【】本發(fā)明涉及醫(yī)療圖像識別，尤其涉及基于卷積神經(jīng)網(wǎng)絡(luò)的mri醫(yī)學(xué)圖像校正方法、系統(tǒng)和計算機可讀存儲介質(zhì)。

背景技術(shù)

0、
背景技術(shù)：

1、腦腔隙性梗死是由小血管病變引起的一種腦部病變，主要發(fā)生在基底節(jié)、丘腦或腦干區(qū)域。該病的臨床癥狀通常表現(xiàn)為輕微的神經(jīng)功能障礙或認知能力下降，且病灶體積小、分布分散，常常被忽視。腦腔隙性梗死是常見的缺血性腦血管病之一，尤其在高血壓、糖尿病等慢性病患者中更為普遍，且隨著年齡的增長，發(fā)生率逐漸增加。

2、通常腔隙性腦梗死灶會以ct圖像或磁共振圖像的形式呈現(xiàn)給醫(yī)務(wù)人員，而相較于ct圖像，磁共振mri圖像更清晰，檢出率更高，因此，mri醫(yī)學(xué)圖像更受青睞。但由于腦腔隙性梗死病灶體積小且位于腦深部，且容易被其他腦結(jié)構(gòu)所覆蓋，所以由醫(yī)生人工來識別腦腔隙性梗死，不但會耗費大量的人力和時間，而且受到醫(yī)生水平、經(jīng)驗等主觀性因素影響比較大，很容易產(chǎn)生誤判。

技術(shù)實現(xiàn)思路

0、
技術(shù)實現(xiàn)要素：

1、有鑒于此，本發(fā)明實施例提供了基于卷積神經(jīng)網(wǎng)絡(luò)的mri醫(yī)學(xué)圖像校正方法、系統(tǒng)和計算機可讀存儲介質(zhì)。

2、第一方面，本發(fā)明實施例提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的mri醫(yī)學(xué)圖像校正方法，所述方法包括：

3、s1、獲取腦部mri醫(yī)學(xué)圖像，通過信噪指數(shù)、對比度和偽影強度進行質(zhì)量評估，根據(jù)質(zhì)量評估結(jié)果分類為高質(zhì)量圖像、中偏高質(zhì)量圖像、中質(zhì)量圖像和低質(zhì)量圖像，并分別進行預(yù)處理；

4、s2、通過卷積神經(jīng)網(wǎng)絡(luò)從預(yù)處理后的mri醫(yī)學(xué)圖像中提取腦腔隙性梗死的病灶特征，并進行腦腔隙性梗死的病灶區(qū)域的定位；

5、s3、對腦腔隙性梗死病灶區(qū)域進行細節(jié)增強，分割病灶區(qū)域并優(yōu)化分割結(jié)果；

6、s4、對分割后的圖像進行偽影修復(fù)，并基于修復(fù)圖像生成三維病灶可視化模型。

7、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述s1具體包括：

8、獲取腦部mri醫(yī)學(xué)圖像，計算信噪指數(shù)，其中，snr表示信噪指數(shù)，μi表示信號均值，n表示圖像總像素數(shù)，i(x)表示是圖像中像素位置x的灰度值，σn表示噪聲標(biāo)準差，m表示背景區(qū)域像素數(shù)，ib(x)表示背景區(qū)域像素的灰度值，μb表示背景區(qū)域的灰度均值，通過背景區(qū)域像素的均值計算；

9、計算對比度噪聲指數(shù)，其中，cnr表示對比度噪聲指數(shù)，μl表示病灶區(qū)域均值，通過病灶區(qū)域內(nèi)像素的灰度均值計算，病灶區(qū)域過手動標(biāo)注得到，μb表示背景區(qū)域均值；σn表示噪聲標(biāo)準差；

10、計算偽影指數(shù)，其中，pa(k)表示偽影區(qū)域功率譜，表示圖像在頻域中的傅里葉變換，fa表示偽影頻段，pt表示圖像整體功率譜，ft表示圖像的完整頻域；t表示頻域點數(shù)，圖像頻域的總采樣點數(shù)；

11、根據(jù)信噪指數(shù)、對比度噪聲指數(shù)和偽影指數(shù)的計算結(jié)果分類為高質(zhì)量圖像、中偏高質(zhì)量圖像、中質(zhì)量圖像和低質(zhì)量圖像，即高質(zhì)量圖像指標(biāo)：所有指標(biāo)介于高質(zhì)量范圍，高質(zhì)量范圍即snr>25，cnr>5，ai<0.05；中偏高質(zhì)量圖像指標(biāo)：至少1個指標(biāo)滿足高質(zhì)量范圍，且至少1個指標(biāo)滿足中質(zhì)量范圍；中質(zhì)量圖像指標(biāo)：所有指標(biāo)介于中質(zhì)量范圍，中質(zhì)量范圍即15<snr≤25，3≤cnr≤5，0.05≤ai<0.15；低質(zhì)量圖像指標(biāo)：任意一個指標(biāo)屬于低質(zhì)量范圍，低質(zhì)量范圍即snr≤15，cnr<3，ai≥0.15；

12、分別進行預(yù)處理。

13、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述分別進行預(yù)處理具體包括：

14、對高質(zhì)量圖像的預(yù)處理：將圖像灰度值進行歸一化，自適應(yīng)直方圖均衡化；

15、對中偏高質(zhì)量圖像的預(yù)處理：若15<snr≤25，則使用非局部均值濾波去除噪聲；若3≤cnr≤5，則應(yīng)用自適應(yīng)直方圖均衡化；若0.05≤ai<0.15，則使用頻域帶通濾波修復(fù)輕度偽影；

16、對中質(zhì)量圖像的預(yù)處理：在頻域中標(biāo)記偽影區(qū)域，生成偽影掩碼，使對標(biāo)定后的偽影區(qū)域進行去噪處理，對去噪后的圖像進行自適應(yīng)直方圖均衡化；

17、對低質(zhì)量圖像的預(yù)處理：通過偽影指數(shù)ai分析結(jié)果，在頻域中檢測偽影區(qū)域并生成偽影掩碼，計算梯度強度分布生成噪聲掩碼，輸出偽影掩碼和噪聲掩碼；

18、預(yù)處理后統(tǒng)一進行圖像標(biāo)準化操作。

19、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述s2通過卷積神經(jīng)網(wǎng)絡(luò)從mri醫(yī)學(xué)圖像中提取腦腔隙性梗死的病灶特征，并進行腦腔隙性梗死的病灶區(qū)域的定位，具體包括：

20、使用多尺度高斯濾波從預(yù)處理后mri醫(yī)學(xué)圖像中提取背景信息，計算不同尺度下的殘差圖，采用加權(quán)融合策略來融合多個尺度的殘差圖，得到最終的噪聲殘差圖，r(x,y)＝e(x,y)-g(x,y,γ)，其中，r(x,y)表示噪聲殘差圖，e(x,y)表示輸入的mri醫(yī)學(xué)圖像，g(x,y,γ)表示輸入圖像經(jīng)過高斯模糊后的結(jié)果，γ表示高斯濾波的尺度參數(shù)；

21、利用改進的尺度不變特征變換算法檢測最終的噪聲殘差圖中的關(guān)鍵點，并對每個關(guān)鍵點計算梯度直方圖生成特征向量，其中，關(guān)鍵點檢測公式為：pi(x,y,δ)表示在位置(x,y)和尺度δ的關(guān)鍵點，l(x,y,δ)表示在尺度空間中的圖像值，δδ表示尺度變化量；

22、基于關(guān)鍵點匹配結(jié)果，使用幾何一致性校驗方法剔除錯誤匹配，并標(biāo)記疑似病灶區(qū)域，其中，幾何一致性校驗公式定義為：(pi,pj)表示兩對匹配的關(guān)鍵點，‖pi-pj‖表示兩點間的歐氏距離，τ表示距離閾值，θi和θj表示關(guān)鍵點的方向角，δθ表示方向角差值；

23、使用滑動窗口將圖像劃分為多個小塊，計算每個小塊的特征與鄰域區(qū)域的相似度，對于相似度較高的區(qū)域，將其標(biāo)記為潛在的病灶區(qū)域；

24、根據(jù)標(biāo)潛在的病灶區(qū)域提取的病灶邊界信息生成邊界圖，將邊界圖和預(yù)處理后mri醫(yī)學(xué)圖像融合形成多通道輸入，構(gòu)建并訓(xùn)練基于u-net架構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)合se模塊引入注意力機制，通過卷積神經(jīng)網(wǎng)絡(luò)模型識別腦腔隙性梗死病灶并輸出包含病灶區(qū)域信息的全局特征圖；

25、將輸出的全局特征與局部關(guān)鍵點匹配結(jié)果融合，生成最終的病灶區(qū)域掩碼。

26、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述s3中對腦腔隙性梗死病灶區(qū)域進行細節(jié)增強，具體包括：

27、利用生成的病灶區(qū)域掩碼對不同尺度下的殘差圖進行裁剪，并將裁剪后的殘差圖按權(quán)重重新融合，生成局部多尺度殘差圖，其中，rc＝rk·mm，k∈{3,5,7}，rc表示裁剪后的多尺度殘差圖，rk表示第k個尺度的殘差圖，mm表示病灶區(qū)域掩碼，αk表示每個尺度的權(quán)重，rl表示局部多尺度殘差圖；

28、利用局部多尺度殘差圖和全局特征圖融合生成初步顯著性圖，并使用全局特征圖中的梯度信息強化病灶邊界，將強化后的顯著性圖歸一化到[0,1]范圍，其中，si＝rl+λfg，se＝si+η▽fg，si表示初步顯著性圖，fg表示全局特征圖，λ表示全局特征圖的權(quán)重，se表示強化后的顯著性圖，η表示梯度強化權(quán)重，▽fg表示全局特征圖的梯度信息，用sobel算子計算；

29、將顯著性圖與預(yù)處理后的mri醫(yī)學(xué)圖像逐像素加權(quán)融合得到突出病灶區(qū)域的融合后的圖像，其中，ie＝i·(1+δsf)，i表示預(yù)處理后的mri圖像，sf表示歸一化處理的顯著性圖，ie表示融合后的圖像，δ表示顯著性圖的加權(quán)因子。

30、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述s3中分割病灶區(qū)域并優(yōu)化分割結(jié)果，具體包括：

31、基于顯著性圖的閾值分割，生成初步分割掩碼，其中，mb表示初步分割掩碼，t表示分割閾值；

32、對融合后的圖像應(yīng)用形態(tài)學(xué)操作優(yōu)化病灶區(qū)域的形態(tài)特征，通過腐蝕操作去除邊緣噪聲，使用3×3核，迭代2次，通過膨脹操作修復(fù)病灶區(qū)域中的小空洞，使用5×5核，迭代2次，使用形態(tài)學(xué)濾波器平滑邊緣區(qū)域，使用橢圓形核，大小為5×5，生成最終細節(jié)增強圖像；

33、結(jié)合最終細節(jié)增強圖像增強初步掩碼，并通過增強后的初步掩碼生成包含病灶區(qū)域的初步分割結(jié)果，其中，me＝mb·(1+θie′)，θ表示增強權(quán)重，me表示增強后的初步分割掩碼，ie′表示最終細節(jié)增強圖像；

34、采用深度q網(wǎng)絡(luò)優(yōu)化分割策略，其中，定義狀態(tài)st，當(dāng)前分割結(jié)果的特征，包括：當(dāng)前分割掩碼mt、顯著性圖sf、融合后的圖像ie；動作at，動作空間包括以下操作：調(diào)整邊界：邊界擴展或邊界收縮，平滑區(qū)域：邊界平滑，調(diào)整分割閾值：增加或減少閾值；獎勵rt，rt＝w1·ri+w2·ro，w1、w2表示權(quán)重，s表示當(dāng)前掩碼mt的總像素數(shù)，δmt表示當(dāng)前分割掩碼mt的邊界梯度幅值；

35、構(gòu)建的深度q網(wǎng)絡(luò)結(jié)構(gòu)為：

36、輸入層：輸入維度為128x128x2，包括當(dāng)前分割掩碼和顯著性圖；

37、隱藏層：兩個卷積層：卷積核大小3x3，通道數(shù)分別為32和64，激活函數(shù)為relu，一個全連接層：將卷積特征映射到動作空間；

38、輸出層：動作空間大小為5，每個動作對應(yīng)一個q值，選擇最大q值對應(yīng)的動作執(zhí)行；

39、dqn的訓(xùn)練與優(yōu)化：

40、初始化：隨機初始化dqn網(wǎng)絡(luò)參數(shù)，設(shè)置經(jīng)驗回放池，存儲狀態(tài)、動作、獎勵和下一狀態(tài)；

41、訓(xùn)練過程：狀態(tài)初始化：從增強后的初步分割掩碼me開始作為初始狀態(tài)mt，動作選擇：在當(dāng)前狀態(tài)下st，基于∈-貪婪策略選擇動作at，環(huán)境交互：執(zhí)行動作at，獲得下一狀態(tài)st+1和獎勵rt，經(jīng)驗回放：從經(jīng)驗池中采樣，更新q網(wǎng)絡(luò)參數(shù)，目標(biāo)q值為：γ表示折扣因子，停止條件：達到最大迭代次數(shù)或分割結(jié)果收斂，maxq(st+1,a)表示在下一狀態(tài)下st+1，所有可能動作a的最大q值；

42、輸出：優(yōu)化后的分割掩碼mo經(jīng)過dqn優(yōu)化后的病灶區(qū)域分割結(jié)果；

43、使用優(yōu)化后的分割掩碼生成最終分割圖像is，其中，is＝mo·ie。

44、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述s4中對分割后的圖像進行偽影修復(fù)，具體包括：

45、獲取用于訓(xùn)練生成對抗網(wǎng)絡(luò)gan的輸入圖像，包括最終分割圖像和預(yù)處理后的mri醫(yī)學(xué)圖像io，并標(biāo)注偽影數(shù)據(jù)；

46、定義生成器：

47、輸入：通過傅里葉變換生成最終分割圖像的頻域，其中，f(is)＝φ(is)，φ(·)表示傅里葉變換，f(is)表示包含圖像的頻率信息；

48、架構(gòu)：編碼器部分包括若干卷積層提取頻域特征，特征處理部分通過注意力機制模塊聚焦偽影特征，解碼器部分包括若干反卷積層將修復(fù)后的頻域特征重建為偽影修復(fù)的頻域圖像；

49、輸出：通過偽影修復(fù)的頻域圖像輸出修復(fù)圖像，其中，ir＝φ-1(fr)，fr表示偽影修復(fù)的頻域圖像，ir表示修復(fù)圖像；

50、定義判別器：

51、輸入：空間域輸入為原始圖像和修復(fù)圖像，頻域輸入為φ(ir)和φ(io)；

52、架構(gòu)：空間域分支通過3個卷積層提取空間特征，頻域分支通過3個卷積層提取頻域特征，融合層通過全連接層將空間域和頻域特征結(jié)合，用于判斷修復(fù)圖像的真實性；

53、輸出：判別結(jié)果，用于衡量修復(fù)圖像的質(zhì)量；

54、定義損失函數(shù)：

55、生成器損失包括像素差異、頻域差異和對抗損失，其中，lg＝ω1·‖ir-io‖1+ω2·||fr-f(io)||2+ω3·lgan，lgan表示對抗損失，ω1、ω2和ω3表示權(quán)重超參數(shù)；

56、判別器損失為真實圖像與偽影修復(fù)圖像的對抗損失，其中，ld＝-ε[log(d(io))]-ε[log(1-d(ir))]，d(io)表示判別器對原始圖像的真實性判斷，d(ir)表示判別器對修復(fù)圖像的真實性判斷；

57、gan的訓(xùn)練步驟：

58、初始化：隨機初始化生成器和判別器的參數(shù)，使用adam優(yōu)化器，學(xué)習(xí)率設(shè)置為10-4；

59、訓(xùn)練過程：訓(xùn)練判別器：輸入預(yù)處理后的mri醫(yī)學(xué)圖像和修復(fù)圖像，更新判別器參數(shù)；訓(xùn)練生成器：通過判別器反饋的對抗損失和修復(fù)圖像與原始圖像的差異損失，優(yōu)化生成器；交替更新生成器和判別器，直至損失函數(shù)收斂；

60、輸出結(jié)果：生成修復(fù)圖像。

61、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述s4中基于修復(fù)圖像生成三維病灶可視化模型，具體包括：

62、基于修復(fù)圖像提取病灶區(qū)域，將病灶區(qū)域逐切片堆疊，生成三維體素數(shù)據(jù)；

63、使用marching?cubes算法對三維體素數(shù)據(jù)提取等值面，生成三維病灶模型的表面網(wǎng)格，對三維模型進行著色，根據(jù)病灶區(qū)域顯著性圖映射顏色；

64、生成三維病灶可視化模型。

65、第二方面，本發(fā)明實施例提供了一種利用上述方法的基于卷積神經(jīng)網(wǎng)絡(luò)的mri醫(yī)學(xué)圖像校正系統(tǒng)，所述系統(tǒng)包括：

66、預(yù)處理模塊，用于獲取腦部mri醫(yī)學(xué)圖像，通過信噪指數(shù)、對比度和偽影強度進行質(zhì)量評估，根據(jù)質(zhì)量評估結(jié)果分類為高質(zhì)量圖像、中偏高質(zhì)量圖像、中質(zhì)量圖像和低質(zhì)量圖像，并分別進行預(yù)處理；

67、病灶識別模塊，用于通過卷積神經(jīng)網(wǎng)絡(luò)從預(yù)處理后的mri醫(yī)學(xué)圖像中提取腦腔隙性梗死的病灶特征，并進行腦腔隙性梗死的病灶區(qū)域的定位；

68、增強分割模塊，用于對腦腔隙性梗死病灶區(qū)域進行細節(jié)增強，分割病灶區(qū)域并優(yōu)化分割結(jié)果；

69、可視化模塊，用于對分割后的圖像進行偽影修復(fù)，并基于修復(fù)圖像生成三維病灶可視化模型。

70、第三方面，本發(fā)明實施例提供了一種電子設(shè)備，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成上述方法所述的步驟。

71、第四方面，本發(fā)明實施例提供了一種計算機可讀存儲介質(zhì)，用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，完成上述方法的步驟。

72、上述技術(shù)方案中的一個技術(shù)方案具有如下有益效果：

73、本發(fā)明提出了基于卷積神經(jīng)網(wǎng)絡(luò)的mri醫(yī)學(xué)圖像校正方法、系統(tǒng)和計算機可讀存儲介質(zhì)，通過mri圖像的質(zhì)量評估、病灶識別、分割、偽影修復(fù)、三維可視化等多方面的處理步驟，與傳統(tǒng)方法相比，本發(fā)明能夠更加高效、精確地識別病灶區(qū)域，自動標(biāo)定病灶，優(yōu)化圖像分割結(jié)果，同時去除偽影，提高圖像質(zhì)量，減少人為干預(yù)，最大化提升診斷的準確性，實現(xiàn)了圖像處理與自動診斷，通過智能化的圖像處理為腦腔隙性梗死提供高效、精準的診斷輔助工具。