本發(fā)明涉及圖像處理，具體涉及一種基于人工智能的醫(yī)療圖像噪聲抑制與增強(qiáng)方法。

背景技術(shù)：

1、超聲掃查，或醫(yī)學(xué)超聲檢查，是一種基于超聲波的醫(yī)學(xué)影像學(xué)診斷技術(shù)。該技術(shù)基于超聲波可以在患者體外實(shí)現(xiàn)對(duì)患者的肌肉組織、內(nèi)臟器官——包括大小、結(jié)構(gòu)以及病理學(xué)病灶的可視化成像，以輔助醫(yī)生對(duì)患者的疾病作出有效診斷。超聲掃查設(shè)備，指應(yīng)用了上述超聲掃查技術(shù)的醫(yī)療儀器，其通過超聲波的方式對(duì)患者的各組織部分進(jìn)行成像以輔助醫(yī)療診斷。為實(shí)現(xiàn)對(duì)疾病較好的診斷效果，通常需要編制相應(yīng)的超聲掃查診斷流程，根據(jù)特定的流程進(jìn)行掃查過程。比如，針對(duì)甲狀腺掃查，則通常會(huì)需要設(shè)計(jì)相應(yīng)的掃查方向、順序，以及判斷分支，比如掃查到結(jié)節(jié)部位如何處置等。

2、現(xiàn)有技術(shù)中，已存在有基于超聲實(shí)現(xiàn)的檢查方案。比如，中國專利cn202011641878.5提供一種超聲掃查反饋系統(tǒng)，包括：超聲探頭，用于對(duì)檢測(cè)對(duì)象的掃查部位進(jìn)行掃查，以獲得檢測(cè)對(duì)象掃查部位的超聲影像；存儲(chǔ)器，存儲(chǔ)有計(jì)算機(jī)程序；處理器，用于運(yùn)行所述計(jì)算機(jī)程序，所述計(jì)算機(jī)程序運(yùn)行時(shí)執(zhí)行一種超聲掃查反饋方法；顯示部件，根據(jù)超聲掃查反饋方法中需要進(jìn)行顯示的步驟而相應(yīng)進(jìn)行顯示；所述超聲掃查反饋方法包括：實(shí)時(shí)獲取檢測(cè)對(duì)象掃查部位的超聲影像并顯示；區(qū)別顯示已經(jīng)掃查過的部位；識(shí)別實(shí)時(shí)獲取的超聲影像中是否存在病灶，若存在則區(qū)別顯示病灶區(qū)域。本發(fā)明提供對(duì)超聲探頭獲取的超聲影像和/或操作者進(jìn)行反饋，避免漏檢，也提高了超聲掃查的效率。

3、但是，在實(shí)際實(shí)施過程中，發(fā)明人發(fā)現(xiàn)，在實(shí)際掃查過程中，由于患者體內(nèi)存在植入物、活動(dòng)器官和環(huán)境振動(dòng)等因素，容易在超聲掃查的過程中形成一定的噪聲，導(dǎo)致成像質(zhì)量下降。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中存在的上述問題，現(xiàn)提供一種基于人工智能的醫(yī)療圖像噪聲抑制與增強(qiáng)方法。

2、具體技術(shù)方案如下：

3、一種基于人工智能的醫(yī)療圖像噪聲抑制與增強(qiáng)方法，包括：

4、步驟s1：對(duì)輸入超聲圖像采集原始數(shù)據(jù)，依照所述超聲圖像和所述原始數(shù)據(jù)預(yù)測(cè)得到噪聲類型；

5、步驟s2：依照所述噪聲類型調(diào)用對(duì)應(yīng)種類的噪聲修正模型對(duì)所述輸入超聲圖像處理，從而得到修復(fù)圖像。

6、另一方面，所述步驟s1包括：

7、步驟s11：自所述輸入超聲圖像中識(shí)別得到至少一組缺陷區(qū)域；

8、步驟s12：依照所述缺陷區(qū)域在所述輸入超聲圖像中的位置對(duì)所述原始數(shù)據(jù)截取回波信號(hào)區(qū)間；

9、步驟s13：依照所述回波信號(hào)區(qū)間和所述缺陷區(qū)域預(yù)測(cè)得到所述噪聲類型。

10、另一方面，所述步驟s11包括：

11、步驟a11：自所述輸入超聲圖像中采用滑窗單元對(duì)各像素單元進(jìn)行遍歷，以得到關(guān)聯(lián)于所述像素單元的鄰接單元；

12、步驟a12：分別計(jì)算所述像素單元的目標(biāo)灰度值和所述鄰接單元的平均灰度值；

13、步驟a13：依照所述目標(biāo)灰度值和所述平均灰度值與預(yù)先標(biāo)定的灰度變化范圍進(jìn)行比對(duì)，從而篩選到所述目標(biāo)灰度值與所述平均灰度值偏差較大的所述像素單元作為所述缺陷區(qū)域。

14、另一方面，所述步驟s11還包括：

15、對(duì)所述輸入超聲圖像進(jìn)行小波變化以提取偽影成分，將所述偽影成分標(biāo)記為所述缺陷區(qū)域。

16、另一方面，所述步驟s13中，采用一個(gè)缺陷分類模型預(yù)測(cè)得到所述噪聲類型，所述缺陷分類模型包括：

17、信號(hào)分析模塊，所述信號(hào)分析模塊依照所述回波信號(hào)區(qū)間和所述回波信號(hào)區(qū)間的鄰接區(qū)間自所述回波信號(hào)區(qū)間中分離得到噪聲信號(hào)；

18、卷積網(wǎng)絡(luò)，所述卷積網(wǎng)絡(luò)對(duì)所述缺陷區(qū)域進(jìn)行提取得到高維圖像特征；

19、分類模塊，所述分類模塊分別連接所述信號(hào)分析模塊和所述卷積網(wǎng)絡(luò)，所述分類模塊依照所述噪聲信號(hào)和所述高維圖像特征預(yù)測(cè)得到所述噪聲類型。

20、另一方面，所述信號(hào)分析模塊包括：

21、鄰區(qū)提取模塊，所述鄰區(qū)提取模塊依照所述回波信號(hào)區(qū)間自所述原始數(shù)據(jù)中截取得到所述鄰接區(qū)間；

22、傅里葉變換模塊，所述傅里葉變換模塊連接所述鄰區(qū)提取模塊，所述傅里葉變換模塊對(duì)所述鄰接區(qū)間和所述回波信號(hào)區(qū)間進(jìn)行傅里葉變換得到時(shí)頻域數(shù)據(jù)；

23、噪聲提取模塊，所述噪聲提取模塊連接所述傅里葉變換模塊，所述噪聲提取模塊在頻域上對(duì)所述鄰接區(qū)間的所述時(shí)頻域數(shù)據(jù)和所述回波信號(hào)區(qū)間的所述時(shí)頻域數(shù)據(jù)進(jìn)行比對(duì)以得到所述噪聲信號(hào)。

24、另一方面，所述步驟s13中，所述分類模塊采用隨機(jī)森林模型對(duì)所述噪聲信號(hào)進(jìn)行分類得到所述噪聲類型。

25、另一方面，當(dāng)所述噪聲類型為振動(dòng)偽影時(shí)，所述步驟s3中調(diào)用偽影噪聲消除模型消除所述振動(dòng)偽影；

26、所述偽影噪聲消除模型包括：

27、偽影提取模塊，所述偽影提取模塊對(duì)所述缺陷區(qū)域?qū)?yīng)的偽影噪聲進(jìn)行提取，以得到偽影區(qū)域；

28、偽影消除模塊，所述偽影消除模塊連接所述偽影提取模塊，所述偽影消除模塊依照所述偽影區(qū)域?qū)λ鲚斎氤晥D像去除偽影得到所述修復(fù)圖像。

29、另一方面，當(dāng)所述噪聲類型為反射噪聲時(shí)，所述步驟s3中調(diào)用反射噪聲消除模型消除所述反射噪聲；

30、所述反射噪聲消除模型包括：

31、回波分離模塊，所述回波分離模塊依照掃查組織類型自所述回波信號(hào)區(qū)間中分離得到反射噪聲和成像回波；

32、重建模塊，所述重建模塊連接所述回波分離模塊，所述重建模塊依照所述成像回波重建得到重建區(qū)域；

33、修補(bǔ)模塊，所述修補(bǔ)模塊連接所述重建模塊，所述修補(bǔ)模塊依照所述重建區(qū)域?qū)λ鲚斎氤晥D像進(jìn)行修正得到所述修復(fù)圖像。

34、上述技術(shù)方案具有如下優(yōu)點(diǎn)或有益效果：

35、針對(duì)現(xiàn)有技術(shù)中的超聲掃查設(shè)備在成像過程中容易因?yàn)樵肼暢煞謱?dǎo)致成像劣化的問題，本方案中針對(duì)成像過程中的原始數(shù)據(jù)進(jìn)行了預(yù)測(cè)，識(shí)別得到了數(shù)據(jù)中的噪聲成分和對(duì)應(yīng)的噪聲類型，并依照噪聲類型調(diào)用對(duì)應(yīng)的噪聲修正模型對(duì)對(duì)應(yīng)區(qū)域進(jìn)行修正，從而實(shí)現(xiàn)了對(duì)噪聲的去除。

技術(shù)特征：

1.一種基于人工智能的醫(yī)療圖像噪聲抑制與增強(qiáng)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的醫(yī)療圖像噪聲抑制與增強(qiáng)方法，其特征在于，所述步驟s1包括：

3.根據(jù)權(quán)利要求2所述的醫(yī)療圖像噪聲抑制與增強(qiáng)方法，其特征在于，所述步驟s11包括：

4.根據(jù)權(quán)利要求2所述的醫(yī)療圖像噪聲抑制與增強(qiáng)方法，其特征在于，所述步驟s11還包括：

5.根據(jù)權(quán)利要求2所述的醫(yī)療圖像噪聲抑制與增強(qiáng)方法，其特征在于，所述步驟s13中，采用一個(gè)缺陷分類模型預(yù)測(cè)得到所述噪聲類型，所述缺陷分類模型包括：

6.根據(jù)權(quán)利要求5所述的醫(yī)療圖像噪聲抑制與增強(qiáng)方法，其特征在于，所述信號(hào)分析模塊包括：

7.根據(jù)權(quán)利要求5所述的醫(yī)療圖像噪聲抑制與增強(qiáng)方法，其特征在于，所述步驟s13中，所述分類模塊采用隨機(jī)森林模型對(duì)所述噪聲信號(hào)進(jìn)行分類得到所述噪聲類型。

8.根據(jù)權(quán)利要求2所述的醫(yī)療圖像噪聲抑制與增強(qiáng)方法，其特征在于，當(dāng)所述噪聲類型為振動(dòng)偽影時(shí)，所述步驟s3中調(diào)用偽影噪聲消除模型消除所述振動(dòng)偽影；

9.根據(jù)權(quán)利要求2所述的醫(yī)療圖像噪聲抑制與增強(qiáng)方法，其特征在于，當(dāng)所述噪聲類型為反射噪聲時(shí)，所述步驟s3中調(diào)用反射噪聲消除模型消除所述反射噪聲；

技術(shù)總結(jié)
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種基于人工智能的醫(yī)療圖像噪聲抑制與增強(qiáng)方法，包括：步驟S1：對(duì)輸入超聲圖像采集原始數(shù)據(jù)，依照所述超聲圖像和所述原始數(shù)據(jù)預(yù)測(cè)得到噪聲類型；步驟S2：依照所述噪聲類型調(diào)用對(duì)應(yīng)種類的噪聲修正模型對(duì)所述輸入超聲圖像處理，從而得到修復(fù)圖像。針對(duì)現(xiàn)有技術(shù)中的超聲掃查設(shè)備在成像過程中容易因?yàn)樵肼暢煞謱?dǎo)致成像劣化的問題，本方案中針對(duì)成像過程中的原始數(shù)據(jù)進(jìn)行了預(yù)測(cè)，識(shí)別得到了數(shù)據(jù)中的噪聲成分和對(duì)應(yīng)的噪聲類型，并依照噪聲類型調(diào)用對(duì)應(yīng)的噪聲修正模型對(duì)對(duì)應(yīng)區(qū)域進(jìn)行修正，從而實(shí)現(xiàn)了對(duì)噪聲的去除。

技術(shù)研發(fā)人員：郭智源,朱瑞星
受保護(hù)的技術(shù)使用者：上海深至信息科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6