一种基于卷积神经网络的核磁共振图像处理方法与系统技术方案

本发明专利技术提供了一种基于卷积神经网络的核磁共振图像处理方法与系统，包括：将去噪后的核磁共振图像和增强后的目标核磁共振图像进行融合得到融合后的核磁共振图像；分别对融合后的核磁共振图像和原始的核磁共振图像进行图像块提取得到目标输出块集合和样本集合；用目标输出块集合和样本集合训练卷积神经网络得到核磁共振图像去噪模型。本发明专利技术通过将去噪后的核磁共振图像和增强后的目标核磁共振图像进行融合得到训练样本，并利用训练样本训练卷积神经网络得到核磁共振图像去噪模型，最后利用核磁共振图像去噪模型对核磁共振图像进行去噪，不仅可以有效的消除核磁共振图像中的噪声，而且还可以增强图像的几何细节信息，提高图像判读效果。高图像判读效果。高图像判读效果。

【技术实现步骤摘要】
一种基于卷积神经网络的核磁共振图像处理方法与系统


[0001]本专利技术涉及图像去噪
，具体而言，涉及一种基于卷积神经网络的核磁共振图像处理方法与系统。

技术介绍

[0002]近年来，人们对卫生健康问题越来越重视，医疗水平也随之快速发展，其中医学图像处理技术的进步对医疗水平的提高起着很重要的作用，各种高精度的医疗成像设备已经广泛的应用在临床诊断，在现代临床医疗诊断过程中，医生的主要诊断方式是根据核磁共振设备获得的磁共振图像来分析病人的病情状况，但是磁共振图像噪声依然是磁共振成像技术研究的重要难题。为了减小噪声的影响，磁共振图像降噪技术广泛应用于定量磁共振、医学影像分析和临床诊断。
[0003]文献“基于深度学习的图像去噪研究”提到了一种基于变换域稀疏表示的图像去噪方法，其基本原理就是基于图像灰度信息将图像进行块分割并对相似的块进行分组，同时使用三维变换对块进行稀疏表示，在变换域中使用维纳滤波进行收缩，保留频谱的重要部分，然后对相应的块进行逆变换，并采用加权平均的方法获取去噪图像。文献“基于图像块自相似性先验的核磁共振图像去噪方法”提到了一种基于图像灰度进行去噪的方法，其基本原理就是利用局部像素点之间的平滑性来对图像进行去噪。由此可知，现有对核磁共振图像去噪方法一般都是基于图像的灰度特征进行去噪的，但是由于核磁共振图像中病变组织与正常组织的灰度差异不明显。因此，直接依靠图像的灰度特征对核磁共振图像进行去噪的方法，不能有效地去除噪声。

技术实现思路

[0004]本专利技术的目的在于提供一种基于卷积神经网络的核磁共振图像处理方法与系统，旨在解决现有的磁共振图像去噪方法，不能很好的去除噪声的问题。
[0005]一种基于卷积神经网络的核磁共振图像处理方法，包括：
[0006]步骤1：获取原始的核磁共振图像；
[0007]步骤2：对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像；
[0008]步骤3：对所述目标核磁共振图像进行图像增强得到增强后的目标核磁共振图像；
[0009]步骤4：对所述核磁共振图像进行小波变换去噪得到去噪后的核磁共振图像；
[0010]步骤5：将所述去噪后的核磁共振图像和所述增强后的目标核磁共振图像进行融合得到融合后的核磁共振图像；
[0011]步骤6：分别对所述融合后的核磁共振图像和所述原始的核磁共振图像进行图像块提取得到目标输出块集合和样本集合；
[0012]步骤7：用目标输出块集合和样本集合训练卷积神经网络得到核磁共振图像去噪模型；
[0013]步骤8：利用所述核磁共振图像去噪模型对当前的核磁共振图像进行去噪得到清晰的核磁共振图像。
[0014]优选的，所述步骤2：对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像，包括：
[0015]步骤2.1：根据像素点到聚类中心的矢量距离构建聚类函数；其中，所述聚类函数为：
[0016][0017]其中，v
i
表示第i个聚类中心，m表示模糊聚类阈值，表示像素点x
j
隶属第i个聚类中心的隶属度，d
ij
表示像素点x
j
到第i个聚类中心的矢量距离，λ表示可调参数；
[0018]步骤2.2：对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数；
[0019]步骤2.3：根据所述隶属度更新函数和所述聚类中心更新函数对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像。
[0020]优选的，所述步骤2.2：对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数，包括：
[0021]利用拉格朗日乘子法对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数；其中，所述隶属度更新函数和聚类中心更新函数为：
[0022][0023]优选的，所述步骤3：对所述目标核磁共振图像进行图像增强得到增强后的目标核磁共振图像，包括：
[0024]步骤3.1：以所述目标核磁共振图像中的每个像素点为中心取一个邻域；
[0025]步骤3.2：根据每个邻域的灰度中值和梯度均值确定相应像素点的噪声相似度；其中，噪声相似度计算公式为：
[0026][0027]其中，表示像素点x的梯度值，为以像素点x为中心的邻域的梯度均值，u(x)表示像素点x的灰度值，u
median
(x)表示以像素点x为中心的邻域的灰度中值；
[0028]步骤3.3：根据噪声相似度对所述脑部核磁共振图像进行平滑处理得到增强后的目标核磁共振图像。
[0029]优选的，所述步骤4：对所述核磁共振图像进行小波变换去噪得到去噪后的核磁共振图像，包括：
[0030]步骤4.1：对所述核磁共振图像进行多尺度小波分解得到高频小波系数和低频小波系数；
[0031]步骤4.2：根据所述核磁共振图像的分解尺度、核磁共振图像的大小、高频小波系数的均值确定去噪阈值；
[0032]步骤4.3：根据所述去噪阈值构建小波去噪函数；
[0033]步骤4.4：利用所述小波去噪函数对所述核磁共振图像进行去噪得到去噪后的核磁共振图像。
[0034]优选的，所述去噪阈值为：
[0035][0036]其中，w
j
表示第j个高频小波系数，表示在相应分解尺度下高频小波系数的均值，median|w
j
|表示在相应分解尺度下高频小波系数的中值，λ表示去噪阈值，M表示核磁共振图像的长度，N表示核磁共振图像的宽度，L表示核磁共振图像的分解尺度。
[0037]优选的，所述步骤4.3：根据所述去噪阈值构建小波去噪函数，包括：
[0038]步骤4.3.3：根据去噪阈值确定小波去噪函数的下限值；
[0039]步骤4.3.4：根据所述下限值和所述去噪阈值构建小波去噪函数；其中，所述小波去噪函数为：
[0040][0041]其中，sign为符号函数，λ0＝0.45λ，λ表示去噪阈值，a为可调参数，s＝n/N，N表示第L个尺度下所有高频小波系数的个数，n表示第L个尺度下所有小于去噪阈值的高频小波系数的个数。
[0042]优选的，所述步骤5：将所述去噪后的核磁共振图像和所述增强后的目标核磁共振图像进行融合得到融合后的核磁共振图像，包括：
[0043]步骤5.1：将所述去噪后的核磁共振图像中每个点的灰度值与所述增强后的目标核磁共振图像中相应点的灰度值相加并计算融合像素点的灰度平均值；
[0044]步骤5.2：将所述灰度平均值与预设系数相乘得到融合后的像素点；
[0045]步骤5.3：将所述融合后的像素点代替所述去噪后的核磁共振图像中的相应像素点得到融合后的核磁共振图像。
[0046]优选的，所述步骤7：用目标输出块集合和样本集合训练卷积神经网络得到核磁共振图像去噪模型，包括：
[0047]步骤7.1：根据所述图像块的实际输出和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，包括：步骤1：获取原始的核磁共振图像；步骤2：对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像；步骤3：对所述目标核磁共振图像进行图像增强得到增强后的目标核磁共振图像；步骤4：对所述核磁共振图像进行小波变换去噪得到去噪后的核磁共振图像；步骤5：将所述去噪后的核磁共振图像和所述增强后的目标核磁共振图像进行融合得到融合后的核磁共振图像；步骤6：分别对所述融合后的核磁共振图像和所述原始的核磁共振图像进行图像块提取得到目标输出块集合和样本集合；步骤7：用目标输出块集合和样本集合训练卷积神经网络得到核磁共振图像去噪模型；步骤8：利用所述核磁共振图像去噪模型对当前的核磁共振图像进行去噪得到清晰的核磁共振图像。2.根据权利要求1所述的一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，所述步骤2：对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像，包括：步骤2.1：根据像素点到聚类中心的矢量距离构建聚类函数；其中，所述聚类函数为：其中，v
i
表示第i个聚类中心，m表示模糊聚类阈值，表示像素点x
j
隶属第i个聚类中心的隶属度，d
ij
表示像素点x
j
到第i个聚类中心的矢量距离，λ表示可调参数；步骤2.2：对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数；步骤2.3：根据所述隶属度更新函数和所述聚类中心更新函数对所述核磁共振图像进行分割得到目标核磁共振图像和背景核磁共振图像。3.根据权利要求2所述的一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，所述步骤2.2：对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数，包括：利用拉格朗日乘子法对所述聚类函数进行迭代求解得到隶属度更新函数和聚类中心更新函数；其中，所述隶属度更新函数和聚类中心更新函数为：。4.根据权利要求1所述的一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，所述步骤3：对所述目标核磁共振图像进行图像增强得到增强后的目标核磁共振图像，
包括：步骤3.1：以所述目标核磁共振图像中的每个像素点为中心取一个邻域；步骤3.2：根据每个邻域的灰度中值和梯度均值确定相应像素点的噪声相似度；其中，噪声相似度计算公式为：其中，表示像素点x的梯度值，为以像素点x为中心的邻域的梯度均值，u(x)表示像素点x的灰度值，u
median
(x)表示以像素点x为中心的邻域的灰度中值；步骤3.3：根据噪声相似度对所述核磁共振图像进行平滑处理得到增强后的目标核磁共振图像。5.根据权利要求1所述的一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，所述步骤4：对所述核磁共振图像进行小波变换去噪得到去噪后的核磁共振图像，包括：步骤4.1：对所述核磁共振图像进行多尺度小波分解得到高频小波系数和低频小波系数；步骤4.2：根据所述核磁共振图像的分解尺度、核磁共振图像的大小、高频小波系数的均值确定去噪阈值；步骤4.3：根据所述去噪阈值构建小波去噪函数；步骤4.4：利用所述小波去噪函数对所述核磁共振图像进行去噪得到去噪后的核磁共振图像。6.根据权利要求5所述的一种基于卷积神经网络的核磁共振图像处理方法，其特征在于，...

【专利技术属性】
技术研发人员：闫志凯，王慧贤，
申请(专利权)人：中科微影浙江医疗科技有限公司，
类型：发明
国别省市：