一种医学图像增强方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术提供了一种医学图像增强方法、装置、设备及可读存储介质，所述方法包括：获取核磁图像；对所述核磁图像进行分解，得到至少一个分解结果，所述分解结果中包括至少一个低频分量和至少一个高频分量；基于顶帽变换对每一个所述低频分量进行增强处理，得到增强后的低频分量，利用已训练的深度学习模型对每一个所述高频分量进行增强处理，得到增强后的高频分量；对所述增强后的低频分量和所述增强后的高频分量进行重构处理，得到增强的核磁图像。本发明专利技术将图像分解后，采用不同的增强处理方法对各自进行处理，可以得到更高质量的增强后的低频分量和增强后的高频分量，进而得到优质的增强后的图像。强后的图像。强后的图像。

【技术实现步骤摘要】
一种医学图像增强方法、装置、设备及可读存储介质


[0001]本专利技术涉及图像
，具体而言，涉及一种医学图像增强方法、装置、设备及可读存储介质。

技术介绍

[0002]磁共振成像作为一种非常强大的医学诊断手段，常用于脑组织和人体软组织等部位的诊断检测，而目前由于核磁共振硬件发展的参差不齐，导致核磁共振成像的质量也参差不齐，而核磁共振成像的质量较差的会直接影响着医生对疾病的诊断。因此急需一种能够对核磁图像进行图像增强的方法，以提高医生对疾病诊断的准确性。

技术实现思路

[0003]本专利技术的目的在于提供一种医学图像增强方法、装置、设备及可读存储介质，以改善上述问题。
[0004]为了实现上述目的，本申请实施例提供了如下技术方案：
[0005]一方面，本申请实施例提供了一种医学图像增强方法，所述方法包括：
[0006]获取核磁图像；
[0007]对所述核磁图像进行分解，得到至少一个分解结果，所述分解结果中包括至少一个低频分量和至少一个高频分量；
[0008]基于顶帽变换对每一个所述低频分量进行增强处理，得到增强后的低频分量，利用已训练的深度学习模型对每一个所述高频分量进行增强处理，得到增强后的高频分量；
[0009]对所述增强后的低频分量和所述增强后的高频分量进行重构处理，得到增强的核磁图像。
[0010]第二方面，本申请实施例提供了一种医学图像增强装置，所述装置包括获取模块、分解模块、增强模块和重构模块。
[0011]获取模块，用于获取核磁图像；
[0012]分解模块，用于对所述核磁图像进行分解，得到至少一个分解结果，所述分解结果中包括至少一个低频分量和至少一个高频分量；
[0013]增强模块，用于基于顶帽变换对每一个所述低频分量进行增强处理，得到增强后的低频分量，利用已训练的深度学习模型对每一个所述高频分量进行增强处理，得到增强后的高频分量；
[0014]重构模块，用于对所述增强后的低频分量和所述增强后的高频分量进行重构处理，得到增强的核磁图像。
[0015]第三方面，本申请实施例提供了一种医学图像增强设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述医学图像增强方法的步骤。
[0016]第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有
计算机程序，所述计算机程序被处理器执行时实现上述医学图像增强方法的步骤。
[0017]本专利技术的有益效果为：
[0018]1、本专利技术将图像分解后，采用不同的增强处理方法对各自进行处理，相对于采用统一的一种增强方法来讲，针对性的采用不同的增强处理方法，可以得到更高质量的增强后的低频分量和增强后的高频分量，进而得到优质的增强后的图像。
[0019]2、在本专利技术中将样本图像和增强后的样本图像的分量作为训练集对模型进行训练，得到已训练的深度学习模型，利用已训练的深度学习模型对分量进行处理时，可以自适应的对每张分量进行增强处理，降低了增强的难度，提高了图像处理质量。
[0020]本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0021]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0022]图1是本专利技术实施例中所述的医学图像增强方法流程示意图；
[0023]图2是本专利技术实施例中所述的医学图像增强装置结构示意图；
[0024]图3是本专利技术实施例中所述的医学图像增强设备结构示意图；
[0025]图中标记：701、获取模块；702、分解模块；703增强模块；704、重构模块；7021、第一分解单元；7022、第二分解单元；7031、第一计算单元；7032、第二计算单元；7033、第三计算单元；7034、获取单元；7035、第三分解单元；7036、训练单元；70341、第一计算子单元；70342、第二计算子单元；70343、重构子单元；703411、划分子单元；703412、选取子单元；703413、第三计算子单元；800、医学图像增强设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
[0026]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0028]实施例1
[0029]如图1所示，本实施例提供了一种医学图像增强方法，该方法包括步骤S1、步骤S2、步骤S3和步骤S4。
[0030]步骤S1、获取核磁图像；
[0031]步骤S2、对所述核磁图像进行分解，得到至少一个分解结果，所述分解结果中包括至少一个低频分量和至少一个高频分量；
[0032]本步骤中，可以采用多种分解方法对核磁图像进行分解，例如采用双树复数小波分解、多尺度极值分解、高斯
‑
拉普拉斯金字塔分解方法、平移不变剪切波变换方法等；在本实施例中，采用的分解方法为小波变换方法，具体的实现步骤包括步骤S21和步骤S22；
[0033]步骤S21、采用小波变换方法对所述核磁图像进行行分解处理，得到第一分解结果，所述小波变换方法采用的小波函数为墨西哥帽状函数；
[0034]除了墨西哥帽状函数之外，还可以采用Moret小波函数、sym6小波函数等；
[0035]步骤S22、对所述第一分解结果进行列分解处理，得到一个所述低频分量和三个所述高频分量，所述低频分量包括所述核磁图像在水平和垂直方向的低频分量；三个所述高频分量包括第一高频分量、第二高频分量和第三高频分量，所述第一高频分量包括所述核磁图像在水平方向的低频分量和垂直方向的高频分量，所述第二高频分量包括所述核磁图像在水平方向的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像增强方法，其特征在于，包括：获取核磁图像；对所述核磁图像进行分解，得到至少一个分解结果，所述分解结果中包括至少一个低频分量和至少一个高频分量；基于顶帽变换对每一个所述低频分量进行增强处理，得到增强后的低频分量，利用已训练的深度学习模型对每一个所述高频分量进行增强处理，得到增强后的高频分量；对所述增强后的低频分量和所述增强后的高频分量进行重构处理，得到增强的核磁图像。2.根据权利要求1所述的医学图像增强方法，其特征在于，对所述核磁图像进行分解，得到至少一个分解结果，包括：采用小波变换方法对所述核磁图像进行行分解处理，得到第一分解结果，所述小波变换方法采用的小波函数为墨西哥帽状函数；对所述第一分解结果进行列分解处理，得到一个所述低频分量和三个所述高频分量，所述低频分量包括所述核磁图像在水平和垂直方向的低频分量；三个所述高频分量包括第一高频分量、第二高频分量和第三高频分量，所述第一高频分量包括所述核磁图像在水平方向的低频分量和垂直方向的高频分量，所述第二高频分量包括所述核磁图像在水平方向的高频分量和垂直方向的低频分量，所述第三高频分量包括所述核磁图像在水平和垂直方向的高频分量。3.根据权利要求1所述的医学图像增强方法，其特征在于，基于顶帽变换对每一个所述低频分量进行增强处理，得到增强后的低频分量，利用已训练的深度学习模型对每一个所述高频分量进行增强处理，得到增强后的高频分量，包括：利用顶帽变换对所述低频分量进行处理，得到第一处理结果，利用底帽变换对所述低频分量进行处理，得到第二处理结果；将所述低频分量加上所述第一处理结果，得到第三处理结果，将所述第三处理结果减去所述第二处理结果，得到所述增强后的低频分量；将所述高频分量输入所述已训练的深度学习模型中，得到所述增强后的高频分量。4.根据权利要求1所述的医学图像增强方法，其特征在于，已训练的深度学习模型的构建方法，包括：获取样本集，所述样本集中包括多个样本图像，对每个所述样本图像进行增强处理，得到第一图像；利用小波分解对每个所述样本图像进行分解和利用小波分解对每个所述样本图像对应的所述第一图像进行分解，得到第五分解结果；将所述第五分解结果作为样本集中的样本，构建样本集，利用所述样本集对深度信念网络模型进行训练，得到所述已训练的深度学习模型。5.一种医学图像增强装置，其特征在于，包括：获取模块，用于获取核磁图像；分解模块，用于对所述核磁图像进行分解，得到至少一个分解结果，所述分解结果中包括至少一个低频分量和...

【专利技术属性】
技术研发人员：姜帆，
申请(专利权)人：中科微影浙江医疗科技有限公司，
类型：发明
国别省市：