一種基于深度學習的自適應超聲圖像增強方法
【技術領域】
[0001] 本發(fā)明涉及圖像增強方法，具體來講是一種深度學習的自適應超聲圖像增強方 法，屬于超聲圖像處理技術領域。
【背景技術】
[0002] 超聲醫(yī)學成像因其具有直觀、方便、安全、快速等優(yōu)點廣泛應用于臨床，但由于超 聲成像的物理特性和超聲探頭的相關屬性，超聲圖像在反映人體器官輪廓的同時，還常常 出現(xiàn)不規(guī)則的斑點和偽像，這大大影響了圖像的質(zhì)量和病灶的識別。針對這種情況，目前主 要的超聲圖像增強算法有各向異性擴散、小波變換、中值濾波等，但是這些方法作用于整幅 圖像，難免會出現(xiàn)濾除噪聲的同時模糊了邊界，或者增強邊界的同時也增強了噪聲。所以， 較好的處理方法是先對圖像進行分析，對邊緣與組織進行檢測之后再分別進行處理?，F(xiàn)有 技術中對圖像的分析主要通過計算梯度、結構張量等方法，但是這種方法通常需要設定一 個硬閾值，缺少較好的自適應能力。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明針對超聲圖像處理過程中對圖像分析不準確的問題，公開一種能夠自行識 別處理超聲圖像的深度學習的自適應超聲圖像增強方法。
[0004] 為實現(xiàn)以上的技術目的，本發(fā)明將采取以下的技術方案： 一種基于深度學習的自適應超聲圖像增強方法，按照如下步驟進行:步驟(1)訓練深度 神經(jīng)網(wǎng)絡;步驟(2)讀取超聲圖像數(shù)據(jù);步驟(3)將圖像數(shù)據(jù)分成小塊，輸入訓練好的深度神 經(jīng)網(wǎng)絡，分類為均勻組織區(qū)域和結構區(qū)域;步驟(4)對該超聲小塊圖像分別進行相應的數(shù)據(jù) 處理;步驟(5)將相應的部分融合整幅輸出；其中，步驟(1)包括如下步驟:步驟A采集圖片數(shù) 據(jù)，對圖片數(shù)據(jù)進行分組預處理;步驟B構建RBM模型，確定模型的層數(shù)、訓練方式;步驟C特 征提取，將步驟A中的一組圖片送入RBM中計算提取圖像特征;步驟D神經(jīng)網(wǎng)絡建立，利用步 驟C提取到的圖像特征建立深度神經(jīng)網(wǎng)絡模型。
[0005] 本發(fā)明進一步限定的技術方案為： 進一步的，步驟A具體為:系統(tǒng)從超聲設備中隨機采集Μ張超聲圖像，其中Μ 2 10;將圖像 集中的每一張圖片分割成η*η像素的小塊，選取小塊的原則是小塊包含類別的特征;分割好 的小塊圖片用人工的方式按照均勻組織區(qū)域和結構區(qū)域進行標注，標注好的小塊圖片按照 初始整張圖片為單位歸類存儲。
[0006] 進一步的，步驟Β中，所述RBM模型層數(shù)設置為三層，采用吉布斯交叉采樣方法逐層 訓練，迭代次數(shù)為50次。步驟C特征提取，將步驟Α中的一組圖片送入RBM中計算提取圖像特 征。步驟D神經(jīng)網(wǎng)絡模型的建立，將分割好的小塊圖片以初始整張圖片為單位送入限制玻爾 茲曼機網(wǎng)絡進行計算提取訓練圖像的特征數(shù)據(jù)，用這些初始參數(shù)建立深度神經(jīng)網(wǎng)絡模型。
[0007] 進一步的，步驟(3)包括： 從超聲設備中獲取超聲圖像分成小塊，輸入訓練好的深度神經(jīng)網(wǎng)絡進行識別，分類為 均勻組織區(qū)域和結構區(qū)域。由于深度神經(jīng)網(wǎng)絡由上述步驟已經(jīng)訓練完成，各參數(shù)已經(jīng)保存， 則能夠保證圖像的分類能夠?qū)崟r的處理。
[0008] 進一步的，步驟(4)包括:根據(jù)識別的結果，采取不同的圖像處理方法。識別為均勻 組織區(qū)域的小塊圖像，采用高斯濾波進行去噪。識別為結構區(qū)域的，進行圖像增強，公式為：
其中，^表示增強后的灰度值，表示小塊灰度均值，深表示灰度調(diào)整系數(shù)。
[0009] 進一步的，深度神經(jīng)網(wǎng)絡模型由深度信念網(wǎng)絡DBN進行預訓練，包括： 采用自下而上的無監(jiān)督學習方式進行訓練，即使用無標簽的樣本數(shù)據(jù)從底層開始，一 層一層的往頂層進行訓練。
[0010] RBM是一種能量傳遞模型，定義每一層的能量狀態(tài)為：
其中，―是w，a，b有關的參數(shù)，k為第k層RBM，_是"層1單元和1￥層j單元之 間的鏈接權重參數(shù)，而a和b分別是缺層和祕Μ層的偏執(zhí)參數(shù)。并且據(jù)此便知道缺S 的概率為：
其中，堤歸一化系數(shù)。根據(jù)上面的概率分布，很容易得到如下的條件概率：

通過隱藏層的概率對數(shù)對W的求導，可以得到：
其中，_4琴^辦-考&表示數(shù)據(jù)分布的期望，_,1||;^^^|%表示經(jīng)過5次吉布斯 抽樣后的數(shù)據(jù)分布。進一步可以得到：
其中，S3是動量，涉是學習率。實際模型的無偏樣本往往很難獲得，一般采用對比三都 的方法對重構數(shù)據(jù)的采樣近似來更新網(wǎng)絡權重。下一層的輸入來自于上一層的輸出，以此 傳遞，而最底層的輸入一般來自于觀測變量，也就是對象的原始特征數(shù)據(jù)，如圖像的像素 值。本發(fā)明最底層的輸入為n*n小塊圖像的像素值。
[0011]進一步的，所述深度信念網(wǎng)絡(DBN)的調(diào)優(yōu)，包括： 采用自頂向下的監(jiān)督學習方式進行調(diào)優(yōu)，即使用標簽的樣本數(shù)據(jù)進行訓練， 誤差自頂向下進行傳輸，對網(wǎng)絡進行調(diào)優(yōu)，包括： 根據(jù)目標輸出數(shù)據(jù)和重構數(shù)據(jù)的誤差函數(shù)，利用反向傳播(BP)算法重新調(diào)整網(wǎng)絡的參 數(shù)，最終使網(wǎng)絡達到全局最優(yōu)的過程。目標輸出數(shù)據(jù)和重構數(shù)據(jù)的誤差函數(shù)為

其中，y為目標輸出，Y是重構數(shù)據(jù) 表示重構誤差的2范數(shù)形式，對誤差函數(shù)求權 L-'' 值的偏導，可以得到權重的更新值。
[0012] 本發(fā)明由于采取以上技術方案，具有如下優(yōu)點：本發(fā)明利用深度學習技術對超聲 圖像進行分析，通過非人工干預的手段尋找符合圖像的特征值，再進行識別、分類，之后針 對不同的分類，采取不同的處理算法，這種方法具有更好的魯棒性和自適應能力。
【附圖說明】
[0013] 圖1是本發(fā)明的整體實施方案流程圖； 圖2是本發(fā)明的訓練模型示意圖； 圖3是本發(fā)明工藝實施方案的具體流程圖； 圖4是一張?zhí)幚砬暗腂超圖； 圖5是一張?zhí)幚砗蟮腂超圖。
【具體實施方式】
[0014] 附圖非限制性地公開了本發(fā)明所涉及優(yōu)選實施例的流程示意圖；以下將結合附圖 詳細地說明本發(fā)明的技術方案。
[0015] 一種基于深度學習的超聲圖像增強方法，其基本步驟如下： 訓練深度神經(jīng)網(wǎng)絡。
[0016] 讀取超聲圖像數(shù)據(jù)。
[0017] 將圖像數(shù)據(jù)輸入訓練好的深度神經(jīng)網(wǎng)絡，分類為均勻組織區(qū)域和結構區(qū)域。
[0018] 對該超聲小塊圖像分別進行相應的數(shù)據(jù)處理。
[0019] 將相應的部分融合整幅輸出。
[0020] 其中訓練深度神經(jīng)網(wǎng)絡的步驟如下： 從超聲設備采集m張不同的超聲圖像，可以是不同位置、不同體模等不同條件下獲得的 圖像。把當前的圖像分成兩部分，一部分作為訓練圖像集，一部分作為測試圖像集。
[0021] 把這些圖像分成n*n像素的小塊，并做好標簽。例如標簽記為均勻組織區(qū)域和結構 區(qū)域。
[0022]將訓練樣本的圖像送入限制玻爾茲曼機網(wǎng)絡進行預處理，講得到的權值初始化BP 神經(jīng)網(wǎng)絡參數(shù)，訓練出深度神經(jīng)網(wǎng)絡模型。
[0023]以下是對本發(fā)明一種基于深度學習的超聲圖像增強方法做了詳細說明，流程圖