[发明专利]医学影像的融合方法及基于融合医学影像学习的图像检测方法

说明书

医学影像的融合方法及基于融合医学影像学习的图像检测方法，涉及基于融合医学影像学习的图像检测技术。本发明为了解决医学影像因受噪声污染，信噪比低，不同组织间灰度差异小，影响医学影像的应用，以及单一模态的影像并不能从不同角度提供病变组织更丰富的信息等技术问题。读取两类模态影像并分别对两类模态影像进行预处理，得到去噪图像；采用改进的剪切波变换对图像进行多尺度剖分；根据融合规则，对两类模态影像进行融合，得到融合图像；将所有融合图像组成融合图像数据集；对数据集采用改进的YOLO v2深度学习算法进行训练，生成训练网络；用训练好的网络进行检测。将不同模态的医学影像融合在一起从不同角度提供病变组织更丰富的信息。

技术领域

本发明属于深度学习领域，具体地说是涉及基于融合医学影像学习的图像检测技术。

背景技术

医疗数据中有超90％来自医学影像，包括超声、计算机断层摄影(CT)、核磁共振(MRI)、 正电子断层摄影(PET)等，先进的医疗影像检测技术在各种疾病，尤其是肿瘤疾病的检测 诊断中发挥着重要的作用。然而，作为肿瘤早期诊断的筛选程序，当前影像诊断主要依赖 人工完成，需要由一个或多个具有丰富经验的医生来检查是否存在病变的迹象并作出诊 断，在医疗大数据时代，日益增长的图像数据给人工阅片带来了极大的困难，不仅昂贵， 耗时，并且由于工作量大，医生比较疲劳，容易出现漏诊和误诊，对于偏远地区，基层医 院影像科设备和专业医生相对缺乏，故而，基层医院没有足够的专业医生利用医学影像数 据分析为疾病的早期检测和诊断提供帮助。在以深度学习为主的人工智能浪潮下，基于深 度学习的医学影像病灶识别技术在一定程度上可以帮助医生减轻工作量，但是在实际临床 应用中，医学影像受噪声污染，信噪比低，不同组织间灰度差异小，极大影响了在临床诊 疗中的应用，并且单一模态的影像并不能够提供医生所需要的足够充分的信息，例如，超 声图像快捷无辐射，对于致密乳腺疾病的诊断性能优越，但是对于乳腺肿瘤较小，边缘分 辨率差，具有微小钙化的非典型肿瘤的检测不如钼靶X射线敏感，难以诊断。

发明内容

本发明的目的在于提供一种医学影像的融合方法及基于融合医学影像学习的图像检 测方法，以解决医学影像因受噪声污染，信噪比低，不同组织间灰度差异小，影响医学影 像的应用，以及单一模态的影像并不能从不同角度提供病变组织更丰富的信息等技术问 题。

本发明为解决上述技术问题采取的技术方案是：

一种医学影像的融合方法，所述方法的实现过程为：

(1)、读取模态A医学影像I_A，模态B医学影像I_B；

(2)、分别对两类模态医学影像进行预处理，得到去噪图像I_Aq、I_Bq；

(3)、采用改进的剪切波变换对图像进行多尺度剖分；

(4)、根据融合规则，对两类模态影像进行融合，得到融合图像I_F。

进一步地，所述步骤(2)中对两类模态医学影像进行预处理，采用引导滤波，具体过程如下：

引导滤波的输入参数为引导图像I和需要被处理优化的图像p(输入的医学影像)，输 出为优化后的图像q；

引导图像与输入图像可以预先设置为I＝p，均为原始医学影像；引导图像由局部线 性模型引出，首先在局部邻域内，通过最小化代价函数来确定线性系数a_k和b_k的值，即在以k为中心，r为半径的局部窗口w_k中，代价函数函数如公式(1)所示：