【技術實現步驟摘要】
本專利技術屬于圖像處理，更具體地說，是涉及一種用于放射科的醫學圖像重構方法與系統。
技術介紹
1、醫學影像作為診斷疾病的一種重要手段，提高醫學影像設備的成像分辨率對于疾病的判斷和治療方案的制定極為有意義。而且，具有更高的分辨率的醫學圖像對于軟件在自動分割和重建三維模型細節上有很大的幫助。醫學成像設備與一般的圖像成像設備相比，有幾大不同之處。第一，設備的放射能量被高度地限制，減少患者被輻射的時間。第二，成像速率快?？s短患者不適時間。第三，設備設計目標是為了檢查和診斷疾病。成像過程中會產生很多偽影。
2、現有的深度學習卷積神經網絡框架存在不能很好的提高重構圖像清晰度，且卷積操作時圖像信息容易丟失的問題。
技術實現思路
1、本專利技術的目的在于提供一種用于放射科的醫學圖像重構方法與系統，旨在解決現有技術中存在的重構效果不佳的技術問題。
2、為實現上述目的，本專利技術采用的技術方案是：提供一種用于放射科的醫學圖像重構方法，包括以下步驟：
3、輸入醫學圖像，對醫學圖像進行預處理；
4、將所述預處理后的醫學圖像作為樣本輸入到深度學習模型中進行訓練得到圖像識別模型；其中，所述深度學習模型包括：深度卷積神經網絡和基于虛擬單像素的重構模塊，所述深度卷積神經網絡上引入基于虛擬單像素的重構模塊；
5、啟動深度學習模型，獲取初始重構圖像特征；
6、構建圖像統計模型；其中，所述深度學習模型包括：深度卷積神經網絡和non-local模型，
7、獲得重構圖像。
8、優選地，所述對醫學圖像進行預處理，包括圖像采樣、壓縮編碼作業以及去噪處理中的一種或多種。
9、優選地，基于虛擬單像素的重構模塊的運算公式包括：
10、i(x,y)＝∫∫s(x′,y′)h(x-x′,y-y′)dx′dy′
11、mi(x,y)＝i(x,y)pi(x,y),i＝1,2,3....,m
12、ax＝b
13、pi′(x′,y′)＝∫∫pi(x,y)h(x-x′,y-y′)dxdy
14、其中，x,y表示采集圖像平面上兩個方向的坐標；x′,y′表示采集樣品平面上兩個方向的坐標；s表示樣品結構分布；h表示光學系統的點擴散函數；i表示采集到的圖像；mi表示相對于第i個數字模板pi調制后的圖像；m表示數字模板的個數；a∈rm×n表示調節矩陣(m個pi′，每個模板由n個像素組成)；x∈r1×n表示求解的結構樣本分布s；b∈r1×m表示一個由m個積分值組成的向量。
15、優選地，所述non-local模型的運算過程包括：
16、
17、其中，圖像的維度為m×m,i∈m,j∈m；x1(i,j)和x2(i,j)分別為圖像中沒有相鄰關系的兩個像素特征；表示完整圖像的特征均值，圖像特征通過向量表示。
18、優選地，所述non-local模型的運算過程還包括：
19、
20、f(x1,x2)＝f(x1(i,j),x2(i,j))
21、
22、其中，g(x1(i,j),x2(i,j))表示x1(i,j),x2(i,j)空間位置關系函數。f(x1(i,j),x2(i,j))表示x1(i,j),x2(i,j)的特征相似度評價函數；c(x1(i,j),x2(i,j))表示非局部均值運算的控制因子；針對x1(i,j),x2(i,j)的點積運算進行確定；y(i,j)表示模型的圖像特征輸出結果；表示向量矩陣中基于l2范數的運算；min表示采用梯度下降法的最小值運算；分別表示為針對x1(i,j),x2(i,j)兩個輸入特征的模型中進行學習訓練的理想圖像特征的輸出參數；表示完整圖像的平均特征；表示模型的激活函數；a表示圖像像素點特征x1(i,j)的特征映射加權控制因子；β表示圖像像素點特征x2(i,j)的特征映射加權控制因子；b表示模型基本處理單元的偏值；表示高斯函數表示高斯函數；表示圖像特征分類輸出結果。
23、優選地，所述non-local模型的運算過程還包括，構建損失函數公式，所述損失函數公式的表達式為：
24、
25、優選地，所述深度學習模型包括噪聲控制處理；和/或所述圖像統計模型包括噪聲控制處理。
26、一種用于放射科的醫學圖像重構系統，其特征在于，用于實現如上文任一項所述的一種用于放射科的醫學圖像重構方法中的步驟。
27、優選地，預處理模塊，用于輸入醫學圖像，對醫學圖像進行預處理；
28、深度學習模塊，用于將所述預處理后的醫學圖像作為樣本輸入到深度學習模型中進行訓練得到圖像識別模型；其中，所述深度學習模型包括：深度卷積神經網絡和基于虛擬單像素的重構模塊，所述深度卷積神經網絡上引入基于虛擬單像素的重構模塊；
29、圖像獲取模塊，用于啟動深度學習模型，獲取初始重構圖像特征；
30、圖像統計模塊，用于構建圖像統計模型；其中，所述深度學習模型包括：深度卷積神經網絡和non-local模型，深度卷積神經網絡和non-local模型進行融合；non-local模型的自適應處理模塊用于實現圖像深度重構質量控制；
31、重構圖像獲取模塊，用于獲得重構圖像。
32、本專利技術提供的一種用于放射科的醫學圖像重構方法與系統的有益效果在于：與現有技術相比，本專利技術一種用于放射科的醫學圖像重構方法與系統，該方法與系統提取到的圖像多尺度特征準確性和精細性高，能實現優秀的重構效果。
本文檔來自技高網...【技術保護點】
1.一種用于放射科的醫學圖像重構方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種用于放射科的醫學圖像重構方法，其特征在于，所述對醫學圖像進行預處理，包括圖像采樣、壓縮編碼作業以及去噪處理中的一種或多種。
3.如權利要求1所述的一種用于放射科的醫學圖像重構方法，其特征在于，基于虛擬單像素的重構模塊的運算公式包括：
4.如權利要求3所述的一種用于放射科的醫學圖像重構方法，其特征在于，所述Non-Local模型的運算過程包括：
5.如權利要求4所述的一種用于放射科的醫學圖像重構方法與系統，其特征在于，所述Non-Local模型的運算過程還包括：
6.如權利要求5所述的一種用于放射科的醫學圖像重構方法，其特征在于，所述Non-Local模型的運算過程還包括，構建損失函數公式，所述損失函數公式的表達式為：
7.如權利要求1所述的一種用于放射科的醫學圖像重構方法，其特征在于，所述深度學習模型包括噪聲控制處理；和/或所述圖像統計模型包括噪聲控制處理。
8.一種用于放射科的醫學圖像重構系統，其特征在于
9.如權利要求8所述的一種用于放射科的醫學圖像重構系統，其特征在于，包括：預處理模塊，用于輸入醫學圖像，對醫學圖像進行預處理；深度學習模塊，用于將所述預處理后的醫學圖像作為樣本輸入到深度學習模型中進行訓練得到圖像識別模型；其中，所述深度學習模型包括：深度卷積神經網絡和基于虛擬單像素的重構模塊，所述深度卷積神經網絡上引入基于虛擬單像素的重構模塊；圖像獲取模塊，用于啟動深度學習模型，獲取初始重構圖像特征；圖像統計模塊，用于構建圖像統計模型；其中，所述深度學習模型包括：深度卷積神經網絡和Non-Local模型，深度卷積神經網絡和Non-Local模型進行融合；Non-Local模型的自適應處理模塊用于實現圖像深度重構質量控制；重構圖像獲取模塊，用于獲得重構圖像。
...【技術特征摘要】
1.一種用于放射科的醫學圖像重構方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種用于放射科的醫學圖像重構方法，其特征在于，所述對醫學圖像進行預處理，包括圖像采樣、壓縮編碼作業以及去噪處理中的一種或多種。
3.如權利要求1所述的一種用于放射科的醫學圖像重構方法，其特征在于，基于虛擬單像素的重構模塊的運算公式包括：
4.如權利要求3所述的一種用于放射科的醫學圖像重構方法，其特征在于，所述non-local模型的運算過程包括：
5.如權利要求4所述的一種用于放射科的醫學圖像重構方法與系統，其特征在于，所述non-local模型的運算過程還包括：
6.如權利要求5所述的一種用于放射科的醫學圖像重構方法，其特征在于，所述non-local模型的運算過程還包括，構建損失函數公式，所述損失函數公式的表達式為：
7.如權利要求1所述的一種用于放射科的醫學圖像重構方法，其特征在于，所述深度學習模型包括...
【專利技術屬性】
技術研發人員：葉雯，張九龍，詹藝，
申請(專利權)人：上海市公共衛生臨床中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。