CN105574820A - 一种基于深度学习的自适应超声图像增强方法 - Google Patents

Abstract

本发明是一种基于深度学习的自适应超声图像增强方法，按照如下步骤进行：训练深度神经网络；读取超声图像数据；将图像数据分成小块输入训练好的深度神经网络，分类为均匀组织区域和结构区域；对该超声小块图像分别进行相应的数据处理；将相应的部分融合整幅输出；其中训练深度神经网络的步骤还包括：采集图片数据，对图片数据进行分组预处理；构建RBM模型，确定模型的层数、训练方式；特征提取，将分组好图片中的一组图片送入RBM中计算提取图像特征；神经网络建立，上一步提取到的图像特征建立深度神经网络模型；根据分类识别的结果采取针对性的图像增强和斑点抑制，从而有效的提高超声图像的成像效果。

Description

一种基于深度学习的自适应超声图像增强方法

技术领域

本发明涉及图像增强方法，具体来讲是一种深度学习的自适应超声图像增强方法，属于超声图像处理技术领域。

背景技术

超声医学成像因其具有直观、方便、安全、快速等优点广泛应用于临床，但由于超声成像的物理特性和超声探头的相关属性，超声图像在反映人体器官轮廓的同时，还常常出现不规则的斑点和伪像，这大大影响了图像的质量和病灶的识别。针对这种情况，目前主要的超声图像增强算法有各向异性扩散、小波变换、中值滤波等，但是这些方法作用于整幅图像，难免会出现滤除噪声的同时模糊了边界，或者增强边界的同时也增强了噪声。所以，较好的处理方法是先对图像进行分析，对边缘与组织进行检测之后再分别进行处理。现有技术中对图像的分析主要通过计算梯度、结构张量等方法，但是这种方法通常需要设定一个硬阈值，缺少较好的自适应能力。

发明内容

本发明针对超声图像处理过程中对图像分析不准确的问题，公开一种能够自行识别处理超声图像的深度学习的自适应超声图像增强方法。

为实现以上的技术目的，本发明将采取以下的技术方案：

一种基于深度学习的自适应超声图像增强方法，按照如下步骤进行：步骤（1）训练深度神经网络；步骤（2）读取超声图像数据；步骤（3）将图像数据分成小块，输入训练好的深度神经网络，分类为均匀组织区域和结构区域；步骤（4）对该超声小块图像分别进行相应的数据处理；步骤（5）将相应的部分融合整幅输出；其中，步骤（1）包括如下步骤：步骤A采集图片数据，对图片数据进行分组预处理；步骤B构建RBM模型，确定模型的层数、训练方式；步骤C特征提取，将步骤A中的一组图片送入RBM中计算提取图像特征；步骤D神经网络建立，利用步骤C提取到的图像特征建立深度神经网络模型。

本发明进一步限定的技术方案为：

进一步的，步骤A具体为：系统从超声设备中随机采集M张超声图像，其中M≥10；将图像集中的每一张图片分割成n*n像素的小块，选取小块的原则是小块包含类别的特征；分割好的小块图片用人工的方式按照均匀组织区域和结构区域进行标注，标注好的小块图片按照初始整张图片为单位归类存储。

进一步的，步骤B中，所述RBM模型层数设置为三层，采用吉布斯交叉采样方法逐层训练，迭代次数为50次。步骤C特征提取，将步骤A中的一组图片送入RBM中计算提取图像特征。步骤D神经网络模型的建立，将分割好的小块图片以初始整张图片为单位送入限制玻尔兹曼机网络进行计算提取训练图像的特征数据，用这些初始参数建立深度神经网络模型。

进一步的，步骤(3)包括：

从超声设备中获取超声图像分成小块，输入训练好的深度神经网络进行识别，分类为均匀组织区域和结构区域。由于深度神经网络由上述步骤已经训练完成，各参数已经保存，则能够保证图像的分类能够实时的处理。

进一步的，步骤（4）包括：根据识别的结果，采取不同的图像处理方法。识别为均匀组织区域的小块图像，采用高斯滤波进行去噪。识别为结构区域的，进行图像增强，公式为：

，

其中，表示增强后的灰度值，表示小块灰度均值，表示灰度调整系数。

进一步的，深度神经网络模型由深度信念网络DBN进行预训练，包括：

采用自下而上的无监督学习方式进行训练，即使用无标签的样本数据从底层开始，一层一层的往顶层进行训练。

RBM是一种能量传递模型，定义每一层的能量状态为：

，

其中， 是w,a,b有关的参数，k为第k层RBM， 是 层i单元和 层j单元之间的链接权重参数，而a和b分别是 层和 层的偏执参数。并且据此便知道 的概率为：

，

其中， 是归一化系数。根据上面的概率分布，很容易得到如下的条件概率：

，

，

其中， ，通过隐藏层的概率对数对W的求导，可以得到：

，

其中， 表示数据分布的期望， 表示经过S次吉布斯抽样后的数据分布。进一步可以得到：

，

其中， 是动量， 是学习率。实际模型的无偏样本往往很难获得，一般采用对比三都的方法对重构数据的采样近似来更新网络权重。下一层的输入来自于上一层的输出，以此传递，而最底层的输入一般来自于观测变量，也就是对象的原始特征数据，如图像的像素值。本发明最底层的输入为n*n小块图像的像素值。

进一步的，所述深度信念网络（DBN）的调优，包括：

采用自顶向下的监督学习方式进行调优，即使用标签的样本数据进行训练，

误差自顶向下进行传输，对网络进行调优，包括：

根据目标输出数据和重构数据的误差函数，利用反向传播（BP）算法重新调整网络的参数，最终使网络达到全局最优的过程。目标输出数据和重构数据的误差函数为

，

其中，y为目标输出，是重构数据，表示重构误差的2范数形式，对误差函数求权值的偏导，可以得到权重的更新值。

本发明由于采取以上技术方案，具有如下优点：本发明利用深度学习技术对超声图像进行分析，通过非人工干预的手段寻找符合图像的特征值，再进行识别、分类，之后针对不同的分类，采取不同的处理算法，这种方法具有更好的鲁棒性和自适应能力。

附图说明

图1是本发明的整体实施方案流程图；

图2是本发明的训练模型示意图；

图3是本发明工艺实施方案的具体流程图；

图4是一张处理前的B超图；

图5是一张处理后的B超图。

具体实施方式

附图非限制性地公开了本发明所涉及优选实施例的流程示意图；以下将结合附图详细地说明本发明的技术方案。

一种基于深度学习的超声图像增强方法，其基本步骤如下：

训练深度神经网络。

读取超声图像数据。

将图像数据输入训练好的深度神经网络，分类为均匀组织区域和结构区域。

对该超声小块图像分别进行相应的数据处理。

将相应的部分融合整幅输出。

其中训练深度神经网络的步骤如下：

从超声设备采集m张不同的超声图像，可以是不同位置、不同体模等不同条件下获得的图像。把当前的图像分成两部分，一部分作为训练图像集，一部分作为测试图像集。

把这些图像分成n*n像素的小块，并做好标签。例如标签记为均匀组织区域和结构区域。

将训练样本的图像送入限制玻尔兹曼机网络进行预处理，讲得到的权值初始化BP神经网络参数，训练出深度神经网络模型。

以下是对本发明一种基于深度学习的超声图像增强方法做了详细说明，流程图如图1，图3。

从超声设备中获取超声图像，分成小碎片，输入训练好的网络进行识别，根据识别的结果采取不同的图像处理算法。

获得m张不同的超声图像(本实验选取20张超声图像)的方法是扫描不同的位置或者是不同的部位等不同条件下的。

所有图像分成至n*n像素的小块，选取小块的原则是小块包含类别的特征，但也不能太大影响识别的准确率。

对所有小块做好标记，其标记为均匀组织区域和结构区域。

如图1，将训练样本的图像送入限制玻尔兹曼机网络进行预处理，将得到的权值初始化BP神经网络参数，训练出深度神经网络模型，并用训练好的深度神经网络模型对特征提取的结果进行图像分类识别的步骤包括:

将n*n小块超声图像的像素矩阵X={X0，X1...Xn}送入限制玻尔兹曼机网络进行数据预处理，实验选用三层8*8-50-30-10结构的限制玻尔兹曼机网络，每层网络的最大迭代次数设为50；

将预处理后的数据加入反向BP算法神经网络进行学习，实验迭代次数设为100，选用网络的期望输出Y={Y0，Y1}，分别代表均匀组织区域和结构区域，例如为均匀组织区域则Y={1，0}；

通过学习建立深度神经网络系统模型，并利用所述深度神经网络系统进行超声图像的分析识别。

如附图3，从超声设备中获取超声图像数据，将其分为n*n的小块，将小块输入训练好的深度神经网络，进行图像的分析识别，根据识别结果分别进行处理，本实验中测试图像分为8*8的小块，识别为均匀组织区域的小块图像，进行高斯滤波，对于结构区域，进行图像增强算法，最后融合整幅输出。

如附图4和图5对比很容易看出，经过处理后的图片组织边缘清晰，效果显著。

Claims (7)

1.一种基于深度学习的自适应超声图像增强方法，按照如下步骤进行：

步骤（1）训练深度神经网络；

步骤（2）读取超声图像数据；

步骤（3）将图像数据分成小块，输入训练好的深度神经网络，分类为均匀组织区域和结构区域；

步骤（4）对该超声小块图像分别进行相应的数据处理；

步骤（5）将相应的部分融合整幅输出；

其特征在于，步骤（1）包括如下步骤：

步骤A采集图片数据，对图片数据进行分组预处理；步骤B构建RBM模型，确定模型的层数、训练方式；步骤C特征提取，将步骤A中的一组图片送入RBM中计算提取图像特征；

步骤D神经网络建立，利用步骤C提取到的图像特征建立深度神经网络模型。

2.根据权利要求1所述的基于深度学习的自适应超声图像增强方法，其特征在于，步骤A具体为：系统从超声设备中随机采集M张超声图像，其中M≥10；将图像集中的每一张图片分割成n*n像素的小块，选取小块的原则是小块包含类别的特征；分割好的小块图片用人工的方式按照均匀组织区域和结构区域进行标注，标注好的小块图片按照初始整张图片为单位归类存储。

3.根据权利要求1所述的基于深度学习的自适应超声图像增强方法，其特征在于，步骤B中，所述RBM模型层数设置为三层，采用吉布斯交叉采样方法逐层训练，迭代次数为50次；步骤C特征提取，将步骤A中的一组图片送入RBM中计算提取图像特征；步骤D神经网络模型的建立，将分割好的小块图片以初始整张图片为单位送入限制玻尔兹曼机网络进行计算提取训练图像的特征数据，用这些初始参数建立深度神经网络模型。

4.根据权利要求1所述的基于深度学习的自适应超声图像增强方法，其特征在于，步骤(3)包括：从超声设备中获取超声图像分成小块，输入训练好的深度神经网络进行识别，分类为均匀组织区域和结构区域。

5.根据权利要求1所述的基于深度学习的自适应超声图像增强方法，其特征在于，步骤（4）包括：根据识别的结果，采取不同的图像处理方法，识别为均匀组织区域的小块图像，采用高斯滤波进行去噪；识别为结构区域的，进行图像增强，公式为：

，

其中，表示增强后的灰度值，表示小块灰度均值，表示灰度调整系数。

6.根据权利要求1或3所述的基于深度学习的自适应超声图像增强方法，其特征在于，深度神经网络模型由深度信念网络DBN进行预训练，包括：

采用自下而上的无监督学习方式进行训练，即使用无标签的样本数据从底层开始，一层一层的往顶层进行训练；

RBM是一种能量传递模型，定义每一层的能量状态为：

，

其中， 是w,a,b有关的参数，k为第k层RBM， 是 层i单元和 层j单元之间的链接权重参数，而a和b分别是 层和 层的偏执参数；并且据此便知道 的概率为：

，

其中， 是归一化系数；根据上面的概率分布，很容易得到如下的条件概率：

，

，

其中， ，通过隐藏层的概率对数对W的求导，可以得到：

，

其中， 表示数据分布的期望， 表示经过S次吉布斯抽样后的数据分布；进一步可以得到：

，

其中， 是动量， 是学习率；实际模型的无偏样本往往很难获得，一般采用对比三都的方法对重构数据的采样近似来更新网络权重；下一层的输入来自于上一层的输出，以此传递，而最底层的输入一般来自于观测变量，也就是对象的原始特征数据，如图像的像素值；本发明最底层的输入为n*n小块图像的像素值。

7.根据权利要求6所述的基于深度学习的自适应超声图像增强方法，其特征在于，所述深度信念网络（DBN）的调优，包括：

采用自顶向下的监督学习方式进行调优，即使用标签的样本数据进行训练，

误差自顶向下进行传输，对网络进行调优，包括：根据目标输出数据和重构数据的误差函数，利用反向传播（BP）算法重新调整网络的参数，最终使网络达到全局最优的过程；目标输出数据和重构数据的误差函数为：

，

其中，y为目标输出，是重构数据，表示重构误差的2范数形式，对误差函数求权值的偏导，可以得到权重的更新值。