CN113538416A - 一种基于深度学习的医学图像处理方法 - Google Patents

一种基于深度学习的医学图像处理方法 Download PDF

Info

Publication number
CN113538416A
CN113538416A CN202110953435.8A CN202110953435A CN113538416A CN 113538416 A CN113538416 A CN 113538416A CN 202110953435 A CN202110953435 A CN 202110953435A CN 113538416 A CN113538416 A CN 113538416A
Authority
CN
China
Prior art keywords
enhanced
feature map
image
characteristic diagram
images
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
CN202110953435.8A
Other languages
English (en)
Inventor
李锋刚
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.)
Intelligent Manufacturing Institute of Hefei University Technology
Original Assignee
Intelligent Manufacturing Institute of Hefei University Technology
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 Intelligent Manufacturing Institute of Hefei University Technology filed Critical Intelligent Manufacturing Institute of Hefei University Technology
Priority to CN202110953435.8A priority Critical patent/CN113538416A/zh
Publication of CN113538416A publication Critical patent/CN113538416A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/20172—Image enhancement details

Landscapes

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

Abstract

本发明涉及图像处理，具体涉及一种基于深度学习的医学图像处理方法，获取多张包括相邻切片图的待检医学图像，并对待检医学图像进行二值化处理，得到二值化图像，对二值化图像进行降噪处理，得到降噪图像，并对降噪图像进行图像增强处理，得到增强图像，利用深度学习神经网络获取各增强图像的基础特征图，对各增强图像的基础特征图进行特征融合，得到各切片图的增强特征图，对各增强特征图进行空洞卷积操作，以生成各增强特征图的叠加特征图，根据各增强特征图的叠加特征图，预测待检医学图像中的病灶位置；本发明提供的技术方案能够有效克服现有技术所存在的无法对医学图像进行有效处理、不能辅助判断病灶位置的缺陷。

Description

一种基于深度学习的医学图像处理方法
技术领域
本发明涉及图像处理，具体涉及一种基于深度学习的医学图像处理方法。
背景技术
医学图像已成为现代医学诊断不可或缺的一部分，直接影响医生诊断的准确性和疾病治疗的及时性。医学图像信息量大且细节丰富，但在医学图像的获取过程中，图像会受到各种因素的干扰，以至于获得的医学图像中存在各种噪声(包括系统噪声、随机噪声等)。医学图像特殊的存储和传输方式使得其动态范围较高且对比度低，而传感器灵敏度和模数转换过程会导致图像边缘模糊、分辨率低且细节不清晰，这些缺点使得通过直接获取医学图像对病理进行分析非常困难，难以准确判断病灶位置，甚至导致产生较大的诊断偏差。
在医学影像中，由于X光投射成像技术具有速度快、成本低、可靠性高的优良特点，其在医疗领域的应用日益广泛。但是，由于人体内部组织错综复杂以及X射线有散射特性等因素的影响，使得采集的X光医学图像往往存在噪声水平高、对比度低、图像模糊的问题，使得医学图像辨识率较低，对医学影像分析和诊断造成很大的影响，因此需要对X光等医学图像进行针对性的图像处理。
在目前的实际应用中，对X光医学图像质量进行提升的方法较为简单，通常都是采用一些传统的图像增强方法，这些方法的好处是实现简单，易于集成到医疗设备上，但是实际处理效果却不够理想。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种基于深度学习的医学图像处理方法，能够有效克服现有技术所存在的无法对医学图像进行有效处理、不能辅助判断病灶位置的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于深度学习的医学图像处理方法，包括以下步骤：
S1、获取多张包括相邻切片图的待检医学图像，并对待检医学图像进行二值化处理，得到二值化图像；
S2、对二值化图像进行降噪处理，得到降噪图像，并对降噪图像进行图像增强处理，得到增强图像；
S3、利用深度学习神经网络获取各增强图像的基础特征图，对各增强图像的基础特征图进行特征融合，得到各切片图的增强特征图；
S4、对各增强特征图进行空洞卷积操作，以生成各增强特征图的叠加特征图；
S5、根据各增强特征图的叠加特征图，预测待检医学图像中的病灶位置。
优选地，S1中对待检医学图像进行二值化处理，得到二值化图像，包括：
采用下式对对待检医学图像进行二值化处理：
Figure BDA0003219393130000021
其中，g(x,y)为二值化图像中(x，y)处像素点的灰度值；f(x,y)为待检医学图像中(x，y)处像素点的灰度值；T为二值化阈值，设为120。
优选地，S2中对二值化图像进行降噪处理，得到降噪图像，包括：
将二值化图像中任一像素点的值用该点周围各像素点值的中值替代，消除孤立的噪声点。
优选地，所述将二值化图像中任一像素点的值用该点周围各像素点值的中值替代，消除孤立的噪声点，包括：
利用圆形二维滑动模板在二值化图像上滑动，将模板内的像素值按照从小到大的顺序进行排序，并通过下式对二值化图像进行降噪处理：
g(x,y)＝med[f(x-k,y-l)]
其中，g(x,y)代表降噪图像中(x，y)处的像素值；f(x,y)为二值化图像中(x，y)处的像素值；k,l∈W，W为圆形二维滑动模板。
优选地，S3中对各增强图像的基础特征图进行特征融合，得到各切片图的增强特征图，包括：
根据进行卷积操作后各增强图像的第i张基础特征图、进行卷积操作以及上采样操作后各增强图像的第j张基础特征图，获得各切片图的第k张增强特征图。
优选地，S4中对各增强特征图进行空洞卷积操作，以生成各增强特征图的叠加特征图，包括：
通过M个空洞卷积层对各增强特征图进行处理，获得各增强特征图的M张空洞特征图；
通过普通卷积层对各增强特征图进行处理，获得各增强特征图的卷积特征图；
根据各增强特征图的空洞特征图、卷积特征图，获得各增强特征图的叠加特征图。
优选地，所述根据各增强特征图的空洞特征图、卷积特征图，获得各增强特征图的叠加特征图，包括：
连接各增强特征图的空洞特征图、卷积特征图，获得各增强特征图的级联特征图；
根据各增强特征图的级联特征图，获得空洞卷积层、普通卷积层各自权重；
根据各增强特征图及其空洞特征图、卷积特征图、空洞卷积层权重、普通卷积层权重，获得各增强特征图的叠加特征图。
(三)有益效果
与现有技术相比，本发明所提供的一种基于深度学习的医学图像处理方法，具有以下有益效果：
1)在利用深度学习神经网络进行图像特征提取前，先对待检医学图像进行二值化处理、降噪处理和图像增强处理，充分提升医学图像的图像质量，一方面便于通过直接获取医学图像对病理进行分析，另一方面便于后续深度学习神经网络的处理，保证辅助判断病灶位置的准确性；
2)利用深度学习神经网络获取各增强图像的基础特征图，对各增强图像的基础特征图进行特征融合，得到各切片图的增强特征图，对各增强特征图进行空洞卷积操作，以生成各增强特征图的叠加特征图，根据各增强特征图的叠加特征图，预测待检医学图像中的病灶位置，从而能够辅助判断病灶位置，提供关于病灶位置判断的参考依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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作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。
一种基于深度学习的医学图像处理方法，如图1所示，S1、获取多张包括相邻切片图的待检医学图像，并对待检医学图像进行二值化处理，得到二值化图像。
其中，对待检医学图像进行二值化处理，得到二值化图像，包括：
采用下式对对待检医学图像进行二值化处理：
Figure BDA0003219393130000051
其中，g(x,y)为二值化图像中(x，y)处像素点的灰度值；f(x,y)为待检医学图像中(x，y)处像素点的灰度值；T为二值化阈值，设为120。
S2、对二值化图像进行降噪处理，得到降噪图像，并对降噪图像进行图像增强处理，得到增强图像。
其中，对二值化图像进行降噪处理，得到降噪图像，包括：
将二值化图像中任一像素点的值用该点周围各像素点值的中值替代，消除孤立的噪声点；
利用圆形二维滑动模板在二值化图像上滑动，将模板内的像素值按照从小到大的顺序进行排序，并通过下式对二值化图像进行降噪处理：
g(x,y)＝med[f(x-k,y-l)]
其中，g(x,y)代表降噪图像中(x，y)处的像素值；f(x,y)为二值化图像中(x，y)处的像素值；k,l∈W，W为圆形二维滑动模板。
本申请技术方案中，利用伽马矫正算法对降噪图像进行图像增强处理，并利用图像参数检测算法对增强图像进行有效信息的定位，增强后的待检医学图像中的有效信息包括细胞图像信息和器官图像信息。通过对医学图像的各通道进行伽马矫正，以对细胞图像进行增强处理，使得各个细胞更加分明，很多初始不清晰可见的细胞团变得清晰可见，更利于对细胞和器官的异常进行有效诊断。
S3、利用深度学习神经网络获取各增强图像的基础特征图，对各增强图像的基础特征图进行特征融合，得到各切片图的增强特征图。
其中，对各增强图像的基础特征图进行特征融合，得到各切片图的增强特征图，包括：
根据进行卷积操作后各增强图像的第i张基础特征图、进行卷积操作以及上采样操作后各增强图像的第j张基础特征图，获得各切片图的第k张增强特征图。
S4、对各增强特征图进行空洞卷积操作，以生成各增强特征图的叠加特征图，具体包括：
通过M个空洞卷积层对各增强特征图进行处理，获得各增强特征图的M张空洞特征图；
通过普通卷积层对各增强特征图进行处理，获得各增强特征图的卷积特征图；
根据各增强特征图的空洞特征图、卷积特征图，获得各增强特征图的叠加特征图。
其中，根据各增强特征图的空洞特征图、卷积特征图，获得各增强特征图的叠加特征图，包括：
连接各增强特征图的空洞特征图、卷积特征图，获得各增强特征图的级联特征图；
根据各增强特征图的级联特征图，获得空洞卷积层、普通卷积层各自权重；
根据各增强特征图及其空洞特征图、卷积特征图、空洞卷积层权重、普通卷积层权重，获得各增强特征图的叠加特征图。
S5、根据各增强特征图的叠加特征图，预测待检医学图像中的病灶位置。
本申请技术方案中，M个空洞卷积层的卷积核参数共享(即保持参数一致)，从而可以减少参数量，一定程度上能够避免过拟合，提高训练速度和预测速度。
本申请技术方案中，深度学习神经网络可以采用ResNet、MobileNet、DenseNet等任意一种或者多种的组合形式作为基础特征提取网络。由于ResNet采用残差连接(residual connection)和BN(batch normalization，批归一化)，使得模型训练较为容易。
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，并不会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 (7)

1.一种基于深度学习的医学图像处理方法，其特征在于：包括以下步骤：
S1、获取多张包括相邻切片图的待检医学图像，并对待检医学图像进行二值化处理，得到二值化图像；
S2、对二值化图像进行降噪处理，得到降噪图像，并对降噪图像进行图像增强处理，得到增强图像；
S3、利用深度学习神经网络获取各增强图像的基础特征图，对各增强图像的基础特征图进行特征融合，得到各切片图的增强特征图；
S4、对各增强特征图进行空洞卷积操作，以生成各增强特征图的叠加特征图；
S5、根据各增强特征图的叠加特征图，预测待检医学图像中的病灶位置。
2.根据权利要求1所述的基于深度学习的医学图像处理方法，其特征在于：S1中对待检医学图像进行二值化处理，得到二值化图像，包括：
采用下式对对待检医学图像进行二值化处理：
Figure FDA0003219393120000011
其中，g(x,y)为二值化图像中(x，y)处像素点的灰度值；f(x,y)为待检医学图像中(x，y)处像素点的灰度值；T为二值化阈值，设为120。
3.根据权利要求2所述的基于深度学习的医学图像处理方法，其特征在于：S2中对二值化图像进行降噪处理，得到降噪图像，包括：
将二值化图像中任一像素点的值用该点周围各像素点值的中值替代，消除孤立的噪声点。
4.根据权利要求3所述的基于深度学习的医学图像处理方法，其特征在于：所述将二值化图像中任一像素点的值用该点周围各像素点值的中值替代，消除孤立的噪声点，包括：
利用圆形二维滑动模板在二值化图像上滑动，将模板内的像素值按照从小到大的顺序进行排序，并通过下式对二值化图像进行降噪处理：
g(x,y)＝med[f(x-k,y-l)]
其中，g(x,y)代表降噪图像中(x，y)处的像素值；f(x,y)为二值化图像中(x，y)处的像素值；k,l∈W，W为圆形二维滑动模板。
5.根据权利要求3所述的基于深度学习的医学图像处理方法，其特征在于：S3中对各增强图像的基础特征图进行特征融合，得到各切片图的增强特征图，包括：
根据进行卷积操作后各增强图像的第i张基础特征图、进行卷积操作以及上采样操作后各增强图像的第j张基础特征图，获得各切片图的第k张增强特征图。
6.根据权利要求5所述的基于深度学习的医学图像处理方法，其特征在于：S4中对各增强特征图进行空洞卷积操作，以生成各增强特征图的叠加特征图，包括：
通过M个空洞卷积层对各增强特征图进行处理，获得各增强特征图的M张空洞特征图；
通过普通卷积层对各增强特征图进行处理，获得各增强特征图的卷积特征图；
根据各增强特征图的空洞特征图、卷积特征图，获得各增强特征图的叠加特征图。
7.根据权利要求6所述的基于深度学习的医学图像处理方法，其特征在于：所述根据各增强特征图的空洞特征图、卷积特征图，获得各增强特征图的叠加特征图，包括：
连接各增强特征图的空洞特征图、卷积特征图，获得各增强特征图的级联特征图；
根据各增强特征图的级联特征图，获得空洞卷积层、普通卷积层各自权重；
根据各增强特征图及其空洞特征图、卷积特征图、空洞卷积层权重、普通卷积层权重，获得各增强特征图的叠加特征图。
CN202110953435.8A 2021-08-19 2021-08-19 一种基于深度学习的医学图像处理方法 Pending CN113538416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110953435.8A CN113538416A (zh) 2021-08-19 2021-08-19 一种基于深度学习的医学图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110953435.8A CN113538416A (zh) 2021-08-19 2021-08-19 一种基于深度学习的医学图像处理方法

Publications (1)

Publication Number Publication Date
CN113538416A true CN113538416A (zh) 2021-10-22

Family

ID=78091772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110953435.8A Pending CN113538416A (zh) 2021-08-19 2021-08-19 一种基于深度学习的医学图像处理方法

Country Status (1)

Country Link
CN (1) CN113538416A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110111313A (zh) * 2019-04-22 2019-08-09 腾讯科技（深圳）有限公司 基于深度学习的医学图像检测方法及相关设备
CN110504029A (zh) * 2019-08-29 2019-11-26 腾讯医疗健康(深圳)有限公司 一种医学图像处理方法、医学图像识别方法及装置
CN111951283A (zh) * 2020-08-12 2020-11-17 汪礼君 一种基于深度学习的医学图像识别方法及系统
WO2021051593A1 (zh) * 2019-09-19 2021-03-25 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110111313A (zh) * 2019-04-22 2019-08-09 腾讯科技（深圳）有限公司 基于深度学习的医学图像检测方法及相关设备
CN110504029A (zh) * 2019-08-29 2019-11-26 腾讯医疗健康(深圳)有限公司 一种医学图像处理方法、医学图像识别方法及装置
WO2021036616A1 (zh) * 2019-08-29 2021-03-04 腾讯科技（深圳）有限公司 一种医疗图像处理方法、医疗图像识别方法及装置
WO2021051593A1 (zh) * 2019-09-19 2021-03-25 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN111951283A (zh) * 2020-08-12 2020-11-17 汪礼君 一种基于深度学习的医学图像识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宫进昌;赵尚义;王远军;: "基于深度学习的医学图像分割研究进展", 中国医学物理学杂志, no. 04 *

Similar Documents

Publication Publication Date Title
CN114820494B (zh) 用于可视化流动的使用机器学习的散斑对比度分析
CN110717888B (zh) 一种血管内光学相干层析成像血管壁内轮廓自动识别方法
CN115841434B (zh) 一种用于气体浓度分析的红外图像增强方法
CN111415339B (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN111612756B (zh) 冠状动脉特异性钙化检测方法及装置
CN112102259A (zh) 一种基于边界引导深度学习的图像分割算法
CN106296763A (zh) 一种金属材料工业ct图像质量快速校正方法
CN112348785A (zh) 一种癫痫病灶定位方法及系统
Zhao et al. Attention residual convolution neural network based on U-net (AttentionResU-Net) for retina vessel segmentation
CN115546232A (zh) 一种肝脏超声图像工作区域提取方法、系统及电子设备
CN111612773A (zh) 一种红外热像仪及实时自动盲元检测处理方法
CN117036310A (zh) 一种dicom影像外围轮廓的识别提取方法
CN116630762A (zh) 一种基于深度学习的多模态医学图像融合方法
CN112381084B (zh) 断层图像的轮廓自动识别方法
CN116188510B (zh) 一种基于多传感器的企业排放数据采集系统
CN111640097B (zh) 皮肤镜图像识别方法及设备
CN112700409A (zh) 视网膜微动脉瘤自动检测方法及成像方法
CN111339993A (zh) 一种x射线图像金属检测方法和系统
CN110033496B (zh) 时间序列三维视网膜sd-oct图像的运动伪差校正方法
CN111640160A (zh) 一种ct图像预处理方法
CN113538416A (zh) 一种基于深度学习的医学图像处理方法
CN110930346B (zh) 一种眼底图像微血管瘤自动检测方法及存储设备
Sulaiman et al. De-noising of noisy MRI brain image using the switching-based clustering algorithm
CN116433976A (zh) 图像处理方法、装置、设备和存储介质
CN114862799B (zh) 一种用于flair-mri序列的全自动脑体积分割方法

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