CN114693561A - 一种基于卷积神经网络的核磁共振图像处理方法与系统 - Google Patents

一种基于卷积神经网络的核磁共振图像处理方法与系统 Download PDF

Info

Publication number
CN114693561A
CN114693561A CN202210397546.XA CN202210397546A CN114693561A CN 114693561 A CN114693561 A CN 114693561A CN 202210397546 A CN202210397546 A CN 202210397546A CN 114693561 A CN114693561 A CN 114693561A
Authority
CN
China
Prior art keywords
magnetic resonance
nuclear magnetic
resonance image
denoising
image
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
CN202210397546.XA
Other languages
English (en)
Inventor
闫志凯
王慧贤
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.)
Zhongke Weiying Zhejiang Medical Technology Co Ltd
Original Assignee
Zhongke Weiying Zhejiang Medical Technology Co Ltd
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 Zhongke Weiying Zhejiang Medical Technology Co Ltd filed Critical Zhongke Weiying Zhejiang Medical Technology Co Ltd
Priority to CN202210397546.XA priority Critical patent/CN114693561A/zh
Publication of CN114693561A publication Critical patent/CN114693561A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (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)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种基于卷积神经网络的核磁共振图像处理方法与系统，包括：将去噪后的核磁共振图像和增强后的目标核磁共振图像进行融合得到融合后的核磁共振图像；分别对融合后的核磁共振图像和原始的核磁共振图像进行图像块提取得到目标输出块集合和样本集合；用目标输出块集合和样本集合训练卷积神经网络得到核磁共振图像去噪模型。本发明通过将去噪后的核磁共振图像和增强后的目标核磁共振图像进行融合得到训练样本，并利用训练样本训练卷积神经网络得到核磁共振图像去噪模型，最后利用核磁共振图像去噪模型对核磁共振图像进行去噪，不仅可以有效的消除核磁共振图像中的噪声，而且还可以增强图像的几何细节信息，提高图像判读效果。

Description

一种基于卷积神经网络的核磁共振图像处理方法与系统
技术领域
本发明涉及图像去噪技术领域，具体而言，涉及一种基于卷积神经网络的核磁共振图像处理方法与系统。
背景技术
近年来，人们对卫生健康问题越来越重视，医疗水平也随之快速发展，其中医学图像处理技术的进步对医疗水平的提高起着很重要的作用，各种高精度的医疗成像设备已经广泛的应用在临床诊断，在现代临床医疗诊断过程中，医生的主要诊断方式是根据核磁共振设备获得的磁共振图像来分析病人的病情状况，但是磁共振图像噪声依然是磁共振成像技术研究的重要难题。为了减小噪声的影响，磁共振图像降噪技术广泛应用于定量磁共振、医学影像分析和临床诊断。
文献“基于深度学习的图像去噪研究”提到了一种基于变换域稀疏表示的图像去噪方法，其基本原理就是基于图像灰度信息将图像进行块分割并对相似的块进行分组，同时使用三维变换对块进行稀疏表示，在变换域中使用维纳滤波进行收缩，保留频谱的重要部分，然后对相应的块进行逆变换，并采用加权平均的方法获取去噪图像。文献“基于图像块自相似性先验的核磁共振图像去噪方法”提到了一种基于图像灰度进行去噪的方法，其基本原理就是利用局部像素点之间的平滑性来对图像进行去噪。由此可知，现有对核磁共振图像去噪方法一般都是基于图像的灰度特征进行去噪的，但是由于核磁共振图像中病变组织与正常组织的灰度差异不明显。因此，直接依靠图像的灰度特征对核磁共振图像进行去噪的方法，不能有效地去除噪声。
发明内容
本发明的目的在于提供一种基于卷积神经网络的核磁共振图像处理方法与系统，旨在解决现有的磁共振图像去噪方法，不能很好的去除噪声的问题。
一种基于卷积神经网络的核磁共振图像处理方法，包括：
步骤1：获取原始的核磁共振图像；
步骤2：对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像；
步骤3：对所述目标核磁共振图像进行图像增强得到增强后的目标核磁共振图像；
步骤4：对所述核磁共振图像进行小波变换去噪得到去噪后的核磁共振图像；
步骤5：将所述去噪后的核磁共振图像和所述增强后的目标核磁共振图像进行融合得到融合后的核磁共振图像；
步骤6：分别对所述融合后的核磁共振图像和所述原始的核磁共振图像进行图像块提取得到目标输出块集合和样本集合；
步骤7：用目标输出块集合和样本集合训练卷积神经网络得到核磁共振图像去噪模型；
步骤8：利用所述核磁共振图像去噪模型对当前的核磁共振图像进行去噪得到清晰的核磁共振图像。
优选的，所述步骤2：对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像，包括：
步骤2.1：根据像素点到聚类中心的矢量距离构建聚类函数；其中，所述聚类函数为：
Figure BDA0003598061780000021
其中，vi表示第i个聚类中心，m表示模糊聚类阈值，
Figure BDA0003598061780000022
表示像素点xj隶属第i个聚类中心的隶属度，
Figure BDA0003598061780000023
dij表示像素点xj到第i个聚类中心的矢量距离，λ表示可调参数；
步骤2.2：对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数；
步骤2.3：根据所述隶属度更新函数和所述聚类中心更新函数对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像。
优选的，所述步骤2.2：对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数，包括：
利用拉格朗日乘子法对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数；其中，所述隶属度更新函数和聚类中心更新函数为：
Figure BDA0003598061780000031
优选的，所述步骤3：对所述目标核磁共振图像进行图像增强得到增强后的目标核磁共振图像，包括：
步骤3.1：以所述目标核磁共振图像中的每个像素点为中心取一个邻域；
步骤3.2：根据每个邻域的灰度中值和梯度均值确定相应像素点的噪声相似度；其中，噪声相似度计算公式为：
Figure BDA0003598061780000032
其中，
Figure BDA0003598061780000033
表示像素点x的梯度值，
Figure BDA0003598061780000034
为以像素点x为中心的邻域的梯度均值，u(x)表示像素点x的灰度值，umedian(x)表示以像素点x为中心的邻域的灰度中值；
步骤3.3：根据噪声相似度对所述脑部核磁共振图像进行平滑处理得到增强后的目标核磁共振图像。
优选的，所述步骤4：对所述核磁共振图像进行小波变换去噪得到去噪后的核磁共振图像，包括：
步骤4.1：对所述核磁共振图像进行多尺度小波分解得到高频小波系数和低频小波系数；
步骤4.2：根据所述核磁共振图像的分解尺度、核磁共振图像的大小、高频小波系数的均值确定去噪阈值；
步骤4.3：根据所述去噪阈值构建小波去噪函数；
步骤4.4：利用所述小波去噪函数对所述核磁共振图像进行去噪得到去噪后的核磁共振图像。
优选的，所述去噪阈值为：
Figure BDA0003598061780000041
其中，wj表示第j个高频小波系数，
Figure BDA0003598061780000042
表示在相应分解尺度下高频小波系数的均值，median|wj|表示在相应分解尺度下高频小波系数的中值，λ表示去噪阈值，M表示核磁共振图像的长度，N表示核磁共振图像的宽度，L表示核磁共振图像的分解尺度。
优选的，所述步骤4.3：根据所述去噪阈值构建小波去噪函数，包括：
步骤4.3.3：根据去噪阈值确定小波去噪函数的下限值；
步骤4.3.4：根据所述下限值和所述去噪阈值构建小波去噪函数；其中，所述小波去噪函数为：
Figure BDA0003598061780000051
其中，sign为符号函数，λ0＝0.45λ，λ表示去噪阈值，a为可调参数，s＝n/N，N表示第L个尺度下所有高频小波系数的个数，n表示第L个尺度下所有小于去噪阈值的高频小波系数的个数。
优选的，所述步骤5：将所述去噪后的核磁共振图像和所述增强后的目标核磁共振图像进行融合得到融合后的核磁共振图像，包括：
步骤5.1：将所述去噪后的核磁共振图像中每个点的灰度值与所述增强后的目标核磁共振图像中相应点的灰度值相加并计算融合像素点的灰度平均值；
步骤5.2：将所述灰度平均值与预设系数相乘得到融合后的像素点；
步骤5.3：将所述融合后的像素点代替所述去噪后的核磁共振图像中的相应像素点得到融合后的核磁共振图像。
优选的，所述步骤7：用目标输出块集合和样本集合训练卷积神经网络得到核磁共振图像去噪模型，包括：
步骤7.1：根据所述图像块的实际输出和目标输出块集合构建损失函数；其中，所述损失函数为：
Figure BDA0003598061780000052
其中，n表示训练样本的数量，θ表示网络权重和偏置的集合，F(Yi；θ)表示经过卷积神经网络图像块Yi的实际输出，Xi表示与Yi对应的目标输出块；
步骤7.2：利用随机并行梯度下降法对所述损失函数的网络参数进行迭代优化得到核磁共振图像去噪模型；其中，网络参数迭代公式为：
Figure BDA0003598061780000061
其中，Δi表示经过第i次迭代的偏置值，Wi l表示第l层神经网络的权重，η表示学习率，
Figure BDA0003598061780000062
表示损失函数与网络权重的偏导数。
本发明还提供了一种基于卷积神经网络的核磁共振图像处理系统，包括：
核磁共振图像获取模块，用于获取原始的核磁共振图像；
分割模块，用于对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像；
图像增强模块，用于对所述目标核磁共振图像进行图像增强得到增强后的目标核磁共振图像；
图像去噪模块，用于对所述核磁共振图像进行小波变换去噪得到去噪后的核磁共振图像；
图像融合模块，用于将所述去噪后的核磁共振图像和所述增强后的目标核磁共振图像进行融合得到融合后的核磁共振图像；
图像块提取模块，用于分别对所述融合后的核磁共振图像和所述原始的核磁共振图像进行图像块提取得到目标输出块集合和样本集合；
神经网络训练模块，用于用目标输出块集合和样本集合训练卷积神经网络得到核磁共振图像去噪模型；
神经网络去噪模块，用于利用所述核磁共振图像去噪模型对当前的核磁共振图像进行去噪得到清晰的核磁共振图像。
本发明提供的一种基于卷积神经网络的核磁共振图像处理方法与系统的有益效果在于：与现有技术相比，本发明通过将去噪后的核磁共振图像和增强后的目标核磁共振图像进行融合得到训练样本，并利用训练样本训练卷积神经网络得到核磁共振图像去噪模型，最后利用核磁共振图像去噪模型对核磁共振图像进行去噪，不仅可以有效的消除核磁共振图像中的噪声，而且还可以增强图像的几何细节信息，提高图像判读效果。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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示出了本发明实施例所提供的一种基于卷积神经网络的核磁共振图像处理方法流程图；
图2示出了本发明实施例所提供一种基于卷积神经网络的核磁共振图像处理系统原理图。
具体实施方式
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的目的在于提供一种基于卷积神经网络的核磁共振图像处理方法与系统，旨在解决现有的磁共振图像去噪方法，不能很好的去除噪声的问题。
请参阅图1，一种基于卷积神经网络的核磁共振图像处理方法，包括：
步骤1：获取原始的核磁共振图像；
步骤2：对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像；
进一步的，所述步骤2包括：
步骤2.1：根据像素点到聚类中心的矢量距离构建聚类函数；其中，所述聚类函数为：
Figure BDA0003598061780000081
其中，vi表示第i个聚类中心，m表示模糊聚类阈值，
Figure BDA0003598061780000082
表示像素点xj隶属第i个聚类中心的隶属度，
Figure BDA0003598061780000083
dij表示像素点xj到第i个聚类中心的矢量距离，λ表示可调参数；
步骤2.2：对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数；在实际应用中，所述步骤2.2可以为：
利用拉格朗日乘子法对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数；其中，所述隶属度更新函数和聚类中心更新函数为：
Figure BDA0003598061780000091
步骤2.3：根据所述隶属度更新函数和所述聚类中心更新函数对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像。
在本实施例中，可通过隶属度更新函数更新隶属度矩阵，通过聚类中心更新函数更新聚类中心V(l)＝(v1,v2,v3,…,vc)，当||V(l)-V(l+1)||＜ε或者当迭代次数达到预设次数时，输出最终的聚类分割结果。
本发明通过像素点到聚类中心的矢量距离构建聚类函数，不仅可以扩大各个聚类样本间的差异，使得聚类函数更加容易将背景区域和目标区域分割开，还可以提高聚类算法的抗噪性能。
步骤3：对所述目标核磁共振图像进行图像增强得到增强后的目标核磁共振图像；
进一步的，所述步骤3包括：
步骤3.1：以所述目标核磁共振图像中的每个像素点为中心取一个邻域；
步骤3.2：根据每个邻域的灰度中值和梯度均值确定相应像素点的噪声相似度；其中，噪声相似度计算公式为：
Figure BDA0003598061780000101
其中，
Figure BDA0003598061780000102
表示像素点x的梯度值，
Figure BDA0003598061780000103
为以像素点x为中心的邻域的梯度均值，u(x)表示像素点x的灰度值，umedian(x)表示以像素点x为中心的邻域的灰度中值；
步骤3.3：根据噪声相似度对所述脑部核磁共振图像进行平滑处理得到增强后的目标核磁共振图像。
在实际应用中，本发明可根据噪声相似度设定噪声区间，例如[0.85f(x)-0.95f(x)]，同时将所有在噪声区间的像素点进行均值滤波处理得到中值像素点，再用中值像素点替换在噪声区间的像素点即可得到增强后的目标核磁共振图像。原始的滤波算法例如均值滤波算法是对核磁共振图像上每个邻域中的像素点进行均值处理的，因此处理过后的图像就会变得模糊，而发明通过利用噪声相似度计算公式可以找出核磁共振图像上的噪点，然后对相应的噪点进行均值滤波处理可以在平滑掉图像中的噪声点的同时，保持目标图像的原始结构信息。
步骤4：对所述核磁共振图像进行小波变换去噪得到去噪后的核磁共振图像；
进一步的，所述步骤4包括：
步骤4.1：对所述核磁共振图像进行多尺度小波分解得到高频小波系数和低频小波系数；
步骤4.2：根据所述核磁共振图像的分解尺度、核磁共振图像的大小、高频小波系数的均值确定去噪阈值；其中，所述去噪阈值为：
Figure BDA0003598061780000104
其中，wj表示第j个高频小波系数，wj表示在相应分解尺度下高频小波系数的均值，median|wj|表示在相应分解尺度下高频小波系数的中值，λ表示去噪阈值，M表示核磁共振图像的长度，N表示核磁共振图像的宽度，L表示核磁共振图像的分解尺度。
步骤4.3：根据所述去噪阈值构建小波去噪函数；
所述步骤4.3：根据所述去噪阈值构建小波去噪函数，包括：
步骤4.3.3：根据去噪阈值确定小波去噪函数的下限值；
步骤4.3.4：根据所述下限值和所述去噪阈值构建小波去噪函数；其中，所述小波去噪函数为：
Figure BDA0003598061780000111
其中，sign为符号函数，λ0＝0.45λ，λ表示去噪阈值，a为可调参数，s＝n/N，N表示第L个尺度下所有高频小波系数的个数，n表示第L个尺度下所有小于去噪阈值的高频小波系数的个数；
步骤4.4：利用所述小波去噪函数对所述核磁共振图像进行去噪得到去噪后的核磁共振图像。
通常情况下，现有的小波阈值函数在进行滤波时，有些噪声也会放大，从而影响图像的视觉效果。而本发明通过核磁共振图像的分解尺度构建自适应的小波去噪函数可以针对不同尺度下的高频小波系数进行自适应变换，不仅可以抑制图像的噪声，还突出核磁共振图像在不同尺度下的细节特征，增强图像的层次感。
步骤5：将所述去噪后的核磁共振图像和所述增强后的目标核磁共振图像进行融合得到融合后的核磁共振图像；
进一步的，所述步骤5包括：
步骤5.1：将所述去噪后的核磁共振图像中每个点的灰度值与所述增强后的目标核磁共振图像中相应点的灰度值相加并计算融合像素点的灰度平均值；
步骤5.2：将所述灰度平均值与预设系数相乘得到融合后的像素点；
步骤5.3：将所述融合后的像素点代替所述去噪后的核磁共振图像中的相应像素点得到融合后的核磁共振图像。
本发明通过将融合像素点的灰度平均值与权系数相乘得到融合后的像素点可以加强核磁共振图像中的一些细节特征，缓解经多次滤波处理后的核磁共振图像中某些特征梯度消失的问题。
步骤6：分别对所述融合后的核磁共振图像和所述原始的核磁共振图像进行图像块提取得到目标输出块集合和样本集合；
需要说明的是，每幅图像选取的具体图像块数目与图像本身尺寸大小、邻域尺寸有关。一般地卷积核的大小越大，图像块的尺寸也要加大。
步骤7：用目标输出块集合和样本集合训练卷积神经网络得到核磁共振图像去噪模型；
进一步的，所述步骤7包括：
步骤7.1：根据所述图像块的实际输出和目标输出块集合构建损失函数；其中，所述损失函数为：
Figure BDA0003598061780000121
其中，n表示训练样本的数量，θ表示网络权重和偏置的集合，F(Yi；θ)表示经过卷积神经网络图像块Yi的实际输出，Xi表示与Yi对应的目标输出块；
步骤7.2：利用随机并行梯度下降法对所述损失函数的网络参数进行迭代优化得到核磁共振图像去噪模型；其中，网络参数的迭代公式为：
Figure BDA0003598061780000122
其中，Δi表示经过第i次迭代的偏置值，Wi l表示第l层神经网络的权重，η表示学习率，
Figure BDA0003598061780000131
表示损失函数与网络权重的偏导数。
进一步的，本发明的卷积神经网络包括第一层卷积层和第二层重建卷积层；其中，第一层卷积层的卷积核个数为64个，卷积核的大小为9*9；第二层重建卷积层的卷积核个数为32个，卷积核的大小为5*5。
步骤8：利用所述核磁共振图像去噪模型对当前的核磁共振图像进行去噪得到清晰的核磁共振图像。
本发明通过利用卷积神经网络拟合带噪声图像和去噪图像之间的映射关系，同时将实际输出图像的像素值与相应目标输出块的像素值误差为目标函数进行优化，可以最大程度上去除核磁共振图像上的噪点。
本发明还提供了一种基于卷积神经网络的核磁共振图像处理系统，包括：
核磁共振图像获取模块，用于获取原始的核磁共振图像；
分割模块，用于对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像；
图像增强模块，用于对所述目标核磁共振图像进行图像增强得到增强后的目标核磁共振图像；
图像去噪模块，用于对所述核磁共振图像进行小波变换去噪得到去噪后的核磁共振图像；
图像融合模块，用于将所述去噪后的核磁共振图像和所述增强后的目标核磁共振图像进行融合得到融合后的核磁共振图像；
图像块提取模块，用于分别对所述融合后的核磁共振图像和所述原始的核磁共振图像进行图像块提取得到目标输出块集合和样本集合；
神经网络训练模块，用于用目标输出块集合和样本集合训练卷积神经网络得到核磁共振图像去噪模型；
神经网络去噪模块，用于利用所述核磁共振图像去噪模型对当前的核磁共振图像进行去噪得到清晰的核磁共振图像。
本发明提供的一种基于卷积神经网络的核磁共振图像处理方法与系统的有益效果在于：与现有技术相比，本发明通过将去噪后的核磁共振图像和增强后的目标核磁共振图像进行融合得到训练样本，并利用训练样本训练卷积神经网络得到核磁共振图像去噪模型，最后利用核磁共振图像去噪模型对核磁共振图像进行去噪，不仅可以有效的消除核磁共振图像中的噪声，而且还可以增强图像的几何细节信息，提高图像判读效果。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换的技术方案，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，包括：
步骤1：获取原始的核磁共振图像；
步骤2：对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像；
步骤3：对所述目标核磁共振图像进行图像增强得到增强后的目标核磁共振图像；
步骤4：对所述核磁共振图像进行小波变换去噪得到去噪后的核磁共振图像；
步骤5：将所述去噪后的核磁共振图像和所述增强后的目标核磁共振图像进行融合得到融合后的核磁共振图像；
步骤6：分别对所述融合后的核磁共振图像和所述原始的核磁共振图像进行图像块提取得到目标输出块集合和样本集合；
步骤7：用目标输出块集合和样本集合训练卷积神经网络得到核磁共振图像去噪模型；
步骤8：利用所述核磁共振图像去噪模型对当前的核磁共振图像进行去噪得到清晰的核磁共振图像。
2.根据权利要求1所述的一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，所述步骤2：对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像，包括：
步骤2.1：根据像素点到聚类中心的矢量距离构建聚类函数；其中，所述聚类函数为：
Figure FDA0003598061770000011
其中，vi表示第i个聚类中心，m表示模糊聚类阈值，
Figure FDA0003598061770000023
表示像素点xj隶属第i个聚类中心的隶属度，
Figure FDA0003598061770000022
dij表示像素点xj到第i个聚类中心的矢量距离，λ表示可调参数；
步骤2.2：对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数；
步骤2.3：根据所述隶属度更新函数和所述聚类中心更新函数对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像。
3.根据权利要求2所述的一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，所述步骤2.2：对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数，包括：
利用拉格朗日乘子法对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数；其中，所述隶属度更新函数和聚类中心更新函数为：
Figure FDA0003598061770000021
。
4.根据权利要求1所述的一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，所述步骤3：对所述目标核磁共振图像进行图像增强得到增强后的目标核磁共振图像，包括：
步骤3.1：以所述目标核磁共振图像中的每个像素点为中心取一个邻域；
步骤3.2：根据每个邻域的灰度中值和梯度均值确定相应像素点的噪声相似度；其中，噪声相似度计算公式为：
Figure FDA0003598061770000031
其中，
Figure FDA0003598061770000032
表示像素点x的梯度值，
Figure FDA0003598061770000033
为以像素点x为中心的邻域的梯度均值，u(x)表示像素点x的灰度值，umedian(x)表示以像素点x为中心的邻域的灰度中值；
步骤3.3：根据噪声相似度对所述核磁共振图像进行平滑处理得到增强后的目标核磁共振图像。
5.根据权利要求1所述的一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，所述步骤4：对所述核磁共振图像进行小波变换去噪得到去噪后的核磁共振图像，包括：
步骤4.1：对所述核磁共振图像进行多尺度小波分解得到高频小波系数和低频小波系数；
步骤4.2：根据所述核磁共振图像的分解尺度、核磁共振图像的大小、高频小波系数的均值确定去噪阈值；
步骤4.3：根据所述去噪阈值构建小波去噪函数；
步骤4.4：利用所述小波去噪函数对所述核磁共振图像进行去噪得到去噪后的核磁共振图像。
6.根据权利要求5所述的一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，所述去噪阈值为：
Figure FDA0003598061770000034
其中，wj表示第j个高频小波系数，
Figure FDA0003598061770000035
表示在相应分解尺度下高频小波系数的均值，median|wj|表示在相应分解尺度下高频小波系数的中值，λ表示去噪阈值，M表示核磁共振图像的长度，N表示核磁共振图像的宽度，L表示核磁共振图像的分解尺度。
7.根据权利要求6所述的一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，所述步骤4.3：根据所述去噪阈值构建小波去噪函数，包括：
步骤4.3.3：根据去噪阈值确定小波去噪函数的下限值；
步骤4.3.4：根据所述下限值和所述去噪阈值构建小波去噪函数；其中，所述小波去噪函数为：
Figure FDA0003598061770000041
其中，sign为符号函数，λ0＝0.45λ，λ表示去噪阈值，a为可调参数，s＝n/N，N表示第L个尺度下所有高频小波系数的个数，n表示第L个尺度下所有小于去噪阈值的高频小波系数的个数。
8.根据权利要求1所述的一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，所述步骤5：将所述去噪后的核磁共振图像和所述增强后的目标核磁共振图像进行融合得到融合后的核磁共振图像，包括：
步骤5.1：将所述去噪后的核磁共振图像中每个点的灰度值与所述增强后的目标核磁共振图像中相应点的灰度值相加并计算融合像素点的灰度平均值；
步骤5.2：将所述灰度平均值与预设系数相乘得到融合后的像素点；
步骤5.3：将所述融合后的像素点代替所述去噪后的核磁共振图像中的相应像素点得到融合后的核磁共振图像。
9.根据权利要求1所述的一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，所述步骤7：用目标输出块集合和样本集合训练卷积神经网络得到核磁共振图像去噪模型，包括：
步骤7.1：将图像块的实际输出与目标输出的平方差作为损失函数；其中，所述损失函数为：
Figure FDA0003598061770000051
其中，n表示训练样本的数量，θ表示网络权重和偏置的集合，F(Yi；θ)表示训练块Yi经过卷积神经网络的实际输出，Xi表示与Yi对应的目标输出块；
步骤7.2：利用随机并行梯度下降法对所述损失函数的网络参数进行迭代优化得到核磁共振图像去噪模型；其中，网络参数的迭代公式为：
Figure FDA0003598061770000052
其中，Δi表示经过第i次迭代的偏置值，
Figure FDA0003598061770000053
表示第l层神经网络的权重，η表示学习率，
Figure FDA0003598061770000054
表示损失函数与网络权重的偏导数。
10.一种基于卷积神经网络的核磁共振图像处理系统，其特征在于，包括：
核磁共振图像获取模块，用于获取原始的核磁共振图像；
分割模块，用于对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像；
图像增强模块，用于对所述目标核磁共振图像进行图像增强得到增强后的目标核磁共振图像；
图像去噪模块，用于对所述核磁共振图像进行小波变换去噪得到去噪后的核磁共振图像；
图像融合模块，用于将所述去噪后的核磁共振图像和所述增强后的目标核磁共振图像进行融合得到融合后的核磁共振图像；
图像块提取模块，用于分别对所述融合后的核磁共振图像和所述原始的核磁共振图像进行图像块提取得到目标输出块集合和样本集合；
神经网络训练模块，用于用目标输出块集合和样本集合训练卷积神经网络得到核磁共振图像去噪模型；
神经网络去噪模块，用于利用所述核磁共振图像去噪模型对当前的核磁共振图像进行去噪得到清晰的核磁共振图像。
CN202210397546.XA 2022-04-15 2022-04-15 一种基于卷积神经网络的核磁共振图像处理方法与系统 Pending CN114693561A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210397546.XA CN114693561A (zh) 2022-04-15 2022-04-15 一种基于卷积神经网络的核磁共振图像处理方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210397546.XA CN114693561A (zh) 2022-04-15 2022-04-15 一种基于卷积神经网络的核磁共振图像处理方法与系统

Publications (1)

Publication Number Publication Date
CN114693561A true CN114693561A (zh) 2022-07-01

Family

ID=82142368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210397546.XA Pending CN114693561A (zh) 2022-04-15 2022-04-15 一种基于卷积神经网络的核磁共振图像处理方法与系统

Country Status (1)

Country Link
CN (1) CN114693561A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345952A (zh) * 2022-08-10 2022-11-15 华中科技大学协和深圳医院 一种基于神经网络的磁共振图像处理方法及系统
CN115569341A (zh) * 2022-10-20 2023-01-06 河北盛世博业科技有限公司 一种基于虚拟现实的多人协同消防训练方法与系统
CN116091483A (zh) * 2023-03-02 2023-05-09 水利部交通运输部国家能源局南京水利科学研究院 一种基于openCV的水库大坝裂缝检测方法
CN116363252A (zh) * 2023-06-02 2023-06-30 南京诺源医疗器械有限公司 目标成像方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345952A (zh) * 2022-08-10 2022-11-15 华中科技大学协和深圳医院 一种基于神经网络的磁共振图像处理方法及系统
CN115345952B (zh) * 2022-08-10 2023-08-11 华中科技大学协和深圳医院 一种基于神经网络的磁共振图像处理方法及系统
CN115569341A (zh) * 2022-10-20 2023-01-06 河北盛世博业科技有限公司 一种基于虚拟现实的多人协同消防训练方法与系统
CN115569341B (zh) * 2022-10-20 2023-08-25 河北盛世博业科技有限公司 一种基于虚拟现实的多人协同消防训练方法与系统
CN116091483A (zh) * 2023-03-02 2023-05-09 水利部交通运输部国家能源局南京水利科学研究院 一种基于openCV的水库大坝裂缝检测方法
CN116363252A (zh) * 2023-06-02 2023-06-30 南京诺源医疗器械有限公司 目标成像方法及系统
CN116363252B (zh) * 2023-06-02 2023-08-04 南京诺源医疗器械有限公司 目标成像方法及系统

Similar Documents

Publication Publication Date Title
CN114693561A (zh) 一种基于卷积神经网络的核磁共振图像处理方法与系统
CN108198147B (zh) 一种基于判别字典学习的多源图像融合去噪的方法
CN108537794B (zh) 医学图像数据处理方法、装置和计算机可读存储介质
CN112132959B (zh) 数字岩心图像处理方法、装置、计算机设备及存储介质
CN111275686B (zh) 用于人工神经网络训练的医学图像数据的生成方法及装置
CN110706225B (zh) 基于人工智能的肿瘤识别系统
Dolui et al. A new similarity measure for non-local means filtering of MRI images
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
Jin et al. Chest X‐ray image denoising method based on deep convolution neural network
CN113989551A (zh) 一种基于改进ResNet网络的阿尔茨海默病分类方法
Asyhar et al. Implementation LSTM Algorithm for Cervical Cancer using Colposcopy Data
CN111598894A (zh) 基于全局信息卷积神经网络的视网膜血管图像分割系统
CN117173038A (zh) 一种核磁共振图像增强方法与系统
CN114187235A (zh) 一种对伪影不敏感的医学图像的形变场提取方法和配准方法和装置
CN116030063B (zh) Mri图像的分类诊断系统、方法、电子设备及介质
CN111968108A (zh) 基于智能扫描协议的ct智能成像方法、装置及系统
CN116342444A (zh) 一种双通道多模态图像融合方法及融合成像终端机
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
CN114792296A (zh) 一种核磁共振图像与超声图像融合方法与系统
CN113379682B (zh) 一种心脏mri影像耦合水平集分割方法及系统
Beevi et al. Denoising transthoracic echocardiographic images in regional wall motion abnormality using deep learning techniques
CN114693568A (zh) 一种高质量核磁共振图像的成像方法与系统
CN113628230A (zh) 心脏核磁共振图像中心室心肌分割模型训练方法、分割方法及装置
CN115578285B (zh) 一种乳腺钼靶图像细节增强方法及系统
Radhika et al. An adaptive optimum weighted mean filter and bilateral filter for noise removal in cardiac MRI images

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