[发明专利]一种基于BM3D和稠密卷积网络融合的肿瘤检测方法和装置

说明书

本发明提供一种基于BM3D和稠密卷积网络融合的肿瘤检测方法和装置，标记相似块；随机丢弃与快速标记；优化及训练DenseNet网络；利用输入图像的空间信息、结构信息以及提取的特征信息基于深度训练的数据进行重建。将输入的空间信息抽象为一维,减少不可逆初始特征丢失现象。构建融合BM3D的稠密卷积网络,使用可缩放指数型线性单元激活函数代替线性非饱和单元激活函数激活网络,引入负数部分参数,提升网络优化度并增强网络鲁棒性,并在每块稠密块后增加一层最大池化层抽象图像特征,提取肿瘤核心信息点。网络末端采用BM3D的聚合方法进行特征重建,融合梯度、空间信息提升网络效果。有效地提升了肿瘤检测的准确度。

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种基于BM3D和稠密卷积网络融合的肿瘤检测方法和装置。

背景技术

医学图像来源于成像技术,包括计算机断层扫描、核磁共振成像、超声、正电子发射断层扫描、医学超音波检查等。医学成像技术可以获取人体对应位置的二维或三维图像。二维图像中,表示具体信息的最小单位元素称为像素；三维图像中称之为体素。在特定条件下,能够将三维图像表现成一系列二维图像,这种使用方式大量降低计算复杂度,减小内存需求。不过,尽管医学图像成像技术已经日趋成熟,但受医学成像设备、放射性元素危害度以及人体生理健康等因素的相互制约,许多医学图像成像分辨率很低。例如在肿瘤检测问题上,由于肺结节与肿瘤的相似性,低分辨率图像无法完成分类检测任务,因此,医学图像处理技术应运而生。医学图像处理催生于对医学图像质量的更高需求,源自病理问题研究的相关需要,是分析医学图像的重要步骤。通过对成像图像进行二次处理,能够使图像更加清晰、简便,提高诊断效率,减少误诊率。医学图像融合、超声成像、图像重建等技术是医学图像处理的几种应用。其中,在其底层实现中,医学图像语义分割技术是处理医学图像的重要手段之一。

图像语义分割是将图像中具有不同含义的区域分割开来,这些区域均满足区域连通性,且互不相交,所有区域之和构成整幅图像。快速高效地分离不同含义的区域是图像分割的目标之一。阈值分割是最简单的像素级图像分割算法,以灰度图为例,两个物体的灰度十分相近,但观察该图像灰度直方图可发现，直方图存在两个不同的峰处,选取两峰间的谷作阈值,可以很好地分割图像。边缘检测也是一种常用图像分割算法,采用物体边缘像素灰度值变化往往十分剧烈这一思想,确定物体边缘像素,从而完成物体分割。另外,基于区域的图像分割思想也较为常见,如分裂合并利用四叉树原理,对图像选取数个互不相交的初始区域,依据给定的均匀性检测准则,进行区域分裂合并,直至最少区域数目为止。不过因大多数医学图像像素分辨率不佳,上述处理效果并不十分理想。为了在低分辨像素的基础上有效处理图像特征,一些利用模糊信息的方法出现了。模糊聚类算法是基于模糊集理论与聚类的方法,其采用的隶属原则对于解决此问题行之有效。另外利用小波变换的医学图像分割方法也有较好效果,它对图像直方图的小波分解结构,容易检测出图像中灰度突变大的物体,方便使用不同程度的阈值分割原始图像。近些年,除传统医学图像语义分割方法外,随着卷积神经网络(CNN)的兴起,基于CNN的图像分割算法也大量应用于医学图像分割领域。