一种乳腺DTI图像去噪方法技术

本发明专利技术提供了一种乳腺DTI图像去噪方法，基于人工智能的方法以克服现有的图像处理技术中人工干预。该图像去噪方法可由二维空间扩大至三维空间，包括：硬阈值处理方法、软阈值处理方法、根据图像轮廓细节特性的图像去噪方法。本发明专利技术处理方法计算简单，可以很好的恢复细节信息，图像处理效果好，峰值信噪比也得到了提高。

【技术实现步骤摘要】
一种乳腺DTI图像去噪方法
本专利技术涉及图像处理领域，具体涉及一种基于人工智能的图像去噪方法。
技术介绍
扩散张量成像(DTI)是新近发展起来的一种成像方式。这种成像技术通过水分子扩散引起的磁共振信号衰减来获得生物体内水扩散的方向、量级和各向异性等信息。由于DTI可以提供其他成像方式(如断层扫描成像——CT，传统核磁共振成像——MRI)所不能提供的白质纤维走行等独特信息，且具有非侵入和不需要造影剂等优点，所以在理论研究和临床应用领域均引起了极大关注。特别是，扩散张量神经纤维束成像技术是目前非侵入获得活体白质结构的唯一手段，因此具有重要的临床价值。由于DTI数据的信噪比较低，会影响张量场数据可视化的效果。特别是进行白质束等纤维结构走行的跟踪时，被噪声污染的张量表现在方向排列上杂乱、不规则，使得跟踪出来的纤维结构不够平滑，甚至得到错误的结果，大大限制了DTI的应用。因此，对图像或者张量场进行恢复(去噪)处理是进行理论和应用研究的关键环节。DTI图像具有向量特性，对其进行去噪处理一直是扩散张量数据处理研究领域的热点和难点问题。迄今为止，还没有DTI图像平滑的“黄金”标准。2016年以来，人工智能成为了非常热门的概念，在图像处理中，经常有工作是可以人工标记，但难以写出一个完整的规则来实现自动处理。有时候有一整套算法，但是参数太多，人工去调节、寻找合适的参数就太过繁琐。那么就可以利用机器学习的方法，提取一定数量的特征，人工标记一批结果，然后用机器学习的方法算出一套自动判断的准则。机器学习的方法在开发这类软件时就显得比较有效。为了寻找一种适合DTI图像特征的去噪方法，本专利技术提出一种基于全卷积神经网络(FCN)的机器学习方法，更加智能的对DTI图像进行去噪处理。
技术实现思路
为了解决上述的技术问题，本专利技术提出一种基于人工智能的乳腺DTI图像去噪方法。通过机器学习把乳腺的图像中的白质束等纤维结构全部提取出来，然后通过密集程度、粗细来分析病情。照片中纤维结构未必是完全相连的，有的地方可能略微模糊，孤立地看不见得能确定是不是相连的。这时候用本专利技术提出的基于全卷积神经网络(FCN)的方法来对无法判定的图像进行去噪增强，峰值信噪比得到了提高，尤其针对轮廓细节比较丰富的图像效果更明显。本专利技术提供一种乳腺DTI图像去噪方法，所述去噪方法包括：步骤1、图像获取：用1.5T磁共振系统和7个编码梯度对人体乳腺部位进行自旋回波单次激发EPI成像获得，其成像参数为：TR6.0ms，TE2.36ms，层厚1.2mm，层距0.24mm，体素为0.9×0.8×51.2mm，SNR为1，获取时间为104s；采用MEDINRIA对该体元进行了人体乳腺腺体组织追踪：参数设置如下：背景滤除门限＝100，部分各向异性门限＝100，平滑度＝0，抽样率＝4，平滑度为0，MFL＝100，抽样速率为较大值；步骤2、采用全卷积神经网络对该获取图像进行分割：S1.获取乳腺区域训练样本，并标记；S2.对训练乳腺区域进行预处理，获得预处理结果；S3.构建乳腺兴趣区域分割的全卷积网络结构；S4.利用训练样本训练乳腺分割模型，以获取最优乳腺图像分割模型；S5.获取被试者乳腺区域样本，并标记；S6.对测试乳腺区域进行预处理，获得预处理结果；S7.训练好的分割模型对测试集进行分割；S8.对全卷积网络的分割结果进行后处理；S9.选择图像分割的评价指标，进行分割结果统计评价；所述S3包括以下步骤：S31.卷积模组；S311.移除了VGG-16的最后两个全连接层；S312.移除了最后一个卷积模块的最大池化层；S32.边输出模组；S321.每个边输出模块的输入是相对应的VGG-16模块的输出，在每个边输出模块中，用1×1的卷积层来将特征通道降低至一个特定的数量，第二至第五个模块拥有128个特征通道，第一个模块拥有64个特征通道；S322.用一个上采样层来对第二至第五个模块进行分辨率重建，第一个模块，我们不做任何处理；S323.在每个模块的最后一步，用1×1的卷积核作为分类器来获取每个像素是乳腺或背景的预测概率图，获取五个概率图，这五个概率图包含不同尺度特征的信息；S324.使用一个融合模块来融合五个边输出模块的输出,融合模块包括了一个用于堆叠五个边输出层输出的连接层和一个用于获取最终分割结果的卷积层。所述S9是用六个度量指标对分割的性能进行量化，包括：(1)DSC方程，计算的是分割图和真实图的重叠，与它们之间的相似性呈正相关：其中，TP为真阳性,FN为假阴性,FP为假阳性；(2)PPV方程，用来计算FP和TP的值：(3)专一性方程，用来计算TN和FP的值：其中，TN为真阴性；(4)敏感性方程，用来计算TP和FN的值：(5)HM方程，评估结果与实际真相之间的差异：(6)HD方程，比较结果和真实值：其中，A代表分割的结果，B代表真实值，||·||是欧式距离函数。步骤3、提取感兴趣区域周边的结构信息，构造先验图像；基于Contourlet变换的算法图像去噪：噪声去噪一般采用模型：y＝x+σ*e，其中，x是期望图像；y是观测的含噪图像；e是噪声；σ是噪声方差；3.1、确定Contourlet分解的层次K，对含噪图像进行Contourlet变换，得到低频系数a0。和高频系数d0，d1，……dk-1；3.2、在Contourlet变换域设定阈值对系数进行处理，得到新的Contourlet系数；硬阈值处理法：软阈值处理法：3.3、对处理后的高频系数和低频系数a0进行Contourle逆变换，得到信号即为原始信号x的估计值。作为本专利技术进一步的改进，步骤3中硬阈值处理方法如下：引入因子设置图像的硬阈值为其中不同尺度不同方向上能量记为引入因子(k表示第k个尺度，j表示第j个方向)，该因子与第k个尺度第j个方向上的轮廓细节有关，同时也与第k个尺度所分解的总的方向数有关，一旦分解的层数确定后，每一层的一总能量就确定了，即就确定了，因此分解的方向数越多，的比值越小。作为本专利技术进一步的改进，c的取值为3.1。作为本专利技术进一步的改进，步骤3中软阈值处理方法如下：引入因子设置图像的软阈值为因为δk对不同尺度已经设置了不同的阈值，而包含了对不同尺度进行不同的阈值，所以要对进行修正，一旦分解的层数确定，方向数越多，的比值越小，就越大，在同一层中不同的方向数会得到不同的阈值，尽量减少这种影响，得到作为本专利技术进一步的改进，含噪图像为针对人体乳腺部位捕获的三维图像。本专利技术的有益效果是，处理方法计算简单，可以很好的恢复细节信息，图像处理效果好，峰值信噪比也得到了提高，去除人为干预，增加智能化分割和训练步骤有效提高图像处理精准度，处理阈由二维图像扩大至三维图像。附图说明图1是本专利技术一种乳腺DTI图像去噪方法流程图。图2是本专利技术人工智能分割网络架构图。具体实施方式下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所述的实施例只是本专利技术的部分具有代表性的实施例，而不是全部实施例，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其他所有实施例都属于本专利技术的保护范围。实施例1Contourlet阈值去噪步骤1、图像获取：用1.5T磁共振系统和7个编码梯度对人体乳腺部位进行自旋回波单次激发EPI成像本文档来自技高网...

【技术保护点】
1.一种乳腺DTI图像去噪方法，其特征在于，所述去噪方法包括：步骤1、图像获取：用1.5T磁共振系统和7个编码梯度对人体乳腺部位进行自旋回波单次激发EPI成像获得，其成像参数为：TR 6.0ms，TE 2.36ms，层厚1.2mm，层距0.24mm，体素为0.9×0.8×51.2mm，SNR为1，获取时间为104s；步骤2、采用全卷积神经网络对该获取图像进行分割；步骤3、提取感兴趣区域周边的结构信息，构造先验图像；基于Contourlet变换的算法图像去噪：噪声去噪一般采用模型：y＝x+σ*e，其中，x是期望图像；y是观测的含噪图像；e是噪声；σ是噪声方差。

【技术特征摘要】
1.一种乳腺DTI图像去噪方法，其特征在于，所述去噪方法包括：步骤1、图像获取：用1.5T磁共振系统和7个编码梯度对人体乳腺部位进行自旋回波单次激发EPI成像获得，其成像参数为：TR6.0ms，TE2.36ms，层厚1.2mm，层距0.24mm，体素为0.9×0.8×51.2mm，SNR为1，获取时间为104s；步骤2、采用全卷积神经网络对该获取图像进行分割；步骤3、提取感兴趣区域周边的结构信息，构造先验图像；基于Contourlet变换的算法图像去噪：噪声去噪一般采用模型：y＝x+σ*e，其中，x是期望图像；y是观测的含噪图像；e是噪声；σ是噪声方差。2.根据权利要求1所述的一种乳腺DTI图像去噪方法，其特征在于，所述步骤2包括以下步骤：S1.获取乳腺区域训练样本，并标记；S2.对训练乳腺区域进行预处理，获得预处理结果；S3.构建乳腺兴趣区域分割的全卷积网络结构；S4.利用训练样本训练乳腺分割模型，以获取最优乳腺图像分割模型；S5.获取被试者乳腺区域样本，并标记；S6.对测试乳腺区域进行预处理，获得预处理结果；S7.训练好的分割模型对测试集进行分割；S8.对全卷积网络的分割结果进行后处理；S9.选择图像分割的评价指标，进行分割结果统计评价。3.根据权利要求2所述的一种乳腺DTI图像去噪方法，其特征在于，所述步骤3包括以下步骤：3.1、确定Contourlet分解的层次K，对含噪图像进行Contourlet变换，得到低频系数a0。和高频系数d0，d1，……dk-1；3.2、在Contourlet变换域设定阈值对系数进行处理，得到新的Contourlet系数；硬阈值处理法：软阈值处理法：3.3、对处理后的高频系数和低频系数a0进行Contourle逆变换，得到信号即为原始信号x的估计值。4.根据权利要求3所述的一种乳腺DTI图像去噪方法，其特征在于，所述S3包括以下步骤：S31.卷积模组；S311.移除了VGG-16的最后两个全连接层；S312.移除了最后一个卷积模块的最大池化层；S32.边输出模组；S321.每个边输出模块的输入是相对应的VGG-16模块的输出，在每个边输出模块中，用1×1的卷积层来将特征通道降低至一个特定的数量，第二至第五个模块...

【专利技术属性】
技术研发人员：王艳玲，吴春华，沈中梅，周志凌，胡胜荣，
申请(专利权)人：苏州高新区人民医院，
类型：发明
国别省市：江苏,32