CN115393241A - 医学图像增强方法、装置、电子设备及可读存储介质 - Google Patents
医学图像增强方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN115393241A CN115393241A CN202211174678.2A CN202211174678A CN115393241A CN 115393241 A CN115393241 A CN 115393241A CN 202211174678 A CN202211174678 A CN 202211174678A CN 115393241 A CN115393241 A CN 115393241A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- background
- estimation
- enhancement
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000006870 function Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 11
- 210000001519 tissue Anatomy 0.000 description 10
- 238000013136 deep learning model Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 239000008280 blood Substances 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000013526 transfer learning Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T2207/20—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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供的医学图像增强方法、装置、电子设备及可读存储介质,包括:获得待处理医学图像的多个通道图像各自对应的第一背景估计图像和第二背景估计图像;基于每个通道图像对应的第一背景估计图像,确定每个通道图像对应的细节信息图像,基于全部细节信息图像和全部第二背景估计图像,确定每个通道图像对应的背景补偿因子;基于每个通道图像对应的背景补偿因子,对每个通道图像进行背景补偿,并对背景补偿后的每个通道图像进行图像增强;对图像增强后的每个通道图像进行融合,得到图像增强后的待处理医学图像,本发明通过背景估计图像、细节图像信息和背景补偿因子等达到图像增强目的,提升了医学图像增强效果。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种医学图像增强方法、装置、电子设备及可读存储介质。
背景技术
医学图像增强是医学采集、成像设备中必须的一个环节,生成的医学图像的质量高低,可能会影响实验者或者医生对医学图像背后的医学问题造成不够深入的理解。
医学图像增强要具有非常强的鲁棒性,在保证增强图像高质量的目标下,必须得保证增强后的图像本质内容不被模型所改变。在有些使用场景中,还需要医学图像增强算法有极高的计算效率,以便使用者能快速得到高质量图像,拥有更多时间去分析图像背后的病理原因。
通常在研究医学图像增强的过程中,传统方法通常使用身体传感器来判断使用环境,基于深度学习的方法,通常在构建训练数据的过程会根据使用场景、目标来特别构建数据,然而,医学图像标注是极为严苛的过程,依赖数据标注去训练模型将会费时费力;同时,依赖迁移学习、对抗生成网络的方法处理的结果带有不确定性。
发明内容
本发明的目的之一在于提供一种医学图像增强方法、装置、电子设备及可读存储介质,用以将医学图像增强问题统一到一个框架中,同时不依赖深度学习方法,建立一个基于传统图像处理的高效增强方法。
第一方面,本发明提供一种医学图像增强方法,所述方法包括:获得待处理医学图像的多个通道图像,并分别确定每个所述通道图像对应的第一背景估计图像和第二背景估计图像;基于每个所述通道图像对应的所述第一背景估计图像,确定每个所述通道图像对应的细节信息图像,并基于全部所述细节信息图像和全部所述第二背景估计图像,确定每个所述通道图像对应的背景补偿因子;其中,所述细节信息图像包含所述待处理医学图像中的感兴趣图像内容;所述第一背景估计图像和所述第二背景估计图像不包含所述感兴趣图像内容;基于所述背景补偿因子,对所述背景补偿因子对应的所述通道图像进行背景补偿,并对背景补偿后的每个所述通道图像进行图像增强;对图像增强后的每个所述通道图像进行融合,得到图像增强后的所述待处理医学图像。
第二方面,本发明提供一种医学图像增强装置,包括:确定模块,用于:获得待处理医学图像的多个通道图像,并分别确定每个通道图像对应的第一背景估计图像和第二背景估计图像;所述确定模块,还用于:基于每个所述通道图像对应的所述第一背景估计图像,确定每个所述通道图像对应的细节信息图像,并基于全部所述细节信息图像和全部所述第二背景估计图像,确定每个所述通道图像对应的背景补偿因子;其中,所述细节信息图像包含所述待处理医学图像中的感兴趣图像内容;所述第一背景估计图像和所述第二背景估计图像不包含所述感兴趣图像内容;增强模块,用于:基于所述背景补偿因子,对所述背景补偿因子对应的所述通道图像进行背景补偿,并对背景补偿后的每个所述通道图像进行图像增强;所述增强模块,还用于:对图像增强后的每个所述通道图像进行融合,得到图像增强后的所述医学图像。
第三方面,本发明提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现第一方面提供的医学图像增强方法。
第四方面,本发明提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面提供的医学图像增强方法。
本发明提供的医学图像增强方法、装置、电子设备及可读存储介质,方法包括:先通过对多个通道图像进行背景估计图像计算,得到多个通道图像各自对应的第一背景估计图像和第二背景估计图像;再将通道图像减去第一背景估计图像得到细节信息图像,结合细节信息图像和第二背景估计图像得到背景补偿因子;结合背景补偿因子,对各个通道图像进行背景补偿;最后将背景补偿后的各个通道图像进行归一化,得到各个通道图像对应最终的增强结果。将增强之后的各个通道图像重新融合,得到增强之后的待处理医学图像,该方法通过对图像进行模拟背景估计图像提取,细节图像信息提取,背景补偿因子计算等操作,从而达到图像增强的目的。本方法不需要针对不同的组织部位或者成像环境进行特别的优化整个过程快速高效,提升了医学图像的增强效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的电子设备的结构框图;
图2为本发明实施例提供的医学图像增强方法的示意性流程图;
图3为本发明实施例提供的步骤S201的示意性流程图;
图4为本发明实施例提供的步骤S202的示意性流程图;
图5为本发明实施例提供的步骤S203的示意性流程图;
图6为本发明实施例提供的医学图像增强方法的效果示意图;
图7为本发明实施例提供的医学图像增强装置的功能模块图。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”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,或者是该发明产品使用时惯常摆放的方位或位置关系,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,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
首先对本发明实施例涉及相关术语进行解释。
RGB颜色空间:RGB颜色空间以R(Red:红)、G(Green:绿)、B(Blue:蓝)三种基本色为基础,进行不同程度的叠加,产生丰富而广泛的颜色。RGB空间是生活中最常用的一个模型,电视机、电脑的CRT显示器等大部分都是采用这种模型。自然界中的任何一种颜色都可以由红、绿、蓝三种色光混合而成,现实生活中人们见到的颜色大多是混合而成的色彩。
深度学习:英文Deep Learning(DL),利用深层神经网络,来抽象数据的特征,以便更精准地表征数据的分布和特性。
迁移学习:英文Transfer learning(TL),是一种机器学习方法,就是把为任务A开发的模型作为初始点,重新使用在为任务B开发模型的过程中。
卷积神经网络:英文Convolutional Neural Network(CNN),是一种包含卷积操作的前馈神经网络,在大型图像处理方面有出色的表现,是深度学习的代表算法之一。
生成对抗网络:即,生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型,模型通过框架中(至少)两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习。
高斯滤波器:高斯滤波器是一个低通滤波器,通过模拟高斯函数应用到数字信号处理领域。
医学图像通常被相关医学实验者或者医生使用,通过图像中呈现的病理信息来进行病理判断和推理。医学图像的成像过程是极为复杂的,使用场景差异性大,比如有的是身体肺部CT,有的是头部核磁共振,有的是细胞蛋白质等组织。
医学图像增强是医学采集、成像设备中必须的一个环节,生成的医学图像的质量高低,可能会影响实验者或者医生对医学图像背后的医学问题造成不够深入的理解。医学图像增强要具有非常强的鲁棒性,在保证增强图像高质量的目标下,必须得保证增强后的图像本质内容不被模型所改变。在有些使用场景中,还需要医学图像增强算法有极高的计算效率,以便使用者能快速得到高质量图像,拥有更多时间去分析图像背后的病理原因。
目前,相关技术提供了多种医学图像增强方法,但这些方法均存在局限性。
第一种方法:通过接收对观察身体部位的选择,通过对目标组织物理宽度的判断以及图像重建视野和图像矩阵尺寸得到目标像素宽度。根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子;以及使用所选择的滤波算子计算得到锐化图像。从而实现重建条件下达到医学图像满足需要的增强效果。
上述方法需要通过对需要观察的身体组织进行组织物理宽度的计算,来确定需要增强图像的矩阵尺寸以及对应的增强锐化滤波器。不同组织对应不同的锐化滤波器会导致来增强图像,会导致整个图像增强功能需要更多关于身体组织的额外专家信息;并且这些信息的建立也可能因为不同个体之间、甚至同一个体不同身体状态下的差异而所构建的对应关系不准确。从而可能导致图像增强效果的不稳定。
第二种方法:将医学图像进行初步处理和预处理得到医学图像I后,输入到训练后的深度学习模型中得到医学图像III,对医学图像III进行后处理得到医学图像IV后,将医学图像I与医学图像IV进行融合重构得到高清晰的医学图像V;深度学习模型由VGG16网络(由医学图像I得到医学图像II)和DenseUnet网络(由医学图像II得到医学图像III)组成;训练过程即以医学图像I作为深度学习模型的输入,以理论输出的医学图像III作为深度学习模型的输出,不断调整深度学习模型的所有参数,从而实现输入图像到输出图像增强的目的。
上述方法依赖于深度学习方法来进行模型训练,首先需要依赖大量的通过医学专家验证过的医学图像数据进行模型的训练,这些通过专家验证的医学数据将将会消耗极大的人力物力。方法依赖于基础的VGG神经网络和DenseUnet神经网络,这些网络都是基于常规的、日常生活数据进行设计和训练,直接用于迁移学习方法将上诉神经网络用于医学图像增强应用,可能会因为日常数据与医学数据之间形态的巨大差异而导致该方法输出的效果不稳定。
第三种方法:通过清晰医学图像和随机噪声联合输入,用深度学习模型1处理联合输入的特征,得到带血污图像;用深度学习模型2处理生成的带血污的图像和纯血污原图像,判断两张图像是否相似;若不相似,则更新深度学习模型2的神经网络梯度;若相似则进入下一步;将带血污图像输入级联神经网络模型,输出最终清晰图像结果。该专利通过深度学习中的生成对抗网络来模拟生成血污图像,通过使用改进后的变分自编码网络来消除血污图像中的血污,使医学图像的清晰度更高。
上述方法通过使用清晰医学图像和随机噪声联合输入的方法来模拟一张待增强的低质量图像。随机噪声的多少,以及何种噪声将会决定图像低质量的程度。这种简单的方法模拟出来的数据很难和现实使用环境中因为物理环境、光线、成像材质等复杂因素生成的数据一概而论。同时,模型依赖于生成对抗网络来对低质量医学图像重建其高质量医学图像,生成对抗网络本身就是利用数据随机性来进行学习,并且网络学习的是整个训练数据的数据分布;对于图像增强或者修复这种像素级别的计算,从而导致其输出结果很难达到稳定的图像增强、修复效果。
有鉴于此,为了解决不同场景医学图像的增强问题,将医学图像增强问题统一到一个框架中;同时不依赖深度学习方法,建立一个基于传统图像处理的高效方法,本发明实施例提供了一种简单、快速、高效的医学图像增强方法,该方法通过对图像进行模拟背景估计图像提取,细节图像信息提取,背景补偿因子计算等操作,从而达到图像增强的目的。
首先请参见图1,图1为本发明实施例提供的电子设备的结构框图,该电子设备可以用来执行本发明实施例提供的医学图像增强方法。
如图1所示,电子设备100包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
存储器101可用于存储软件程序及模块,如本发明实施例提供的医学图像增强装置400的指令/模块,可以软件或固件(firmware)的形式存储于存储器101中或固化在电子设备100的操作系统(operating system,OS)中,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图1所示的结构仅为示意,电子设备100还可以包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1所示的各组件可以采用硬件、软件或其组合实现。
下面以图1所示的电子设备为执行主体,对本发明实施例提供的医学图像增强方法进行详细介绍,请参见图2,图2为本发明实施例提供的医学图像增强方法的示意性流程图,该方法包括:
S201、获得待处理医学图像的多个通道图像,并分别确定每个通道图像对应的第一背景估计图像和第二背景估计图像;
S202、基于每个通道图像对应的第一背景估计图像,确定每个通道图像对应的细节信息图像,并基于全部细节信息图像和全部第二背景估计图像,确定每个通道图像对应的背景补偿因子;
其中,细节信息图像包含待处理医学图像中的感兴趣图像内容;第一背景估计图像和第二背景估计图像不包含感兴趣图像内容;
S203、基于背景补偿因子,对背景补偿因子对应的通道图像进行背景补偿,并对背景补偿后的每个通道图像进行图像增强;
S204、对图像增强后的每个通道图像进行融合,得到图像增强后的待处理医学图像。
在上述医学图像增强方法中,先通过对多个通道图像进行背景估计图像计算,得到多个通道图像各自对应的第一背景估计图像和第二背景估计图像;再将通道图像减去第一背景估计图像得到细节信息图像,结合细节信息图像和第二背景估计图像得到背景补偿因子;结合背景补偿因子,对各个通道图像进行背景补偿;最后将背景补偿后的各个通道图像进行归一化,得到各个通道图像对应最终的增强结果。将增强之后的各个通道图像重新融合,得到增强之后的待处理医学图像,整个过程快速高效,提升了医学图像的增强效果。
下面对上述步骤S201至步骤S204进行详细介绍。
在步骤S201中、获得待处理医学图像的多个通道图像,并分别确定每个通道图像对应的第一背景估计图像和第二背景估计图像。
本实施例中,待处理医学图像可以是实时拍摄的医学图像、还可以是预先存储在本地中的医学图像。上述多个通道图像分别为R通道图像、G通道图像和B通道图像。
作为一种可选的实施方式,步骤S201的实施方式可以参见图3,图3为本申请实施例提供的步骤S201的示意性流程图:
S201-1,对待处理医学图像进行RGB通道分离,得到多个通道图像。
S201-2,将第一背景估计参数输入高斯函数中,并对高斯函数和通道图像进行卷积计算,得到第一背景估计图像。
S201-3,将第二背景估计参数输入高斯函数中,并对高斯函数和通道图像进行卷积计算,得到第二背景估计图像;第一背景估计参数和第二背景估计参数不同。
为了方便理解,假设将待处理医学图像表示为f(x,y),进行RGB通道分离,得到多个通道图像,即,f(x,y)=[R(x,y),G(x,y),B(x,y)],因为R(x,y),G(x,y),B(x,y)三个分量进行的计算完全一样,下面用ci(x,y)来代表R(x,y),G(x,y),B(x,y),其中(x,y)表示二维图像x,y方向空间坐标。
本申请实施例中的高斯函数形如:
其中,k∫∫G(x,y)dxdy=1;这里用σ表示高斯函数的尺度;对σ设置不同的值,可以得到不同的背景估计参数,本申请实施例设σi和ki为第一背景估计参数,σc和kc为第二背景估计参数,σc≠σi。σi、σc可以根据实际需求进行设置,此处不作限定。
基于上述高斯函数、第一背景估计参数σi和ki、和第二背景估计参数σc和kc,对ci(x,y)进行背景估计计算。
其中,第一背景估计图像为像IGi(x,y):
IGi(x,y)=conv(ci(x,y),Gi(x,y))
IGCi(x,y)=conv(ci(x,y),Gc(x,y))通过上述实施方式,可以分别得到R(x,y),G(x,y),B(x,y)各自对应的第一背景估计图像和第二背景估计图像,然后可以执行步骤S202。
在步骤S202中、基于每个通道图像对应的第一背景估计图像,确定每个通道图像对应的细节信息图像,并基于全部细节信息图像和全部第二背景估计图像,确定每个通道图像对应的背景补偿因子。
本实施例中,细节信息图像包含待处理医学图像中的感兴趣图像内容,第一背景估计图像和第二背景估计图像不包含感兴趣图像内容;感兴趣图像内容可以是不同组织部位,比如骨骼、大脑结构、胸腔结构等,此处不作限定。
第一背景估计图像用来确定细节信息图像,第二背景图像用于确定每个通道图像对应的背景补偿因子、以及对通道图像进行背景补偿。
本实施例还给出了一种确定细节信息图像和背景补偿因子的实施方式,请参见图4,图4为本发明实施例提供的步骤S202的示意性流程图:
S202-1,针对每个通道图像,将通道图像与通道图像对应的第一背景估计图像相减,得到通道图像对应的细节信息图像。
S202-2,将通道图像对应的第二背景估计图像全部像素值之和与细节信息图像的全部像素值之和的比值,作为通道图像对应的背景补偿因子。
继续以上述例子进行解释,细节信息图像的计算方式形如:
fi(x,y)=kc[ci(x,y)-IGi(x,y)]
其中kc是一个自然常数。
为了最后的结果的输出更能凸显图像的细节和增强图像的对比度,获得细节信息图像之后,还可以基于预设的优化函数,对每个细节信息图像进行优化,得到泛化的细节信息图像,表示为SDfi(x,y):
Dfi(x,y)=Sig(Dfi(x,y))
其中优化函数设定为:
其中,A,kg,z0都是自然参数,并且它们的值不会对最终的输出造成大的影响。
得到细节信息图像之后,设定背景补偿因子kb,可以根据如下关系式得到背景补偿因子kb:
其中,ΣΣ表示求和符号。
可以理解的是,本申请实施例中的图像均是以矩阵的形式进行表示的,矩阵的行对应图像的高(单位为像素),矩阵的列对应图像的宽(单位为像素),矩阵的元素对应图像的像素,矩阵元素的值就是像素的像素值。例如,R通道图像对应的矩阵为:R=[[1,1],[2,2]…],那么上述求和的意思是:sum(sum(R))=(1+1)+(2+2)…。
得到背景补偿因子kb之后,为了提升图像补偿效果,还可以先背景补偿因子对进行修正,修正的方式可以为:将背景补偿因子和背景补偿因子的倒数中的最小值,作为修正后的背景补偿因子,即:
获得背景补偿因子之后,则可执行步骤S203。
在步骤S203中、基于每个通道图像对应的背景补偿因子,对每个通道图像进行背景补偿,并对背景补偿后的每个通道图像进行图像增强。
作为一种可选的实施方式,上述步骤S203可以参见图5,图5为本申请实施例提供的步骤S203的示意性流程图:
S203-1,针对每个通道图像,将背景补偿因子与通道图像对应的第二背景估计图像相乘,并将相乘后得到的第二背景估计图像与通道图像对应的细节信息图像相加,得到背景补偿后的通道图像。
S203-2,将背景补偿后的每个通道图像进行归一化,得到图像增强后的每个通道图像。
作为一种可选的实施方式,上述归一化的方式可以为:将背景补偿后的通道图像的每个像素值、与通道图像中的最大像素值相除,得到图像增强后的通道图像。
本申请实施例中,通过细节信息图像SDfi(x,y)和第二背景估计图像IGCi(x,y),可以得到背景补偿之后的通道图像Ncrf(x,y):
Ncrf(x,y)=SDfi(x,y)+kn*IGCi(x,y)
分别得到R(x,y),G(x,y),B(x,y)对应的Ncrf(x,y),然后对背景补偿之后的通道图像进行图像增强,即通过对Ncrf(x,y)进行归一化得到:
其中,max表示最大值计算。比如,Ncrf(x,y)=[[2,3],[4,100]],那么max(Ncrf(x,y))则为100。
分别得到R(x,y),G(x,y),B(x,y)对应的背景补偿之后的通道图像之后,即可执行步骤S204。
在步骤S204中、对图像增强后的每个通道图像进行融合,得到图像增强后的待处理医学图像。
作为一种可选的实施方式,将背景补偿后的每个通道图像与背景补偿后的全部通道图像中的最大值通道图像相除,得到图像增强后的每个通道图像。
在获得图像增强的每个通道图像之后,可以利用现有常规的图像融合方法将各个通道图像进行融合,例如,将各个通道图像进行像素级融合、特征级融合等等,得到的一张图像即为本申请实施例实现图像增强后的医学图像。
通过上述实施例中的医学图像增强方法,可以快速、高效的对待处理医学图像进行增强,本方法不需要针对不同的组织部位或者成像环境进行特别的优化,是一个统一的医学图像增强计算方法,本发明实施例的增强效果可以参见图6,图6为本发明实施例提供的医学图像增强方法的效果示意图,其中左边图像为待处理医学图像,右边为通过本发明实施例提供的医学图像增强处理之后的图像的效果,可以明确看出本方法增强之后的图像效果明显好于原始图像,能提供更多细节信息。
本申请实施例提供的医学图像增强方法可以在硬件设备或者以软件模块的形式实现中执行,当医学图像增强方法以软件模块的形式实现时,本申请实施例还提供一种医学图像增强方法装置,请参见图7,图7为本申请实施例提供的医学图像增强装置的功能模块图,该医学图像增强装置400可以包括:
确定模块410,用于:获得待处理医学图像的多个通道图像,并分别确定每个通道图像对应的第一背景估计图像和第二背景估计图像;
确定模块410,还用于:基于每个通道图像对应的第一背景估计图像,确定每个通道图像对应的细节信息图像,并基于全部细节信息图像和全部第二背景估计图像,确定每个通道图像对应的背景补偿因子;
其中,细节信息图像包含待处理医学图像中的感兴趣图像内容;第一背景估计图像和第二背景估计图像不包含感兴趣图像内容;
增强模块420,用于:基于每个通道图像对应的背景补偿因子,对每个通道图像进行背景补偿,并对背景补偿后的每个通道图像进行图像增强;
增强模块420,还用于:对图像增强后的每个通道图像进行融合,得到图像增强后的医学图像。
可以理解的是,确定模块410和增强模块420可以协同的执行图2中的各个步骤以实现相应的技术效果。
在可选的实施方式中,确定模块410,具体用于:针对每个通道图像,将通道图像与通道图像对应的第一背景估计图像相减,得到通道图像对应的细节信息图像;将所述通道图像对应的所述第二背景估计图像的全部像素值之和与所述细节信息图像的全部像素值之和的比值,作为所述通道图像对应的背景补偿因子。
在可选的实施方式中,该医学图像增强装置400可以包括优化模块,用于基于预设的优化函数,对每个细节信息图像进行优化。
在可选的实施方式中,增强模块420,具体用于:针对每个通道图像,将背景补偿因子与通道图像对应的第二背景估计图像相乘,并将相乘后得到的第二背景估计图像与通道图像对应的细节信息图像相加,得到背景补偿后的通道图像;将背景补偿后的每个通道图像进行归一化,得到图像增强后的每个通道图像。
在可选的实施方式中,该医学图像增强装置400可以包括修正模块,用于将背景补偿因子和背景补偿因子的倒数中的最小值,作为修正后的背景补偿因子。
在可选的实施方式中,增强模块420,具体用于:将背景补偿后的所述通道图像的每个像素值、与所述通道图像中的最大像素值相除,得到图像增强后的所述通道图像。
在可选的实施方式中,确定模块410,具体用于:对待处理医学图像进行RGB通道分离,得到多个通道图像;将第一背景估计参数输入高斯函数中,并对高斯函数和通道图像进行卷积计算,得到第一背景估计图像;将第二背景估计参数输入高斯函数中,并对高斯函数和通道图像进行卷积计算,得到第二背景估计图像;第一背景估计参数和第二背景估计参数不同。
本申请实施例还提供一种可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前述实施方式中任一项的医学图像增强方法。该计算机可读存储介质可以是,但不限于,U盘、移动硬盘、ROM、RAM、PROM、EPROM、EEPROM、磁碟或者光盘等各种可以存储程序代码的介质。
应该理解到,在本发明所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (10)
1.一种医学图像增强方法,其特征在于,所述方法包括:
获得待处理医学图像的多个通道图像,并分别确定每个所述通道图像对应的第一背景估计图像和第二背景估计图像;
基于每个所述通道图像对应的所述第一背景估计图像,确定每个所述通道图像对应的细节信息图像,并基于全部所述细节信息图像和全部所述第二背景估计图像,确定每个所述通道图像对应的背景补偿因子;
其中,所述细节信息图像包含所述待处理医学图像中的感兴趣图像内容;所述第一背景估计图像和所述第二背景估计图像不包含所述感兴趣图像内容;
基于所述背景补偿因子,对所述背景补偿因子对应的所述通道图像进行背景补偿,并对背景补偿后的每个所述通道图像进行图像增强;
对图像增强后的每个所述通道图像进行融合,得到图像增强后的所述待处理医学图像。
2.根据权利要求1所述的医学图像增强方法,其特征在于,基于每个所述通道图像对应的所述第一背景估计图像,确定每个所述通道图像对应的细节信息图像,并基于全部所述细节信息图像和全部所述第二背景估计图像,确定每个所述通道图像对应的背景补偿因子,包括:
针对每个所述通道图像,将所述通道图像与所述通道图像对应的所述第一背景估计图像相减,得到所述通道图像对应的所述细节信息图像;
将所述通道图像对应的所述第二背景估计图像的全部像素值之和与所述细节信息图像的全部像素值之和的比值,作为所述通道图像对应的背景补偿因子。
3.根据权利要求2所述的医学图像增强方法,其特征在于,在将所述通道图像对应的所述第二背景估计图像的全部像素值之和与所述细节信息图像的全部像素值之和的比值,作为所述通道图像对应的背景补偿因子之前,所述方法还包括:
基于预设的优化函数,对每个所述细节信息图像进行优化。
4.根据权利要求1所述的医学图像增强方法,其特征在于,基于所述背景补偿因子,对所述背景补偿因子对应的所述通道图像进行背景补偿,并对背景补偿后的每个所述通道图像进行图像增强,包括:
针对每个所述通道图像,将所述背景补偿因子与所述通道图像对应的所述第二背景估计图像相乘,并将相乘后得到的所述第二背景估计图像与所述通道图像对应的所述细节信息图像相加,得到背景补偿后的所述通道图像;
将背景补偿后的每个所述通道图像进行归一化,得到图像增强后的每个所述通道图像。
5.根据权利要求4所述的医学图像增强方法,其特征在于,在针对每个所述通道图像,将所述背景补偿因子与所述通道图像对应的所述第二背景估计图像相乘,并将相乘后的所述第二背景估计图像与所述通道图像对应的所述细节信息图像相加,得到背景补偿后的所述通道图像之前,所述方法还包括:
将所述背景补偿因子和所述背景补偿因子的倒数中的最小值,作为修正后的所述背景补偿因子。
6.根据权利要求4所述的医学图像增强方法,其特征在于,将背景补偿后的每个所述通道图像进行归一化,得到图像增强后的每个所述通道图像,包括:
将背景补偿后的所述通道图像的每个像素值、与所述通道图像中的最大像素值相除,得到图像增强后的所述通道图像。
7.根据权利要求1所述的医学图像增强方法,其特征在于,获得待处理的医学图像的多个通道图像,并分别确定每个通道图像对应的第一背景估计图像和第二背景估计图像,包括:
对所述待处理医学图像进行RGB通道分离,得到多个所述通道图像;
将第一背景估计参数输入高斯函数中,并对所述高斯函数和所述通道图像进行卷积计算,得到所述第一背景估计图像;
将第二背景估计参数输入所述高斯函数中,并对所述高斯函数和所述通道图像进行卷积计算,得到所述第二背景估计图像;所述第一背景估计参数和所述第二背景估计参数不同。
8.一种医学图像增强装置,其特征在于,包括:
确定模块,用于:获得待处理医学图像的多个通道图像,并分别确定每个通道图像对应的第一背景估计图像和第二背景估计图像;
所述确定模块,还用于:基于每个所述通道图像对应的所述第一背景估计图像,确定每个所述通道图像对应的细节信息图像,并基于全部所述细节信息图像和全部所述第二背景估计图像,确定每个所述通道图像对应的背景补偿因子;
其中,所述细节信息图像包含所述待处理医学图像中的感兴趣图像内容;所述第一背景估计图像和所述第二背景估计图像不包含所述感兴趣图像内容;
增强模块,用于:基于所述背景补偿因子,对所述背景补偿因子对应的所述通道图像进行背景补偿,并对背景补偿后的每个所述通道图像进行图像增强;
所述增强模块,还用于:对图像增强后的每个所述通道图像进行融合,得到图像增强后的所述医学图像。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现权利要求1至7任一项所述的方法。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211174678.2A CN115393241A (zh) | 2022-09-26 | 2022-09-26 | 医学图像增强方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211174678.2A CN115393241A (zh) | 2022-09-26 | 2022-09-26 | 医学图像增强方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115393241A true CN115393241A (zh) | 2022-11-25 |
Family
ID=84128801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211174678.2A Pending CN115393241A (zh) | 2022-09-26 | 2022-09-26 | 医学图像增强方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115393241A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993628A (zh) * | 2023-09-27 | 2023-11-03 | 四川大学华西医院 | 一种用于肿瘤射频消融引导的ct图像增强系统 |
-
2022
- 2022-09-26 CN CN202211174678.2A patent/CN115393241A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993628A (zh) * | 2023-09-27 | 2023-11-03 | 四川大学华西医院 | 一种用于肿瘤射频消融引导的ct图像增强系统 |
CN116993628B (zh) * | 2023-09-27 | 2023-12-08 | 四川大学华西医院 | 一种用于肿瘤射频消融引导的ct图像增强系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | Uncertainty inspired underwater image enhancement | |
Chang et al. | Two-stage convolutional neural network for medical noise removal via image decomposition | |
Hou et al. | NLH: A blind pixel-level non-local method for real-world image denoising | |
Gao et al. | Image fusion with cosparse analysis operator | |
Zhang et al. | Semantic-aware dehazing network with adaptive feature fusion | |
CN111383232B (zh) | 抠图方法、装置、终端设备及计算机可读存储介质 | |
CN112232914B (zh) | 基于2d图像的四阶段虚拟试衣方法及装置 | |
Ding et al. | Brain Medical Image Fusion Based on Dual‐Branch CNNs in NSST Domain | |
Zhou et al. | FSAD-Net: feedback spatial attention dehazing network | |
CN112232325B (zh) | 样本数据处理方法和装置、存储介质及电子设备 | |
Shi et al. | Hierarchical residual learning for image denoising | |
CN113066034A (zh) | 人脸图像的修复方法与装置、修复模型、介质和设备 | |
Wang et al. | Super-resolution of multi-observed RGB-D images based on nonlocal regression and total variation | |
Li et al. | Single image dehazing with an independent detail-recovery network | |
CN115393241A (zh) | 医学图像增强方法、装置、电子设备及可读存储介质 | |
CN109961435B (zh) | 脑图像获取方法、装置、设备及存储介质 | |
Tang et al. | SRARNet: A unified framework for joint superresolution and aircraft recognition | |
Yue et al. | Perceptual quality assessment of enhanced colonoscopy images: A benchmark dataset and an objective method | |
Shen et al. | Channel recombination and projection network for blind image quality measurement | |
Li et al. | Underwater Imaging Formation Model‐Embedded Multiscale Deep Neural Network for Underwater Image Enhancement | |
CN107729885B (zh) | 一种基于多重残差学习的人脸增强方法 | |
Wang et al. | Msfnet: multistage fusion network for infrared and visible image fusion | |
Li et al. | Ruiesr: Realistic underwater image enhancement and super resolution | |
Montefalcone et al. | Inpainting CMB maps using partial convolutional neural networks | |
Luo et al. | A fast denoising fusion network using internal and external priors |
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 |