CN110264428A - 一种基于3d卷积反卷积和生成对抗网络的医学图像降噪方法 - Google Patents
一种基于3d卷积反卷积和生成对抗网络的医学图像降噪方法 Download PDFInfo
- Publication number
- CN110264428A CN110264428A CN201910570399.XA CN201910570399A CN110264428A CN 110264428 A CN110264428 A CN 110264428A CN 201910570399 A CN201910570399 A CN 201910570399A CN 110264428 A CN110264428 A CN 110264428A
- Authority
- CN
- China
- Prior art keywords
- image
- convolution
- deconvolution
- layer
- sizes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009467 reduction Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000009877 rendering Methods 0.000 claims abstract description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 11
- 238000003475 lamination Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 239000000700 radioactive tracer Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000012879 PET imaging Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001272 neurogenic effect Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，步骤包括：采集高噪全身扫描3D图像和低噪全身扫描3D图像并分类存放，对所述高噪全身扫描图像和低噪全身扫描图像进行预处理，使得上述数据能够直接用于模型训练；采用处理后的数据训练基于3D卷积反卷积和生成对抗网络的卷积神经网络；利用训练后的卷积神经网络对高噪图像降噪，得到高质量图像。本发明利用相关图像通过3D卷积和反卷积提取图像的空间信息，学习相邻切片的特征和关系，对图像进行精确降噪。
Description
技术领域
本发明涉及正电子发射计算机断层图像处理，具体而言，尤其涉及一种基于深度卷积神经网络模型、3D立体卷积反卷积和生成对抗网络的图像降噪方法。
背景技术
正电子发射断层扫描(PET)属于核医学成像的一种，是目前最为先进的医学成像技术之一。PET成像利用的是特定的放射性示踪剂进入人体后，会同人体组织内的负电子发生湮灭现象，进而释放出一对儿能量相等、飞行方向相反的正电子，探测器检测到电子后，经过一系列的重建过程，获得最终的PET图像。PET在临床中有着非常多的应用。由于肿瘤对放射性示踪剂有着更强的吸收能力，因此PET常被用于肿瘤诊断之中。此外，PET作为一种功能性成像模式，PET在心脑血管疾病、神经性疾病等领域内也有着卓越的性能。放射性示踪剂的剂量的较少会导致图像中出现噪声、伪影，这会极大的影响医生的诊断。传统的PET图像的降噪方法包括正弦域滤波和迭代重建及其变种。
2D卷积采用的平面的卷积核进行卷积，卷积过程中只涉及到平面内的相关信息，而不包括连续图像中提供的空间信息。
发明内容
鉴于现有技术中存在的图像细节易丢失、成像速度慢等问题，本发明提供了一种基于生成对抗网络和3D残差编码解码的医学图像降噪方法，利用3D图像作为训练数据结合生成对抗网络对模型进行训练，对断层图像进行准确、快速的降噪。
本发明的技术方案如下：
一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，步骤包括：
S100、采集高噪全身扫描3D图像和低噪全身扫描3D图像并分类存放，对所述高噪全身扫描图像和低噪全身扫描图像进行预处理，使得上述数据能够直接用于模型训练；
S200、采用处理后的数据训练基于3D卷积反卷积和生成对抗网络的卷积神经网络，包括：设置生成器各层卷积参数以及鉴别器各层卷积参数，以及将预处理后的低质量图像作为网络的训练输入、高质量图像作为网络训练标签，对模型进行训练；
S300、利用训练后的网络对高噪图像降噪，得到高质量图像。
进一步地，步骤S100所述对采集的训练数据进行预处理，包括：
S110、分类收集训练数据，所述训练数据包括低质量图像和高质量图像；
S120、对收集的分类数据进行格式转化，便于后续直接处理；
S130、对可处理的分类数据进行扩充，以满足训练要求。
进一步地，步骤S130所述对可处理的分类数据进行扩充，包括：对数据进行随机水平翻转、随机像素平移、随机旋转和裁剪的方法来扩充数据集。
本发明还提供了一种存储介质，其包括存储的程序，其中，所述程序执行上述任意一项所述的降噪方法。
本发明还提供了一种处理器，其用于运行程序，其中，所述程序执行上述任意一项所述的降噪方法。
较现有技术相比，本发明具有以下优点：
1、本发明在网络训练图像时采用3D图像进行训练，区别于常见的针对2D图像而言的方法，并非单纯某一张图像进行处理，而是利用相关图像通过3D卷积和反卷积提取图像的空间信息，学习相邻切片的特征和关系，对图像进行精确降噪。
2、本发明在降噪过程中，利用生成器实现降噪，利用鉴别器不断提高生成器的性能，使得生成器达到最佳状态，通过生成器和鉴别器两个卷积神经网络得到最优降噪效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明降噪方法流程图。
图2为实施例中方法执行流程图。
图3a为生成器工作流程图。
图3b为鉴别器工作流程图。
图3c为感知特征提取器工作流程图。
图4a为实施例中输入的高噪声图像。
图4b为实施例中输入的低噪声图像。
图4c为实施例中输出的降噪后图像。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，步骤包括：
S100、对采集的训练数据进行预处理，具体包括：
S110、分类收集训练数据，所述训练数据包括低质量图像和高质量图像；
S120、对收集的分类数据进行格式转化，便于后续直接处理。
S130、对可处理的分类数据进行扩充，以满足训练要求，具体包括：对数据进行随机水平翻转、随机像素平移、随机旋转和裁剪的方法来扩充数据集。
S200、采用处理后的数据训练基于3D卷积反卷积和生成对抗网络的卷积神经网络，具体包括：
S210、搭建基于3D卷积反卷积和生成对抗网络的卷积神经网络，并设置生成器各层卷积参数以及鉴别器各层卷积参数；
S220、将预处理后的低质量图像作为网络的训练输入、高质量图像作为网络训练标签，对模型进行训练。
S300、利用训练后的网络对高噪图像降噪，得到高质量图像。
下面通过具体的实施例，对本发明的技术方案做进一步说明：
实施例1
如图2所示，一种基于3D卷积反卷积和生成对抗网络的卷积神经网络的医学图像降噪方法，对正电子发射断层扫描进行图像降噪，包括：对采集的训练数据进行预处理；采用处理后的数据训练基于3D卷积反卷积和生成对抗网络的卷积神经网络；利用训练后的卷积神经网络对高噪图像降噪，得到高质量图像。
数据预处理包括：
步骤A：将由东软医疗提供的，扫描时间分别为75s的低质量高噪全身扫描图像和150s的高质量低噪全身扫描图像，数据的格式为Dicom。将这些数据按照低噪和高噪的进行分类存放。
步骤B：将这些分类好的低噪和高噪Dicom文件，借助Pydicom和NumPy扩展库，转化为npy格式的数据。
步骤C：同时对低噪和高噪数据进行操作，通过翻转、平移、旋转和裁剪补丁的操作，增强训练数据集，反正出现由于数据量不够而导致的过拟合现象。
网络训练过程包括：
步骤D：设计基于3D卷积反卷积和生成对抗网络的医学图像降噪方法的网络结构，将连续的9张尺寸为64*64的高噪图像补丁压缩成9*64*64*1的多维数组用作网络的训练样本。与第5张高噪图相对应的尺寸为64*64的低噪图像将作为网络的训练标签。由于网络在训练过程中通常会同时输入多个样本与标签，因此最终网络的训练样本的尺寸为125*9*64*64*1，网络的训练标签的尺寸为125*64*64*1。如图3a-3c所示，具体包括：
生成器网络共有4个3D卷积层、4个2D卷积层、4个2D反卷积层和4个3D反卷积层。第1层是3D卷积层，输入为125个大小为9*64*64*1的由原始图像裁剪得来的图像补丁，输出为125个大小为7*62*62*64的特征图，卷积核大小为3*3，步长为1；第2层是3D卷积层，输入为125个大小为7*62*62*64的特征图，输出为125个大小为5*60*60*64的特征图，卷积核大小为3*3，步长为1；第3层是3D卷积层，输入为125个大小为5*60*60*64的特征图，输出为125个大小为3*58*58*128的特征图，卷积核大小为3*3，步长为1；第4层是3D卷积层，输入为125个大小为3*58*58*128的特征图，经维度压缩后输出为125个大小为56*56*128的特征图；第5层是2D卷积层，输入为125个大小为56*56*128的特征图，输出为125个大小为54*54*256的特征图，卷积核大小为3*3，步长为1；第6层是2D卷积层，输入为125个大小为54*54*256的特征图，输出为125个大小为52*52*256的特征图，卷积核大小为3*3，步长为1；第7层是2D卷积层，输入为125个大小为52*52*256的特征图，输出为125个大小为50*50*512的特征图，卷积核大小为3*3，步长为1；第8层是2D卷积层，输入为125个大小为50*50*512的特征图，输出为125个大小为48*48*512的特征图，卷积核大小为3*3，步长为1；第9层是2D反卷积层，输入为125个大小为48*48*512的特征图，在与第7层的输出叠加后，输出125个大小为50*50*512的特征图，卷积核尺寸为3*3，步长为1；第10层是2D反卷积层，输入为125个大小为50*50*512的特征图，在与第6层的输出叠加后，输出125个大小为52*52*256的特征图，卷积核大小为3*3，步长为1；第11层是2D反卷积层，输入为125个大小为52*52*256的特征图，在与第5层的输出叠加后，输出125个大小为54*54*256的特征图，卷积核大小为3*3，步长为1；第12层是2D反卷积层，输入为125个大小为54*54*256的特征图，在与第4层的输出叠加后，输出125个大小为56*56*128的特征图，卷积核大小为3*3，步长为1；第13层为3D反卷积层，输入为125个大小为56*56*128的特征图，在与第3层的输出叠加后，输出125个大小为3*58*58*128的特征图，卷积核大小为3*3，步长为1；第14层为3D反卷积层，输入为125个大小为3*58*58*128的特征图，在与第2层的输出叠加后，输出125个大小为5*60*60*64的特征图，卷积核大小为3*3，步长为1；第15层为3D反卷积层，输入为125个大小为5*60*60*64的特征图，在与第1层的输出叠加后，输出125个大小为7*62*62*64的特征图，卷积核大小为3*3，步长为1；第16层为3D反卷积层，输入为125个大小为7*62*62*64的特征图，在与第1层的输入叠加后，输出125个大小为9*64*64*1的特征图，其中第4层即为最终的降噪结果。所有的卷积层与反卷积层均使用了’VALID’填充方式，激活函数统一采用的是ReLU激活函数。
鉴别器网络共有6个2D卷积层和2个全连接层：第1层是2D卷积层，输入125个大小为64*64的由原始图像裁剪得来的图像补丁，输出为125个大小为64*64*64的特征图，卷积核大小为3*3，步长为1；第2层是2D卷积层，输入为125个大小为64*64*64的特征图，输出为125个大小为32*32*64的特征图，卷积核大小为3*3，步长为2；第3层是2D卷积层，输入为125个大小为32*32*64的特征图，输出为125个大小为32*32*128的特征图，卷积核大小为3*3，步长为1；第4层是2D卷积层，输入为125个大小为32*32*128的特征图，输出为125个大小为16*16*128的特征图，卷积核大小为3*3，步长为2；第5层是2D卷积层，输入为125个大小为16*16*128的特征图，输出为125个大小为16*16*256的特征图，卷积核大小为3*3，步长为1；第6层是2D卷积层，输入为125个大小为16*16*256的特征图，输出为125个大小为8*8*256的特征图，卷积核大小为3*3，步长为2；第7层为全连接层，输入为125个大小为8*8*256的特征图，输出为125个大小为1*1024的特征向量；第8层为全连接层，输入为125个大小为1*1024的特征向量，输出为125大小为1*1的特征向量；所有卷积层均使用了’SAME’填充方式，除最后一层以外的所有卷积层与全连接层均采用Leaky-ReLU作为激活函数。
感知特征提取网络共有16个2D卷积层和4个2D池化层：第1层是2D卷积层，输入125个大小为64*64的由原始图像裁剪得来的图像补丁，输出为125个大小为64*64*64的特征图，卷积核大小为3*3，步长为1；第2层是2D卷积层，输入为125个大小为64*64*64的特征图，输出为125个大小为64*64*64的特征图，卷积核大小为3*3，步长为1；第3层为2D池化层，输入125个大小为64*64*64的特征图，输出为125个大小为32*32*64的特征图，卷积核大小为2*2，步长为2；第4层为2D卷积层，输入125个大小为32*32*64的特征图，输出为125个大小为32*32*128的特征图，卷积核大小为3*3，步长为1；第5层为2D卷积层，输入125个大小为32*32*128的特征图，输出为125个大小为32*32*128的特征图，卷积核大小为3*3，步长为1；第6层为2D池化层，输入125个大小为32*32*128的特征图，输出为125个大小为16*16*128的特征图，卷积核大小为2*2，步长为2；第7层为2D卷积层，输入125个大小为16*16*128的特征图，输出为125个大小为16*16*256的特征图，卷积核大小为3*3，步长为1；第8层为2D卷积层，输入125个大小为16*16*128的特征图，输出为125个大小为16*16*256的特征图，卷积核大小为3*3，步长为1；第9层为2D卷积层，输入125个大小为16*16*128的特征图，输出为125个大小为16*16*256的特征图，卷积核大小为3*3，步长为1；第10层为2D卷积层，输入125个大小为16*16*128的特征图，输出为125个大小为16*16*256的特征图，卷积核大小为3*3，步长为1；第11层为2D池化层，输入125个大小为16*16*256的特征图，输出为125个大小为8*8*256的特征图，卷积核大小为2*2，步长为2；第12层为2D卷积层，输入125个大小为8*8*256的特征图，输出为125个大小8*8*512的特征图，卷积核大小为3*3，步长为1；第13层为2D卷积层，输入125个大小为8*8*256的特征图，输出为125个大小8*8*512的特征图，卷积核大小为3*3，步长为1；第14层为2D卷积层，输入125个大小为8*8*256的特征图，输出为125个大小8*8*512的特征图，卷积核大小为3*3，步长为1；第15层为2D卷积层，输入125个大小为8*8*256的特征图，输出为125个大小8*8*512的特征图，卷积核大小为3*3，步长为1；第16层为2D池化层，输入125个大小为8*8*512的特征图，输出为125个大小为4*4*512的特征图，卷积核大小为2*2，步长为2；第17层为2D卷积层，输入125个大小为4*4*512的特征图，输出为125个大小4*4*512的特征图，卷积核大小为3*3，步长为1；第18层为2D卷积层，输入125个大小为4*4*512的特征图，输出为125个大小4*4*512的特征图，卷积核大小为3*3，步长为1；第19层为2D卷积层，输入125个大小为4*4*512的特征图，输出为125个大小4*4*512的特征图，卷积核大小为3*3，步长为1；第20层为2D卷积层，输入125个大小为4*4*512的特征图，输出为125个大小4*4*512的特征图即为感知特征提取网络提取到的感知特征，卷积核大小为3*3，步长为1；所有2D卷积层均使用’SAME’填充方式，激活函数为ReLU函数；所有2D池化层均使用’VALID’填充方式。
降噪过程包括：
步骤E：如图4a-4c所示，利用在步骤D中训练好的网络参数来对测试集内的图像进行降噪。
表1图像质量对照表
表1中展示了5中评价降噪效果的指标，所有数值均是由网络在测试集的结果平均后得到的。
方差(SD)衡量的是图像像素的变化幅度。降噪后的图像的方差值较大，说明降噪效果不明显。降噪后的图像的方差值较小，说明过度降噪，图像整体趋于平滑，造成了图像纹理的丢失。因此降噪后的图像的方差值越接近正常剂量图像的方差值越好。
均值(MEAN)衡量的是图像像素的整体大小。降噪后的图像的均值较大，说明降噪效果不明显。降噪后的图像的均值较小，说明过度降噪，图像整体区域平滑，造成了图像纹理的丢失。因此降噪后的图像的均值越接近正常剂量图像的均值越好。
均方误差(MSE)衡量的是图像各个像素点之间的偏差。由于均方误差由像素差值平方后再求平均的来，因此无法确保降噪后图像的像素值是增大还是减小，所以无法单独使用均方误差作为评价降噪效果的指标。
结构相似度(SSIM)是衡量两幅图像相似度的指标。结构相似度最大值为1，此时表示两图完全相同。因此降噪的目标是最大化降噪后图像与正常剂量图像的结构相似度。
峰值信噪比(PSNR)是计算最大信号值与背景噪音之间的一个评价指标。峰值信噪比的值越大，证明图像的质量越高。
由表1可知，本发明中提供的方法能够在低剂量PET成像领域达到与正常剂量基本相同的效果，提高患者使用低剂量示踪剂时的检查效果，保证了患者的身体健康。
本发明还提供了一种存储介质，其包括存储的程序，其中，所述程序执行上述任意一项所述的降噪方法。
本发明还提供了一种处理器，其用于运行程序，其中，所述程序执行上述任意一项所述的降噪方法。
本发明中，生成对抗网络是由两个卷积神经网络组成的，一个作为生成器，一个作为鉴别器。在降噪过程中，实现降噪的是生成器，鉴别器的作用是不断提高生成器的性能，使得生成器达到最佳状态。因此，降噪用的生成对抗网络的降噪效果取决于生成器，也就是说生成器的结构决定了整个生成对抗网络的降噪效果。3D卷积-反卷积结构的网络是我们提出的优质的降噪网络，通过将其与生成对抗网络结合，可以得到最优的降噪效果。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，步骤包括：
S100、采集高噪全身扫描3D图像和低噪全身扫描3D图像并分类存放，对所述高噪全身扫描图像和低噪全身扫描图像进行预处理，使得上述数据能够直接用于模型训练；
S200、采用处理后的数据训练基于3D卷积反卷积和生成对抗网络的卷积神经网络，包括：设置生成器各层卷积参数以及鉴别器各层卷积参数，以及将预处理后的低质量图像作为网络的训练输入、高质量图像作为网络训练标签，对模型进行训练；
S300、利用训练后的网络对高噪图像降噪，得到高质量图像。
2.根据权利要求1所述的一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，其特征在于，步骤S100所述预处理步骤包括：
S110、分类收集训练数据，所述训练数据包括低质量图像和高质量图像；
S120、对收集的分类数据进行格式转化，便于后续直接处理；
S130、对可处理的分类数据进行扩充，以满足训练要求。
3.根据权利要求2所述的一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，其特征在于，步骤S130所述对可处理的分类数据进行扩充，包括：对数据进行随机水平翻转、随机像素平移、随机旋转和裁剪的方法来扩充数据集。
4.一种存储介质，其包括存储的程序，其特征在于，所述程序执行权利要求1-3中任意一项所述的降噪方法。
5.一种处理器，其用于运行程序，其特征在于，所述程序执行权利要求1-3中任意一项所述的降噪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910570399.XA CN110264428A (zh) | 2019-06-27 | 2019-06-27 | 一种基于3d卷积反卷积和生成对抗网络的医学图像降噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910570399.XA CN110264428A (zh) | 2019-06-27 | 2019-06-27 | 一种基于3d卷积反卷积和生成对抗网络的医学图像降噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110264428A true CN110264428A (zh) | 2019-09-20 |
Family
ID=67922601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910570399.XA Pending CN110264428A (zh) | 2019-06-27 | 2019-06-27 | 一种基于3d卷积反卷积和生成对抗网络的医学图像降噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110264428A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796015A (zh) * | 2019-09-27 | 2020-02-14 | 深圳市大拿科技有限公司 | 一种远程监控方法及其装置 |
| CN111968058A (zh) * | 2020-08-25 | 2020-11-20 | 北京交通大学 | 一种低剂量ct图像降噪方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
| US20180293712A1 (en) * | 2017-04-06 | 2018-10-11 | Pixar | Denoising monte carlo renderings using generative adversarial neural networks |
| CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
| CN108921851A (zh) * | 2018-06-06 | 2018-11-30 | 深圳市未来媒体技术研究院 | 一种基于3d对抗网络的医学ct图像分割方法 |
-
2019
- 2019-06-27 CN CN201910570399.XA patent/CN110264428A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180293712A1 (en) * | 2017-04-06 | 2018-10-11 | Pixar | Denoising monte carlo renderings using generative adversarial neural networks |
| CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
| CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
| CN108921851A (zh) * | 2018-06-06 | 2018-11-30 | 深圳市未来媒体技术研究院 | 一种基于3d对抗网络的医学ct图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| JELMER M. WOLTERINK ET.AL.: "Generative Adversarial Networks for Noise Reduction in Low-Dose CT", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
| YAN WANG ET.AL.: "3D conditional generative adversarial networks for high-quality PET image estimation at low dose", 《NEUROIMAGE》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796015A (zh) * | 2019-09-27 | 2020-02-14 | 深圳市大拿科技有限公司 | 一种远程监控方法及其装置 |
| CN111968058A (zh) * | 2020-08-25 | 2020-11-20 | 北京交通大学 | 一种低剂量ct图像降噪方法 |
| CN111968058B (zh) * | 2020-08-25 | 2023-08-04 | 北京交通大学 | 一种低剂量ct图像降噪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298804A (zh) | 一种基于生成对抗网络和3d残差编码解码的医学图像降噪方法 | |
| CN112598759B (zh) | 抑制低剂量ct图像中伪影噪声的多尺度特征生成对抗网络 | |
| KR20190137913A (ko) | 딥 컨볼루션 신경망을 사용하는 의료 이미징을 위한 선량 감소 | |
| CN108257134A (zh) | 基于深度学习的鼻咽癌病灶自动分割方法和系统 | |
| CN103337074A (zh) | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 | |
| CN108416821A (zh) | 一种深度神经网络的ct图像超分辨重建方法 | |
| CN112837244B (zh) | 一种基于渐进式生成对抗网络的低剂量ct图像降噪及去伪影方法 | |
| CN103679801A (zh) | 一种基于多视角x光片的心血管三维重建方法 | |
| CN110910408A (zh) | 图像分割方法、装置、电子设备及可读存储介质 | |
| CN110728727A (zh) | 一种低剂量能谱ct投影数据的恢复方法 | |
| CN110517198A (zh) | 用于ldct图像去噪的高频敏感gan网络 | |
| CN110310244A (zh) | 一种基于残差编码解码的医学图像降噪方法 | |
| CN110084751A (zh) | 图像重建系统及方法 | |
| CN116342444B (zh) | 一种双通道多模态图像融合方法及电子设备 | |
| CN110264428A (zh) | 一种基于3d卷积反卷积和生成对抗网络的医学图像降噪方法 | |
| Yang et al. | Deep learning in medical image super resolution: a review | |
| Su et al. | DIR‐DBTnet: Deep iterative reconstruction network for three‐dimensional digital breast tomosynthesis imaging | |
| Li et al. | Automatic quantification of epicardial adipose tissue volume | |
| Shao et al. | Application of U-Net and Optimized Clustering in Medical Image Segmentation: A Review. | |
| Feng et al. | Dual residual convolutional neural network (DRCNN) for low-dose CT imaging | |
| CN116645283A (zh) | 基于自监督感知损失多尺度卷积神经网络的低剂量ct图像去噪方法 | |
| Wang et al. | An effective sinogram inpainting for complementary limited-angle dual-energy computed tomography imaging using generative adversarial networks | |
| Ferreira et al. | GAN-based generation of realistic 3D volumetric data: A systematic review and taxonomy | |
| CN106023116B (zh) | 一种基于块加权约束的压缩感知图像重建方法及装置 | |
| CN110335327A (zh) | 一种直接解决逆问题的医学图像重建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |