一种医学图像亮度均一化校正方法技术

本发明专利技术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。

A method of brightness uniformity correction for medical image

The invention provides a medical image brightness uniformity correction method, the medical image brightness uniformity correction method includes: constructing the brightness defect image set of the target medical image; taking the target medical image as the standard, carrying out the deep convolution neural network training to obtain the image brightness distribution characteristics; constructing the image brightness adjustment according to the image brightness distribution characteristics Model: training the medical image to be corrected according to the image brightness adjustment model to obtain the medical image with uniform brightness. Based on the characteristics of image brightness distribution obtained by deep convolution neural network training, an image brightness adjustment model (i.e. generating antagonism neural network) is constructed. The model is used to automatically calibrate the brightness uniformity of medical image, improve the utilization rate of medical image, and reduce the time and resource cost caused by rescan.

【技术实现步骤摘要】
一种医学图像亮度均一化校正方法
本专利技术涉及医学成像
，特别涉及一种医学图像亮度均一化校正方法。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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。在本专利技术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是本专利技术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是本专利技术一实施例中生成对抗神经网络的训练过程；图3是本专利技术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专利技术作进一步详细说明。根据下面说明和权利要求书，本专利技术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、明晰地辅助说明本专利技术实施例的目的。请参考图1及图2，图1为本专利技术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)。本专利技术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。为了便于理解本专利技术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，在本专利技术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。上述描述仅是对本专利技术较佳实施例的描述，并非对本专利技术范围的任何限定，本专利
的普通技术人员根据上述揭本文档来自技高网...

【技术保护点】
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：/n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；/n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；/n根据所述图像亮度分布特征构建图像亮度调整模型；/n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。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：石洪成，陈曙光，顾宇参，余浩军，修雁，李蓓蕾，胡鹏程，张一秋，
申请(专利权)人：复旦大学附属中山医院，
类型：发明
国别省市：上海;31