明为解决上述现象,采用以下改性的技术方案,医学影像的融合方法及基于融合医学影像学习的图像检测方法,包括以下方法步骤,
a,首先将需要进行融合与检测的图像进行整理,然后对采集的影响进行聚焦数字化处理;
b,对采集的图像进行高清数字化加工处理,通过数字计算的方法进行预处理;
c,对处理后的图像进行图像块的充分融合排序;
d,对融合处理排序后的图像进行校正,充分清除融合中产生的误差;
e,最后根据融合规则,对处理后的模态影像进行融合。
作为本发明的进一步优选方式,步骤a中,计算各多聚焦图像中图像块Ps,t,的适应度f(Ps,t,),其中Ps,t,表示所有多聚焦图像中第t张多聚焦图像的第s个图像块,1≤s≤NS,s、NS均为整数,NS表示多聚焦图像根据增强差分演化过程中相应的分块大小分割成的图像块总数,1≤t≤P,i、P均为整数,P表示多聚焦图像的张数。
作为本发明的进一步优选方式,步骤b中,对图像进行录入图像编辑其中进行二进制编码,过称谓对每一个实例x,通过s=(B’B+2I)-1B’x得到x的低维实数值,然后通过哈希函数得到它的低维二进制代码,其中B是定义的基空间,I是跟B同维度的单位矩阵,对于任意的两个个体i和j之间,如果存在通信记录,那么以数据帧数、数据次数、数据频率数据为参数计算i和j之间的联系权重系数,计算公式如下:Wij=eφ(t)+θ(n)+γ(f),其中Wij表示权重值,φ(t),θ(n),γ(f)分别是传输时长t,数据次数n,数据频率f的函数,函数的具体形式根据具体的应用场景以及用户的经验确定,可以选择指数衰减函数、线性函数等,只需要在指数项上增加新的映射函数即可,对整个数据进行编码,完成数据的深度处理得出第一编码数据帧。
作为本发明的进一步优选方式,步骤c中,所述融合排序的步骤包括,先对第二以太网数据帧分组,得到X组K字节的第一数据组;交替处理所述第一数据组,得到X组对应的N-K字节的第一校验位,其中,X、K和N均为正整数,且N>K;以及将所述第一数据组尾后依次加入所述第一校验位以及帧结束符,得到并输出第一编码数据帧,然后顺次重复操作。
作为本发明的进一步优选方式,步骤d中,所述校正方法是将医学采集的输出图像数据看作是医学采集输入的非线性函数,即g(x)=N(f(x)),X---像素的图像帧存位置值,因此,g(x)可以在固定输入值f0(x)处,根据台劳级数展开得:
g(x)=N(f0(x))+(f(x)-f0(x)
即,g(x)=a0(x)+a1(x)f(x)+a2(x)f2(x)+…;其中,a0(x),a2(x),…为常系数,对于高质量的线阵传感器,二阶以上的高阶项可忽略不计,医学采集输入近似为:f=g(x)-a0(x)a1(x),只要确定了常系数a0(x),a1(x),就可以对采集设备进行校正。
作为本发明的进一步优选方式,所述校正方法,即求出校正因子和暗偏置,两点校正法如下进行,在不曝光的情况下,采集影像的每个像素输出,即测出像素的暗偏置的值,y(DN)=x{n(DN)-a}式中:y(DN)—校正输出值,即g(x);x—校正因子,即上面的a1(x);n(DN)—原始数据值,即上面的f(x);a—暗偏置的值。
本发明的有益效果如下:本发明将不同模态的医学影像融合在一起,互相完善,优势互补,同时通过多种提高准确度的算法进行减少融合过程中产生的误差,并且从不同角度提供病变组织更丰富的信息,以便了解病变的器官或组织的更准确的情况,整体方法简单值得推广。
具体实施方式
下面将结合本发明实施例中,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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所有其他实施例,都属于本发明保护的范围。
本发明提供一种技术方案:医学影像的融合方法及基于融合医学影像学习的图像检测方法,包括以下方法步骤,
a,首先将需要进行融合与检测的图像进行整理,然后对采集的影响进行聚焦数字化处理;
b,对采集的图像进行高清数字化加工处理,通过数字计算的方法进行预处理;
c,对处理后的图像进行图像块的充分融合排序;
d,对融合处理排序后的图像进行校正,充分清除融合中产生的误差;
e,最后根据融合规则,对处理后的模态影像进行融合。
步骤a中,计算各多聚焦图像中图像块Ps,t,的适应度f(Ps,t,),其中Ps,t,表示所有多聚焦图像中第t张多聚焦图像的第s个图像块,1≤s≤NS,s、NS均为整数,NS表示多聚焦图像根据增强差分演化过程中相应的分块大小分割成的图像块总数,1≤t≤P,i、P均为整数,P表示多聚焦图像的张数。
步骤b中,对图像进行录入图像编辑其中进行二进制编码,过称谓对每一个实例x,通过s=(B’B+2I)-1B’x得到x的低维实数值,然后通过哈希函数得到它的低维二进制代码,其中B是定义的基空间,I是跟B同维度的单位矩阵,对于任意的两个个体i和j之间,如果存在通信记录,那么以数据帧数、数据次数、数据频率数据为参数计算i和j之间的联系权重系数,计算公式如下:Wij=eφ(t)+θ(n)+γ(f),其中Wij表示权重值,φ(t),θ(n),γ(f)分别是传输时长t,数据次数n,数据频率f的函数,函数的具体形式根据具体的应用场景以及用户的经验确定,可以选择指数衰减函数、线性函数等,只需要在指数项上增加新的映射函数即可,对整个数据进行编码,完成数据的深度处理得出第一编码数据帧。
步骤c中,所述融合排序的步骤包括,先对第二以太网数据帧分组,得到X组K字节的第一数据组;交替处理所述第一数据组,得到X组对应的N-K字节的第一校验位,其中,X、K和N均为正整数,且N>K;以及将所述第一数据组尾后依次加入所述第一校验位以及帧结束符,得到并输出第一编码数据帧,然后顺次重复操作。
步骤d中,所述校正方法是将医学采集的输出图像数据看作是医学采集输入的非线性函数,即g(x)=N(f(x)),X---像素的图像帧存位置值,因此,g(x)可以在固定输入值f0(x)处,根据台劳级数展开得:
g(x)=N(f0(x))+(f(x)-f0(x)
即,g(x)=a0(x)+a1(x)f(x)+a2(x)f2(x)+…;其中,a0(x),a2(x),…为常系数,对于高质量的线阵传感器,二阶以上的高阶项可忽略不计,医学采集输入近似为:f=g(x)-a0(x)a1(x),只要确定了常系数a0(x),a1(x),就可以对采集设备进行校正。
所述校正方法,即求出校正因子和暗偏置,两点校正法如下进行,在不曝光的情况下,采集影像的每个像素输出,即测出像素的暗偏置的值,y(DN)=x{n(DN)-a}式中:y(DN)—校正输出值,即g(x);x—校正因子,即上面的a1(x);n(DN)—原始数据值,即上面的f(x);a—暗偏置的值。
本发明的融合方法参数表格如下:表1
传统影像分析方法参数表格如下:表2
通过表格明显可以看出本发明的方法更准确,方法更优。
综上,本发明将不同模态的医学影像融合在一起,互相完善,优势互补,同时通过多种提高准确度的算法进行减少融合过程中产生的误差,并且从不同角度提供病变组织更丰富的信息,以便了解病变的器官或组织的更准确的情况,整体方法简单值得推广。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.医学影像的融合方法及基于融合医学影像学习的图像检测方法,其特征在于:包括以下方法步骤,
a,首先将需要进行融合与检测的图像进行整理,然后对采集的影响进行聚焦数字化处理;
b,对采集的图像进行高清数字化加工处理,通过数字计算的方法进行预处理;
c,对处理后的图像进行图像块的充分融合排序;
d,对融合处理排序后的图像进行校正,充分清除融合中产生的误差;
e,最后根据融合规则,对处理后的模态影像进行融合。
2.根据权利要求1所述的医学影像的融合方法及基于融合医学影像学习的图像检测方法,其特征在于,步骤a中,计算各多聚焦图像中图像块Ps,t,的适应度f(Ps,t,),其中Ps,t,表示所有多聚焦图像中第t张多聚焦图像的第s个图像块,1≤s≤NS,s、NS均为整数,NS表示多聚焦图像根据增强差分演化过程中相应的分块大小分割成的图像块总数,1≤t≤P,i、P均为整数,P表示多聚焦图像的张数。
3.根据权利要求1所述的医学影像的融合方法及基于融合医学影像学习的图像检测方法,其特征在于,步骤b中,对图像进行录入图像编辑其中进行二进制编码,过称谓对每一个实例x,通过s=(B’B+2I)-1B’x得到x的低维实数值,然后通过哈希函数得到它的低维二进制代码,其中B是定义的基空间,I是跟B同维度的单位矩阵,对于任意的两个个体i和j之间,如果存在通信记录,那么以数据帧数、数据次数、数据频率数据为参数计算i和j之间的联系权重系数,计算公式如下:Wij=eφ(t)+θ(n)+γ(f),其中Wij表示权重值,φ(t),θ(n),γ(f)分别是传输时长t,数据次数n,数据频率f的函数,函数的具体形式根据具体的应用场景以及用户的经验确定,可以选择指数衰减函数、线性函数等,只需要在指数项上增加新的映射函数即可,对整个数据进行编码,完成数据的深度处理得出第一编码数据帧。
4.根据权利要求1所述的医学影像的融合方法及基于融合医学影像学习的图像检测方法,其特征在于,步骤c中,所述融合排序的步骤包括,先对第二以太网数据帧分组,得到X组K字节的第一数据组;交替处理所述第一数据组,得到X组对应的N-K字节的第一校验位,其中,X、K和N均为正整数,且N>K;以及将所述第一数据组尾后依次加入所述第一校验位以及帧结束符,得到并输出第一编码数据帧,然后顺次重复操作。
5.根据权利要求1所述的医学影像的融合方法及基于融合医学影像学习的图像检测方法,其特征在于,步骤d中,所述校正方法是将医学采集的输出图像数据看作是医学采集输入的非线性函数,即g(x)=N(f(x)),X---像素的图像帧存位置值,因此,g(x)可以在固定输入值f0(x)处,根据台劳级数展开得:
g(x)=N(f0(x))+(f(x)-f0(x)
即,g(x)=a0(x)+a1(x)f(x)+a2(x)f2(x)+…;其中,a0(x),a2(x),…为常系数,对于高质量的线阵传感器,二阶以上的高阶项可忽略不计,医学采集输入近似为:f=g(x)-a0(x)a1(x),只要确定了常系数a0(x),a1(x),就可以对采集设备进行校正。
6.根据权利要求5所述的医学影像的融合方法及基于融合医学影像学习的图像检测方法,其特征在于,所述校正方法,即求出校正因子和暗偏置,两点校正法如下进行,在不曝光的情况下,采集影像的每个像素输出,即测出像素的暗偏置的值,y(DN)=x{n(DN)-a}式中:y(DN)—校正输出值,即g(x);x—校正因子,即上面的a1(x);n(DN)—原始数据值,即上面的f(x);a—暗偏置的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077701.8A CN109801251A (zh) | 2019-01-28 | 2019-01-28 | 医学影像的融合方法及基于融合医学影像学习的图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077701.8A CN109801251A (zh) | 2019-01-28 | 2019-01-28 | 医学影像的融合方法及基于融合医学影像学习的图像检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109801251A true CN109801251A (zh) | 2019-05-24 |
Family
ID=66559089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910077701.8A Withdrawn CN109801251A (zh) | 2019-01-28 | 2019-01-28 | 医学影像的融合方法及基于融合医学影像学习的图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109801251A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110432928A (zh) * | 2019-08-22 | 2019-11-12 | 深圳瀚维智能医疗科技有限公司 | 超声图像扫查方法、装置及设备 |
WO2022178997A1 (zh) * | 2021-02-25 | 2022-09-01 | 平安科技(深圳)有限公司 | 医学影像配准方法、装置、计算机设备及存储介质 |
-
2019
- 2019-01-28 CN CN201910077701.8A patent/CN109801251A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110432928A (zh) * | 2019-08-22 | 2019-11-12 | 深圳瀚维智能医疗科技有限公司 | 超声图像扫查方法、装置及设备 |
CN110432928B (zh) * | 2019-08-22 | 2021-11-26 | 深圳瀚维智能医疗科技有限公司 | 超声图像扫查方法、装置及设备 |
WO2022178997A1 (zh) * | 2021-02-25 | 2022-09-01 | 平安科技(深圳)有限公司 | 医学影像配准方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lewis et al. | Artificial Intelligence in medical imaging practice: looking to the future | |
Wang et al. | AI-assisted CT imaging analysis for COVID-19 screening: Building and deploying a medical AI system | |
Mridha et al. | A comprehensive survey on deep-learning-based breast cancer diagnosis | |
Murphy et al. | The utilisation of convolutional neural networks in detecting pulmonary nodules: a review | |
RU2667879C1 (ru) | Обработка и анализ данных на изображениях компьютерной томографии | |
Verma et al. | CovXmlc: High performance COVID-19 detection on X-ray images using Multi-Model classification | |
WO2021186592A1 (ja) | 診断支援装置及びモデル生成装置 | |
EP3570288A1 (en) | Method for obtaining at least one feature of interest | |
Xie et al. | SERU: A cascaded SE‐ResNeXT U‐Net for kidney and tumor segmentation | |
Tan et al. | A selective kernel-based cycle-consistent generative adversarial network for unpaired low-dose CT denoising | |
Cho et al. | Detection of the location of pneumothorax in chest X-rays using small artificial neural networks and a simple training process | |
Fu et al. | Deep-learning-based CT imaging in the quantitative evaluation of chronic kidney diseases | |
CN109801251A (zh) | 医学影像的融合方法及基于融合医学影像学习的图像检测方法 | |
Karthik et al. | Deep neural models for automated multi-task diagnostic scan management—quality enhancement, view classification and report generation | |
Asif et al. | StoneNet: An Efficient Lightweight Model Based on Depthwise Separable Convolutions for Kidney Stone Detection from CT Images | |
Xiao et al. | PET and CT image fusion of lung cancer with siamese pyramid fusion network | |
Wali et al. | StynMedGAN: Medical images augmentation using a new GAN model for improved diagnosis of diseases | |
Xue et al. | Region-of-interest aware 3D ResNet for classification of COVID-19 chest computerised tomography scans | |
Wang et al. | HFCF‐Net: a hybrid‐feature cross fusion network for COVID‐19 lesion segmentation from CT volumetric images | |
Rahman et al. | A Systematic Literature Review of 3D Deep Learning Techniques in Computed Tomography Reconstruction | |
Faure et al. | A Convolutional Neural Network for Dental Panoramic Radiograph Classification | |
Seeram | Computed tomography image reconstruction | |
Crosby et al. | Deep convolutional neural networks in the classification of dual-energy thoracic radiographic views for efficient workflow: analysis on over 6500 clinical radiographs | |
Velusamy et al. | Faster Region‐based Convolutional Neural Networks with You Only Look Once multi‐stage caries lesion from oral panoramic X‐ray images | |
Nelson et al. | Can convolutional neural networks identify external carotid artery calcifications? |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190524 |
|
WW01 | Invention patent application withdrawn after publication |