[发明专利]一种基于深度学习的医疗图像增强方法

说明书

本发明公开了一种基于深度学习的医疗图像增强方法，在原有训练数据集上添加医学影像数据，并结合医生的需求构建一个简单、易用的操作界面。针对医学影像超分辨率重建后边缘轮廓等细节信息不清晰，有可能影响医生诊断的问题，本发明提出基于深度残差网络的医学影像超分辨率方法，通过在相同的计算资源下堆叠更多层次，使用深度残差网络学习低分辨率图像到高分辨率图像的非线性映射，重建边缘轮廓清晰的超分辨率图像，辅助医生通过医学影像准确诊断病情，从而提高疾病确诊和治愈的可能性。

技术领域

本发明涉及医学图像处理领域，特别是一种基于深度学习的医疗图像增强方法。

背景技术

医学影像(X射线成像、CT成像、磁共振成像、超声成像和核医学成像等)能让医生除接触和解剖外，了解患者身体内部形态、功能、代谢等改变，对诊断患者病因、病情有重要作用。医学影像在医学临床诊断中有着极为重要的地位，现代医学离不开医学影像技术。目前，医学影像数据多依赖人工分析，科大讯飞、腾讯觅影、阿里健康等研发的医学影像辅助诊断系统，依靠优质高分辨率图像，能在特定的医疗领域(肺部CT影像诊断、食管癌早期筛查)辅助医生诊断。优质高分辨率医学影像能为临床医生提供更多有价值信息，帮组医生发现病变、明确诊断、选择合理的治疗方案。中国医学图像数据每年以30％的速度增长，部分医学图像(磁共振MR图像、CT图像等)由于成像环境、物理成像系统的局限性以及质量限制因素等原因，成像的医学影像分辨率不高。医生受到低分辨率限制，无法清楚观察医学图像的细节，不利于疾病的确诊和治疗。单图像超分辨率(SISR)重建是计算机视觉的经典问题，为低分辨率医疗图像重建超分辨率图像，能够有效帮组医生看清楚医学图像细节，增加疾病确证和治愈的可能性。

近年来，随着深度学习的发展，卷积神经网络已经被证明是计算机视觉的强大工具，卷积神经网络显著提高了超分辨率重建的客观评价指标：峰值信噪比(PSNR)和结构相似性(SSIM)。早期的超分辨率方法主要是基于图像插值的方法，如零阶插值法、双线性插值法和双三次插值法。这些方法简单、高效，但是在图像灰度非均匀区域中效果不佳，并导致图片模糊。在卷积神经网络应用到超分辨率重建之前，最先进的SISR方法大多是基于实例的，SCSR通过学习图像块之间的稀疏关联，建立从低分辨率(LR)到超分辨率(SR)图像之间的映射关系，实现图像的超分辨率重建。Trinh等人提出了一种基于实例的医学图像超分辨率和去噪的方法，该方法借助高、低分辨率配对数据库，用非负二次规划建模高、低分辨率图像的稀疏表示，从单个噪声低分辨率图像中估计高分辨率图像。SRCNN首次将卷积神经网络(CNN)应用到超分辨率重建领域，该方法使用ImageNet为训练集，经过8×108反向传播后重建的SR图像超越了基于实例的方法，彰显出CNN在超分辨率领域的强大能力。Chang等人提出了一种融合卷积网络中的多尺度信息用于MR图像超分辨率重建方法，提出卷积网络由多尺度融合单元(MFU)堆叠，每个MFU由主路径和一些子路径组成，并最终融合层内所有路径以重建超分辨率MR图像的方法。

现有技术存在以下缺陷：

(1)现有超分辨率重建模型对医学影像边缘轮廓等细节信息重建的效果不够理想，不利于医生诊断。

(2)现有模型的训练数据集中缺少医学影像，没有医生专用超分辨率重建模型。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于深度学习的医疗图像增强方法，将低分辨率图像重建成不同尺度的超分辨率图像，使医学影像细节信息更加清晰可见。

为解决上述技术问题，本发明所采用的技术方案是：一种基于深度学习的医疗图像增强方法，包括以下步骤：

1)构建基于深度残差网络的超分辨率模型；

2)在超分辨率模型重建常用数据集DIV2K中加入医学影像数据，扩展训练规模，训练模型；

3)封装训练好的超分辨率模型。

步骤1)的具体实现过程包括：