一种基于深度学习的脑部医学影像光谱处理方法技术

本发明专利技术属于医学影像光谱处理技术领域，公开了一种基于深度学习的脑部医学影像光谱处理方法，所述基于深度学习的脑部医学影像光谱处理系统包括：脑部光谱影像采集模块、中央控制模块、影像特征提取模块、影像分割模块、脑部诊断模块、影像存储模块、显示模块。本发明专利技术通过影像特征提取模块实现了从脑部光谱影像数据本身自适应地学习低层特征抽取器，即可以自适应的提取脑部光谱影像特征且提取效率较高，解决了现有技术中不能针对每个脑部光谱影像自适应的提取特征且提取耗时太长的问题；同时，通过影像分割模块对脑部光谱影像进行特征提取以确定脑部光谱影像对应的目标分割算法，解决了现有技术中图像分割效果不佳的技术问题。决了现有技术中图像分割效果不佳的技术问题。决了现有技术中图像分割效果不佳的技术问题。

【技术实现步骤摘要】
一种基于深度学习的脑部医学影像光谱处理方法


[0001]本专利技术属于医学影像光谱处理
，尤其涉及一种基于深度学习的脑部医学影像光谱处理方法。

技术介绍

[0002]高光谱成像技术是基于非常多窄波段的影像数据技术，它将成像技术与光谱技术相结合，探测目标的二维几何空间及一维光谱信息，获取高光谱分辨率的连续、窄波段的图像数据，高光谱成像技术发展迅速，常见的包括光栅分光、声光可调谐滤波分光、棱镜分光、芯片镀膜等，主要应用在食品安全、医学诊断、航天领域等领域。成像光谱仪按其结构的不同，可分为两种类型。一种是面阵探测器加推扫式扫描仪的成像光谱仪，它利用线阵列探测器进行扫描，利用色散元件和面阵探测器完成光谱扫描。利用线阵列探测器及其沿轨道方向的运动完成空间扫描。另一种是用线阵列探测器加光机扫描仪的成像光谱仪，它利用点探测器收集光谱信息，经色散元件后分成不同的波段，分别在线阵列探测器的不同元件上，通过点扫描镜在垂直于轨道方向的面内摆动以及沿轨道方向的运动完成空间扫描，而利用线探测器完成光谱扫描。这两种成像光谱仪由于其本身的结构限制，若针对脑部光谱影像特征提取，则耗时太长；同时，对图像分割效果较差。通过上述分析，现有技术存在的问题及缺陷为：
[0003](1)现有成像光谱仪对脑部光谱影像特征提取耗时太长。
[0004](2)对图像分割效果较差。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供了一种基于深度学习的脑部医学影像光谱处理方法。
[0006]本专利技术是这样实现的，一种基于深度学习的脑部医学影像光谱处理方法，包括以下步骤：
[0007]步骤一，通过脑部光谱影像采集模块利用医疗光谱设备采集脑部光谱影像；
[0008]步骤二，中央控制模块通过影像特征提取模提取脑部光谱影像特征；
[0009]步骤三，通过影像分割模块对脑部光谱影像特征进行分割；通过脑部诊断模块根据脑部光谱影像对脑部进行诊断；
[0010]步骤四，通过影像存储模块存储脑部光谱影像、特征、诊断结果；通过显示模块显示脑部光谱影像、特征、诊断结果。
[0011]本专利技术另一目的在于提供一种基于深度学习的脑部医学影像光谱处理系统，包括：
[0012]脑部光谱影像采集模块，用于通过医疗光谱设备采集脑部光谱影像；
[0013]影像特征提取模块，用于提取脑部光谱影像特征；
[0014]影像分割模块，用于对脑部光谱影像特征进行分割；
[0015]脑部诊断模块，用于根据脑部光谱影像对脑部进行诊断；
[0016]影像存储模块，用于存储脑部光谱影像、特征、诊断结果；
[0017]显示模块，用于显示脑部光谱影像、特征、诊断结果；
[0018]中央控制模块，与脑部光谱影像采集模块、影像特征提取模块、影像分割模块、脑部诊断模块、影像存储模块、显示模块连接，用于控制各个模块正常工作。
[0019]进一步，所述脑部诊断模块诊断方法如下：
[0020]获取指定模态的脑部三维影像，并对脑部三维影像进行人工病灶标注；通过模拟退火的三维空间变换方法，将脑部三维影像中的脑部以及对应标注变换至三维影像的中心位置，并使脑部中轴面与左右水平轴的中垂面重合，进行对称性矫正；
[0021]对主流的深度学习算法、网络模型、脑部影像分析检测框架和数据集进行测试，并分析各种深度学习算法和卷积网络模型在图像分割、目标检测和疾病分类分级方面的优缺点；
[0022]针对脑部影像分析的要求和特点，选择一定数量的针对典型脑部疾病的脑部影像作为样本，对于同一病历，采集多种类型、不同角度的脑部影像，加注多级分类标签；
[0023]基于特定类型的脑部影像数据集和对病灶进行检测、分类和分级的应用需求，分别训练不同的深度学习卷积神经网络，得到针对某一特定脑部影像的病灶目标分割检测、分类分级的初步结果，然后通过构建加权贝叶斯网络，对多个初步结果进行处理得到最后的分析诊断结果。
[0024]进一步，所述基于深度学习的脑部医学影像光谱处理方法包括以下步骤：
[0025]进一步，所述影像特征提取模块提取方法如下：
[0026](1)构建脑部光谱影像集；使用聚类算法从待分类的脑部光谱影像数据集中获取多个聚类中心作为低层特征提取器；使用所述多个低层特征提取器分别对所述脑部光谱影像数据集中的每张脑部光谱影像做卷积操作，针对所述每张脑部光谱影像分别生成与所述多个低层特征提取器相同数量的多个卷积脑部光谱影像；
[0027](2)对所述多个卷积脑部光谱影像分别进行阈值化操作获取多个稀疏脑部光谱影像；对所述多个稀疏脑部光谱影像分别进行标准化操作，所述标准化操作包括：将所述多个稀疏脑部光谱影像中的各个脑部光谱影像相同位置的像素值组成一个向量，对所述向量做归一化后分别将所述向量的各个分量放回到所述各个脑部光谱影像的对应位置得到多个标准化后的稀疏脑部光谱影像；
[0028](3)对所述多个稀疏脑部光谱影像进行低层特征整合获取多个整合后的脑部光谱影像；对所述多个整合后的脑部光谱影像进行中层特征提取操作获取中层特征。
[0029]进一步，所述使用聚类算法从待分类的脑部光谱影像数据集中获取多个聚类中心作为低层特征提取器之前，所述方法还包括：
[0030]对脑部光谱影像数据集中的脑部光谱影像进行归一化和去耦合的预处理操作得到所述待分类的脑部光谱影像数据集。
[0031]进一步，所述对所述多个卷积脑部光谱影像分别进行阈值化操作获取多个稀疏脑部光谱影像包括：
[0032]对所述多个卷积脑部光谱影像中的每个卷积脑部光谱影像的每一个像素值进行判定，如果所述像素值大于预设的阈值，保留所述像素值，否则将所述像素值设置为0，将所
述每个卷积脑部光谱影像的所述阈值化操作后的像素值对应生成一个稀疏脑部光谱影像，得到多个稀疏脑部光谱影像。
[0033]进一步，对所述多个稀疏脑部光谱影像进行低层特征整合获取多个整合后的脑部光谱影像，包括：
[0034]将所述多个稀疏脑部光谱影像中的每个稀疏脑部光谱影像划分成多个m
×
m的区域，分别将多个所述区域的像素值组成m2维的向量，将多个所述向量的相同位置的像素值组成多个整合后的脑部光谱影像，所述m为大于等于2的整数，所述整合后的脑部光谱影像的数量为所述稀疏脑部光谱影像的数量的m2倍。
[0035]进一步，所述影像分割模块分割方法如下：
[0036]对脑部光谱影像进行增强处理；通过对脑部光谱影像进行特征提取，从候选分割算法中选择与所述脑部光谱影像对应的目标分割算法，
[0037]其中，所述候选分割算法包括：显著性分割算法和语义分割算法；
[0038]使用所述目标分割算法对所述脑部光谱影像进行粗分割，得到第一分割结果，其中，所述粗分割用于初步确定所述脑部光谱影像中的目标对象；
[0039]对所述第一分割结果进行细分割，得到所述脑部光谱影像中的目标对象。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的脑部医学影像光谱处理方法，其特征在于，包括以下步骤：步骤一，通过脑部光谱影像采集模块利用医疗光谱设备采集脑部光谱影像；步骤二，中央控制模块通过影像特征提取模提取脑部光谱影像特征；步骤三，通过影像分割模块对脑部光谱影像特征进行分割；通过脑部诊断模块根据脑部光谱影像对脑部进行诊断；步骤四，通过影像存储模块存储脑部光谱影像、特征、诊断结果；通过显示模块显示脑部光谱影像、特征、诊断结果。一种基于深度学习的脑部医学影像光谱处理系统，其特征在于，所述基于深度学习的脑部医学影像光谱处理系统包括：脑部光谱影像采集模块，用于通过医疗光谱设备采集脑部光谱影像；影像特征提取模块，用于提取脑部光谱影像特征；影像分割模块，用于对脑部光谱影像特征进行分割；脑部诊断模块，用于根据脑部光谱影像对脑部进行诊断；影像存储模块，用于存储脑部光谱影像、特征、诊断结果；显示模块，用于显示脑部光谱影像、特征、诊断结果；中央控制模块，与脑部光谱影像采集模块、影像特征提取模块、影像分割模块、脑部诊断模块、影像存储模块、显示模块连接，用于控制各个模块正常工作。2.如权利要求1所述基于深度学习的脑部医学影像光谱处理方法，其特征在于，所述脑部诊断模块诊断方法如下：获取指定模态的脑部三维影像，并对脑部三维影像进行人工病灶标注；通过模拟退火的三维空间变换方法，将脑部三维影像中的脑部以及对应标注变换至三维影像的中心位置，并使脑部中轴面与左右水平轴的中垂面重合，进行对称性矫正；对主流的深度学习算法、网络模型、脑部影像分析检测框架和数据集进行测试，并分析各种深度学习算法和卷积网络模型在图像分割、目标检测和疾病分类分级方面的优缺点；针对脑部影像分析的要求和特点，选择一定数量的针对典型脑部疾病的脑部影像作为样本，对于同一病历，采集多种类型、不同角度的脑部影像，加注多级分类标签；基于特定类型的脑部影像数据集和对病灶进行检测、分类和分级的应用需求，分别训练不同的深度学习卷积神经网络，得到针对某一特定脑部影像的病灶目标分割检测、分类分级的初步结果，然后通过构建加权贝叶斯网络，对多个初步结果进行处理得到最后的分析诊断结果。3.如权利要求1所述基于深度学习的脑部医学影像光谱处理方法，其特征在于，所述影像特征提取模块提取方法如下：(1)构建脑部光谱影像集；使用聚类算法从待分类的脑部光谱影像数据集中获取多个聚类中心作为低层特征提取器；使用所述多个低层特征提取器分别对所述脑部光谱影像数据集中的每张脑部光谱影像做卷积操作，针对所述每张脑部光谱影像分别生成与所述多个低层特征提取器相同数量的多个卷积脑部光谱影像；(2)对所述多个卷积脑部光谱影像分别进行阈值化操作获取多个稀疏脑部光谱影像；对所述多个稀疏脑部光谱影像分别进行标准化操作，所述标准化操作包括：将所述多个稀疏脑部光谱影像中的各个脑部光谱影像相同位置的像素值组成一个向量，对所述向量做归一化后分别将所述向量的各个分量放回到所述各个脑部光谱影像的对应位置得到多个标
准化后的稀疏脑部光谱影像；(3)对所述多个稀疏脑部光谱影像进行低层特征整合获取多个整合后的脑部光谱影像；对所述多个整合后的脑部光谱影像进行中层特征提取操作获取中层特征。4.如权利要求3所述基于深度学习的脑部医学影像光谱处理方法，其特征在于，所述使用聚类算法从待分类的脑部光谱影像数据集中获取多个聚类中心作为低层特征提取器之前，所述方法还包括：对脑部光谱影像数据集中的脑部光谱影像进行归一化和去耦合的预处理操作得到所述待分类的脑部光谱...

【专利技术属性】
技术研发人员：张宁男楠，孙劼，王秋会，赵文进，赵云飞，于泽洋，
申请(专利权)人：天津医科大学总医院，
类型：发明
国别省市：