一种快速稳健的医学超声图像增强方法技术

本发明专利技术公开了一种快速稳健的医学超声图像增强方法，包括以下步骤：1：对每个低亮度超声图像和正常亮度超声图像进行严格对齐，并对正常亮度超声图像进行重新采样以匹配超声图像的分辨率和视野；2：进一步校正每个正常亮度超声图像的平滑性；3：对不同实验者的超声图像强度进行标准化；4：建立数据集；5：数据增强，增加训练数据的数量；6：训练ENet网络，评估方法性能；7：将低亮度超声图像输入训练完成的ENet网络，输出对应的正常亮度超声图像。本发明专利技术通过深度学习方法利用低亮度超声图像生成正常亮度超声图像，在ENet网络训练完成后，输入低亮度超声图像能够实时的、准确的生成正常亮度超声图像，提高了图像的清晰度和分辨率，方便了临床医生对疾病的诊断。了临床医生对疾病的诊断。了临床医生对疾病的诊断。

【技术实现步骤摘要】
一种快速稳健的医学超声图像增强方法


[0001]本专利技术涉及一种快速稳健的医学超声图像增强方法，属于深度学习方法处理医学图像


技术介绍

[0002]基于图像的深度学习方法通过训练深度神经网络模型，提取图像的特征，并利用提取出的特征来对图像进行分类或回归。相比于传统的手工特征，神经网络会通过设计的损失函数和优化方法通过反向传播来进行参数的更新，来进行自我学习。深度学习具有学习能力强、覆盖范围广、适应能力强和可移植性好等优点。
[0003]超声图像是利用超声束扫描人体，通过对反射信号的接收、处理，以获得体内器官的图像。超声设备易于移动、没有创伤，对于行动不便的患者可在床边进行诊断，并且超声对人体没有辐射，对于特殊患者可以优先采用。目前已有通过超声图像产生易于观察的正常亮度超声图像方法，但所产生的正常亮度超声图像通常较为昏暗从而难以辨认，所以需要额外的图像增强。
[0004]现有的基于数据驱动的医学超声图像增强方法由于其网络模型复杂，导致计算效率低、推理速度慢。同时由于对于训练数据分布的依赖性导致其在未知场景下的性能缺乏保障使现有这类方法普遍缺乏实用性。因此，我们引入了深度学习的方法，通过实验者的低亮度正常亮度超声图像和正常亮度超声图像来训练神经网络的参数，使得神经网络能够学习到从低亮度正常亮度超声图像到正常亮度超声图像的端到端的映射。本专利技术致力于从学习策略入手，创造性地构建了一种快速稳健的医学超声图像增强方法。

技术实现思路

[0005]本专利技术的目的在于提供一种快速稳健的医学超声图像增强方法，对实验者的低亮度超声图像进行图像预处理，得到低亮度超声图像作为输入数据，正常亮度超声图像作为真实标签的数据集，将数据集通过六重交叉验证法分组训练ENet网络，训练完成的网络输入原始的低亮度超声图像就能够实时生成正常亮度超声图像。
[0006]本专利技术的目的通过以下技术方案予以实现：
[0007]一种快速稳健的医学超声图像增强方法，包括以下步骤：
[0008]步骤1：对每个低亮度超声图像和正常亮度超声图像进行严格对齐，并对正常亮度超声图像进行重新采样以匹配超声图像的分辨率和视野；
[0009]步骤2：进一步校正每个正常亮度超声图像的平滑性；
[0010]步骤3：对不同实验者的正常亮度超声图像强度进行标准化；
[0011]步骤4：将低亮度超声图像和正常亮度超声图像建立数据集；
[0012]步骤5：数据增强，增加训练数据的数量；
[0013]步骤6：训练ENet网络，评估方法性能；
[0014]步骤7：将低亮度超声图像输入训练完成的ENet网络，输出对应的正常亮度超声图
像。
[0015]本专利技术的目的可以通过以下技术措施进一步实现：
[0016]前述一种快速稳健的医学超声图像增强方法，步骤1对每个低亮度超声图像和正常亮度超声图像进行严格匹配对齐的方法为双线性法。
[0017]前述一种快速稳健的医学超声图像增强方法，步骤2校正每一个超声图像的平滑性方法为高斯滤波法。
[0018]前述一种快速稳健的医学超声图像增强方法，步骤3对不同实验者的超声图像强度进行标准化的方法为z
‑
score标准化。
[0019]前述一种快速稳健的医学超声图像增强方法，步骤4将实验者拍摄的低亮度超声图像作为神经网络的输入图像，正常亮度超声图像作为真实标签来建立数据集。
[0020]前述一种快速稳健的医学超声图像增强方法，步骤5数据增强的方法为随机平移和随机翻转。
[0021]前述一种快速稳健的医学超声图像增强方法，步骤6将数据集使用六重交查验证法分成6组，每次保留一组作为测试集，其余五组作为训练数据来训练ENet网络。
[0022]前述一种快速稳健的医学超声图像增强方法，步骤10将原始低亮度超声图像输入训练好的ENet网络中，就会得到一个实时的正常亮度超声图像。
[0023]与现有的技术相比，本专利技术的有益效果是：考虑到通过超声成像生成的原始低亮度超声图像亮度较低不利于诊断，所以利用深度学习的方法通过低亮度超声图像来生成正常亮度超声图像。通过数据预处理来提高低亮度超声图像和正常亮度超声图像的质量，通过数据增强来增加数据集的数量，这样能够利用有限的数据集充分训练ENet网络。通过六重交查验证法可以从有限的数据中获取尽可能多的有效信息并且在一定程度上减小过拟合现象。我们利用训练好的ENet模型可以在只有低亮度超声图像的情况下实时的得到正常亮度超声图像，提高了图像的分辨率，获得了许多脏器相关的参数，帮助临床医生更好的进行疾病的诊断。
附图说明
[0024]图1是基于ENet的正常亮度超声图像自动生成方法流程图。
[0025]图2是ENet网络结构图。
具体实施方式
[0026]下面结合附图和具体实施例对本专利技术作进一步说明。
[0027]如图1所示，本专利技术的基于ENet的正常亮度超声图像自动生成方法，包括以下步骤：
[0028]步骤1：利用双线性算法对每个低亮度超声图像和正常亮度超声图像进行严格对齐。
[0029]步骤2：使用高斯滤波法算法进一步校正每幅超声图像的平滑性。
[0030]步骤3：使用z
‑
score标准化算法对不同实验者的超声图像强度进行标准化。
[0031]步骤4：将多名实验者的低亮度超声图像作为输入数据，正常亮度超声图像作为真实标签建立数据集。
[0032]步骤5：利用随机平移和随机翻转的方法对数据集进行数据增强，扩大数据集超声图像的数量。
[0033]步骤6：使用六重交叉验证方法来评估基于ENet的正常亮度超声图像自动生成方法的性能。18名实验者被随机分为6个同等大小的组。每次保留一组作为测试集，其余五组作为训练数据来训练ENet模型。每个超声图像大约有160个切片，因此一组15个训练对象能提供2400个训练样本。将训练数据分成48个小批量，需要50次迭代才能对所有训练样本进行一次遍历。
[0034]步骤7：将超声成像产生的低亮度超声图像输入训练好的ENet网络中，就会实时的得到一个正常亮度超声图像。
[0035]如图2所示，本专利技术一种快速稳健的医学超声图像增强方法中ENet网络的实现，包括以下步骤：
[0036]步骤1：ENet网络接收图像。编码部分接收一个超声图像X
in
，根据是否为彩色超声成像分为单通道和三通道网络结构。
[0037]步骤2：将超声图像编码为高级特征表示，学习从输入超声图像中提取逐渐复杂的特征。ENet网络中模块的数学表示如下：
[0038][0039]其中，u
t
和x
t
分别表示第t阶段(t＝0,...,T
‑
1)。需要注意的是，我们没有在H
Θ
中标记阶段编号，每个阶段使用相同的架构H和权重Θ。
[0040]步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种快速稳健的医学超声图像增强方法，其特征在于，包括以下步骤：步骤1：对每个低亮度超声图像和正常亮度超声图像进行严格对齐，并对正常亮度超声图像进行重新采样以匹配超声图像的分辨率和视野；步骤2：进一步校正每个正常亮度超声图像的平滑性；步骤3：对不同实验者的正常亮度超声图像强度进行标准化；步骤4：将低亮度超声图像和正常亮度超声图像建立数据集；步骤5：数据增强，增加训练数据的数量；步骤6：训练ENet网络，评估方法性能；步骤7：将低亮度超声图像输入训练完成的ENet网络，输出对应的正常亮度超声图像。2.如权利要求1所述的一种快速稳健的医学超声图像增强方法，其特征在于，步骤1对每个低亮度超声图像和正常亮度超声图像进行严格对齐，并对正常亮度超声图像进行重新采样以匹配超声图像的分辨率和视野的方法为双线性法。3.如权利要求1所述的一种快速稳健的医学超声图像增强方法，其特征在于，步骤2校正每...

【专利技术属性】
技术研发人员：张云飞，曹黎俊，王孝群，蔡占毅，
申请(专利权)人：江苏济远医疗科技有限公司，
类型：发明
国别省市：