CN110458770A - 一种医学图像亮度均一化校正方法 - Google Patents
一种医学图像亮度均一化校正方法 Download PDFInfo
- Publication number
- CN110458770A CN110458770A CN201910683490.2A CN201910683490A CN110458770A CN 110458770 A CN110458770 A CN 110458770A CN 201910683490 A CN201910683490 A CN 201910683490A CN 110458770 A CN110458770 A CN 110458770A
- Authority
- CN
- China
- Prior art keywords
- image
- brightness
- medical image
- bearing calibration
- image brightness
- 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
Links
- 238000000265 homogenisation Methods 0.000 title abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 239000003814 drug Substances 0.000 claims description 9
- 238000007323 disproportionation reaction Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 abstract description 4
- 238000010408 sweeping Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- ARAIBEBZBOPLMB-UFGQHTETSA-N zanamivir Chemical compound CC(=O)N[C@@H]1[C@@H](N=C(N)N)C=C(C(O)=O)O[C@H]1[C@H](O)[C@H](O)CO ARAIBEBZBOPLMB-UFGQHTETSA-N 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
- 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]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/30016—Brain
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种医学图像亮度均一化校正方法，所述医学图像亮度均一化校正方法包括：构建目标医学图像的亮度缺陷图像集合；以所述目标医学图像为标准，进行深度卷积神经网络训练，以获得图像亮度分布特征；根据所述图像亮度分布特征构建图像亮度调整模型；根据所述图像亮度调整模型训练待校正的医学图像，以获得亮度均一的医学图像。通过深度卷积神经网络训练获得的图像亮度分布特征构建图像亮度调整模型(即生成对抗神经网络)，利用所述图像亮度调整模型自动进行医学图像亮度均一化校正，提升医学图像利用率，降低了因重扫带来的时间和资源成本。
Description
技术领域
本发明涉及医学成像技术领域，特别涉及一种医学图像亮度均一化校正方法。
背景技术
在医学成像系统中，图像质量取决于很多因素，例如空间分辨率，组织对比度，信号噪比，对比噪声比，图像缺陷。为了呈现出最好的图像质量，硬件和扫描参数都根据不同的器官进行过优化。但是仍存在不可抗影响因素，例如硬件限制或是被检体的生理因素影响扫描往往不能达到最优化的设置。
影响图像质量最大的缺陷之一是图像亮度，图像亮度不均匀会影响诊断质量。例如，在磁共振成像中，射频场不均匀会导致图像亮度不均这一问题。为了保证图像扫描质量，操作者往往需要人工检查图像亮度均一化程度，并根据图像质量是否影响诊断，确定是否需要加扫或者重扫。
针对现有技术中图像亮度不均匀会影响诊断质量的问题，本领域技术人员一直在寻找解决的方法。
发明内容
本发明的目的在于提供一种医学图像亮度均一化校正方法，以解决使用现有技术中图像亮度不均匀，导致图像质量下降，影响诊断质量的问题。
为解决上述技术问题，本发明提供一种医学图像亮度均一化校正方法，所述医学图像亮度均一化校正方法包括如下步骤：
构建目标医学图像的亮度缺陷图像集合；其中，所述目标医学图像为亮度均一的医学图像，所述亮度缺陷图像集合中的元素为亮度不均一的目标医学图像；
以所述目标医学图像为标准，进行深度卷积神经网络训练，以获得图像亮度分布特征；
根据所述图像亮度分布特征构建图像亮度调整模型；
根据所述图像亮度调整模型训练待校正的医学图像，以获得亮度均一的医学图像。
可选的，在所述的医学图像亮度均一化校正方法中，所述构建目标医学图像的亮度缺陷图像集合采用方式为：通过手工调整亮度分布获得。
可选的，在所述的医学图像亮度均一化校正方法中，所述构建目标医学图像的亮度缺陷图像集合采用方式为：通过调整射频场参数获得。
可选的，在所述的医学图像亮度均一化校正方法中，所述图像亮度调整模型为生成对抗神经网络。
可选的，在所述的医学图像亮度均一化校正方法中，所述医学图像为MR图像。
可选的，在所述的医学图像亮度均一化校正方法中，所述医学图像为PET图像。
在本发明所提供的医学图像亮度均一化校正方法中，所述医学图像亮度均一化校正方法包括：构建目标医学图像的亮度缺陷图像集合；以所述目标医学图像为标准，进行深度卷积神经网络训练，以获得图像亮度分布特征；根据所述图像亮度分布特征构建图像亮度调整模型；根据所述图像亮度调整模型训练待校正的医学图像，以获得亮度均一的医学图像。通过深度卷积神经网络训练获得的图像亮度分布特征构建图像亮度调整模型(即生成对抗神经网络)，利用所述图像亮度调整模型自动进行医学图像亮度均一化校正，提升医学图像利用率，降低了因重扫带来的时间和资源成本。
附图说明
图1是本发明一实施例中医学图像亮度均一化校正方法的制造方法的流程图；
图2是本发明一实施例中生成对抗神经网络的训练过程；
图3是本发明一实施例中根据生成对抗神经网络校正待校正的医学图像的过程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
请参考图1及图2，图1为本发明的医学图像亮度均一化校正方法的流程图；图2为生成对抗神经网络的训练过程。如图1及图2所示，所述医学图像亮度均一化校正方法，包括：
首先，执行步骤S1，构建目标医学图像的亮度缺陷图像集合；其中，所述目标医学图像为亮度均一的医学图像，所述亮度缺陷图像集合中的元素为亮度不均一的目标医学图像；
具体的，构建目标医学图像的亮度缺陷图像集合可以采用如下两种方式中的任一种：
方式一：通过手工调整亮度分布获得亮度缺陷图像，进而将所有亮度缺陷图像放到同一集合中。
方式二：通过调整射频场参数获得亮度缺陷图像，进而将所有亮度缺陷图像放到同一集合中。
接着，执行步骤S2，以所述目标医学图像为标准，进行深度卷积神经网络训练，以获得图像亮度分布特征；
接着，执行步骤S3，根据所述图像亮度分布特征构建图像亮度调整模型(即生成对抗神经网络GAN)；
接着，执行步骤S4，根据所述图像亮度调整模型训练待校正的医学图像，以获得亮度均一的医学图像(即目标医学图像)。
本发明提供的医学图像亮度均一化校正方法可以适用于MR图像，也可以适用于PET图像。
为了便于理解本发明提供的医学图像亮度均一化校正方法，下面以医学成像为MR图像为例，进行实例性说明，具体请参考图2及图3。如图2所示，GAB、GBA均为生成器，GAB可以将空间A中的图片转换为空间B中的图片，GBA可以将空间B中的图片转换为空间A中的图片；A为亮度不均一(亮度缺陷)的MR图像，B为亮度均匀的MR图像；DA，DB均为判别器；LA是生成器的重建损失函数；LB是判别器的判别损失函数。
请继续参考图2，具体的，CycleGAN的原理可以概述为：将一类图片(亮度不均一的图)转换成另一类图片(亮度均一的图)。也就是说，现在有两个样本空间：A和B，希望把A空间中的样本转换成B空间中的样本(获取一个数据集的特征，并转化成另一个数据集的特征)。因此，实际的目标就是学习从图片空间A到图片空间B的映射。假设这个映射为生成器GAB，它就对应着GAN中的判别器DA；GAB可以将空间A中的图片转换为空间B中的图片。对于生成的图片，还需要GAN中的判别器来判别它是否为真实图片，由此构成对抗生成网络。设这个判别器为DB。总之，为了实现这个过程，需要两个生成器GAB和GBA，分别把空间A和空间B的图片进行互相转换。或者，说空间A的图片经过生成器GAB表示空间B的重建图片。空间B的图片经过生成器GBA表示空间A的重建图片。最后为了训练这个单向GAN需要两个损失函数，分别是生成器的重建损失函数LA和判别器的判别损失函数LB。
请继续参考图3，其描述循环对抗深度学习网络的过程，输入不均一的数据，输出金标准均一化的数据，通过生成对抗神经网络学习之间对应关系。由于生成对抗神经网络GAN的原理为已知情况，因此，此处不做过多赘述。
综上，在本发明所提供的医学图像亮度均一化校正方法中，所述医学图像亮度均一化校正方法包括：构建目标医学图像的亮度缺陷图像集合；以所述目标医学图像为标准，进行深度卷积神经网络训练，以获得图像亮度分布特征；根据所述图像亮度分布特征构建图像亮度调整模型；根据所述图像亮度调整模型训练待校正的医学图像，以获得亮度均一的医学图像。通过深度卷积神经网络训练获得的图像亮度分布特征构建图像亮度调整模型(即生成对抗神经网络)，利用所述图像亮度调整模型自动进行医学图像亮度均一化校正，提升医学图像利用率，降低了因重扫带来的时间和资源成本。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (6)
1.一种医学图像亮度均一化校正方法，其特征在于，包括如下步骤：
构建目标医学图像的亮度缺陷图像集合；其中，所述目标医学图像为亮度均一的医学图像，所述亮度缺陷图像集合中的元素为亮度不均一的目标医学图像；
以所述目标医学图像为标准，进行深度卷积神经网络训练，以获得图像亮度分布特征；
根据所述图像亮度分布特征构建图像亮度调整模型；
根据所述图像亮度调整模型训练待校正的医学图像，以获得亮度均一的医学图像。
2.如权利要求1所述的医学图像亮度均一化校正方法，其特征在于，所述构建目标医学图像的亮度缺陷图像集合采用方式为：通过手工调整亮度分布获得。
3.如权利要求1所述的医学图像亮度均一化校正方法，其特征在于，所述构建目标医学图像的亮度缺陷图像集合采用方式为：通过调整射频场参数获得。
4.如权利要求1所述的医学图像亮度均一化校正方法，其特征在于，所述图像亮度调整模型为生成对抗神经网络。
5.如权利要求1～4中任一项所述的医学图像亮度均一化校正方法，其特征在于，所述医学图像为MR图像。
6.如权利要求1～4中任一项所述的医学图像亮度均一化校正方法，其特征在于，所述医学图像为PET图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910683490.2A CN110458770A (zh) | 2019-07-26 | 2019-07-26 | 一种医学图像亮度均一化校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910683490.2A CN110458770A (zh) | 2019-07-26 | 2019-07-26 | 一种医学图像亮度均一化校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110458770A true CN110458770A (zh) | 2019-11-15 |
Family
ID=68483565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910683490.2A Pending CN110458770A (zh) | 2019-07-26 | 2019-07-26 | 一种医学图像亮度均一化校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458770A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107730473A (zh) * | 2017-11-03 | 2018-02-23 | 中国矿业大学 | 一种基于深度神经网络的煤矿井下图像处理方法 |
| US20180225823A1 (en) * | 2017-02-09 | 2018-08-09 | Siemens Healthcare Gmbh | Adversarial and Dual Inverse Deep Learning Networks for Medical Image Analysis |
| CN108921825A (zh) * | 2018-06-12 | 2018-11-30 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的检测面部皮肤点状缺陷的方法及装置 |
| CN109671036A (zh) * | 2018-12-26 | 2019-04-23 | 上海联影医疗科技有限公司 | 一种图像校正方法、装置、计算机设备及存储介质 |
| CN110021037A (zh) * | 2019-04-17 | 2019-07-16 | 南昌航空大学 | 一种基于生成对抗网络的图像非刚性配准方法及系统 |
-
2019
- 2019-07-26 CN CN201910683490.2A patent/CN110458770A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180225823A1 (en) * | 2017-02-09 | 2018-08-09 | Siemens Healthcare Gmbh | Adversarial and Dual Inverse Deep Learning Networks for Medical Image Analysis |
| CN107730473A (zh) * | 2017-11-03 | 2018-02-23 | 中国矿业大学 | 一种基于深度神经网络的煤矿井下图像处理方法 |
| CN108921825A (zh) * | 2018-06-12 | 2018-11-30 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的检测面部皮肤点状缺陷的方法及装置 |
| CN109671036A (zh) * | 2018-12-26 | 2019-04-23 | 上海联影医疗科技有限公司 | 一种图像校正方法、装置、计算机设备及存储介质 |
| CN110021037A (zh) * | 2019-04-17 | 2019-07-16 | 南昌航空大学 | 一种基于生成对抗网络的图像非刚性配准方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈锟等: "生成对抗网络在医学图像处理中的应用", 《生命科学仪器》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2020200895B2 (en) | A system and method for image acquisition using supervised high quality imaging | |
| WO2019100718A1 (zh) | 基于深度学习的优化超声成像系统参数的方法 | |
| Joseph et al. | A fully customized enhancement scheme for controlling brightness error and contrast in magnetic resonance images | |
| CN101930595A (zh) | 图像处理方法和图像处理设备 | |
| CN109350100A (zh) | 医学成像方法、医学成像设备以及计算机可读存储介质 | |
| WO2020070834A1 (ja) | 学習済みモデルの製造方法、輝度調整方法および画像処理装置 | |
| CN111127430A (zh) | 确定医学影像显示参数的方法及装置 | |
| CN108270976A (zh) | 具有滚动曝光时间补偿的图像感测方法与图像传感器 | |
| CN109523458B (zh) | 一种结合稀疏诱导动态引导滤波的高精度稀疏角度ct重建方法 | |
| CN110060222A (zh) | 一种图像校正方法、装置及内窥镜系统 | |
| CN1284117C (zh) | 用于在医学成像中进行图像显示的方法 | |
| CN109375125A (zh) | 一种修正正则化参数的压缩感知磁共振成像重建方法 | |
| EP1156665A2 (en) | Method of automatically determining tone-scale parameters for a digital image | |
| CN108550140B (zh) | 一种面向图像集的置信度一致性增强质量评价方法 | |
| WO2019152534A1 (en) | Systems and methods for image signal processor tuning | |
| CN104720835A (zh) | 显示装置、图像显示方法和计算机化断层扫描设备 | |
| CN107374657B (zh) | 对ct扫描数据进行校正的方法及ct扫描系统 | |
| CN104952059B (zh) | 用于将图像检测系统的错误识别自动参数化的方法 | |
| CN110458770A (zh) | 一种医学图像亮度均一化校正方法 | |
| CN113838161B (zh) | 一种基于图学习的稀疏投影重建方法 | |
| US7327895B2 (en) | Method and apparatus for filtering a digital image acquired with a medical device using a spatial-frequency operator | |
| CN107169937A (zh) | 一种应用在医疗影像设备中的图像处理方法和医疗影像设备 | |
| JP4323770B2 (ja) | 画像処理装置、画像処理方法、プログラム及び記録媒体 | |
| KR20200129616A (ko) | 혼합 콘볼루션 신경망을 이용하여 디지털 유방 단층촬영합성 영상을 보정하는 방법 및 장치 | |
| CN111199525B (zh) | 一种图像直方图均衡增强方法及系统 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191115 Assignee: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. Assignor: Zhongshan Hospital, Fudan University Contract record no.: X2020980004121 Denomination of invention: Medical image brightness homogenization correction method License type: Exclusive License Record date: 20200716 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |
|
| RJ01 | Rejection of invention patent application after publication |