一种用于糖尿病肾脏病变分类的图像增强方法及设备技术

本发明专利技术公开了一种用于糖尿病肾脏病变分类的图像增强方法及电子设备，增强方法包括对比度增强、去噪和超分辨率重建等步骤，通过提高肾脏CT图像的质量，以提高图像分类网络对糖尿病肾病分类的准确率。其中，超分辨率重建网络包括初步特征提取单元、MDC特征提取单元和上采样单元，MDC特征提取单元设于所述初步特征提取单元的下游端，多个所述MDC特征提取单元首尾顺次连接，上采样单元设于MDC特征提取单元的下游端，上采样单元用于对所述第二特征图进行超分辨率重建。本发明专利技术的超分网络对特征多次重复利用，有效避免低层特征信息在连续的非线性运算中逐渐消失，模型在特征提取效果与复杂度之间取得了良好的平衡。复杂度之间取得了良好的平衡。

【技术实现步骤摘要】
一种用于糖尿病肾脏病变分类的图像增强方法及设备


[0001]本专利技术属于医疗图像处理
，具体地说，涉及一种用于糖尿病肾脏病变分类的图像增强方法及设备。

技术介绍

[0002]糖尿病肾病是糖尿病的常见并发症，也是患者因糖尿病死亡的主要原因之一。患者通常伴有厌食、体重减轻、虚弱无力、蛋白尿和高血压等症状。传统的诊断方法是依赖医生肉眼观察肾脏病理影像来判断糖尿病肾病所处的阶段，然后针对性地制定治疗方案。但是病情的诊断严重依赖于医生的实际临床经验，而且工作量大，尤其是对于一些重点医院，就诊患者多，医疗负担大。
[0003]利用图像分类网络对肾脏CT图像进行分类，以辅助诊断糖尿病肾病，是减轻医疗负担的有效途径。但是受到设备性能和诊疗费用各方面的限制，实际获取的CT图像质量普遍比较低，这限制了图像分类模型分类的准确率。

技术实现思路

[0004]针对现有技术中上述的不足，本专利技术提供了一种用于糖尿病肾脏病变分类的图像增强方法及设备，通过提高肾脏CT图像的质量，以提高图像分类网络对糖尿病肾病分类的准确率。
[0005]为了达到上述目的，本专利技术采用的解决方案是：一种用于糖尿病肾脏病变分类的图像增强方法，包括以下步骤：
[0006]S1、获取糖尿病患者肾脏CT图像，对所述肾脏CT图像进行对比度增强处理，获得第一图像；
[0007]S2、获取所述第一图像，对所述第一图像进行去噪处理，获得第二图像；
[0008]S3、获取所述第二图像，获取训练好的超分辨率重建网络，将第二图像输入所述超分辨率重建网络进行超分辨率重建，获得第三图像，所述第三图像的分辨率大于所述第二图像的分辨率；
[0009]所述超分辨率重建网络包括：
[0010]初步特征提取单元，所述初步特征提取单元设于所述超分辨率重建网络的前端，所述初步特征提取单元接收所述第二图像作为输入，输出获得第一特征图；
[0011]MDC特征提取单元，所述MDC特征提取单元设于所述初步特征提取单元的下游端，多个所述MDC特征提取单元首尾顺次连接，所述第一特征图顺次经过多个所述MDC特征提取单元后，输出得到第二特征图；
[0012]上采样单元，所述上采样单元设于所述MDC特征提取单元的下游端，所述上采样单元用于对所述第二特征图进行超分辨率重建，获得所述第三图像；
[0013]其中，所述MDC特征提取单元可以用如下数学模型表示：
[0014]G1＝σ1(f
d
(L
n
‑1))
[0015]G2＝σ2(f3(L
n
‑1))
[0016]G3＝σ3(f5(L
n
‑1))
[0017]G4＝[σ4(f
11
(G1+G2)),G2,G3][0018]G5＝f
f
(f
e
(G4),G4)
[0019]G6＝σ5(f
12
(G5))
[0020]L
n
＝f
RD
(L
n
‑1,G6)
[0021]其中，L
n
‑1表示输入所述MDC特征提取单元的特征图，f
d
表示卷积核大小为3*3的可变形卷积操作，f3表示卷积核大小为3*3的普通卷积操作，f5表示卷积核大小为5*5的普通卷积操作，f
11
和f
12
均表示卷积核大小为1*1的普通卷积操作，σ1、σ2、σ3、σ4和σ5均表示非线性激活函数ReLU，[
·
]表示对其中的特征图进行拼接操作，f
e
表示增强通道注意力模块，f
f
表示调制模块，所述调制模块用于将特征图G4与所述增强通道注意力模块的输出融合，f
RD
表示前后融合模块，所述前后融合模块用于将特征图G6与输入所述MDC特征提取单元的特征图融合，所述前后融合模块输出的特征图通道数量与输入所述MDC特征提取单元的特征图通道数量相同，L
n
表示所述MDC特征提取单元输出的特征图。
[0022]进一步地，所述前后融合模块可表示为如下公式：
[0023]G
B1
＝σ
B1
(f
B11
([L
n
‑1,G6]))
[0024]G
B2
＝σ
B2
(f
B12
(L
n
‑1+G6))
[0025]L
n
＝σ
B3
(f
B13
(G
B2
+G
B1
))
[0026]其中，特征图G6和特征图L
n
‑1同时作为所述前后融合模块的输入，[
·
]表示对其中的特征图在通道方向进行拼接操作，f
B11
、f
B12
和f
B13
均表示卷积核大小为1*1的卷积操作，σ
B1
、σ
B2
和σ
B3
均表示非线性激活函数ReLU，L
n
为所述前后融合模块的输出。
[0027]进一步地，所述增强通道注意力模块包括并联的四个分支，每个分支均包括顺次连接的全局池化层、第一全连接层、ReLU激活函数、第二全连接层和sigmoid激活函数；其中，第一分支中全局池化层为全局最大池化操作，第二分支中全局池化层为全局平均池化操作，第三分支中全局池化层为全局中值池化操作，第四分支中全局池化层为全局方差池化操作。
[0028]进一步地，所述调制模块可以用如下数学模型表示：
[0029]G5＝[(C1*G4),(C2*G4),(C3*G4)
‑
(C4*G4)][0030]其中，特征图G4为所述增强通道注意力模块的输入，C1、C2、C3和C4分别为所述第一分支、所述第二分支、所述第三分支和所述第四分支的输出，[
·
]表示对其中的特征图在通道方向进行拼接操作。
[0031]进一步地，所述超分辨重建网络还设有长连接，所述第一特征图通过所述长连接与最后一个所述MDC特征提取单元输出的特征图融合。
[0032]本专利技术还提供了一种于糖尿病肾脏病变分类的图像增强设备，包括处理器和存储器，所述存储器储存有计算机程序，所述处理器通过加载所述计算机程序，用于执行如上所述的用于糖尿病肾脏病变分类的图像增强方法
[0033]本专利技术的有益效果是：
[0034](1)本专利技术依次利用对比度增强、图像去噪和超分辨率重建来对CT图像进行增强，从而提高输入分类模型的图像质量，提高对糖尿病肾病分类的准确率；其中，每个MDC特征
提取单元中都设置了前后特征融合模块，经过特征提取得到的特征图G6与输入该MDC特征提取单元的特征图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于糖尿病肾脏病变分类的图像增强方法，其特征是：包括以下步骤：S1、获取糖尿病患者肾脏CT图像，对所述肾脏CT图像进行对比度增强处理，获得第一图像；S2、获取所述第一图像，对所述第一图像进行去噪处理，获得第二图像；S3、获取所述第二图像，获取训练好的超分辨率重建网络，将第二图像输入所述超分辨率重建网络进行超分辨率重建，获得第三图像，所述第三图像的分辨率大于所述第二图像的分辨率；所述超分辨率重建网络包括：初步特征提取单元，所述初步特征提取单元设于所述超分辨率重建网络的前端，所述初步特征提取单元接收所述第二图像作为输入，输出获得第一特征图；MDC特征提取单元，所述MDC特征提取单元设于所述初步特征提取单元的下游端，多个所述MDC特征提取单元首尾顺次连接，前一个MDC特征提取单元的输出作为下一个MDC特征提取单元的输入，所述第一特征图顺次经过多个所述MDC特征提取单元后，输出得到第二特征图；上采样单元，所述上采样单元设于所述MDC特征提取单元的下游端，所述上采样单元用于对所述第二特征图进行超分辨率重建，获得所述第三图像；其中，所述MDC特征提取单元可以用如下数学模型表示：G1＝σ1(f
d
(L
n
‑1))G2＝σ2(f3(L
n
‑1))G3＝σ3(f5(L
n
‑1))G4＝[σ4(f
11
(G1+G2)),G2,G3]G5＝f
f
(f
e
(G4),G4)G6＝σ5(f
12
(G5))L
n
＝f
RD
(L
n
‑1,G6)其中，L
n
‑1表示输入所述MDC特征提取单元的特征图，f
d
表示卷积核大小为3*3的可变形卷积操作，f3表示卷积核大小为3*3的普通卷积操作，f5表示卷积核大小为5*5的普通卷积操作，f
11
和f
12
均表示卷积核大小为1*1的普通卷积操作，σ1、σ2、σ3、σ4和σ5均表示非线性激活函数ReLU，[
·
]表示对其中的特征图进行拼接操作，f
e
表示增强通道注意力模块，f
f
表示调制模块，所述调制模块用于将特征图G4与所述增强通道注意力模块的输出融合，f
RD
表示前后融合模块，所述前后融合模块用于将特征图G6与输入所述MDC特征提取单元的特征图融合，所述前后融合模块输出的特征图通道数量与输入所述MDC特征提取单元的特征图通道数量相同，L
n
表示所述前后融合模块...

【专利技术属性】
技术研发人员：黄昶荃，李永红，李江玥，孙玉彬，
申请(专利权)人：成都大学附属医院，
类型：发明
国别省市：