一种基于更丰富的卷积特征算法的医学超分辨率重建方法属图像处理技术领域，本发明专利技术通过基于更丰富的卷积特征的边缘检测(RCF)算法，运用labelme工具标记数据集；进行训练并调整参数；使用训练好的模型对目标图片进行边缘检测，来提高医学CT图片边缘检测的准确性；对得到的图片进行裁剪，保留脊椎部分；再通过面绘制的移动立方体算法进行重建，得到更好的三维重建效果；本发明专利技术能解决现有医学重建存在的分辨率低、重建效果不理想的问题。重建效果不理想的问题。重建效果不理想的问题。
【技术实现步骤摘要】
一种基于更丰富的卷积特征算法的医学超分辨率重建方法
[0001]本专利技术属于图像处理
，具体涉及一种基于更丰富的卷积特征边缘检测的医学超分辨率移动立方体算法三维重建。
技术介绍
[0002]医学图像超分辨率三维重建的主要分为两大类：基于传统方法的医学图像超分辨率三维重建和基于深度学习的医学图像超分辨率三维重建。基于传统的方法主要分为：基于面绘制和基于体绘制方法，随着时间的推移，逐渐提出基于插值的方法和基于建模的方法；基于深度学习的方法可以分为样本学习、流形学习、稀疏表示三大类。
[0003]基于面绘制的方法主要分为两类：体素级重建和切片级重建。
[0004]移动立方体算法(Marching Cubes,以下简称MC算法)是一种等值面抽取算法，是体素级重建中最具影响力的方法，同时也是面绘制的典型代表。
[0005]MC算法在医学三维重建中有着广泛应用。三维图像中由三维矩阵存储着相应信息，其中的每个元素称为体素。体素由两个切面之间8个相邻的点构成。MC算法是将三维空间中对体数据的各个体素进行处理，遍历所有体素，找到其中与等值面相交的体素。求得体素中的等值面在边上的交点，由这些交点连接成为三角面片，通过构建三角面片这种拓扑结构，将他们进行处理，连接起来，就完成了三维重建的过程。一个体素中含有8个顶点，对于单个顶点来说，有在等值面内和等值面外两种情况，所以体素和等值面的关系有28共计256种情况。通过对256种情况进行分析，将它们建立成为一个三角面片构型索引表，里面穷举了所有构型情况。对它们进行观察与分析，256种情况可以进行简化，体素中等值面的模式进行反转，旋转操作，利用立方体的对称性，最后精简为15种构型，概述了256种情况。
技术实现思路
[0006]针对现有医学图像三维重建精度低、对CT图像处理边缘检测效果不理想，本专利技术提供一种基于更丰富的卷积特征边缘检测的医学超分辨率移动立方体算法三维重建方法。
[0007]本专利技术为解决技术问题所采用的技术方案如下：
[0008]基于更丰富的卷积特征算法的医学超分辨率重建方法，包括以下步骤：
[0009]1)将医学CT图像由dicom格式转换为bmp格式；
[0010]2)使用labelme工具，将转换的bmp格式CT图片进行标记，创建数据集，使用更丰富的卷积特征边缘检测算法
‑‑
RCF进行训练并调整参数；
[0011]2.1使用的医学CT图像的像素大小为512
×
512：
[0012]2.2使用labelme标记时运用linestrip进行线段标记，标记图中脊椎区域；
[0013]2.3使用更丰富的卷积特征边缘检测算法
‑‑
RCF，是基于VGG16基础上改进得来，与之前相比，改动如下：RCF网络去除了原来最后的三个全连接层以及最后的池化层；这样做是因为与VGG网络的设计初衷——图像分类问题不同，这个网络旨在边缘检测，VGG最后的全连接层得到的1
×1×
4096的输出是没有意义的，故将其删去；为了进行边缘信息的提取，
所以需要对像素值本身进行重新计算，所以在VGG16的每个卷积层后，都添加了一个1
×1‑
21的卷积层，先升维，后通过1
×1‑
1进行降维；其在每一个stage的最后添加了cross
‑
entropy loss/sigmoid层以计算损失，更新参数；每一层中有deconv层进行上采样，将图像大小映射回原来的大小，最后在fusion部分将每一个stage的输出叠加，在进行一遍1
×1‑
1的卷积将多通道合并，来达到获取多种混合信息的能力；
[0014]2.4对于每一张图片，将所有人的标记取平均值来生成一个边缘存在的概率图，对于每一个点，0代表没有标记者认为这个点是边缘，1代表所有人都认为这个点是边缘，这里定义一个超参数η：如果一个点是边缘的概率大于η，则这个点是边缘；若这个点的概率是0，则其不是边缘；此外，那些概率介于0和η之间的点是属于有争议的点，不计入损失函数；所以，每一个点的损失函数记为：
[0015][0016]其中：
[0017][0018][0019]其中：|Y
+
|表示图中一定是边缘的点的个数；|Y
‑
|表示图中一定不是边缘的点的个数；λ是超参数；在像素i的特征向量和是否为边缘的事实表示分别为X
i
和y
i
；P(X)是一个标准的Sigmoid激活函数；W代表网络中的所有学习参数；所以，整个图片的损失函数记为：
[0020][0021]其中：表示stage k的特征向量；表示stage fusion的特征向量；|I|代表像素个数，|K|代表阶段数；
[0022]3)将训练好的模型对目标进行边缘检测，对输出的图片进行裁剪，保留需要的脊椎部分；
[0023]3.1使用训练好的模型对目标图片进行边缘检测，将得到的图片使用matlab进行裁剪，通过像素点的数值判断，裁剪出大小为100
×
100的脊椎位置图片；
[0024]4)使用移动立方体算法对裁剪后的图片进行重建；
[0025]4.1移动立方体算法，三维图像中由三维矩阵存储着相应信息，其中的每个元素称为体素；体素由两个切面之间8个相邻的点构成；移动立方体算法是将三维空间中对体数据的各个体素进行处理，遍历所有体素，找到其中与等值面相交的体素；求得体素中的等值面在边上的交点，由这些交点连接成为三角面片，通过构建三角面片这种拓扑结构，进行处理，连接起来，就完成了三维重建的过程；一个体素中含有8个顶点，对于单个顶点来说，有在等值面内和等值面外两种情况，所以体素和等值面的关系有28共计256种情况；通过对256种情况进行分析，将它们建立成为一个三角面片构型索引表，里面穷举了所有构型情
况；对它们进行观察与分析，256种情况能进行简化，体素中等值面的模式进行反转，旋转操作，利用立方体的对称性，最后精简为15种构型，概述了256种情况；MC算法取等值面阈值为t时，需要在体数据中找到灰度值阈值为t的各个点，这些点为等值点(x,y,z)，将这些点用集合的方法表示为：
[0026]{(x,y,z)|F(x,y,z)＝t}
[0027]其中：t是设置的等值面阈值，为常量；F代表灰度值函数，取值范围为[0,255]；
[0028]找到等值点，由它们组成三角面片，构成等值面，最后输出；在此过程中，最重要的就是计算等值面中三角面片的法向量；计算三位数剧场中的某点(x,y,z)法向量，其公式为：
[0029][0030]其中：是代表函数F在该点的梯度；采取中心差分法计算各个体素顶点的梯度，对于某一体素顶点(x
i
,y
j
,z
k
)，它的梯度计算公式为：
[0031][0032]其本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于更丰富的卷积特征算法的医学超分辨率重建方法，其特征在于，包括下列步骤：1)将医学CT图像由dicom格式转换为bmp格式；2)使用labelme工具，将转换的bmp格式CT图片进行标记，创建数据集，使用更丰富的卷积特征边缘检测算法
‑‑
RCF进行训练并调整参数；2.1使用的医学CT图像的像素大小为512
×
512：2.2使用labelme标记时运用linestrip进行线段标记，标记图中脊椎区域；2.3使用更丰富的卷积特征边缘检测算法
‑‑
RCF，是基于VGG16基础上改进得来，与之前相比，改动如下：RCF网络去除了原来最后的三个全连接层，以及最后的池化层；2.4对于每一张图片，将所有人的标记取平均值来生成一个边缘存在的概率图，对于每一个点，0代表没有标记者，认为这个点是边缘；1代表所有人都认为这个点是边缘，这里定义一个超参数η：如果一个点是边缘的概率大于η，则这个点是边缘；若这个点的概率是0，则其不是边缘；此外，那些概率介于0和η之间的点是属于有争议的点，不计入损失函数；所以，每一个点的损失函数记为：其中：其中：其中：|Y
+
|表示图片中一定是边缘的点的个数；|Y
‑
|表示图片中一定不是边缘的点的个数；λ是超参数；在像素i的特征向量和是否为边缘的事实表示分别为X
i
和y
i
；P(X)是一个标准的Sigmoid激活函数；W代表网络中的所有学习参数；所以，整个图片的损失函数记为：其中：表示stage k的特征向量；表示stage fusion的特征向量；|I|代表像素个数，|K|代表阶段数；3)将训练好的模型对目标进行边缘检测，对输出的图片进行裁剪，保留需要的脊椎部分；使用训练好的模型对目标图片进行边缘检测，将得到的图片使用matlab进行裁剪，通过像素点的数值判断，裁剪出大小为100
×
100的脊椎位置图片；4)使用移动立方体算法对裁剪后的图片进行重建，包括下列步骤：4.1移动立方体算法，三维图像中由三维矩阵存储着相应信息，其中的每个元素称为体素；体素由两个切面之间8个相邻的点构成；移动立方体算法是将三维空间中对体数据的各个体素进行处理，遍历所有体素，找到其中与等值面相交的体素；求得体素中的等值面在边
上的交点，由这些交点连接成为三角面片，通过构建三角面片这种拓扑...
【专利技术属性】
技术研发人员：赵岩，马云博，王世刚，韦健，王学军，
申请(专利权)人：吉林大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。