[发明专利]一种迭代层间信息融合的医学图像帧插值方法及终端机

说明书

本发明提供一种迭代层间信息融合的医学图像帧插值方法及终端机，通过三层卷积网络提取医学图像特征，输入骨干网络中，对图像的层间进行预测；构建层间信息融合模块，将真实层间图像的有效特征信息融入骨干网络，并输出的中间结果；在层间信息融合模块中利用分权融合损失函数优化骨干网络。通过构建层间信息融合模块，即从真实数据中提取出层间有效信息融入中间预测图像，并使用分权融合损失函数度量预测帧，以达到准确预测层间图像的目的。网络采用卷积层提取输入图像序列的特征，同时利用自定义骨干网络进行恒等变换，从而降低模型对网络深度的敏感程度，在此基础上通过加深网络扩大其在二维平面上的空间广度，最终输出一帧中间预测图像。

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种迭代层间信息融合的医学图像帧插值方法及终端机。

背景技术

医学图像是指为了临床诊断或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。对医学图像的研究包含两个相对独立的领域:医学成像系统(medical imaging system)和医学图像处理(medical image processing)。医学图像处理的对象是各种不同成像机理的医学影像，临床广泛使用的医学图像种类主要有电子计算机断层扫描(Computed Tomography，CT)图像、磁共振成像(Magnetic ResonanceImaging，MRI)和医学超声波检(Medical Ultrasonography，UI)等。医学图像是辅助医生进行疾病诊断的一种重要手段，因此其分辨率高低至关重要。医学图像的层间分辨率主要受两种因素影响:第一，医学图像为计算机成像而非光感成像，设备探测器测到的值不能直接成像，需要由计算机计算导出最终成像；第二，医学图像质量受设备、医学试剂剂量等影响。

如何在上述两项因素的影响下获取高质量的医学图像层间帧，已成为计算机视觉领域需要解决的问题。目前医学图像层间插值的目的是从捕获的医学图像帧中恢复未见的中间帧，以此对患者病情进行更加详细、准确的诊断。传统的医学图像层间插值方法众多，目前有提出基于形状的灰度序列切片图像插值算法、或者用线性观测网络进行图像重建，还有通过提取输入两帧医学图像光流预测中间帧再利用基于医学图像块自相似性非局部均值进行修复的配准方法。这些传统方法在面临医学图像层间距过大或病灶组织活动范围大等情况时，预测结果通常不准确。

深度学习在医学图像上的应用还包括与层间插值相关的医学图像配准工作。医学图像配准目的为取一组图像数据集中的两幅图像，通过寻找一种空间变换把一幅图像映射到另一幅图像，使得两图中对应于空间同一位置的点一一对应起来，从而达到信息融合的目的。医学图像配准与医学图像帧插值在生成预测图像方面有较大的相似之处。现有技术中提出过利用CNN来解决图像配准的网络，输入两帧不同模态但是相同部位的医学图像，从而预测一帧融合两幅图像特征的中间帧。若出现两幅图像结构信息相差过大，以及图像层间插值层间距过大或者边界运动大的情况，会影响网络结果的准确性。

发明内容

本发明提供的迭代层间信息融合的医学图像帧插值方法中，采用加深的骨干网络扩大了网络在医学图像二维平面上的空间广度，利用层间信息融合模块来融合预测图像与真实图像，将重要的层间结构信息融入预测帧中。

具体方法包括：

S1，通过三层卷积网络提取医学图像特征，输入骨干网络中，对图像的层间进行预测；

S2，构建层间信息融合模块，将真实层间图像的有效特征信息融入骨干网络，并输出的中间结果；

S3，在层间信息融合模块中利用分权融合损失函数优化骨干网络。

进一步的讲，步骤对图像的层间进行预测包括：

配置两个医学图像I₀，I₂；