一种级联医学图像增强方法技术

本发明专利技术公开了一种级联医学图像增强方法，包括以下步骤：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。本发明专利技术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，解决了医学图像中血液污染影响视觉的问题，较好的模拟医学图像中的血污和消除医学图像中的血污，使医学图像的清晰度更高、信噪比峰值更大。

【技术实现步骤摘要】
一种级联医学图像增强方法
本专利技术涉及图像处理
，尤其涉及一种级联医学图像增强方法。
技术介绍
多年来，医学影像技术迅速发展，已经成为医疗诊断中不可或缺的技术。进入数字影像时代以来，海量数据的产生为医学影像未来的发展提供了更多的可能性。因此，如何对医学影像大数据做进一步分析和挖掘、如何从医学图像高维度数据中提取有价值的信息、如何将现代医学影像的发展与精准医疗紧密结合，成为医学影像未来发展的重要课题。近年来，随着计算能力的增强和数据的爆炸式增加，以深度学习为代表的人工智能(AI)技术取得了长足的进步，并开始应用于生产生活中的各个领域。近年来，有诸多新研究着眼于如何利用深度学习技术来进一步优化医学影像的采集与重建策略，然而，都并未取得较好的研究成果，其医学图像的采集效率和图像质量都较低，不能模拟较为真实的血污图像，从而无法实现更准确的诊断与治疗。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种级联医学图像增强方法。本专利技术的目的是通过以下技术方案来实现的：一种级联医学图像增强方法，包括以下步骤：步骤1：带血污图像的生成，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；步骤2：带血污图像的判别，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；若相似则跳转到步骤3；步骤3：清晰图像的级联生成，清晰图像的级联生成分为三个阶段，在第一阶段，输入带血污图像生成血污残差图像，将血污残差图像与清晰医学图像相加得到清晰图像，以得到清晰图像作为带血污图像输入第二阶段；第二阶段和第三阶段重复第一阶段步骤，并以第三阶段输出的清晰图像作为最后的清晰图像结果。进一步的，所述步骤1包括以下子步骤：步骤101：准备训练样本，训练样本为清晰医学图像和纯血污原图像；步骤102：神经网络设计，训练网络是神经网络池化层和卷积层组合成的生成网络；步骤103：首先，对于清晰医学图像，进行两次卷积操作，具体为：图像特征维数为3×4n×4n的清晰医学图像Iclear一次卷积后得到维数为b×2n×2n的图像特征F2，F2再一次卷积后得到维数为a×n×n图像特征F1；其中a，b，n均为正整数；然后，生成维数为1×1×m的噪声N0，调整噪声的结构得到维数为a×n×n噪声N1，其中m＝a×n×n；N1+F1作为输入进行一次上采样和卷积得到维数为b×2n×2n噪声N2；N2+F2作为输入进行一次上采样和卷积得到维数为3×4n×4n噪声N3，N3+Iclear得到维数为3×4n×4n带血污图像Inoise。进一步的，所述图像特征维数表示为O×P×Q，其中O表示通道数，P表示长度，Q表示宽度，且O，P，Q均为正整数。进一步的，所述步骤2包括以下子步骤：步骤201：准备训练样本，训练样本为带血污图像和纯血污原图像；步骤202：神经网络设计，判别网络是卷积神经网络；步骤203：首先，对于生成网络生成的带血污图像，依次进行两次卷积操作和一次全连接操作，得到维度为1×1的特征F；对于纯血污原图像，进行与带血污图像相同的处理，得到维度为1×1的特征F'；然后，计算F与F'损失，更新设计的神经网络的梯度。进一步的，所述步骤3包括以下子步骤：步骤301：准备训练样本，训练样本为带血污图像和清晰医学图像Iclear；步骤302：神经网络设计，训练网络是生成网络VQ-VAE和残差网络的组合级联得到；步骤303：带血污图像Inoise1输入生成网络VQ-VAE，生成血污残差图像Iresidual1，血污残差图像Iresidual1与带血污图像Inoise1相加得到清晰图像Iclear1；计算清晰图像Iclear1与清晰医学图像Iclear之间的损失loss1，清晰图像Iclear1作为带血污图像Inoise2再次输入生成网络VQ-VAE，生成血污残差图像Iresidual2，血污残差图像Iresidual2与带血污图像Inoise2相加得到清晰图像Iclear2；计算清晰图像Iclear2与清晰医学图像Iclear之间的损失loss2；清晰图像Iclear2作为带血污图像Inoise3再次输入生成网络VQ-VAE，生成血污残差图像Iresidual3，血污残差图像Iresidual3与带血污图像Inoise3相加得到最终的清晰图像Iclear3；计算清晰图像Iclear3与清晰医学图像Iclear之间的损失loss3；根据loss1+loss2+loss3的值更新级联神经网络。进一步的，所述级联的次数为图像特征通过生成网络VQ-VAE的次数。本专利技术的有益效果：针对医学图像中血液污染影响视觉的问题，采用了基于深度学习的医学图像血污模拟和医学图像血污消除的方法，较好的模拟医学图像中的血污和消除医学图像中的血污，使图像更加真实，并增强了图像的清晰度及信噪比峰值。附图说明图1是本专利技术的方法流程图。图2是带血污图像的生成网络结构图。图3是带血污图像的判别网络结构图。图4是清晰图像的级联生成网络结构图。图5是带血污图像的生成与判别的对比图。图6是带血污图像中血污的级联消除流程的对比图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图说明本专利技术的具体实施方式。本实施例中，如图1所示，一种级联医学图像增强方法，包括以下步骤：步骤1：带血污图像的生成，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；步骤2：带血污图像的判别，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，则跳转到步骤3；步骤3：清晰图像的级联生成，清晰图像的级联生成分为三个阶段，在第一阶段，输入带血污图像生成血污残差图像，将血污残差图像与清晰医学图像相加得到清晰图像，以得到清晰图像作为带血污图像输入第二阶段；第二阶段和第三阶段重复第一阶段步骤，并以第三阶段输出的清晰图像作为最后的清晰图像结果。其中，所述步骤1包括以下子步骤：步骤101：准备训练样本，训练样本为清晰医学图像和纯血污原图像；步骤102：神经网络设计，训练网络是神经网络池化层和卷积层组合成的生成网络；其网络结构如图2所示；步骤103：首先，对于清晰医学图像，进行两次卷积操作，具体为：图像特征维数为3×4n×4n的清晰医学图像Iclear一次卷积后得到维数为b×2n×2n的图像特征F2，F2再一次卷积后得到维数为a×n×n图像特征F1；其中a，b，n均为正整数；然后，生成维数为1×1×m的噪声N0，调整噪声的结构得到维数为a×n×n噪声N1，其中m＝a×n×n；N1+F1作为输入进行一次上采样和卷积得到维数为b×2n×2n噪声本文档来自技高网...

【技术保护点】
1.一种级联医学图像增强方法，其特征在于，包括以下步骤：/n步骤1：带血污图像的生成，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；/n步骤2：带血污图像的判别，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；若相似则跳转到步骤3；/n步骤3：清晰图像的级联生成，清晰图像的级联生成分为三个阶段，在第一阶段，输入带血污图像生成血污残差图像，将血污残差图像与清晰医学图像相加得到清晰图像，以得到清晰图像作为带血污图像输入第二阶段；第二阶段和第三阶段重复第一阶段步骤，并以第三阶段输出的清晰图像作为最后的清晰图像结果。/n

【技术特征摘要】
1.一种级联医学图像增强方法，其特征在于，包括以下步骤：
步骤1：带血污图像的生成，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；
步骤2：带血污图像的判别，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；若相似则跳转到步骤3；
步骤3：清晰图像的级联生成，清晰图像的级联生成分为三个阶段，在第一阶段，输入带血污图像生成血污残差图像，将血污残差图像与清晰医学图像相加得到清晰图像，以得到清晰图像作为带血污图像输入第二阶段；第二阶段和第三阶段重复第一阶段步骤，并以第三阶段输出的清晰图像作为最后的清晰图像结果。


2.根据权利要求1所述的一种级联医学图像增强方法，其特征在于，所述步骤1包括以下子步骤：
步骤101：准备训练样本，训练样本为清晰医学图像和纯血污原图像；
步骤102：神经网络设计，训练网络是神经网络池化层和卷积层组合成的生成网络；
步骤103：首先，对于清晰医学图像，进行两次卷积操作，具体为：图像特征维数为3×4n×4n的清晰医学图像Iclear一次卷积后得到维数为b×2n×2n的图像特征F2，F2再一次卷积后得到维数为a×n×n图像特征F1；其中a，b，n均为正整数；然后，生成维数为1×1×m的噪声N0，调整噪声的结构得到维数为a×n×n噪声N1，其中m＝a×n×n；N1+F1作为输入进行一次上采样和卷积得到维数为b×2n×2n噪声N2；N2+F2作为输入进行一次上采样和卷积得到维数为3×4n×4n噪声N3，N3+Iclear得到维数为3×4n×4n带血污图像Inoise。


3.根据权利要求2所述的一种级联医学图像增强方法，其特征在于，所述图像特征维数表示为O×P×Q，其中O表示通道数，P表示长度，Q表示宽度，且O，P，Q均为正整数。


4.根据权利要求1所述的一种级联医学图像增强方法，其特...

【专利技术属性】
技术研发人员：林劼，党元，李继演，伍双楠，王勇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51