基于深度学习的增强图像质量的方法技术

本发明专利技术公开了一种基于深度学习的增强图像质量的方法，包括获取不使用造影剂和低造影剂使用量的图像；进行图像预处理，消除不匹配区域获得时间对应的图像，得到对应的不使用造影剂的图像和低造影剂使用量的图像组；将得到的不使用造影剂的医学图像和低造影剂使用量的图像组作为增强图像质量神经网络的输入图像；构建增强图像质量神经网络模型；训练构建的增强图像质量神经网络模型；将得到的输入图像输入训练完成的增强图像质量神经网络模型，得到与正常造影剂使用量的医学图像具有基本上相同的图像质量。通过深度学习手段将低剂量低对比度医学图像优化为标准剂量高对比图医学图像的同时，还能够改善图像信噪比等图像质量指标。

【技术实现步骤摘要】
基于深度学习的增强图像质量的方法
本专利技术属于图像质量增强
，具体地涉及一种用于增强神经网络输入图像质量的处理方法及基于深度学习的增强图像质量的方法。
技术介绍
医学影像是当下医疗系统中常用的诊断工具。为了更有效地从医学影像中获取有效的生理信息，医生常常在影像采集前向患者体内注射造影剂的方式来帮助增强组织或病灶处的信号。不同的医疗影像模态如CT、MRI、超声、PET、C-arm、X光等都有自身独特的造影剂。但由于造影剂存在着有一定毒性、不能完全通过代谢排出等问题，人们试图在临床诊断中减少造影剂的使用。但减小造影剂用量会带来影像效果提升不明显的问题。举例来说，MRI是一种强大的影像技术。通过改变扫描序列和扫描参数，可以区分不同的组织特征和病理特征。磁共振造影剂一般具有独特的弛豫参数，在磁共振图像上呈现出和生理组织完全不同的图像特征，如钆造影剂(Gadoliniumbasedcontrastagents,GBCAs)就是一种常用的顺磁性磁共振造影剂。随着人体器官或病灶对GBCAs的吸收，该处的磁共振图像信号就呈现出与周围组织完全不同本文档来自技高网...

【技术保护点】
1.一种用于增强图像质量神经网络的输入图像处理方法，其特征在于，包括以下步骤：/nS01：获取不使用造影剂和低造影剂使用量的图像；/nS02：对获取的不使用造影剂和低造影剂使用量的图像进行图像预处理，消除不匹配区域获得时间对应的图像，得到对应的不使用造影剂的图像和低造影剂使用量的图像组；/nS03：将得到的不使用造影剂的图像和低造影剂使用量的图像组作为增强图像质量神经网络的输入图像。/n

【技术特征摘要】
1.一种用于增强图像质量神经网络的输入图像处理方法，其特征在于，包括以下步骤：
S01：获取不使用造影剂和低造影剂使用量的图像；
S02：对获取的不使用造影剂和低造影剂使用量的图像进行图像预处理，消除不匹配区域获得时间对应的图像，得到对应的不使用造影剂的图像和低造影剂使用量的图像组；
S03：将得到的不使用造影剂的图像和低造影剂使用量的图像组作为增强图像质量神经网络的输入图像。


2.根据权利要求1所述的用于增强图像质量神经网络的输入图像处理方法，其特征在于，所述步骤S01中获取采集时间内连续的图像，所述采集时间小于造影剂在人体内的代谢周期。


3.根据权利要求1所述的用于增强图像质量神经网络的输入图像处理方法，其特征在于，所述步骤S02中图像预处理包括：
S21：图像配准，使得图像组的各个像素点对应同一人体结构；
S22：图像归一化，包括以下步骤：
S221：消除偏差场失真；
S222：使用训练完成的分类器网络过滤图层；
S223：在正常造影剂使用量的图像中勾画不含有造影剂的感兴趣区域，并提取感兴趣区域内的像素值分布；
S224：将所述感兴趣区域复制至配准的不使用造影剂的图像和低造影剂使用量的图像，提取感兴趣区域内的像素值分布；
S225：根据正常造影剂图像、低造影剂图像和不使用造影剂图像的不含有造影剂的感兴趣区域内的像素值分布相同对图像进行归一化；
S23：数据扩大；
S24：蒙片，勾画含有造影剂的感兴趣区域，增加感兴趣区域在增强图像质量神经网络训练中的权重。


4.根据权利要求3所述的用于增强图像质量神经网络的输入图像处理方法，其特征在于，所述步骤S225中归一化包括：
S2251：得到不使用造影剂图像上感兴趣区域的像素值分布F＝P1(x_standard)，及低造影剂使用量图像或正常造影剂使用量图像上同一感兴趣区域的像素值分布G＝P2(x_in)，其中，x_standard为某一像素值，P1为感兴趣...

【专利技术属性】
技术研发人员：龚南杰，潘博洋，
申请(专利权)人：苏州深透智能科技有限公司，
类型：发明
国别省市：江苏;32