本发明涉及图像数据处理,特别涉及一种基于多模态特征提取的医学图像融合方法。
背景技术:
1、现今随着图像数据处理技术的飞速发展,大量的多模态医学图像可以通过各种不同的设备获得,对大量的多模态医学图像通过一定的算法进行特征提取,选择最能代表图像信息特征的参数进行融合与处理,得到一幅新的图像,实现图像之间的互补和冗余消除,从而帮助医生快速的从图像中读取病灶信息。
2、但目前对于医学图像的处理和融合,方式简单,在处理过程中并没有考虑原始医学图像存在的噪声,以及频带信息等,或者只通过常用的滤波去除噪声,但如此已不能满足现代图像特征提取准确性的高标准要求。
技术实现思路
1、本发明的目的在于对医学图像进行处理时,考虑噪声、特征信息、细节信息的提取,充分满足医学图像特征提取的高标准要求,提供一种基于多模态特征提取的医学图像融合方法。
2、为了实现上述发明目的,本发明实施例提供了以下技术方案:
3、基于多模态特征提取的医学图像融合方法,包括以下步骤:
4、步骤1,获取大量历史的原始医学图像,对每张原始医学图像的目标特征进行人工标注,形成第一训练集;
5、步骤2,对每张原始图像进行预处理,得到第一特征数据;
6、步骤3,获取第一特征数据的噪声数据,并去除噪声数据,得到第二特征数据;
7、步骤4,对第二特征数据进行剪切波变换,分别得到低频信息图像、高频信息图像;分别计算低频信息图像、高频信息图像的拉普拉斯能量和;使用稀疏表示对低频信息图像、高频信息图像进行融合,得到第三特征数据;
8、步骤5,将所述第一特征数据、第二特征数据、第三特征数据进行权重叠加融合,形成多模态医学图像;将多模态医学图像作为第二训练集,与所述第一训练集一同对特征提取神经网络进行训练。
9、所述步骤2中,预处理包括灰度值处理:
10、设置高位阈值chigh、低位阈值clow,将原始医学图像中像素值小于等于低位阈值clow的像素设置为0;将大于低位阈值clow且小于高位阈值chigh的像素根据高位阈值chigh、低位阈值clow和最大灰度值确定;将大于等于高位阈值chigh的像素设置为最大灰度值。
11、
12、其中,f(x,y)为原始医学图像中位置为(x,y)的像素值;g(x,y)为位置为(x,y)的像素点经过灰度值处理后的灰度值;max为原始医学图像中最大灰度值。
13、所述步骤2中,预处理还包括二值化处理:
14、
15、其中,thresholdc表示二值化图像;pixel表示灰度值;n_pixel表示灰度值为pixel的像素点数量;n表示原始医学图像中总的像素点数量;l表示灰度值取值的总数量,为256。
16、所述步骤2中,预处理还包括去伪影处理。
17、所述步骤3中,获取的噪声数据为:
18、
19、其中,noiser为噪声数据;n为像素点总数,i为第i个像素点,i∈n;a为积分下限,b为积分上限;x为第一特征数据的像素数据;为误差权重系数,gr为图像误差数据;为噪声种类权重系数,jr为噪声种类数量;为噪声权重系数,为噪声标准差;dr为第一特征数据;为曲线调整项。
20、所述步骤4中,计算低频信息图像的拉普拉斯能量和的步骤为:
21、
22、
23、
24、
25、其中,sml[f(x,y),ilow]为低频信息图像的拉普拉斯能量和公式;f(x,y)为像素点(x,y)的值;n为像素点总数,n1为像素点(x,y)向水平方向延伸的最大像素数,n2为像素点(x,y)向垂直方向延伸的最大像素数;为拉普拉斯算子;(i,j)为(x,y)向水平方向和垂直方向延伸后的像素点,f(i,j)为像素点(i,j)的值;step为步长,step=1;ilrs、imed为中间参数;为n个像素点的平均像素值。
26、所述步骤4中,计算高频信息图像的拉普拉斯能量和的步骤为:对高频信息图像进行拉普拉斯能量和的计算与低频信息图像相同,若有m张高频信息图像,则取m张高频信息图像的拉普拉斯能量和的平均值作为sml[f(x,y),ihigh]。
27、所述步骤4中,使用稀疏表示对低频信息图像、高频信息图像进行融合,的步骤,包括:
28、对低频信息图像进行线性表示,为低频信息图像的线性表示;
29、对高频信息图像进行线性表示,为高频信息图像的线性表示;
30、用二范数确定稀疏系数:
31、
32、使用稀疏系数对低频信息图像、高频信息图像进行表示,得到第三特征数据f3:
33、
34、其中,r为像素位置(x,y);为低频图像信息的稀疏系数,为高频图像信息的稀疏系数;|| ||2表示二范数。
35、所述步骤5中,将所述第一特征数据、第二特征数据、第三特征数据进行权重叠加融合,形成多模态医学图像的步骤,包括:
36、
37、其中,w为融合后的多模态医学图像;、、分别为第一特征数据f1、第二特征数据f2、第三特征数据f3的权重系数;h为平滑系数;为误差项;为修正项。
38、所述步骤5中,特征提取神经网络的损失函数loss为:
39、
40、其中,x为原始医学图像总数,k为第k张原始医学图像;a(k)为第k张原始医学图像对应的第一训练集,b(k)为第k张原始医学图像对应的第二训练集;为折衷参数;、为用来平衡参数项的权重;i为目标特征的标签;y为原始医学图像的背景;|| ||1表示一范数;表示点运算。
41、还包括步骤6:将新采集的原始医学图像输入训练好的特征提取神经网络,输出原始医学图像中的目标特征。
42、与现有技术相比,本发明的有益效果:
43、本发明对医学图像进行处理时,考虑噪声、特征信息、细节信息的提取,充分满足医学图像特征提取的高标准要求。
1.基于多模态特征提取的医学图像融合方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于多模态特征提取的医学图像融合方法,其特征在于:所述步骤2中,预处理包括灰度值处理:
3.根据权利要求2所述的基于多模态特征提取的医学图像融合方法,其特征在于:所述步骤2中,预处理还包括二值化处理:
4.根据权利要求1所述的基于多模态特征提取的医学图像融合方法,其特征在于:所述步骤3中,获取的噪声数据为:
5.根据权利要求1所述的基于多模态特征提取的医学图像融合方法,其特征在于:所述步骤4中,计算低频信息图像的拉普拉斯能量和的步骤为:
6.根据权利要求1所述的基于多模态特征提取的医学图像融合方法,其特征在于:所述步骤5中,将所述第一特征数据、第二特征数据、第三特征数据进行权重叠加融合,形成多模态医学图像的步骤,包括:
7.根据权利要求1所述的基于多模态特征提取的医学图像融合方法,其特征在于:还包括步骤6:将新采集的原始医学图像输入训练好的特征提取神经网络,输出原始医学图像中的目标特征。