[发明专利]一种级联医学图像增强方法

说明书

本发明公开了一种级联医学图像增强方法，包括以下步骤：清晰医学图像和随机噪声联合输入，用深度学习模型1处理联合输入的特征，得到带血污图像；用深度学习模型2处理生成的带血污的图像和纯血污原图像，判断两张图像是否相似；若不相似，则更新深度学习模型2的神经网络梯度；若相似则进入下一步；将带血污图像输入级联神经网络模型，输出最终清晰图像结果。本发明通过深度学习中的生成对抗网络来模拟生成血污图像，通过使用改进后的变分自编码网络来消除血污图像中的血污，解决了医学图像中血液污染影响视觉的问题，较好的模拟医学图像中的血污和消除医学图像中的血污，使医学图像的清晰度更高、信噪比峰值更大。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种级联医学图像增强方法。

背景技术

多年来，医学影像技术迅速发展，已经成为医疗诊断中不可或缺的技术。进入数字影像时代以来，海量数据的产生为医学影像未来的发展提供了更多的可能性。因此，如何对医学影像大数据做进一步分析和挖掘、如何从医学图像高维度数据中提取有价值的信息、如何将现代医学影像的发展与精准医疗紧密结合，成为医学影像未来发展的重要课题。近年来，随着计算能力的增强和数据的爆炸式增加，以深度学习为代表的人工智能(AI)技术取得了长足的进步，并开始应用于生产生活中的各个领域。

近年来，有诸多新研究着眼于如何利用深度学习技术来进一步优化医学影像的采集与重建策略，然而，都并未取得较好的研究成果，其医学图像的采集效率和图像质量都较低，不能模拟较为真实的血污图像，从而无法实现更准确的诊断与治疗。

发明内容

本发明的目的在于克服现有技术的不足，提供一种级联医学图像增强方法。

本发明的目的是通过以下技术方案来实现的：

一种级联医学图像增强方法，包括以下步骤：

步骤1：带血污图像的生成，清晰医学图像和随机噪声联合输入，用深度学习模型1处理联合输入的特征，得到带血污图像；

步骤2：带血污图像的判别，用深度学习模型2处理生成的带血污的图像和纯血污原图像，判断两张图像是否相似；若不相似，则更新深度学习模型2的神经网络梯度；若相似则跳转到步骤3；

步骤3：清晰图像的级联生成，清晰图像的级联生成分为三个阶段，在第一阶段，输入带血污图像生成血污残差图像，将血污残差图像与清晰医学图像相加得到清晰图像，以得到清晰图像作为带血污图像输入第二阶段；第二阶段和第三阶段重复第一阶段步骤，并以第三阶段输出的清晰图像作为最后的清晰图像结果。

进一步的，所述步骤1包括以下子步骤：

步骤101：准备训练样本，训练样本为清晰医学图像和纯血污原图像；

步骤102：神经网络设计，训练网络是神经网络池化层和卷积层组合成的生成网络；

步骤103：首先，对于清晰医学图像，进行两次卷积操作，具体为：图像特征维数为3×4n×4n的清晰医学图像I_clear一次卷积后得到维数为b×2n×2n的图像特征F₂，F₂再一次卷积后得到维数为a×n×n图像特征F1；其中a，b，n均为正整数；然后，生成维数为1×1×m的噪声N₀，调整噪声的结构得到维数为a×n×n噪声N₁，其中m＝a×n×n；N₁+F₁作为输入进行一次上采样和卷积得到维数为b×2n×2n噪声N₂；N₂+F₂作为输入进行一次上采样和卷积得到维数为3×4n×4n噪声N₃，N₃+I_clear得到维数为3×4n×4n带血污图像I_noise。