基于卷积神经网络的医学超声图像质量评价方法研究

发布时间：2021-07-08 21:48

　　超声图像的质量是医学超声成像设备和图像处理算法优良性的重要指标,其评价方法具有重要的应用价值,但由于图像质量的评价主观性强,目前并没有统一的评价标准。本文对基于卷积神经网络（convolutional neural network,CNN）的医学超声图像质量评价进行了尝试研究,利用构建的CNN模型模拟专业医生对超声图像质量的评价过程,通过模型的客观评价达到与医生主观评价一致的目的。本文在分析医学超声图像质量评价的研究背景、意义和现状的基础上,对CNN在光学图像质量评价领域中的应用做了简要介绍,并尝试将其应用于医学超声图像的质量评价中。本文的主要工作:超声图像数据库的建立、三种用于超声图像质量评价CNN模型的训练、数据实验与分析。首先,收集高质量医学超声图像,经过人工降质后得到包含1063幅原始超声图像数据库;经医生评价、分数处理、异常值筛选和分数分布平衡后,将478幅带有主观分数标签值的超声图像作为训练和测试样本;在建立数据库的基础上,利用超声图像对浅层CNN网络、深层CNN网络以及调整结构的残差网络分别进行了训练,建立了图像质量评价模型。此外,通过迁移学习将基于自然图像训练的网络用于... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

相同PSNR值的形变图

图 2-6 LIVE IQA 数据库和 TID2008 数据库图像Fig.2-6 LIVE IQA and TID2008 database以上数据库中，（1）、（3）是绝大多数图像质量评价方法研究中使用的基准数据库，图 2-6 左右两侧分别展示了 LIVE IQA 和 TID2008 数据库中的部分高质量参考图像，本文在前期实验和后期迁移学习中主要使用了数据库（1）。然而这两个数据库和许多其他的数据库一样都有明显的局限性，即失真类型是人工添加且单一的，由于实际中的失真大都是多种失真混合同时发生的，所以这些图形与真实失真图像存在一定差距。LIVE Challenge 数据库首次尝试收集真实失真图像数据，然而其构建并不完善到本文撰写时数据库获取网址已无法打开。另外还有一大问题是，这些数据库不论完善与否都只包含光学自然图像，相比于超声数据来说，这些图像的获取、主观质量评价分数的收集都相对容易。超声图像质量评价的研究者大多只对极少量的图像进行了研究，或者使用自然图像作为初始研究对象再应用于超声图像的评价中。2.3 小样本数据集的深度卷积神经网络学习

21图 3-1 原始高质量超声图像Fig.3-1 Original high quality ultrasound images数据库中采取了 4 种在实际中可能发生的形变对原始图像进行降质操作，分别是JPEG 压缩、白噪声、高斯模糊和模拟超声斑点噪声。JPEG 压缩采用的是 MATLAB


本文编号：3272394