[发明专利]一种基于Superpoint的医学图像处理方法

说明书

本发明公开了一种基于Superpoint的医学图像处理方法，属于图像处理技术领域。该方法步骤主要包括：S1：获取图像并初始化网络，主要包括以下部分：获取内窥镜采集到的内腔图像、初始化深度学习网络；S2：将获取到的图像输入网络进行特征提取，同时得到特征点的描述子，其中主要包括以下部分：编码网络、解码网络、描述子检测、损失函数构建；S3：利用KNN最近邻匹配方法方法进行特征匹配；S4：采用K‑Means聚类方法对特征集合进行有层次的聚类。本发明有效解决了特征提取过程中稳定性不足和易受光照影响的缺陷，与传统方法相比增加了特征匹配的准确性。

技术领域

本发明涉及处理医学图像领域，具体为一种基于Superpoint的医学图像处理方法。

背景技术

在过去的几十年里，医学技术的进步和科技手段的创新在重塑外科手术的实践中发挥了重要作用。医学模式的全面进步和在整体治疗观的带动下产生了微创的概念，固态摄像机和光纤设备使微创手术成为现实。微创手术过程中应用细长器械及照明等设备，利用先进的技术手段，把传统的肉眼直视替换为电子镜像观察，保证了最小的切口范围和最少的组织损伤，同时完成对体内病灶的观察诊断及治疗。在现代微创手术技术中，使用的内窥镜和专业的器械通过手术部位皮肤的小切口插入到内腔中，内窥镜拍摄到的画面实时显示在屏幕上，医生操控内窥镜的近端调整方向和角度，从传输回来的画面判断手术情况。

微创手术相比于传统手术微创手术具有创口小、疼痛轻、不易感染等优点，大大减少了患者的创伤、术后恢复期和并发症的风险，是现代医学手术治疗的一种趋势。但随着科技的进步，微创手术在多个医学领域逐渐拓展，传统的微创手术技术在临床实践中遇到了瓶颈，如采集到的图像信息有缺失或模糊、手术过程中发生软组织流血造成的图像不清晰等问题，在手术过程中十分依赖于医生的临床经验是否丰富，极易导致经验不足的临床医生判断失误从而造成周边软组织流血，提高手术难度。

微创手术作为现代医学手术治疗的一种趋势，逐渐在各个科室崭露头角，但在现代微创手术技术中，如何精确处理内窥镜拍摄到的图像信息是非常重要的，同时也是进行对图像后续高级处理的基础。目前处理此类图像存在的主要问题有以下几个局限：(1)微创手术环境中光照信息不均匀，容易导致采集到的图像模糊；(2)手术过程中软组织发生的流血等问题给图像特征提取与匹配造成困难；(3)在对软组织进行处理的过程中出现灼烧情况时会产生烟雾，易导致处理图像时提取不到有用的特征点。

发明内容

针对上述研究的问题，本发明的目的在于：针对微创手术中对内窥镜获取到的图像难以进行特征提取的问题，提出一种基于深度学习神经网络的特征提取方法，实现对医学图像相对精确的特征提取。

为了解决上述技术问题，本发明采用的技术方案如下：

一种基于Superpoint的医学图像处理方法，包括如下步骤：

S1：获取图像并初始化网络，主要包括以下部分：获取内窥镜采集到的内腔图像、初始化深度学习网络。

进一步的，所述S1的具体步骤为：

S1.1：获取微创手术过程中内窥镜取得的需要处理的目标图像；

S1.2：初始化深度学习网络参数。采用虚拟的三维图形作为网络训练的数据集，训练网络具备提取角点的功能。

通过以上步骤获取图像并初始化网络。

S2：将获取到的图像输入网络进行特征提取，同时得到特征点的描述子，其中主要包括以下部分：编码网络、解码网络、描述子检测、损失函数构建。

进一步的，所述S2的具体步骤为：

S2.1：将待处理图像输入网络，经过共享的编码网络降维图像：

H_c＝H/8

其中，H为图像原始尺寸，H_c为降维后的图像尺寸。