CN110570369A - 一种甲状腺结节超声图像去噪方法 - Google Patents

Abstract

本发明公开了一种甲状腺结节超声图像去噪方法，包括以下步骤：构建甲状腺结节超声图像的数据库；对甲状腺结节超声图像进行NSST分解，并针对甲状腺超声图像散斑噪声分布的特性，得到相应的低频分量去噪的稀疏表示模型，以消除低频分量的散斑噪声，提高图像对比度；设计深度学习网络训练模型，并将经NSST变换后的高频分量结合深度学习网络训练模型，来更有效的分离散斑噪声和图像边缘；通过INSST重构去除散斑噪声后的甲状腺结节超声图像。本发明具有以下优点和效果：基于多尺度几何分析与深度学习相结合，并建立对应的散斑噪声抑制模型与框架，以期得到良好的甲状腺结节超声图像处理结果。

Description

一种甲状腺结节超声图像去噪方法

技术领域

本发明涉及超声图像去噪领域，特别涉及一种甲状腺结节超声图像去噪方法。

背景技术

随着生活水平的提高，人们的健康意识也在不断加强。因患甲状腺疾病而就诊的患者也在不断增加。据中国卫生协会公布，甲状腺疾病已成为全球第五大病因，预计到2020年将跃升为第二大病因，并成为致命疾病。近年来，国内甲状腺疾病的增长速率急剧攀升，北京市卫生局2012年发布,2000至2010年北京地区甲状腺癌的涨幅超过200％，在各类癌症发病增长率中居于首位，并据官方统计数据显示:甲状腺结节患病率高达18.6％，意味着每5人中就有近1人存在甲状腺结节的问题。2014年国际甲状腺知识宣传周的新闻发布会在北京举行，发布会上公布，保守估计我国甲状腺疾病患者超2亿，其中甲亢患者1000万，甲减患者9000万，而甲状腺结节患者超过1亿。作为内分泌领域的第二大疾病，我国甲状腺疾病知晓率、治疗率却都非常低，目前甲状腺疾病的整体治疗率不足5％。2015年，在天津甲状腺癌高峰论坛上专家指出近年来，我国甲状腺癌高发，已成为增长速度最快的恶性肿瘤，发病率10年增长了近5倍。

绝大多数甲状腺结节是良性的，但还是有约5-15％的结节有癌变的可能。值得注意的是，甲状腺癌与其它恶性肿瘤不同，若是能够及早发现且尽快治疗的话，治愈率在95％以上。因此，有效分辨甲状腺结节的良恶性具有极其重大的意义。目前在甲状腺结节临床诊断中，B型超声对人体无害、费用低、敏感度高、无需注射药物等优点已使其成为甲状腺结节临床检查的首选影像学方法。甲状腺结节病理和组织学特性的差异使得甲状腺良恶性结节的灰阶超声征象表现有所不同。在临床诊断中，医生主要根据形状、边缘、内部回声、后方回声衰减、钙化5个方面的超声征象鉴别甲状腺结节的良恶性。甲状腺良性结节和恶性结节超声图像分别如图1和图2所示。

甲状腺结节超声图像中广泛存在着一类颗粒状的散斑噪声，其表现为像素灰度值的突变，掩盖了和模糊了图像的细节，而甲状腺结节超声图像的细节信息对很多临床诊断至关重要，并且散斑噪声的抑制是其进行后续处理所必须的步骤，因而散斑应当被抑制。如果能充分认识甲状腺结节的各种超声特点，正确地识别判断，就可以减少误诊机会，提高诊断符合率，使许多病人免予不必要的手术，对指导临床治疗有重要价值。因此，甲状腺结节超声图像散斑噪声抑制和组织结构保留对超声图像的临床诊断非常重要。

发明内容

本发明的目的在于提供一种甲状腺结节超声图像去噪方法，基于多尺度几何分析与深度学习相结合，并建立对应的散斑噪声抑制模型与框架，以期得到良好的甲状腺结节超声图像处理结果。

为了达到上述目的，本发明提供了一种甲状腺结节超声图像去噪方法，包括以下步骤：

S1、构建甲状腺结节超声图像的数据库；

S2、对甲状腺结节超声图像进行NSST分解，并针对甲状腺超声图像散斑噪声分布的特性，得到相应的低频分量去噪的稀疏表示模型，以消除低频分量的散斑噪声，提高图像对比度；

S3、设计深度学习网络训练模型，并将经NSST变换后的高频分量结合深度学习网络训练模型，来更有效的分离散斑噪声和图像边缘；

S4、通过INSST重构去除散斑噪声后的甲状腺结节超声图像。

进一步设置是所述的步骤S2具体包括，

采用的超声图像散斑噪声为：

f＝u*n (1)

其中，f为退化的超声图像，u表示去除散斑噪声的理想图像，n代表散斑噪声；构造的低频分量去噪的稀疏表示模型的离散形式描述为：

其中，γ和τ为大于零的惩罚参数，用于平衡模型中的各项；||·||₁为l₁范数，是▽u绝对值的总和，D和a分别为噪声图像训练得到的字典及稀疏表示系数；模型公式(2)中第一项为数据项，表示待估测图像与观测图像的接近程度；第二项为TV正则项，用来保持图像边缘并减少字典学习引入的图像伪影；第三项为稀疏先验项。

进一步设置是所述的步骤S3具体包括：

高频分量滤除噪声过程可以看作判别式分类学习过程，其中采用深度学习方法，通过利用前馈卷积神经网络进行训练，对高频分量进行有用信息及散斑噪声信号的分离；并通过对网络层次的设计及训练学习，采用深度学习网络得出高频分量的残差图像；

通过深度学习网络，可以求出以下参数：

其中，θ可以通过设计的深度学习网络训练得到，为N对含有噪声图像及去除噪声图像训练对。

进一步设置是还包括有位于步骤S4之后的步骤S5,

S5、对低频分量及高频分量进行整合，构建完整散斑噪声抑制模型与框架，并建立甲状腺结节超声图像散斑噪声去噪效果有效性客观评价系统，对甲状腺结节去除散斑噪声超声图像进行指标评价，已验证方法、模型有效性、鲁棒性与可靠性。

本发明的有益效果是：

本发明深入研究多尺度分析与深度学习相结合的新方法，通过分析甲状腺结节超声图像特点，探索散斑噪声抑制新方法，为临床甲状腺结节的准确评价提供理论依据及创新方法；同时，在本发明中利用深度学习理论既能够抑制噪声又可以保留超声图像边缘及细节信息，并通过建立的对应散斑噪声抑制模型与框架，得到良好的甲状腺结节超声图像处理结果；

可以为超声诊断下不同类型的甲状腺结节的诊断准确性提供前期的数据处理支持，提高诊断准确性比例；

还可以直接与医科大学附属医院的临床应用相结合，为甲状腺结节的评估和诊断提供探索性及实用性研究，为辅助医生对疾病的诊断提供技术支持，提高该疾病的诊断水平，还可用于跟踪病理变化等。

附图说明

图1为本发明中背景技术中提到的甲状腺良性结节超声图像；

图2为本发明中背景技术中提到的甲状腺恶性结节超声图像；

图3为本发明中的残差图像的深度学习网络；

图4为本发明的流程框图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

如图4所示，一种甲状腺结节超声图像去噪方法，包括以下步骤：

S1、构建甲状腺结节超声图像的数据库；图像数据库采用标准的数据库(BSD数据库)和临床一线的大量病人数据构成的数据库。

S2、对甲状腺结节超声图像进行NSST分解，并针对甲状腺超声图像散斑噪声分布的特性，得到相应的低频分量去噪的稀疏表示模型，以消除低频分量的散斑噪声，提高图像对比度；

S3、设计深度学习网络训练模型，并将经NSST变换后的高频分量结合深度学习网络训练模型，来更有效的分离散斑噪声和图像边缘；

首先利用非下采样shearlet变换(NSST)将图像分解为低频分量和高频分量，并研究低频分量和高频分量的特性。然后研究低频分量的稀疏表示方法，通过构建最佳结构化字典，对低频分量信息进行稀疏分解，并采用稀疏表示建模的方法对低频分量进行降噪，以消除低频分量的散斑噪声，提高图像对比度。接着针对经NSST分解后的高频分量中边缘和噪声的特性，设计深度学习网络层次结构，在学习中可以考虑各分辨率下散斑噪声分布情况及边缘保持情况。

S4、通过INSST重构去除散斑噪声后的甲状腺结节超声图像，INSST即非下采样shearlet反变换。

S5、对低频分量及高频分量进行整合，构建完整散斑噪声抑制模型与框架，并建立甲状腺结节超声图像散斑噪声去噪效果有效性客观评价系统，对甲状腺结节去除散斑噪声超声图像进行指标评价，已验证方法、模型有效性、鲁棒性与可靠性；还可并行临床应用验证，从而为甲状腺结节超声图像散斑噪声的去除提供新手段。

需要说明的是：NSST是一种非正交变换，舍弃了传统shearlet变换的下采样操作，把标准的剪切波滤波器从伪极化格坐标系统映射回笛卡尔坐标系统，将非下采样塔式变换和非下采样滤波器组结合起来进行多尺度剖分和方向局部化；INSST即为非下采样shearlet反变换。

更加具体的是：

步骤S2包括以下步骤，采用的超声图像散斑噪声模型为：

f＝u*n (1)

其中，f为退化的超声图像，u表示去除散斑噪声的理想图像，n代表散斑噪声；对散斑噪声进行统计特性分析，并根据统计特性估测出数据保真项，本项目构造的低频分量去噪模型主要包括三项：数据保真项、变分正则项及稀疏先验项。构造的低频分量去噪的稀疏表示模型的离散形式描述为：

其中，γ和τ为大于零的惩罚参数，用于平衡模型中的各项；||·||₁为l₁范数，是▽u绝对值的总和，D和a分别为噪声图像训练得到的字典及稀疏表示系数；模型公式(2)中第一项为数据项，表示待估测图像与观测图像的接近程度；第二项为TV正则项，用来保持图像边缘并减少字典学习引入的图像伪影；第三项为稀疏先验项。

步骤S3包括以下步骤，

超声图像经NSST变换后，高频分量含有图像边缘信息和大部分噪声，如果能有效分离噪声和图像边缘，将会获得更好地视觉效果。高频分量滤除噪声过程可以看作判别式分类学习过程。本项目采用深度学习方法，通过利用卷积神经网络(CNN)进行训练，对高频分量进行有用信息及散斑噪声信号的分离。通过对网络层次的设计及训练学习，采用深度学习法得出高频分量的残差图像(RI)，设计的残差图像的深度学习网络如图3所示。

假设深度学习网络的深度为D。DConv+ReLU为深度学习网络第一层，DConv为扩张卷积，通过选择合适滤波器可以产生n个特征图谱，ReLU为激活函数。DConv+BN+ReLU为深度学习网络的2-(D-1)层，BN为批处理标准化单元，中间通过一个跳跃连接相连。通过对深度学习网络层次的设计及训练，可以求出如下参数：

其中，θ可以通过设计的深度学习网络训练得到，为N对含有噪声图像及去除噪声图像训练对。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (4)

1.一种甲状腺结节超声图像去噪方法，其特征在于，包括以下步骤：

S1、构建甲状腺结节超声图像的数据库；

S2、对甲状腺结节超声图像进行NSST分解，并针对甲状腺超声图像散斑噪声分布的特性，得到相应的低频分量去噪的稀疏表示模型，以消除低频分量的散斑噪声，提高图像对比度；

S3、设计深度学习网络训练模型，并将经NSST变换后的高频分量结合深度学习网络训练模型，来更有效的分离散斑噪声和图像边缘；

S4、通过INSST重构去除散斑噪声后的甲状腺结节超声图像。

2.根据权利要求1所述的一种甲状腺结节超声图像去噪方法，其特征在于，所述的步骤S2具体包括，

采用的超声图像散斑噪声模型为：

f＝u*n (1)

其中，f为退化的超声图像，u表示去除散斑噪声的理想图像，n代表散斑噪声；构造的低频分量去噪的稀疏表示模型的离散形式描述为：

其中，γ和τ为大于零的惩罚参数，用于平衡模型中的各项；||·||₁为l₁范数，是绝对值的总和，D和a分别为噪声图像训练得到的字典及稀疏表示系数；模型公式(2)中第一项为数据项，表示待估测图像与观测图像的接近程度；第二项为TV正则项，用来保持图像边缘并减少字典学习引入的图像伪影；第三项为稀疏先验项。

3.根据权利要求1所述的一种甲状腺结节超声图像去噪方法，其特征在于，所述的步骤S3具体包括：

高频分量滤除噪声过程可以看作判别式分类学习过程，其中采用深度学习方法，通过利用前馈卷积神经网络进行训练，对高频分量进行有用信息及散斑噪声信号的分离；并通过对网络层次的设计及训练学习，采用深度学习网络得出高频分量的残差图像；

通过深度学习网络，可以求出以下参数：

其中，θ可以通过设计的深度学习网络训练得到，为N对含有噪声图像及去除噪声图像训练对。

4.根据权利要求1所述的一种甲状腺结节超声图像去噪方法，其特征在于：还包括有位于步骤S4之后的步骤S5,

S5、对低频分量及高频分量进行整合，构建完整散斑噪声抑制模型与框架，并建立甲状腺结节超声图像散斑噪声去噪效果有效性客观评价系统，对甲状腺结节去除散斑噪声超声图像进行指标评价，已验证方法、模型有效性、鲁棒性与可靠性。