【技术实现步骤摘要】
本专利技术涉及超声图像,特别涉及一种超声图像质量增强的智能优化方法。
技术介绍
1、超声成像技术作为一种无创、实时、经济的医学影像诊断工具,在临床诊断和治疗中得到了广泛应用。然而,由于超声成像过程中受到声波传播特性、组织结构复杂性、设备性能限制及环境噪声的影响,常会导致成像质量的下降。这种质量下降主要表现在噪声干扰、伪影生成、对比度不足以及细节丢失等问题上,直接影响诊断的准确性与可靠性。
2、首先,超声图像噪声干扰问题、伪影对成像质量的影响、对比度不足及边缘信息丢失是常见的三种问题。传统的图像去噪、伪影修复和对比度增强方法多采用固定规则算法,缺乏针对性和智能化,容易导致细节丢失或处理过度。同时,这些方法往往缺乏动态调整能力,无法满足复杂多样的临床需求。
3、其次,现有技术大多对整个图像进行统一处理,缺乏对局部特征区域的针对性优化,容易导致局部细节丢失;同时,缺乏基于图像质量实时反馈的参数调整机制,无法适应不同成像环境、患者个体差异以及设备特性。
4、随着人工智能技术的快速发展,基于深度学习的图像处理方法逐渐应用于医学图像质量增强领域。卷积神经网络、生成对抗网络及强化学习等技术的引入,为超声图像去噪、伪影校正、对比度增强和边缘特征提取提供了新的解决方案。
5、然而,尽管深度学习技术在医学图像领域取得了一定进展,但在超声图像处理中的应用尚不完善,尤其在实时性和个性化优化方面存在较大改进空间。
技术实现思路
1、本专利技术的目的是提供一种超
2、本专利技术的上述技术目的是通过以下技术方案得以实现的:
3、一种超声图像质量增强的智能优化方法,包括有以下步骤:
4、步骤s1、通过超声成像设备获取原始超声图像,所述的原始超声图像包括但不限于二维超声图像、三维超声图像、彩色多普勒图像或弹性成像图像;
5、步骤s2、对获取的原始超声图像进行多级预处理;
6、步骤s3、基于卷积神经网络的深度学习模型,对进行多级预处理后的超声图像提取多尺度特征;
7、步骤s4、通过一个由生成对抗网络训练得到的质量评估模型,对经过多级预处理和多尺度特征提取的图像进行智能评分,生成图像质量评分矩阵,其中评分指标包括信噪比、边缘清晰度、灰度一致性及对比度均衡性;
8、步骤s5、利用强化学习技术,在图像质量评分的指导下动态优化处理参数,优化内容包括但不限于去噪强度、锐化程度、对比度调节系数及局部增强权重;
9、步骤s6、基于注意力机制的优化网络,识别并重点增强超声图像中的目标区域,所述的目标区域包括异常组织、病变结构和特定解剖部位;
10、步骤s7、通过自适应权重分配机制,将局部优化结果与全局图像进行融合,确保增强超声图像的整体连贯性与一致性;
11、步骤s8、输出经过优化的超声图像及其对应的质量评分报告,报告内容涵盖参数优化细节、质量提升的定量分析及关键优化区域的描述。
12、进一步设置是,所述的步骤s2具体为:
13、步骤s21、进行去噪处理,空间域滤波器通过加权中值滤波保留边缘细节并减少噪声;频率域小波变换在多尺度下分解噪声信号并逐级去除伪影干扰,同时保留重要的高频特征;通过融合两种滤波方法的结果,进一步提高图像的平滑度与清晰度;
14、步骤s22、通过图像伪影校正来消除成像过程中产生的伪影对诊断准确性造成的干扰,同时最大限度地保留原始超声图像中的关键特征和纹理细节;
15、步骤s23、采用自适应直方图均衡化算法增强全局及局部区域的对比度。
16、进一步设置是,所述的步骤s22具体为:
17、步骤s221、伪影区域检测;
18、步骤s222、伪影区域分级;
19、步骤s223、伪影修复。
20、进一步设置是,所述的步骤s221具体为:
21、步骤s2211、利用直方图分析原始超声图像中的灰度分布,计算灰度值的局部方差和全局均匀性指数;伪影区域通常表现为异常低灰度或高灰度区域,其局部方差显著低于正常组织区域;
22、步骤s2212、通过基于小波变换的多尺度纹理分析提取图像的纹理特征;伪影区域的纹理细节较少且无连续性,与正常组织区域的纹理分布存在显著差异;
23、步骤s2213、采用基于canny算法的多尺度边缘检测技术,识别图像中的边缘结构;伪影区域通常边缘模糊,且边缘梯度分布异常;
24、步骤s224、在灰度和纹理分析的基础上,以边缘特征为引导,通过自适应区域生长算法进一步扩展伪影检测范围,并通过迭代计算生成伪影区域掩膜。
25、进一步设置是,所述的步骤s222具体为:
26、步骤s2221、为每个伪影区域分配三个核心特征权重,包括灰度均值权w1、纹理复杂度权重w2和边缘清晰度权重w3,其中的,
27、w1根据伪影区域与周围组织灰度均值的差异计算,差异越大,权重越高;
28、w2通过计算伪影区域的纹理熵值确定,纹理越简单,权重越高;
29、w3由边缘检测算法的梯度强度和边缘数量决定,边缘模糊或断裂的区域权重更高;
30、步骤s2222、结合特征权重,利用加权评分公式s=αw1+βw2+γw3,其中α,β,γ为动态调整的权重系数,根据分值将伪影区域分为低影响级、中等影响级和高影响级。
31、进一步设置是,所述的步骤s223具体为:
32、步骤s2231、对低影响级伪影区域的修复;
33、采用基于局部纹理插值的方法进行轻量修复,通过计算伪影区域与邻近正常组织的灰度梯度,生成一个动态插值矩阵,对伪影区域像素进行加权补偿,确保伪影修复后灰度值与周围组织连续过渡;
34、步骤s2232、对中等影响级伪影区域的修复;
35、中等影响级伪影通常面积较大,灰度和纹理异常显著,因此采用基于方向性小波变换的分区域修复策略;
36、利用方向性小波变换将伪影区域分解为不同尺度和方向的子带;
37、通过高斯混合模型估计伪影区域与正常区域的特征分布;
38、在每个子带内根据混合模型结果进行伪影像素的逐步恢复,并将子带合成重建修复后的伪影区域;
39、步骤s2233、对高影响级伪影区域的修复;
40、高影响级伪影对诊断影响最大,因此采用基于深度学习的全局修复网络进行像素重建;
41、所述的全局修复网络为生成对抗网络,包括生成器和判别器:
42、生成器输入伪影区域的灰度分布和边缘掩膜,通过学习伪影区域与周围正常区域的相关性生成修复结果;
43、判别器用于判断修复结果是否具有真实纹理特性,并将反馈用于优化生成器性能;
44、最终输出的修复结果与原始超声图像融合,确保整体图像的一致本文档来自技高网...
【技术保护点】
1.一种超声图像质量增强的智能优化方法,其特征在于,包括有以下步骤:
2.根据权利要求1所述的一种超声图像质量增强的智能优化方法,其特征在于,所述的步骤S2具体为:
3.根据权利要求2所述的一种超声图像质量增强的智能优化方法,其特征在于,所述的步骤S22具体为:
4.根据权利要求3所述的一种超声图像质量增强的智能优化方法,其特征在于,所述的步骤S221具体为:
5.根据权利要求3所述的一种超声图像质量增强的智能优化方法,其特征在于,所述的步骤S222具体为:
6.根据权利要求3所述的一种超声图像质量增强的智能优化方法,其特征在于,所述的步骤S223具体为:
7.根据权利要求2所述的一种超声图像质量增强的智能优化方法,其特征在于,所述的步骤S3具体为:
8.根据权利要求1所述的一种超声图像质量增强的智能优化方法,其特征在于,所述的步骤S4具体为:
9.根据权利要求1所述的一种超声图像质量增强的智能优化方法,其特征在于,所述的步骤S6具体为:
10.根据权利要求1所述的一种超声
...【技术特征摘要】
1.一种超声图像质量增强的智能优化方法,其特征在于,包括有以下步骤:
2.根据权利要求1所述的一种超声图像质量增强的智能优化方法,其特征在于,所述的步骤s2具体为:
3.根据权利要求2所述的一种超声图像质量增强的智能优化方法,其特征在于,所述的步骤s22具体为:
4.根据权利要求3所述的一种超声图像质量增强的智能优化方法,其特征在于,所述的步骤s221具体为:
5.根据权利要求3所述的一种超声图像质量增强的智能优化方法,其特征在于,所述的步骤s222具体为:
6....
【专利技术属性】
技术研发人员:叶薇,欧金涛,靳富,贾文廷,
申请(专利权)人:深圳市医诺智能科技发展有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。