CN112927152B - Ct图像去噪处理方法、装置、计算机设备及介质 - Google Patents
Ct图像去噪处理方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN112927152B CN112927152B CN202110220871.4A CN202110220871A CN112927152B CN 112927152 B CN112927152 B CN 112927152B CN 202110220871 A CN202110220871 A CN 202110220871A CN 112927152 B CN112927152 B CN 112927152B
- Authority
- CN
- China
- Prior art keywords
- image
- model
- noise
- denoising
- target
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000013508 migration Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 53
- 238000012795 verification Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 9
- 210000004072 lung Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 210000000515 tooth Anatomy 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 238000000333 X-ray scattering Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及数据处理技术,提供一种CT图像去噪处理方法、装置、计算机设备与存储介质,包括:加噪处理第一CT真实图像集,得到第一CT噪声图像集;分类第一CT噪声图像集,得到第一CT噪声图像子集,根据第一CT噪声图像子集配置任务集;基于任务集进行元迁移学习,得到目标元模型参数;更新初始CT图像去噪模型,得到目标CT图像去噪模型;获取待去噪的第二CT噪声图像,去噪处理第二CT噪声图像,得到第二CT去噪图像;计算第二CT真实图像与第二CT去噪图像的损失值,检测损失值是否小于预设损失阈值要求;当检测结果为是时,去噪处理第二CT真实图像,得到目标CT图像。本申请能够提高CT图像去躁处理的准确性,促进智慧医疗及智慧城市的建设。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种CT图像去噪处理方法、装置、计算机设备及计算机可读存储介质。
背景技术
近年来,CT成像技术越来越广泛地应用在口腔、牙齿、肺部以及头部等不同人体部位的诊断与治疗过程中,通过获取各个人体部位的CT图像,能够辅助相关疾病的诊断。在CT成像过程中,CT图像的噪声来源主要包括量子噪声、CT硬件系统固有的限制所引入的噪声以及图像生成过程中引入的噪声。由于CT图像的噪声对诊断结果影响较大,因此对CT图像进行去噪处理,是图像处理领域研究的热点。
针对CT图像去噪的情况,在实现本申请的过程中,发明人发现现有技术至少存在如下问题:大部分基于深度学习的CT图像去噪方法是采用训练单神经网络来实现去噪任务的,然而不同部位的CT图像的噪声分布不尽相同,相同部位的CT图像的数量较少,导致模型训练的数据集稀少,无法保证CT图像去噪的准确性。
因此,有必要提供一种CT图像去噪处理方法,能够提高CT图像去噪处理的准确性。
发明内容
鉴于以上内容,有必要提出一种CT图像去噪处理方法、CT图像去噪处理装置、计算机设备及计算机可读存储介质,能够提高CT图像去噪处理的准确性。
本申请实施例第一方面提供一种CT图像去噪处理方法,所述CT图像去噪处理方法包括:
加噪处理第一CT真实图像集,得到第一CT噪声图像集;
根据预设部位分类所述第一CT噪声图像集,得到第一CT噪声图像子集,并根据所述第一CT噪声图像子集配置任务集;
基于所述任务集进行元迁移学习,得到预设元模型的目标元模型参数;
确定预设的对应目标部位的初始CT图像去噪模型,并根据所述目标元模型参数更新所述初始CT图像去噪模型,得到目标CT图像去噪模型;
获取待去噪的第二CT噪声图像,并调用所述目标CT图像去噪模型处理所述第二CT噪声图像,得到第二CT去噪图像;
计算对应所述目标部位的第二CT真实图像与所述第二CT去噪图像的损失值,并检测所述损失值是否小于预设损失阈值要求;
当检测结果为所述损失值小于预设损失阈值要求时,调用所述目标CT图像去噪模型处理所述第二CT真实图像,得到目标CT图像。
进一步地,在本申请实施例提供的上述CT图像去噪处理方法中,所述加噪处理第一CT真实图像集,得到第一CT噪声图像集包括:
裁剪处理所述第一CT真实图像集,得到预设尺寸的第一CT真实图像集;
获取预设强度的第一高斯噪声;
添加所述第一高斯噪声至裁剪后的所述第一CT真实图像集中,得到第一CT噪声图像集。
进一步地,在本申请实施例提供的上述CT图像去噪处理方法中,所述根据预设部位分类所述第一CT噪声图像集,得到第一CT噪声图像子集,并根据所述第一CT噪声图像子集配置任务集包括:
获取所述第一CT噪声图像集中每一第一CT噪声图像的部位编码;
选取所述部位编码一致的所述第一CT噪声图像为第一CT噪声图像子集;
确定每一所述第一CT噪声图像子集为一个任务;
组合所述任务,得到任务集。
进一步地,在本申请实施例提供的上述CT图像去噪处理方法中,所述基于所述任务集进行元迁移学习,得到预设元模型的目标元模型参数包括:
拆分所述任务集,得到训练任务集与验证任务集;
计算所述训练任务集中每一训练任务对应所述预设元模型的初始元模型参数,得到初始元模型参数集;
基于所述初始元模型参数集调用所述验证任务集计算所述预设元模型的总损失函数;
采用随机梯度下降算法优化所述总损失函数,并检测优化后的所述总损失函数是否收敛;
当检测结果为优化后的所述总损失函数收敛时,遍历所述预设元模型的网络层,得到各个网络层的预设参数作为目标元模型参数。
进一步地,在本申请实施例提供的上述CT图像去噪处理方法中,所述根据所述目标元模型参数更新所述初始CT图像去噪模型,得到目标CT图像去噪模型包括:
获取所述初始CT图像去噪模型的初始模型参数;
对比所述初始模型参数与所述目标元模型参数,得到差异模型参数;
根据所述差异模型参数调整所述初始模型参数以更新所述初始CT图像去噪模型,得到目标CT图像去噪模型。
进一步地,在本申请实施例提供的上述CT图像去噪处理方法中,所述获取待去噪的第二CT噪声图像包括:
获取对应所述目标部位的第二CT真实图像;
确定预定强度的第二高斯噪声;
添加所述第二高斯噪声至所述第二CT真实图像中,得到待去噪的第二CT噪声图像。
进一步地,在本申请实施例提供的上述CT图像去噪处理方法中,所述方法还包括:
当检测结果为所述损失值未满足预设损失阈值要求时,根据所述CT真实图像与所述CT去噪图像获取所述目标CT图像去噪模型的模型损失函数;
采用梯度下降算法优化所述模型损失函数,直至所述模型损失函数收敛;
获取所述模型损失函数收敛时的模型参数,并根据所述模型参数建立目标CT图像去噪模型。
本申请实施例第二方面还提供一种CT图像去噪处理装置,所述CT图像去噪处理装置包括:
图像加噪模块,用于加噪处理第一CT真实图像集,得到第一CT噪声图像集;
图片分类模块,用于根据预设部位分类所述第一CT噪声图像集,得到第一CT噪声图像子集,并根据所述第一CT噪声图像子集配置任务集;
参数获取模块,用于基于所述任务集进行元迁移学习,得到预设元模型的目标元模型参数;
模型确定模块,用于确定预设的对应目标部位的初始CT图像去噪模型,并根据所述目标元模型参数更新所述初始CT图像去噪模型,得到目标CT图像去噪模型;
去噪处理模块,用于获取待去噪的第二CT噪声图像,并调用所述目标CT图像去噪模型处理所述第二CT噪声图像,得到第二CT去噪图像;
损失检测模块,用于计算对应所述目标部位的第二CT真实图像与所述第二CT去噪图像的损失值,并检测所述损失值是否小于预设损失阈值要求;
图像确定模块,用于当检测结果为所述损失值小于预设损失阈值要求时,调用所述目标CT图像去噪模型处理所述第二CT真实图像,得到目标CT图像。
本申请实施例第三方面还提供一种计算机设备,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如上述任意一项所述CT图像去噪处理方法。
本申请实施例第四方面还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述CT图像去噪处理方法。
本申请实施例提供的上述CT图像去噪处理方法、CT图像去噪处理装置、计算机设备以及计算机可读存储介质,加噪处理第一CT真实图像集,得到第一CT噪声图像集,采用元迁移学习的方式对所述第一CT噪声图像集进行训练,能够得到符合真实噪声分布的预设元模型的目标元模型参数;根据所述目标元模型参数确定对应目标部位的目标CT图像去噪模型,并调用待去噪的第二CT噪声图像对所述目标CT图像去噪模型的模型参数进行微调,以使得对应所述目标部位的第二CT真实图像与所述第二CT噪声图像的损失值小于预设损失阈值,最终实现对第二CT真实图像的真实噪声进行去噪处理,得到目标CT图像。本申请通过所述目标元模型参数确定目标部位的目标CT图像去噪模型,能够增强CT图像在少样本数据条件下的快速收敛能力,提高所述目标CT图像去噪模型的训练效率以及CT图像去噪处理的准确性。本申请可应用于智慧政务、智慧交通、智慧医疗等智慧城市的各个功能模块中,比如智慧医疗的CT图像去噪处理模块等,能够促进智慧医疗的快速发展。
附图说明
图1是本申请实施例一提供的CT图像去噪处理方法的流程图。
图2是本申请实施例二提供的CTCT图像去噪处理装置的结构图。
图3是本申请实施例三提供的计算机设备的结构示意图。
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
元学习又叫做学会学习,是机器学习领域一个重要的研究方向,它解决的是学会如何学习的问题。传统的机器学习研究模式是:获取特定任务的数据集,每次再利用这些数据集从头开始训练模型。然而,人类可以通过获取以往的经验,对同类型的任务或有共性的任务进行快速学习,这是因为人类懂得如何学习。如果把特征提取视为机器在数据集上学习的过程,那么元学习器就是要评估这个学习过程,也就是让机器学习学习的过程,即通过学习获得学习经验,利用这些经验再去对最终的目标任务进行评估。
本申请实施例提供的CT图像去噪处理方法由计算机设备执行,相应地,所述CT图像去噪处理方法运行于计算机设备中。
图1是本申请第一实施方式的CT图像去噪处理方法的流程图。所述CT图像去噪处理方法用于对目标部位的CT图像进行去噪处理,如图1所示,所述CT图像去噪处理方法可以包括如下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
S11,加噪处理第一CT真实图像集,得到第一CT噪声图像集。
在本申请的至少一实施例中,第一CT真实图像集是指包含真实噪声的CT图像集,所述真实噪声可以包括量子噪声、CT硬件系统固有的限制所引入的噪声以及图像生成过程中引入的噪声。其中,所述量子噪声服从泊松分布,是一种实验观测中的读出噪声。当观测中数量有限的X射线光子数量少到能够引发探测器上数据读出中出现可观测到的统计涨落时,这种读出的统计涨落被称作量子噪声,这种噪声也是低剂量CT图像中面临的主要噪声。所述CT硬件系统固有的限制所引入的噪声主要包含探测器光电二极管中的电子噪声、数据采集系统中引入的点子噪声以及X射线散射等引入的噪声,这类噪声是无法避免的,也不受人为控制影响。可以通过改善硬件系统来减轻这类噪声,但是无法完全消除。所述图像生成过程中引入的噪声是指受重建算法的选择、参数选取等因素的影响而产生的噪声。
所述第一CT真实图像集包含若干个预设部位的第一CT真实图像,所述预设部位为非目标部位。所述预设部位为预先设置的部位,例如,所述预设部位可以为肺部、头部、牙齿部等人体部位。示例性地,当所述目标部位为肺部时,所述预设部位可以是除肺部外的其他任意人体部位。
可选地,所述加噪处理第一CT真实图像集,得到第一CT噪声图像集包括:
裁剪处理所述第一CT真实图像集,得到预设尺寸的第一CT真实图像集;
获取预设强度的第一高斯噪声;
添加所述第一高斯噪声至裁剪后的所述第一CT真实图像集中,得到第一CT噪声图像集。
其中,所述预设尺寸为预先设置的,用于统一第一CT真实图像集的尺寸,通过统一所述第一CT真实图像集的尺寸,能够提高高斯噪声添加的效率。所述预设强度是指预先设置的高斯噪声的强度,对于所述第一CT真实图像集中的每一第一CT真实图像,可以添加所述预设强度相同的高斯噪声,也可以分批添加所述预设强度不相同的高斯噪声,在此不做限制。对图像添加预设强度的高斯噪声的方式为现有技术,在此不做赘述。
S12,根据预设部位分类所述第一CT噪声图像集,得到第一CT噪声图像子集,并根据所述第一CT噪声图像子集配置任务集。
在本申请的至少一实施例中,对所述第一CT噪声图像集中每一张第一CT噪声图像均设有部位编码,所述部位编码用于标识第一CT噪声图像所属部位,通过所述部位编码能够确定所述第一CT噪声图像的部位信息。所述部位编码可以为数字编码、字母编码或颜色编码,在此不做限制。
可选地,所述根据预设部位分类所述第一CT噪声图像集,得到第一CT噪声图像子集,并根据所述第一CT噪声图像子集配置任务集包括:
获取所述第一CT噪声图像集中每一第一CT噪声图像的部位编码;
选取所述部位编码一致的所述第一CT噪声图像为第一CT噪声图像子集;
确定每一所述第一CT噪声图像子集为一个任务;
组合所述任务,得到任务集。
其中,将每一所述部位编码对应的若干个第一CT噪声图像作为第一CT噪声图像子集,确定每一所述第一CT噪声图像子集为一个任务,所述第一CT噪声图像集中存在多少个不相同的部位编码,所述任务集中就存在相应数量的任务。例如,所述第一CT噪声图像集中存在20个不相同的部位编码,所述任务集中就存在20个任务。
S13,基于所述任务集进行元迁移学习,得到预设元模型的目标元模型参数。
在本申请的至少一实施例中,所述预设元模型是指进行元迁移学习的元模型,所述预设元模型可以是预设的神经网络结构,所述深度神经网络结构是一种模仿动物神经网络行为特征、进行分布式并行信息处理的算法数学模型。这种网络结构依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。所述预设元模型在针对不同部位的CT图像进行去噪具有较好的延展性。
可选地,所述基于所述任务集进行元迁移学习,得到预设元模型的目标元模型参数包括:
拆分所述任务集,得到训练任务集与验证任务集;
计算所述训练任务集中每一训练任务对应所述预设元模型的初始元模型参数,得到初始元模型参数集;
基于所述初始元模型参数集调用所述验证任务集计算所述预设元模型的总损失函数;
采用随机梯度下降算法优化所述总损失函数,并检测优化后的所述总损失函数是否收敛;
当检测结果为优化后的所述总损失函数收敛时,遍历所述预设元模型的网络层,得到各个网络层的预设参数作为目标元模型参数。
其中,按照预设拆分比例拆分所述任务集,得到训练任务集与验证任务集,所述预设拆分比例可以为8:1或者9:1,拆分原则可以为随机拆分的方式,例如,对于任务集中包含20个训练任务来说,随机拆分18个任务作为训练任务集,剩余2个任务作为验证任务集,在此不做限制。所述训练任务集中的数据量大于所述验证任务集中的数据量,即所述训练任务集为富样本数据,所述验证任务集为少样本数据。
其中,当检测结果为优化后的所述总损失函数收敛时,对所述预设元模型的各个网络层进行遍历,以获取各个网络层的预设参数作为目标元模型参数,遍历的顺序可以为对网络深度较浅的网络层至网络深度较深的网络层进行遍历,或者为对网络深度较深的网络层至网络深度较浅的网络层进行遍历。所述预设参数是指预先设置的参数类型,所述预设参数可以包括但不限于:模型的权重值与梯度值。
所述训练任务集用于对所述预设元模型进行元训练,示例性地,将所述任务集记作Dmeta数据,将所述训练任务集记作Dtr数据,将所述验证任务集记作Dte数据,将所述训练任务集中的每一训练任务记作Ti,将每一训练任务Ti对应所述预设元模型的元模型参数记作θi。
依据元模型参数的初始值θ的一次或多次梯度更新来适应一个新的训练任务Τi,对于一次梯度更新,所述初始元模型参数θi可以为:
其中,α是任务训练的学习率,是指所述预设元模型对应训练任务Ti的损失函数。
基于所述初始元模型参数集调用所述验证任务集Dte数据计算所述预设元模型的总损失函数,优化元模型参数的参数值θ,使任务集Dmeta数据相对于元模型参数θi的测试误差最小,具体的目标为:
其中,是指基于所述验证任务集Dte数据得到的预设元模型的总损失函数。
采用随机梯度下降使用上述公式2对元迁移学习的过程进行优化,使得优化后的总损失函数达到收敛状态,此时,参数更新规则表示为:
其中,β是学习率。
本申请首先在CT图像数据量相对较大的训练任务上进行元迁移学习,能够生成去噪效果较好的预设元模型的元模型参数,所述预设元模型能够在测试任务上通过少量的梯度迭代来产生泛化的性能,即通过上述步骤训练了一个易于微调的预设元模型。
S14,确定预设的对应目标部位的初始CT图像去噪模型,并根据所述目标元模型参数更新所述初始CT图像去噪模型,得到目标CT图像去噪模型。
在本申请的至少一实施例中,所述初始CT图像去噪模型是指预先设置的用于对目标部位的CT图像进行去噪处理的深度神经网络结构,所述初始CT图像去噪模型包含初始模型参数。在一实施例中,所述初始CT图像去噪模型的网络结构与所述预设元模型的网络结构相同。所述初始模型参数也包含各个网络层的权重值与梯度值。
可选地,所述根据所述目标元模型参数更新所述初始CT图像去噪模型,得到目标CT图像去噪模型包括:
获取所述初始CT图像去噪模型的初始模型参数;
对比所述初始模型参数与所述目标元模型参数,得到差异模型参数;
根据所述差异模型参数调整所述初始模型参数以更新所述初始CT图像去噪模型,得到目标CT图像去噪模型。
其中,所述差异模型参数是指所述初始模型参数与所述目标元模型参数相比,不同的参数。示例性地,所述对比所述初始模型参数与所述目标元模型参数,得到差异模型参数可以包括:按照预定顺序分别排列所述初始模型参数与所述目标元模型参数;对比所述预定顺序中每一相同位置处的所述初始模型参数与所述目标元模型参数是否相同;当对比结果为所述预定顺序中相同位置处的所述初始模型参数与所述目标元模型参数不相同时,确定所述初始模型参数与所述目标元模型参数的差值作为差异模型参数。可以理解的是,在其他实施例中,所述差异模型参数还可以为与所述初始模型参数不同的所述目标元模型参数,根据所述目标元模型参数替换所述初始模型参数可以更新所述初始CT图像去噪模型,得到目标CT图像去噪模型。
在其他实施例中,可选地,所述根据所述目标元模型参数更新所述初始CT图像去噪模型,得到目标CT图像去噪模型还包括:
获取所述初始CT图像去噪模型的初始模型参数;
根据所述目标元模型参数替换所述初始模型参数以更新所述初始CT图像去噪模型,得到目标CT图像去噪模型。
S15,获取待去噪的第二CT噪声图像,并调用所述目标CT图像去噪模型处理所述第二CT噪声图像,得到第二CT去噪图像。
在本申请的至少一实施例中,所述待去噪的第二CT噪声图像是指对第二CT真实图像添加高斯噪声的图像,调用所述目标CT图像去噪模型处理待去噪的第二CT噪声图像,得到去除高斯噪声后的第二CT去噪图像。
可选地,所述获取待去噪的第二CT噪声图像包括:
获取对应所述目标部位的第二CT真实图像;
确定预定强度的第二高斯噪声;
添加所述第二高斯噪声至所述第二CT真实图像中,得到待去噪的第二CT噪声图像。
其中,所述预定强度是指预先设置的标识所述第二高斯噪声的强度。
本申请采用先对第二CT真实图像添加预设强度的第二高斯噪声,再调用目标CT图像去噪模型处理所述第二CT噪声图像以去除第二高斯噪声的方式,相较于直接调用目标CT图像去噪模型处理所述第二CT真实图像以去除真实噪声的方式,能够快速分析目标CT图像去噪模型的去噪处理效果,降低目标CT图像去噪模型的训练难度,进而提高目标CT图像去噪模型的训练效率。
S16,计算对应所述目标部位的第二CT真实图像与所述第二CT去噪图像的损失值,并检测所述损失值是否小于预设损失阈值要求,当检测结果为所述损失值小于预设损失阈值要求时,执行步骤S17。
在本申请的至少一实施例中,所述预设损失阈值要求为预先设置的,用于评估损失函数是否收敛的阈值。
在一实施例中,所述方法还包括:
当检测结果为所述损失值未满足预设损失阈值要求时,根据所述第二CT真实图像与所述第二CT去噪图像获取所述目标CT图像去噪模型的模型损失函数;
采用梯度下降算法优化所述模型损失函数,直至所述模型损失函数收敛;
获取所述模型损失函数收敛时的模型参数,并根据所述模型参数建立目标CT图像去噪模型。
S17,调用所述目标CT图像去噪模型处理所述第二CT真实图像,得到目标CT图像。
在本申请的至少一实施例中,所述第二CT真实图像是指包含真实噪声的CT图像,所述目标CT图像是指对所述第二CT真实图像进行真实噪声去噪处理后的干净CT图像。
需要强调的是,为进一步保证上述CT图像的私密性和安全性,上述CT图像可存储于区块链的目标节点中。
本申请实施例提供的上述CT图像去噪处理方法,加噪处理第一CT真实图像集,得到第一CT噪声图像集,采用元迁移学习的方式对所述第一CT噪声图像集进行训练,能够得到符合真实噪声分布的预设元模型的目标元模型参数;根据所述目标元模型参数确定对应目标部位的目标CT图像去噪模型,并调用待去噪CT噪声图像对所述目标CT图像去噪模型的模型参数进行微调,以使得对应所述目标部位的第二CT真实图像与所述第二CT噪声图像的损失值满足预设损失阈值要求,最终实现对第二CT真实图像的真实噪声进行去噪处理,得到目标CT图像。本申请通过所述目标元模型参数确定目标部位的目标CT图像去噪模型,能够增强CT图像在少样本数据条件下的快速收敛能力,提高所述目标CT图像去噪模型的训练效率以及CT图像去噪处理的准确性。本申请可应用于智慧政务、智慧交通、智慧医疗等智慧城市的各个功能模块中,比如智慧医疗的CT图像去噪处理模块等,能够促进智慧医疗的快速发展。
图2是本申请实施例二提供的CT图像去噪处理装置的结构图。
在一些实施例中,所述CT图像去噪处理装置20可以包括多个由计算机程序段所组成的功能模块。所述CT图像去噪处理装置20中的各个程序段的计算机程序可以存储于计算机设备的存储器中,并由至少一个处理器所执行,以执行(详见图1描述)图像去躁处理的功能。
本实施例中,所述CT图像去噪处理装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:图像加噪模块201、图片分类202、参数获取模块203、模型确定模块204、去噪处理模块205、损失检测模块206以及图像确定模块207。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
所述图像加噪模块201,可以用于加噪处理第一CT真实图像集,得到第一CT噪声图像集;
在本申请的至少一实施例中,第一CT真实图像集是指包含真实噪声的CT图像集,所述真实噪声可以包括量子噪声、CT硬件系统固有的限制所引入的噪声以及图像生成过程中引入的噪声。其中,所述量子噪声服从泊松分布,是一种实验观测中的读出噪声。当观测中数量有限的X射线光子数量少到能够引发探测器上数据读出中出现可观测到的统计涨落时,这种读出的统计涨落被称作量子噪声,这种噪声也是低剂量CT图像中面临的主要噪声。所述CT硬件系统固有的限制所引入的噪声主要包含探测器光电二极管中的电子噪声、数据采集系统中引入的点子噪声以及X射线散射等引入的噪声,这类噪声是无法避免的,也不受人为控制影响。可以通过改善硬件系统来减轻这类噪声,但是无法完全消除。所述图像生成过程中引入的噪声是指受重建算法的选择、参数选取等因素的影响而产生的噪声。
所述第一CT真实图像集包含若干个预设部位的第一CT真实图像,所述预设部位为非目标部位。所述预设部位为预先设置的部位,例如,所述预设部位可以为肺部、头部、牙齿部等人体部位。示例性地,当所述目标部位为肺部时,所述预设部位可以是除肺部外的其他任意人体部位。
可选地,所述加噪处理第一CT真实图像集,得到第一CT噪声图像集包括:
裁剪处理所述第一CT真实图像集,得到预设尺寸的第一CT真实图像集;
获取预设强度的第一高斯噪声;
添加所述第一高斯噪声至裁剪后的所述第一CT真实图像集中,得到第一CT噪声图像集。
其中,所述预设尺寸为预先设置的,用于统一第一CT真实图像集的尺寸,通过统一所述第一CT真实图像集的尺寸,能够提高高斯噪声添加的效率。所述预设强度是指预先设置的高斯噪声的强度,对于所述第一CT真实图像集中的每一第一CT真实图像,可以添加所述预设强度相同的高斯噪声,也可以分批添加所述预设强度不相同的高斯噪声,在此不做限制。对图像添加预设强度的高斯噪声的方式为现有技术,在此不做赘述。
所述图片分类模块202,可以用于根据预设部位分类所述第一CT噪声图像集,得到第一CT噪声图像子集,并根据所述第一CT噪声图像子集配置任务集;
在本申请的至少一实施例中,对所述第一CT噪声图像集中每一张第一CT噪声图像均设有部位编码,所述部位编码用于标识第一CT噪声图像所属部位,通过所述部位编码能够确定所述第一CT噪声图像的部位信息。所述部位编码可以为数字编码、字母编码或颜色编码,在此不做限制。
可选地,所述根据预设部位分类所述第一CT噪声图像集,得到第一CT噪声图像子集,并根据所述第一CT噪声图像子集配置任务集包括:
获取所述第一CT噪声图像集中每一第一CT噪声图像的部位编码;
选取所述部位编码一致的所述第一CT噪声图像为第一CT噪声图像子集;
确定每一所述第一CT噪声图像子集为一个任务;
组合所述任务,得到任务集。
其中,将每一所述部位编码对应的若干个第一CT噪声图像作为第一CT噪声图像子集,确定每一所述第一CT噪声图像子集为一个任务,所述第一CT噪声图像集中存在多少个不相同的部位编码,所述任务集中存在相应数量的任务。例如,所述第一CT噪声图像集中存在20个不相同的部位编码,所述任务集中就存在20个任务。
所述参数获取模块203,可以用于基于所述任务集进行元迁移学习,得到预设元模型的目标元模型参数;
在本申请的至少一实施例中,所述预设元模型是指进行元迁移学习的元模型,所述预设元模型可以是预设的神经网络结构,所述深度神经网络结构是一种模仿动物神经网络行为特征、进行分布式并行信息处理的算法数学模型。这种网络结构依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。所述预设元模型在针对不同部位的CT图像进行去噪具有较好的延展性。
可选地,所述基于所述任务集进行元迁移学习,得到预设元模型的目标元模型参数包括:
拆分所述任务集,得到训练任务集与验证任务集;
计算所述训练任务集中每一训练任务对应所述预设元模型的初始元模型参数,得到初始元模型参数集;
基于所述初始元模型参数集调用所述验证任务集计算所述预设元模型的总损失函数;
采用随机梯度下降算法优化所述总损失函数,并检测优化后的所述总损失函数是否收敛;
当检测结果为优化后的所述总损失函数收敛时,遍历所述预设元模型的网络层,得到各个网络层的预设参数作为目标元模型参数。
其中,按照预设拆分比例拆分所述任务集,得到训练任务集与验证任务集,所述预设拆分比例可以为8:1或者9:1,拆分原则可以为随机拆分的方式,例如,对于任务集中包含20个训练任务来说,随机拆分18个任务作为训练任务集,剩余2个任务作为验证任务集,在此不做限制。所述训练任务集中的数据量大于所述验证任务集中的数据量,即所述训练任务集为富样本数据,所述验证任务集为少样本数据。
其中,当检测结果为优化后的所述总损失函数收敛时,对所述预设元模型的各个网络层进行遍历,以获取各个网络层的预设参数作为目标元模型参数,遍历的顺序可以为对网络深度较浅的网络层至网络深度较深的网络层进行遍历,或者为对网络深度较深的网络层至网络深度较浅的网络层进行遍历。所述预设参数是指预先设置的参数类型,所述预设参数可以包括但不限于:模型的权重值与梯度值。
所述训练任务集用于对所述预设元模型进行元训练,示例性地,将所述任务集记作Dmeta数据,将所述训练任务集记作Dtr数据,将所述验证任务集记作Dte数据,将所述训练任务集中的每一训练任务记作Ti,将每一训练任务Ti对应所述预设元模型的元模型参数记作θi。
依据元模型参数的初始值θ的一次或多次梯度更新来适应一个新的训练任务Τi,对于一次梯度更新,所述初始元模型参数θi可以为:
其中,α是任务训练的学习率,是指所述预设元模型对应训练任务Ti。的损失函数。
基于所述初始元模型参数集调用所述验证任务集Dte数据计算所述预设元模型的总损失函数,优化元模型参数的参数值θ,使任务集Dmeta数据相对于元模型参数θi的测试误差最小,具体的目标为:
其中,是指基于所述验证任务集Dte数据得到的预设元模型的总损失函数。
采用随机梯度下降使用上述公式2对元迁移学习的过程进行优化,使得优化后的总损失函数达到收敛状态,此时,参数更新规则表示为:
其中,β是学习率。
本申请首先在CT图像数据量相对较大的训练任务上进行元迁移学习,能够生成去噪效果较好的预设元模型的元模型参数,所述预设元模型能够在测试任务上通过少量的梯度迭代来产生泛化的性能,即通过上述步骤训练了一个易于微调的预设元模型。
所述模型确定模块204,可以用于确定预设的对应目标部位的初始CT图像去噪模型,并根据所述目标元模型参数更新所述初始CT图像去噪模型,得到目标CT图像去噪模型;
在本申请的至少一实施例中,所述初始CT图像去噪模型是指预先设置的用于对目标部位的CT图像进行去噪处理的深度神经网络结构,所述初始CT图像去噪模型包含初始模型参数。
可选地,所述根据所述目标元模型参数更新所述初始CT图像去噪模型,得到目标CT图像去噪模型包括:
获取所述初始CT图像去噪模型的初始模型参数;
对比所述初始模型参数与所述目标元模型参数,得到差异模型参数;
根据所述差异模型参数调整所述初始模型参数以更新所述初始CT图像去噪模型,得到目标CT图像去噪模型。
其中,所述差异模型参数是指所述初始模型参数与所述目标元模型参数相比,不同的参数。示例性地,所述对比所述初始模型参数与所述目标元模型参数,得到差异模型参数可以包括:按照预定顺序分别排列所述初始模型参数与所述目标元模型参数;对比所述预定顺序中每一相同位置处的所述初始模型参数与所述目标元模型参数是否相同;当对比结果为所述预定顺序中相同位置处的所述初始模型参数与所述目标元模型参数不相同时,确定所述初始模型参数与所述目标元模型参数的差值作为差异模型参数。可以理解的是,在其他实施例中,所述差异模型参数还可以为与所述初始模型参数不同的所述目标元模型参数,根据所述目标元模型参数替换所述初始模型参数可以更新所述初始CT图像去噪模型,得到目标CT图像去噪模型。在其他实施例中,可选地,所述根据所述目标元模型参数更新所述初始CT图像去噪模型,得到目标CT图像去噪模型还包括:
获取所述初始CT图像去噪模型的初始模型参数;
根据所述目标元模型参数替换所述初始模型参数以更新所述初始CT图像去噪模型,得到目标CT图像去噪模型。
所述去噪处理模块205,可以获取待去噪的第二CT噪声图像,并调用所述目标CT图像去噪模型处理所述第二CT噪声图像,得到第二CT去噪图像;
在本申请的至少一实施例中,所述待去噪的第二CT噪声图像是指对第二CT真实图像添加高斯噪声的图像,调用所述目标CT图像去噪模型处理待去噪的第二CT噪声图像,得到去除高斯噪声后的第二CT去噪图像。
可选地,所述获取待去噪的第二CT噪声图像包括:
获取对应所述目标部位的第二CT真实图像;
确定预定强度的第二高斯噪声;
添加所述第二高斯噪声至所述第二CT真实图像中,得到待去噪的第二CT噪声图像。
其中,所述预定强度是指预先设置的,所述第二高斯噪声的强度。
本申请采用先对第二CT真实图像添加预设强度的第二高斯噪声,再调用目标CT图像去噪模型处理所述第二CT噪声图像以去除第二高斯噪声的方式,相较于直接调用目标CT图像去噪模型处理所述第二CT真实图像以去除真实噪声的方式,能够快速分析目标CT图像去噪模型的去噪处理效果,降低目标CT图像去噪模型的训练难度,进而提高目标CT图像去噪模型的训练效率。
所述损失检测模块206,可以用于计算对应所述目标部位的第二CT真实图像与所述第二CT去噪图像的损失值,并检测所述损失值是否小于预设损失阈值要求;
在本申请的至少一实施例中,所述预设损失阈值要求为预先设置的,用于评估损失函数是否收敛的阈值。
在一实施例中,所述方法还包括:
当检测结果为所述损失值未满足预设损失阈值要求时,根据所述第二CT真实图像与所述第二CT去噪图像获取所述目标CT图像去噪模型的模型损失函数;
采用梯度下降算法优化所述模型损失函数,直至所述模型损失函数收敛;
获取所述模型损失函数收敛时的模型参数,并根据所述模型参数建立目标CT图像去噪模型。
所述图像确定模块207,可以用于当检测结果为所述损失值小于预设损失阈值要求时,调用所述目标CT图像去噪模型处理所述第二CT真实图像,得到目标CT图像。
在本申请的至少一实施例中,所述第二CT真实图像是指包含真实噪声的CT图像,所述目标CT图像是指对所述第二CT真实图像进行真实噪声去噪处理后的干净CT图像。
需要强调的是,为进一步保证上述CT图像的私密性和安全性,上述CT图像可存储于区块链的目标节点中。
参阅图3所示,为本申请实施例三提供的计算机设备的结构示意图。在本申请较佳实施例中,所述计算机设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解,图3示出的计算机设备的结构并不构成本申请实施例的限定,既可以是总线型结构,也可以是星形结构,所述计算机设备3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述计算机设备3是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述计算机设备3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本申请,也应包含在本申请的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31中存储有计算机程序,所述计算机程序被所述至少一个处理器32执行时实现如所述的CT图像去噪处理方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(ProgrammableRead-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一些实施例中,所述至少一个处理器32是所述计算机设备3的控制核心(Control Unit),利用各种接口和线路连接整个计算机设备3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行计算机设备3的各种功能和处理数据。例如,所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的CT图像去噪处理方法的全部或者部分步骤;或者实现CT图像去噪处理装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中,所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述计算机设备3还可以包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,计算机设备,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (7)
1.一种CT图像去噪处理方法,其特征在于,所述CT图像去噪处理方法包括:
加噪处理第一CT真实图像集,得到第一CT噪声图像集;
根据除目标部位外的预设部位分类所述第一CT噪声图像集,得到第一CT噪声图像子集,并根据所述第一CT噪声图像子集配置任务集,包括:获取所述第一CT噪声图像集中每一第一CT噪声图像的部位编码;选取所述部位编码一致的所述第一CT噪声图像为第一CT噪声图像子集;确定每一所述第一CT噪声图像子集为一个任务;组合所述任务,得到任务集;
基于所述任务集进行元迁移学习,得到预设元模型的目标元模型参数,包括:拆分所述任务集,得到训练任务集与验证任务集;计算所述训练任务集中每一训练任务对应所述预设元模型的初始元模型参数,得到初始元模型参数集;基于所述初始元模型参数集调用所述验证任务集计算所述预设元模型的总损失函数;采用随机梯度下降算法优化所述总损失函数,并检测优化后的所述总损失函数是否收敛;当检测结果为优化后的所述总损失函数收敛时,遍历所述预设元模型的网络层,得到各个网络层的预设参数作为目标元模型参数;
确定预设的对应所述目标部位的初始CT图像去噪模型;
根据所述目标元模型参数更新所述初始CT图像去噪模型,得到目标CT图像去噪模型,包括:获取所述初始CT图像去噪模型的初始模型参数;对比所述初始模型参数与所述目标元模型参数,得到差异模型参数;根据所述差异模型参数调整所述初始模型参数以更新所述初始CT图像去噪模型,得到目标CT图像去噪模型;
获取待去噪的第二CT噪声图像,并调用所述目标CT图像去噪模型处理所述第二CT噪声图像,得到第二CT去噪图像;
计算对应所述目标部位的第二CT真实图像与所述第二CT去噪图像的损失值,并检测所述损失值是否小于预设损失阈值要求;
当检测结果为所述损失值小于预设损失阈值要求时,调用所述目标CT图像去噪模型处理所述第二CT真实图像,得到目标CT图像。
2.根据权利要求1所述的CT图像去噪处理方法,其特征在于,所述加噪处理第一CT真实图像集,得到第一CT噪声图像集包括:
裁剪处理所述第一CT真实图像集,得到预设尺寸的第一CT真实图像集;
获取预设强度的第一高斯噪声;
添加所述第一高斯噪声至裁剪后的所述第一CT真实图像集中,得到第一CT噪声图像集。
3.根据权利要求1所述的CT图像去噪处理方法,其特征在于,所述获取待去噪的第二CT噪声图像包括:
获取对应所述目标部位的第二CT真实图像;
确定预定强度的第二高斯噪声;
添加所述第二高斯噪声至所述第二CT真实图像中,得到待去噪的第二CT噪声图像。
4.根据权利要求1所述的CT图像去噪处理方法,其特征在于,所述方法还包括:
当检测结果为所述损失值未满足预设损失阈值要求时,根据所述第二CT真实图像与所述第二CT去噪图像获取所述目标CT图像去噪模型的模型损失函数;
采用梯度下降算法优化所述模型损失函数,直至所述模型损失函数收敛;
获取所述模型损失函数收敛时的模型参数,并根据所述模型参数建立目标CT图像去噪模型。
5.一种CT图像去噪处理装置,其特征在于,所述CT图像去噪处理装置包括:
图像加噪模块,用于加噪处理第一CT真实图像集,得到第一CT噪声图像集;
图片分类模块,用于根据除目标部位外的预设部位分类所述第一CT噪声图像集,得到第一CT噪声图像子集,并根据所述第一CT噪声图像子集配置任务集,包括:获取所述第一CT噪声图像集中每一第一CT噪声图像的部位编码;选取所述部位编码一致的所述第一CT噪声图像为第一CT噪声图像子集;确定每一所述第一CT噪声图像子集为一个任务;组合所述任务,得到任务集;
参数获取模块,用于基于所述任务集进行元迁移学习,得到预设元模型的目标元模型参数,包括:拆分所述任务集,得到训练任务集与验证任务集;计算所述训练任务集中每一训练任务对应所述预设元模型的初始元模型参数,得到初始元模型参数集;基于所述初始元模型参数集调用所述验证任务集计算所述预设元模型的总损失函数;采用随机梯度下降算法优化所述总损失函数,并检测优化后的所述总损失函数是否收敛;当检测结果为优化后的所述总损失函数收敛时,遍历所述预设元模型的网络层,得到各个网络层的预设参数作为目标元模型参数;
模型确定模块,用于确定预设的对应所述目标部位的初始CT图像去噪模型;
所述模型确定模块还用于根据所述目标元模型参数更新所述初始CT图像去噪模型,得到目标CT图像去噪模型,包括:获取所述初始CT图像去噪模型的初始模型参数;对比所述初始模型参数与所述目标元模型参数,得到差异模型参数;根据所述差异模型参数调整所述初始模型参数以更新所述初始CT图像去噪模型,得到目标CT图像去噪模型;
去噪处理模块,用于获取待去噪的第二CT噪声图像,并调用所述目标CT图像去噪模型处理所述第二CT噪声图像,得到第二CT去噪图像;
损失检测模块,用于计算对应所述目标部位的第二CT真实图像与所述第二CT去噪图像的损失值,并检测所述损失值是否小于预设损失阈值要求;
图像确定模块,用于当检测结果为所述损失值小于预设损失阈值要求时,调用所述目标CT图像去噪模型处理所述第二CT真实图像,得到目标CT图像。
6.一种计算机设备,其特征在于,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至4中任意一项所述CT图像去噪处理方法。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述CT图像去噪处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110220871.4A CN112927152B (zh) | 2021-02-26 | 2021-02-26 | Ct图像去噪处理方法、装置、计算机设备及介质 |
PCT/CN2021/096638 WO2022178995A1 (zh) | 2021-02-26 | 2021-05-28 | Ct图像去噪处理方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110220871.4A CN112927152B (zh) | 2021-02-26 | 2021-02-26 | Ct图像去噪处理方法、装置、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112927152A CN112927152A (zh) | 2021-06-08 |
CN112927152B true CN112927152B (zh) | 2024-02-02 |
Family
ID=76172451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110220871.4A Active CN112927152B (zh) | 2021-02-26 | 2021-02-26 | Ct图像去噪处理方法、装置、计算机设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112927152B (zh) |
WO (1) | WO2022178995A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362259B (zh) * | 2021-07-13 | 2024-01-09 | 商汤集团有限公司 | 图像降噪处理方法、装置、电子设备及存储介质 |
CN118195930A (zh) * | 2022-12-09 | 2024-06-14 | 英特灵达信息技术(深圳)有限公司 | 图像去噪模型训练方法、图像去噪方法、装置及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476292A (zh) * | 2020-04-03 | 2020-07-31 | 北京全景德康医学影像诊断中心有限公司 | 医学图像分类处理人工智能的小样本元学习训练方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10891762B2 (en) * | 2017-11-20 | 2021-01-12 | ClariPI Inc. | Apparatus and method for medical image denoising based on deep learning |
KR102184278B1 (ko) * | 2018-11-21 | 2020-11-30 | 한국과학기술원 | 메타학습에 기반한 임의의 목표 데이터셋과 모델 구조로의 전이학습 방법 및 시스템 |
CN110163827B (zh) * | 2019-05-28 | 2023-01-10 | 腾讯科技(深圳)有限公司 | 图像去噪模型的训练方法、图像去噪方法、装置及介质 |
CN111311506B (zh) * | 2020-01-21 | 2023-05-09 | 辽宁师范大学 | 基于双残差网络的低剂量ct牙齿图像去噪方法 |
-
2021
- 2021-02-26 CN CN202110220871.4A patent/CN112927152B/zh active Active
- 2021-05-28 WO PCT/CN2021/096638 patent/WO2022178995A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476292A (zh) * | 2020-04-03 | 2020-07-31 | 北京全景德康医学影像诊断中心有限公司 | 医学图像分类处理人工智能的小样本元学习训练方法 |
Non-Patent Citations (1)
Title |
---|
"A Deep Meta-Learning Neural Network for Single Image Rain Removal";Yihong Li et al;《13th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics》;20201125;第231-237页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112927152A (zh) | 2021-06-08 |
WO2022178995A1 (zh) | 2022-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275080B (zh) | 基于人工智能的图像分类模型训练方法、分类方法及装置 | |
Cui et al. | Artificial intelligence and computational pathology | |
Vásquez-Morales et al. | Explainable prediction of chronic renal disease in the colombian population using neural networks and case-based reasoning | |
US11416716B2 (en) | System and method for automatic assessment of cancer | |
Mason et al. | An investigation of biometric authentication in the healthcare environment | |
EP2365458B1 (en) | A computer implemented method for determining the presence of a disease in a patient | |
CN112927152B (zh) | Ct图像去噪处理方法、装置、计算机设备及介质 | |
Mungoli | Leveraging AI and Technology to Address the Challenges of Underdeveloped Countries | |
Scott | Demystifying machine learning: a primer for physicians | |
CN112634889B (zh) | 基于人工智能的电子病例录入方法、装置、终端及介质 | |
Al-Safi et al. | Patient privacy in smart cities by blockchain technology and feature selection with Harris Hawks Optimization (HHO) algorithm and machine learning | |
Al Turkestani et al. | Clinical decision support systems in orthodontics: a narrative review of data science approaches | |
Singh et al. | An introduction and review on machine learning applications in medicine and healthcare | |
JP2024527831A (ja) | 画像マッチングの画像処理を行うためのシステム及び方法 | |
Nalluri et al. | HUMAN-AI COLLABORATION IN HEALTHCARE STUDYING THE IMPACT OF AI ON HEALTHCARE PROFESSIONALS DECISION-MAKING PROCESSES | |
CN112435745B (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
Thirunavukarasu et al. | Democratizing artificial intelligence imaging analysis with automated machine learning: tutorial | |
Rawat et al. | Case based Reasoning Technique in Digital Diagnostic System for Lung Cancer Detection | |
CN108806778A (zh) | 一种白内障病情监察方法及系统 | |
Ta et al. | Development and implementation of nationwide predictive model for admission prevention: System architecture & machine learning | |
CN113436743B (zh) | 基于表示学习的多结局疗效预测方法、装置及存储介质 | |
CN113488128B (zh) | 基于区块链的电子病历调阅方法、装置及相关设备 | |
Sumathi et al. | Machine learning based pattern detection technique for diabetes mellitus prediction | |
Awotunde et al. | Diagnosis Expert System on Breast Cancer Using Fuzzy Logic and Clustering Technique | |
EP3920190A1 (en) | Bias detection in sensor signals |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |