CN113538277A - 一种基于神经网络的断层扫描图降噪方法及装置 - Google Patents
一种基于神经网络的断层扫描图降噪方法及装置 Download PDFInfo
- Publication number
- CN113538277A CN113538277A CN202110806119.8A CN202110806119A CN113538277A CN 113538277 A CN113538277 A CN 113538277A CN 202110806119 A CN202110806119 A CN 202110806119A CN 113538277 A CN113538277 A CN 113538277A
- Authority
- CN
- China
- Prior art keywords
- training
- post
- noise reduction
- model
- 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.)
- Pending
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 245
- 238000003325 tomography Methods 0.000 title claims abstract description 237
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 62
- 238000003062 neural network model Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims description 455
- 230000006870 function Effects 0.000 claims description 161
- 238000012545 processing Methods 0.000 claims description 68
- 230000015654 memory Effects 0.000 claims description 17
- 230000008014 freezing Effects 0.000 claims description 5
- 238000007710 freezing Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 abstract description 72
- 238000010586 diagram Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 16
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- 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
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于神经网络的断层扫描图降噪方法及装置，该方法包括：获取待降噪的目标断层扫描图像信息；目标断层扫描图像信息包括若干张目标断层扫描图；根据目标断层扫描图像信息，以及预设的神经网络模型，确定出降噪结果图；神经网络模型用于分析目标断层扫描图像信息的噪声统计学分布特性。可见，本发明能够通过获取待降噪的目标断层扫描图像信息，利用神经网络模型确定出降噪结果图，以提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于神经网络的断层扫描图降噪方法及装置。
背景技术
随着计算机和医疗技术的快速发展，断层扫描图(如OCT图像)已被广泛应用于眼底疾病的诊断设备中。在实际中，利用光的相干性对眼底扫描成像的断层扫描图往往包含较多的噪声，图像质量较低。现有技术中，通常采用对同一位置重复扫描，获取多张断层扫描图，对这多张断层扫描图进行配准对齐后再取信号平均从而降低噪声，但是这种方案需要通过融合多次扫描同一位置得到的图像来减少噪声，对在相同位置获取的断层扫描图的数量和质量要求都比较严格。现有技术中另一种方案是利用传统计算机视觉技术中的滤波器，如高斯滤波器、均值滤波器、中值滤波器等，对图像去噪，但这种方案的降噪效果并不理想，图像中仍然会包含噪声，降噪效率也不高。因此，提供一种基于神经网络的断层扫描图降噪方法以提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率显得尤为重要。
发明内容
本发明所要解决的技术问题在于，提供一种基于神经网络的断层扫描图降噪方法及装置，能够通过获取待降噪的目标断层扫描图像信息，利用神经网络模型确定出降噪结果图，以提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
为了解决上述技术问题，本发明实施例第一方面公开了一种基于神经网络的断层扫描图降噪方法，所述方法包括：
获取待降噪的目标断层扫描图像信息；所述目标断层扫描图像信息包括若干张目标断层扫描图；
根据所述目标断层扫描图像信息，以及预设的神经网络模型，确定出降噪结果图；所述神经网络模型用于分析所述目标断层扫描图像信息的噪声统计学分布特性。
作为一种可选的实施方式，在本发明实施例第一方面中，所述神经网络模型包括前置网络模型和后置网络模型；所述根据所述目标断层扫描图像信息，以及预设的神经网络模型，确定出降噪结果图，包括：
将所述目标断层扫描图像信息输入所述前置网络模型进行处理，得到所述目标断层扫描图像信息对应的噪声统计学分布信息；
根据所述噪声统计学分布信息、所述目标断层扫描图像信息和所述后置网络模型，确定出降噪结果图。
作为一种可选的实施方式，在本发明实施例第一方面中，所述根据所述噪声统计学分布信息、所述目标断层扫描图像信息和所述后置网络模型，确定出降噪结果图，包括：
将所述噪声统计学分布信息和所述目标断层扫描图像信息输入后置网络模型进行处理，得到预测噪声图；
根据所述预测噪声图和所述目标断层扫描图信息，确定出降噪结果图。
作为一种可选的实施方式，在本发明实施例第一方面中，所述根据所述预测噪声图和所述目标断层扫描图信息，确定出降噪结果图，包括：
根据所述预测噪声图和所述目标断层扫描图信息，确定出预测降噪结果图集合；所述预测降噪结果图集合包括至少一张预测降噪结果图；
对所述预测降噪结果图集合中的所有预测降噪结果图进行平均叠加处理，确定出降噪结果图。
作为一种可选的实施方式，在本发明实施例第一方面中，所述神经网络模型基于以下步骤训练得到：
由训练装置获取训练样本图像集；所述训练样本图像集包括若干个训练样本，每个所述训练样本包括原始断层扫描图像信息、所述原始断层扫描图像信息对应的目标参考图和所述原始断层扫描图像信息对应的目标噪声分布特性信息；所述原始断层扫描图像信息包括若干张原始断层扫描图；
由所述训练装置利用M个所述训练样本对预设的前置训练模型进行训练，得到待选前置训练模型；所述M为正整数；
由所述训练装置利用N个所述训练样本和所述待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型；所述N为正整数；
由所述训练装置根据所述待选前置训练模型和所述待选后置训练模型，确定出所述神经网络模型。
作为一种可选的实施方式，在本发明实施例第一方面中，所述由所述训练装置利用M个所述训练样本对预设的前置训练模型进行训练，得到待选前置训练模型，包括：
由所述训练装置从M个所述训练样本中任选出一个所述训练样本，并将该训练样本对应的原始断层扫描图像信息输入预设的前置训练模型进行处理，得到第一预测信息；
由所述训练装置利用所述第一预测信息、该训练样本对应的目标噪声分布特性信息和预设的前置损失函数进行处理，得到第一前置损失函数值；
由所述训练装置判断所述第一前置损失函数值是否满足前置终止条件，得到第一判断结果；
当所述第一判断结果表示所述第一前置损失函数值满足前置终止条件时，由所述训练装置确定所述第一前置损失函数值对应的前置训练模型为所述待选前置训练模型。
作为一种可选的实施方式，在本发明实施例第一方面中，由所述训练装置利用N个所述训练样本和所述待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型，包括：
由所述训练装置冻结所述待选前置训练模型对应的前置权重参数；
由所述训练装置从N个所述训练样本中任选出一个训练样本，并将该训练样本对应的原始断层扫描图像信息输入所述待选前置训练模型，得到第二预测信息；
由所述训练装置将所述第二预测信息和该训练样本对应的原始断层扫描图像信息输入预设的后置训练模型进行处理，得到第一后置预测降噪图；
由所述训练装置利用所述第一后置预测降噪图、该训练样本对应的目标参考图和预设的后置损失函数进行处理，得到第一后置损失函数值；
由所述训练装置判断所述第一后置损失函数值是否满足后置终止条件，得到第二判断结果；
当所述第二判断结果表示所述第一后置损失函数值满足后置终止条件时，由所述训练装置确定所述第一后置损失函数值对应的后置训练模型为所述待选后置训练模型。
作为一种可选的实施方式，在本发明实施例第一方面中，由所述训练装置根据所述待选前置训练模型和所述待选后置训练模型，确定出所述神经网络模型，包括：
由所述训练装置利用L个所述训练样本对所述待选前置训练模型和所述待选后置训练模型进行联合训练，确定出所述神经网络模型；所述L为正整数。
作为一种可选的实施方式，在本发明实施例第一方面中，所述由所述训练装置利用L个所述训练样本对所述待选前置训练模型和所述待选后置训练模型进行联合训练，确定出所述神经网络模型，包括：
由所述训练装置解冻所述待选前置训练模型对应的前置权重参数；
由所述训练装置从L个所述训练样本中任选出一个所述训练样本，并将该训练样本对应的原始断层扫描图像信息输入所述待选前置训练模型进行处理，得到第三预测信息；
由所述训练装置利用所述第三预测信息、该训练样本对应的目标噪声分布特性信息和所述前置损失函数进行处理，得到第二前置损失函数值；
由所述训练装置将所述第三预测信息和该训练样本对应的原始断层扫描图像信息输入所述待选后置训练模型进行处理，得到第二后置预测降噪图；
由所述训练装置利用所述第二后置预测降噪图、该训练样本对应的目标参考图和所述后置损失函数进行处理，得到第二后置损失函数值；
由所述训练装置判断所述第二前置损失函数值和所述第二后置损失函数值是否满足联合终止条件，得到第三判断结果；
当所述第三判断结果表示所述第二前置损失函数值和所述第二后置损失函数值满足联合终止条件时，确定所述第二前置损失函数值对应的待选前置训练模型和所述第二后置损失函数值对应的待选后置训练模型分别为所述前置网络模型和所述后置网络模型。
作为一种可选的实施方式，在本发明实施例第一方面中，所述根据所述预测噪声图和所述目标断层扫描图信息，确定出预测降噪结果图集合，包括：
对于所述目标断层扫描图信息中的任一所述目标断层扫描图，将该目标断层扫描图减去所述预测噪声图，得到预测降噪结果图。
本发明实施例第二方面公开了一种基于神经网络的断层扫描图降噪装置，装置包括：
获取模块，用于获取待降噪的目标断层扫描图像信息；所述目标断层扫描图像信息包括若干张目标断层扫描图；
确定模块，用于根据所述目标断层扫描图像信息，以及预设的神经网络模型，确定出降噪结果图。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述确定模块包括处理子模块和确定子模块，其中：
所述处理子模块，用于将所述目标断层扫描图像信息输入所述前置网络模型进行处理，得到所述目标断层扫描图像信息对应的噪声统计学分布信息；
确定子模块，用于根据所述噪声统计学分布信息、所述目标断层扫描图像信息和所述后置网络模型，确定出降噪结果图。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述确定子模块根据所述噪声统计学分布信息、所述目标断层扫描图像信息和所述后置网络模型，确定出降噪结果图的具体方式为：
将所述噪声统计学分布信息和所述目标断层扫描图像信息输入后置网络模型进行处理，得到预测噪声图；
根据所述预测噪声图和所述目标断层扫描图信息，确定出降噪结果图。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述确定子模块根据所述预测噪声图和所述目标断层扫描图信息，确定出降噪结果图的具体方式为：
根据所述预测噪声图和所述目标断层扫描图信息，确定出预测降噪结果图集合；所述预测降噪结果图集合包括至少一张预测降噪结果图；
对所述预测降噪结果图集合中的所有预测降噪结果图进行平均叠加处理，确定出降噪结果图。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述装置还包括：
训练模块，用于执行以下步骤以训练得到神经网络模型：
获取训练样本图像集；所述训练样本图像集包括若干个训练样本，每个所述训练样本包括原始断层扫描图像信息、所述原始断层扫描图像信息对应的目标参考图和所述原始断层扫描图像信息对应的目标噪声分布特性信息；所述原始断层扫描图像信息包括若干张原始断层扫描图；
利用M个所述训练样本对预设的前置训练模型进行训练，得到待选前置训练模型；所述M为正整数；
利用N个所述训练样本和所述待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型；所述N为正整数；
根据所述待选前置训练模型和所述待选后置训练模型，确定出所述神经网络模型。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述训练模块利用M个所述训练样本对预设的前置训练模型进行训练，得到待选前置训练模型的具体方式为：
利用所述第一预测信息、该训练样本对应的目标噪声分布特性信息和预设的前置损失函数进行处理，得到第一前置损失函数值；
判断所述第一前置损失函数值是否满足前置终止条件，得到第一判断结果；
当所述第一判断结果表示所述第一前置损失函数值满足前置终止条件时，确定所述第一前置损失函数值对应的前置训练模型为所述待选前置训练模型。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述训练模块利用N个所述训练样本和所述待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型的具体方式为：
冻结所述待选前置训练模型对应的前置权重参数；
从N个所述训练样本中任选出一个训练样本，并将该训练样本对应的原始断层扫描图像信息输入所述待选前置训练模型，得到第二预测信息；
将所述第二预测信息和该训练样本对应的原始断层扫描图像信息输入预设的后置训练模型进行处理，得到第一后置预测降噪图；
利用所述第一后置预测降噪图、该训练样本对应的目标参考图和预设的后置损失函数进行处理，得到第一后置损失函数值；
判断所述第一后置损失函数值是否满足后置终止条件，得到第二判断结果；
当所述第二判断结果表示所述第一后置损失函数值满足后置终止条件时，确定所述第一后置损失函数值对应的后置训练模型为所述待选后置训练模型。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述训练模块根据所述待选前置训练模型和所述待选后置训练模型，确定出所述神经网络模型的具体方式为：
利用L个所述训练样本对所述待选前置训练模型和所述待选后置训练模型进行联合训练，确定出所述神经网络模型；所述L为正整数。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述训练模块利用L个所述训练样本对所述待选前置训练模型和所述待选后置训练模型进行联合训练，确定出所述神经网络模型的具体方式为：
解冻所述待选前置训练模型对应的前置权重参数；
从L个所述训练样本中任选出一个所述训练样本，并将该训练样本对应的原始断层扫描图像信息输入所述待选前置训练模型进行处理，得到第三预测信息；
利用所述第三预测信息、该训练样本对应的目标噪声分布特性信息和所述前置损失函数进行处理，得到第二前置损失函数值；
将所述第三预测信息和该训练样本对应的原始断层扫描图像信息输入所述待选后置训练模型进行处理，得到第二后置预测降噪图；
利用所述第二后置预测降噪图、该训练样本对应的目标参考图和所述后置损失函数进行处理，得到第二后置损失函数值；
判断所述第二前置损失函数值和所述第二后置损失函数值是否满足联合终止条件，得到第三判断结果；
当所述第三判断结果表示所述第二前置损失函数值和所述第二后置损失函数值满足联合终止条件时，确定所述第二前置损失函数值对应的待选前置训练模型和所述第二后置损失函数值对应的待选后置训练模型分别为所述前置网络模型和所述后置网络模型。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述确定子模块根据所述预测噪声图和所述目标断层扫描图信息，确定出预测降噪结果图集合的具体方式为：
对于所述目标断层扫描图信息中的任一所述目标断层扫描图，将该目标断层扫描图减去所述预测噪声图，得到预测降噪结果图。
本发明第三方面公开了另一种基于神经网络的断层扫描图降噪装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的基于神经网络的断层扫描图降噪方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的基于神经网络的断层扫描图降噪方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，获取待降噪的目标断层扫描图像信息；目标断层扫描图像信息包括若干张目标断层扫描图；根据目标断层扫描图像信息，以及预设的神经网络模型，确定出降噪结果图；神经网络模型用于分析目标断层扫描图像信息的噪声统计学分布特性。可见，本发明能够通过获取待降噪的目标断层扫描图像信息，利用神经网络模型确定出降噪结果图，以提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于神经网络的断层扫描图降噪方法的流程示意图；
图2是本发明实施例公开的另一种基于神经网络的断层扫描图降噪方法的流程示意图；
图3是本发明实施例公开的一种前置网络模型的结构示意图；
图4是本发明实施例公开的一种神经网络模型的结构示意图；
图5是本发明实施例公开的一种基于神经网络的断层扫描图降噪装置的结构示意图；
图6是本发明实施例公开的另一种基于神经网络的断层扫描图降噪装置的结构示意图；
图7本发明实施例公开的又一种基于神经网络的断层扫描图降噪装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于神经网络的断层扫描图降噪方法及装置，能够通过获取待降噪的目标断层扫描图像信息，利用神经网络模型确定出降噪结果图，以提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于神经网络的断层扫描图降噪方法的流程示意图。其中，图1所描述的基于神经网络的断层扫描图降噪方法应用于对断层扫描图像的降噪处理系统中，如用于对OCT图像的降噪等，本发明实施例不做限定。如图1所示，该基于神经网络的断层扫描图降噪方法可以包括以下操作：
101、获取待降噪的目标断层扫描图像信息。
本发明实施例中，该目标断层扫描图像信息包括若干张目标断层扫描图。
102、根据目标断层扫描图像信息，以及预设的神经网络模型，确定出降噪结果图。
本发明实施例中，该神经网络模型用于分析目标断层扫描图像信息的噪声统计学分布特性。
可选的，上述噪声统计学分布特性为不同噪声参数在目标断层扫描图的分布特性。
可见，实施本发明实施例所描述的基于神经网络的断层扫描图降噪方法能够通过获取待降噪的目标断层扫描图像信息，利用神经网络模型确定出降噪结果图，以提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在一个可选的实施例中，上述神经网络模型基于以下方式训练得到：
由训练装置获取训练样本图像集；训练样本图像集包括若干个训练样本，每个训练样本包括原始断层扫描图像信息、原始断层扫描图像信息对应的目标参考图和原始断层扫描图像信息对应的目标噪声分布特性信息；原始断层扫描图像信息包括若干张原始断层扫描图；
由训练装置利用M个训练样本对预设的前置训练模型进行训练，得到待选前置训练模型；M为正整数；
由训练装置利用N个训练样本和待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型；N为正整数；
由训练装置根据待选前置训练模型和待选后置训练模型，确定出神经网络模型。
本发明实施例中，在利用训练样本图像集训练得到神经网络模型之后，还可利用样本图像验证集和样本图像测试集对上述神经网络模型以验证测试神经网络模型的准确性。
可选的，上述原始断层扫描图像信息包括多张同一位置采集的原始断层扫描图。
本发明实施例中，目标参考图是对多张同一位置采集的原始断层扫描图进行对齐后，取信号平均得到的图像。
本发明实施例中，目标噪声分布特性信息包括对多张同一位置采集的图像进行图像处理后得到的图像上的噪声参数对应的目标噪声分布特性分布图。具体的，噪声参数是根据噪声模型确定的。举例来说，当选用的噪声模型为伽马分布时，对应的噪声参数为形状参数和逆尺度参数，则目标噪声分布特性分布图为形状参数图和逆尺度参数分布图。
可见，实施本发明实施例所描述的基于神经网络的断层扫描图降噪方法能够利用训练样本图像集对前置训练模型和后置训练模型进行训练，进而得到神经网络模型，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在另一个可选的实施例中，上述由训练装置利用M个训练样本对预设的前置训练模型进行训练，得到待选前置训练模型，包括：
由训练装置从M个训练样本中任选出一个训练样本，并将该训练样本对应的原始断层扫描图像信息输入预设的前置训练模型进行处理，得到第一预测信息；
由训练装置利用第一预测信息、该训练样本对应的目标噪声分布特性信息和预设的前置损失函数进行处理，得到第一前置损失函数值；
由训练装置判断第一前置损失函数值是否满足前置终止条件，得到第一判断结果；
当第一判断结果表示第一前置损失函数值满足前置终止条件时，由训练装置确定第一前置损失函数值对应的前置训练模型为待选前置训练模型。
可选的，以原始断层扫描图像信息为预设的前置训练模型的输入，输出得到第一预测信息。可选的，输入的原始断层扫描图像信息可以是采集的单张原始断层扫描图，也可以是多张同一位置采集的原始断层扫描图，本发明实施例不做限定。具体的，该第一预测信息为预测的噪声参数分布图。
可选的，预设的前置损失函数为第一预测信息中的预测的噪声参数分布图与目标噪声分布特性信息中的目标噪声分布特性分布图之间的差异值。进一步的，该第一损失函数可以L1损失函数，或者，L2损失函数，或者，平滑L1损失函数，本发明实施例不做限定。
本发明实施例中，在对前置训练模型进行训练过程中，利用预设的前置梯度下降优化算法对前置网络参数进行权重参数更新，以确定出前置权重参数和第一前置梯度下降值。
可选的，在前置模型训练过程中的前置迭代次数为前置训练模型在该训练过程的循环训练次数。
可选的，在确定出第一前置损失函数值和第一前置梯度下降值之后，对该第一前置损失函数值进行判别，以确定其是否满足终止训练前置训练模型的前置终止条件。
进一步的，该前置终止条件可以为第一前置损失函数阈值，或者，第一前置梯度下降阈值，或者，第一前置迭代次数阈值中的一种或多种。可选的，上述第一前置梯度下降阈值为设定轮次内前置损失函数的下降阈值。
在该可选的实施例中，作为一种可选的实施方式，当前置终止条件为第一前置损失函数阈值时，由训练装置判断第一前置损失函数值是否满足前置终止条件，得到第一判断结果具体为：
由训练装置判断第一前置损失函数值是否小于或等于第一前置损失函数阈值；
当第一前置损失函数值小于或等于第一前置损失函数阈值时表示第一前置损失函数值满足前置终止条件。
在可选的实施例中，作为另一种可选的实施方式，当前置终止条件为第一前置梯度下降阈值时，由训练装置判断第一前置损失函数值是否满足前置终止条件，得到第一判断结果具体为：
由训练装置判断第一前置梯度下降值是否小于或等于第一前置梯度下降阈值；
当第一前置梯度下降值小于或等于第一前置梯度下降阈值时表示该前置训练模型满足前置终止条件。
在可选的实施例中，作为又一种可选的实施方式，当前置终止条件为第一前置损失函数阈值和第一前置梯度下降阈值时，由训练装置判断第一前置损失函数值是否满足前置终止条件，得到第一判断结果具体为：
由训练装置判断第一前置损失函数值是否小于或等于第一前置损失函数阈值；
由训练装置判断第一前置梯度下降值是否小于或等于第一前置梯度下降阈值；
当第一前置损失函数值小于或等于第一前置损失函数阈值，且第一前置梯度下降值小于或等于第一前置梯度下降阈值时表示第一前置损失函数值满足前置终止条件。
在可选的实施例中，作为又一种可选的实施方式，当前置终止条件为第一前置迭代次数阈值时，由训练装置判断第一前置损失函数值是否满足前置终止条件，得到第一判断结果具体为：
由训练装置判断第一前置损失函数值对应的前置迭代次数是否等于第一前置迭代次数阈值；
当第一前置损失函数值对应的前置迭代次数等于第一前置迭代次数阈值时表示第一前置损失函数值满足前置终止条件。
可见，实施本发明实施例所描述的基于神经网络的断层扫描图降噪方法能够利用训练样本和前置损失函数对前置训练模型进行训练，进而得到待选前置训练模型，为确定出精准有效的神经网络模型提供了一种实现路径，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，上述由训练装置利用N个训练样本和待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型，包括：
由训练装置冻结待选前置训练模型对应的前置权重参数；
由训练装置从N个训练样本中任选出一个训练样本，并将该训练样本对应的原始断层扫描图像信息输入待选前置训练模型，得到第二预测信息；
由训练装置将第二预测信息和该训练样本对应的原始断层扫描图像信息输入预设的后置训练模型进行处理，得到第一后置预测降噪图；
由训练装置利用第一后置预测降噪图、该训练样本对应的目标参考图和预设的后置损失函数进行处理，得到第一后置损失函数值；
由训练装置判断第一后置损失函数值是否满足后置终止条件，得到第二判断结果；
当第二判断结果表示第一后置损失函数值满足后置终止条件时，由训练装置确定第一后置损失函数值对应的后置训练模型为待选后置训练模型。
本发明实施例中，在前置训练模型的训练结束后，确定出前置权重参数，然后将前置权重参数冻结，再将前置训练模型和后置训练模型联合到一起训练。
可选的，上述后置损失函数为第一后置预测降噪图和目标参考图之间的差异值。进一步的，该后置损失函数可以L1损失函数，或者，L2损失函数，或者，平滑L1损失函数，本发明实施例不做限定。
可选的，在后置模型训练过程中的后置迭代次数为后置训练模型在该训练过程的循环训练次数。
本发明实施例中，在对后置训练模型进行训练过程中，利用预设的后置梯度下降优化算法对后置网络参数进行权重参数更新，以确定出后置权重参数和第一后置梯度下降值。
可选的，在确定出第一后置损失函数值和第一后置梯度下降值之后，对该第一后置损失函数值进行判别，以确定其是否满足终止训练后置训练模型的后置终止条件。
进一步的，该后置终止条件可以为第一后置损失函数阈值，或者，第一后置梯度下降阈值，或者，第一后置迭代次数阈值中的一种或多种。可选的，上述第一后置梯度下降阈值为设定轮次内后置损失函数的下降阈值。
在该可选的实施例中，作为一种可选的实施方式，当后置终止条件为第一后置损失函数阈值时，由训练装置判断第一后置损失函数值是否满足后置终止条件，得到第二判断结果具体为：
由训练装置判断第一后置损失函数值是否小于或等于第一后置损失函数阈值；
当第一后置损失函数值小于或等于第一后置损失函数阈值时表示第一后置损失函数值满足后置终止条件。
在可选的实施例中，作为另一种可选的实施方式，当后置终止条件为第一后置梯度下降阈值时，由训练装置判断第一后置损失函数值是否满足后置终止条件，得到第二判断结果具体为：
由训练装置判断当前梯度下降值是否小于或等于第一后置梯度下降阈值；
当当前梯度下降值小于或等于第一后置梯度下降阈值时表示第一后置损失函数值满足后置终止条件。
在可选的实施例中，作为又一种可选的实施方式，当后置终止条件为第一后置损失函数阈值和第一后置梯度下降阈值时，由训练装置判断第一后置损失函数值是否满足后置终止条件，得到第二判断结果具体为：
由训练装置判断第一后置损失函数值是否小于或等于第一后置损失函数阈值；
由训练装置判断第一后置梯度下降值是否小于或等于第一后置梯度下降阈值；
当第一后置损失函数值小于或等于第一后置损失函数阈值，且第一后置梯度下降值小于或等于第一后置梯度下降阈值时表示第一后置损失函数值满足后置终止条件。
在可选的实施例中，作为又一种可选的实施方式，当后置终止条件为第一后置迭代次数阈值时，由训练装置判断第一后置损失函数值是否满足后置终止条件，得到第二判断结果具体为：
由训练装置判断第一后置损失函数值对应的后置迭代次数是否等于第一后置迭代次数阈值；
当第一后置损失函数值对应的后置迭代次数等于第一后置迭代次数阈值时表示第一后置损失函数值满足后置终止条件。
可见，实施本发明实施例所描述的基于神经网络的断层扫描图降噪方法能够利用训练样本对后置训练模型进行训练，进而确定出待选后置训练模型，为确定出精准有效的神经网络模型提供了一种实现路径，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，上述由训练装置根据待选前置训练模型和待选后置训练模型，确定出神经网络模型，包括：
由训练装置利用L个训练样本对待选前置训练模型和待选后置训练模型进行联合训练，确定出神经网络模型；L为正整数。
本发明实施例中，在后置训练模型的训练结束并得到待选后置训练模型后，确定出前置权重参数和后置权重参数，然后将前置权重参数解冻，再将待选前置训练模型和待选后置训练模型联合到一起进行迭代训练，并对待选前置训练模型和待选后置训练模型的学习权重参数一起更新迭代。
可见，实施本发明实施例所描述的基于神经网络的断层扫描图降噪方法能够利用训练样本对待选前置训练模型和待选后置训练模型进行进一步的训练，进而确定出精准有效的神经网络模型，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，上述由训练装置利用L个训练样本对待选前置训练模型和待选后置训练模型进行联合训练，确定出神经网络模型，包括：
由训练装置解冻待选前置训练模型对应的前置权重参数；
由训练装置从L个训练样本中任选出一个训练样本，并将该训练样本对应的原始断层扫描图像信息输入待选前置训练模型进行处理，得到第三预测信息；
由训练装置利用第三预测信息、该训练样本对应的目标噪声分布特性信息和前置损失函数进行处理，得到第二前置损失函数值；
由训练装置将第三预测信息和该训练样本对应的原始断层扫描图像信息输入待选后置训练模型进行处理，得到第二后置预测降噪图；
由训练装置利用第二后置预测降噪图、该训练样本对应的目标参考图和后置损失函数进行处理，得到第二后置损失函数值；
由训练装置判断第二前置损失函数值和第二后置损失函数值是否满足联合终止条件，得到第三判断结果；
当第三判断结果表示第二前置损失函数值和第二后置损失函数值满足联合终止条件时，确定第二前置损失函数值对应的待选前置训练模型和第二后置损失函数值对应的待选后置训练模型分别为前置网络模型和后置网络模型。
本发明实施例中，在联合待选前置训练模型和待选后置训练模型时，先解冻待选前置训练模型的前置权重参数。进一步的，每进行一次联合训练，得到一个对应的前置权重参数和后置权重参数，并将该前置权重参数和后置权重参数确定为待选前置训练模型和待选后置训练模型的新权重参数，在联合训练得到待选前置训练模型和待选后置训练模型满足训练终止条件时，将待选前置训练模型和待选后置训练模型确定为神经网络模型的前置网络模型和神经网络模型的后置网络模型。
本发明实施例中，联合训练过程中，利用预设的前置梯度下降优化算法对前置网络参数进行权重参数更新，以确定出新的前置权重参数和第二前置梯度下降值。与此同时，利用预设的后置梯度下降优化算法对后置网络参数进行权重参数更新，以确定出新的后置权重参数和第二后置梯度下降值。
可选的，在联合训练过程中的联合迭代次数为联合训练过程的循环训练次数。
进一步的，判断第二前置损失函数值和第二后置损失函数值是否满足联合终止条件，得到第三判断结果，并根据第三判断结果确定出神经网络模型的前置网络模型和神经网络模型的后置网络模型。
可选的，上述联合终止条件包括第二前置损失函数阈值和第二后置损失函数阈值，或者，第二前置梯度下降阈值和第二后置梯度下降阈值，或者，迭代次数阈值中的一种或多种。进一步，满足联合终止条件的情形包括：当第二前置损失函数值小于或等于第二前置损失函数阈值且第二后置损失函数值小于或等于第二后置损失函数阈值时，和/或，第二前置梯度下降值小于或等于第二前置梯度下降阈值且第二后置梯度下降值小于或等于第二后置梯度下降阈值时，和/或，联合迭代次数等于迭代次数阈值时中的一种或多种，本发明实施例不做限定。
可见，实施本发明实施例所描述的基于神经网络的断层扫描图降噪方法能够利用训练样本对待选前置训练模型和待选后置训练模型进行进一步的训练，进而确定出精准有效的神经网络模型，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
实施例二
请参阅图2，图2是本发明实施例公开的另一种基于神经网络的断层扫描图降噪方法的流程示意图。其中，图2所描述的基于神经网络的断层扫描图降噪方法应用于对断层扫描图像的降噪处理系统中，如用于对OCT图像的降噪等，本发明实施例不做限定。如图2所示，该基于神经网络的断层扫描图降噪方法可以包括以下操作：
201、获取待降噪的目标断层扫描图像信息。
本发明实施例中，神经网络模型包括前置网络模型和后置网络模型。
202、将目标断层扫描图像信息输入前置网络模型进行处理，得到目标断层扫描图像信息对应的噪声统计学分布信息。
203、根据噪声统计学分布信息、目标断层扫描图像信息和后置网络模型，确定出降噪结果图。
本发明实施例中，针对步骤201的具体技术细节和技术名词解释，可以参照实施例一中针对步骤101的详细描述，本发明实施例不再赘述。
可选的，利用后置网络模型对目标断层扫描图像信息和噪声统计学分布信息进行处理，可直接得到降噪结果图。
可选的，以目标断层扫描图像信息作为前置网络模型的输入，通过前置网络模型的处理输出得到噪声统计学分布信息。可选的，输入到前置网络模型的目标断层扫描图像信息可以是单张的目标断层扫描图，也可以是多张的目标断层扫描图，本发明实施例不做限定。
本发明实施例中，前置网络模型的结构为全卷积网络。进一步的，该全卷积网络可以是不带短连接的全卷积网络，也可以是带有短连接的全卷积网络，本发明实施例不做限定。
可选的，作为前置网络模型输入的目标断层扫描图和作为前置网络模型输出的第一噪声分布图像的图像尺寸是相同的。
可选的，上述噪声统计学分布信息包括至少一个噪声参数的噪声参数分布特性图。进一步的，噪声参数的数量与神经网络模型所选用的噪声模型相关，即噪声模型的输出数量即为噪声参数的数量。举例来说，当选择噪声模型为高斯噪声模型时，噪声参数只有1个，即前置网络模型的输出噪声参数分布特性图为噪声的方差分布图；当选择噪声模型为伽马分布时，噪声参数为2个，即前置网络模型的输出噪声参数分布特性图为形状参数分布图和逆尺度参数分布图。
在该可选的实施例中，作为一种可选的实施方式，前置网络模型只有一个前置网络，前置网络模型的输出可以是单通道的噪声参数分布特性图，也可以是多通道的噪声参数分布特性图，本发明实施例不做限定。进一步的，通道数的数量与噪声参数的数量相同。进一步的，在确定噪声参数分布特性图后，对噪声参数分布特性图和目标断层扫描图进行通道合并得到噪声统计学分布信息。举例来说，当噪声参数有2个时，前置网络模型输出的噪声参数分布特性图是2通道的分布特性图。
在该可选的实施例中，作为另一种可选的实施方式，如图3所示，前置网络模型包含多个前置网络。可选的，前置网络的数量与噪声参数的数量是相同的。进一步的，每一个前置网络的输出都是单通道的噪声参数分布特性图。进一步的，在确定噪声参数的分布特性图后，对所有的噪声参数分布特性图和目标断层扫描图，进行通道合并得到噪声统计学分布信息。举例来说，当噪声参数有2个时，前置网络模型的前置网络数量也为2，前置网络模型输出的噪声参数分布特性图是2个单通道的分布特性图。
可见，实施本发明实施例所描述的基于神经网络的断层扫描图降噪方法能够利用前置网络模型对目标断层扫描图进行处理，得到对应的噪声统计学分布信息，再利用后置网络模型处理得到降噪结果图，从而为目标断层扫描图的降噪提供了可实现路径，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在另一个可选的实施例中，上述根据噪声统计学分布信息、目标断层扫描图像信息和后置网络模型，确定出降噪结果图，包括：
将噪声统计学分布信息和目标断层扫描图像信息输入后置网络模型进行处理，得到预测噪声图；
根据预测噪声图和目标断层扫描图信息，确定出降噪结果图。
本发明实施例中，后置网络模型的结构为全卷积网络。进一步的，该全卷积网络可以是不带短连接的全卷积网络，也可以是带有短连接的全卷积网络，本发明实施例不做限定。
可选的，后置网络模型的输入图像和后置网络模型的输出图像的图像尺寸是相同的。
可选的，神经网络模型的内部组成单元包括编码层和解码层。可选的，编码层和解码层可以是一个，也可以是多个，本发明实施例不做限定。进一步的，编码层和解码层包括若干个卷积单元。
可选的，卷积单元包括卷积层、归一化层和激活层。进一步的，卷积层可以是卷积核大小为3x3的卷积层，也可以是卷积核大小为5x5的卷积层，还可以是既包含3x3大小的卷积核，又包含5x5大小的卷积核的卷积层，本发明实施例不做限定。进一步的，归一化层包括批归一化层，或者，实例归一化层，或者，空缺的归一化层，本发明实施例不做限定。进一步的，激活层包括ReLU函数，或者，PreLU函数，或者，LeakyReLU函数，或者，其他现有技术中已知的激活函数，本发明实施例不做限定。
如图4所示，神经网络模型中包括短连接、跨网络短连接、上采样和下采样等多种形式的连接。可选的，卷积单元之间有短连接相连接，该短连接有助于梯度传播，使得神经网络模型更容易训练。可选的，编码层和解码层之间有短连接相连接。
在该可选的实施例中，作为一种可选的实施方式，神经网络模型的前置网络模型或后置网络模型的网络结构包括多层编码层和解码层。
可选的，相邻两层的编码层以下采样单元相连接。进一步的，下采样单元可以为步幅为2的卷积层，或者，最大池化层，或者，平均池化层，本发明实施例不做限定。
可选的，相邻两层的解码层以上采样单元相连接。进一步的，上采样单元可以为步幅为2的反卷积层，或者，上采样层，本发明实施例不做限定。
可选的，同层的编码层和解码层之间有短连接相连接。
可选的，前置网络模型的解码层与后置网络模型的编码层之间有跨网络的短连接相连接，该跨网络的短连接可提供多尺度的噪声分布信息，有助于提高神经网络模型的性能。
可见，实施本发明实施例所描述的基于神经网络的断层扫描图降噪方法能够利用后置网络模型对噪声统计学分布信息和目标断层扫描图像信息进行处理得到预测噪声图，再结合目标断层扫描图信息得到降噪结果图，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在另一个可选的实施例中，上述根据预测噪声图和目标断层扫描图信息，确定出降噪结果图，包括：
根据预测噪声图和目标断层扫描图信息，确定出预测降噪结果图集合；预测降噪结果图集合包括至少一张预测降噪结果图；
对预测降噪结果图集合中的所有预测降噪结果图进行平均叠加处理，确定出降噪结果图。
本发明实施例中，对于从目标断层扫描图信息选定的若干张目标断层扫描图，经模型网络模型处理可得到预测噪声图。进一步的，可多次从目标断层扫描图信息中选定若干张目标断层扫描图，经神经网络模型处理可得到多张预测降噪结果图。进一步的，对上述多张预测降噪结果图进行平均叠加处理可得到更为优质的降噪结果图。
可见，实施本发明实施例所描述的基于神经网络的断层扫描图降噪方法能够对处理得到的多张预测降噪结果图进行平均叠加处理以得到更为优质的降噪结果图，以提升对断层扫描图的降噪质量和降噪效率，有利于获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，上述根据预测噪声图和目标断层扫描图信息，确定出预测降噪结果图集合，包括：
对于目标断层扫描图信息中的任一目标断层扫描图，将该目标断层扫描图减去预测噪声图，得到预测降噪结果图。
本发明实施例中，在得到预测噪声图之后，将目标断层扫描图减去预测噪声图即可得到预测降噪结果图。
在该可选的实施例中，作为一种可选的实施方式，当神经网络的输入为多张目标断层扫描图时，将每一张目标断层扫描图减去预测噪声图得到一张对应的预测降噪结果图，再将所有的预测降噪结果图进行平均叠加处理得到最终的预测降噪结果图。
在该可选的实施例中，作为另一种可选的实施方式，当神经网络的输入为多张目标断层扫描图时，对所有输入的目标断层扫描图进行平均叠加处理得到一张该预测噪声图对应的目标断层扫描图，再将该预测噪声图对应的目标断层扫描图减去预测噪声图得到预测降噪结果图。
在该可选的实施例中，作为另一种可选的实施方式，当神经网络的输入为多张目标断层扫描图时，从所有输入的目标断层扫描图中任选一张目标断层扫描图作为该预测噪声图对应的目标断层扫描图，再将该预测噪声图对应的目标断层扫描图减去预测噪声图得到预测降噪结果图。
可见，实施本发明实施例所描述的基于神经网络的断层扫描图降噪方法能够通过目标断层扫描图和预测噪声图得到降噪结果图，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
实施例三
请参阅图5，图5是本发明实施例公开的一种基于神经网络的断层扫描图降噪装置的结构示意图。其中，图5所描述的装置应用于对断层扫描图像的降噪处理系统中，如用于对OCT图像的降噪等，本发明实施例不做限定。如图5所示，该装置可以包括：
获取模块301，用于获取待降噪的目标断层扫描图像信息；目标断层扫描图像信息包括若干张目标断层扫描图；
确定模块302，用于根据目标断层扫描图像信息，以及预设的神经网络模型，确定出降噪结果图。
可见，实施图5所描述的基于神经网络的断层扫描图降噪装置能够通过获取待降噪的目标断层扫描图像信息，利用神经网络模型确定出降噪结果图，以提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在另一个可选的实施例中，如图6所示，确定模块302包括处理子模块3021和确定子模块3022，其中：
处理子模块3021，用于将目标断层扫描图像信息输入前置网络模型进行处理，得到目标断层扫描图像信息对应的噪声统计学分布信息；
确定子模块3022，用于根据噪声统计学分布信息、目标断层扫描图像信息和后置网络模型，确定出降噪结果图。
可见，实施图6所描述的基于神经网络的断层扫描图降噪装置能够利用前置网络模型对目标断层扫描图进行处理，得到对应的噪声统计学分布信息，再利用后置网络模型处理得到降噪结果图，从而为目标断层扫描图的降噪提供了可实现路径，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图6所示，确定子模块3022根据噪声统计学分布信息、目标断层扫描图像信息和后置网络模型，确定出降噪结果图的具体方式为：
将噪声统计学分布信息和目标断层扫描图像信息输入后置网络模型进行处理，得到预测噪声图；
根据预测噪声图和目标断层扫描图信息，确定出降噪结果图。
可见，实施图6所描述的基于神经网络的断层扫描图降噪装置能够利用后置网络模型对噪声统计学分布信息和目标断层扫描图像信息进行处理得到预测噪声图，再结合目标断层扫描图信息得到降噪结果图，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图6所示，确定子模块3022根据预测噪声图和目标断层扫描图信息，确定出降噪结果图的具体方式为：
根据预测噪声图和目标断层扫描图信息，确定出预测降噪结果图集合；预测降噪结果图集合包括至少一张预测降噪结果图；
对预测降噪结果图集合中的所有预测降噪结果图进行平均叠加处理，确定出降噪结果图。
可见，实施图6所描述的基于神经网络的断层扫描图降噪装置能够对处理得到的多张预测降噪结果图进行平均叠加处理以得到更为优质的降噪结果图，以提升对断层扫描图的降噪质量和降噪效率，有利于获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图6所示，装置还包括：
训练模块303，用于执行以下步骤以训练得到神经网络模型：
获取训练样本图像集；训练样本图像集包括若干个训练样本，每个训练样本包括原始断层扫描图像信息、原始断层扫描图像信息对应的目标参考图和原始断层扫描图像信息对应的目标噪声分布特性信息；原始断层扫描图像信息包括若干张原始断层扫描图；
利用M个训练样本对预设的前置训练模型进行训练，得到待选前置训练模型；M为正整数；
利用N个训练样本和待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型；N为正整数；
根据待选前置训练模型和待选后置训练模型，确定出神经网络模型。
可见，实施图6所描述的基于神经网络的断层扫描图降噪装置能够利用训练样本图像集对前置训练模型和后置训练模型进行训练，进而得到神经网络模型，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图6所示，训练模块303利用M个训练样本对预设的前置训练模型进行训练，得到待选前置训练模型的具体方式为：
利用第一预测信息、该训练样本对应的目标噪声分布特性信息和预设的前置损失函数进行处理，得到第一前置损失函数值；
判断第一前置损失函数值是否满足前置终止条件，得到第一判断结果；
当第一判断结果表示第一前置损失函数值满足前置终止条件时，确定第一前置损失函数值对应的前置训练模型为待选前置训练模型。
可见，实施图6所描述的基于神经网络的断层扫描图降噪装置能够利用训练样本和前置损失函数对前置训练模型进行训练，进而得到待选前置训练模型，为确定出精准有效的神经网络模型提供了一种实现路径，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图6所示，训练模块303利用N个训练样本和待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型的具体方式为：
冻结待选前置训练模型对应的前置权重参数；
从N个训练样本中任选出一个训练样本，并将该训练样本对应的原始断层扫描图像信息输入待选前置训练模型，得到第二预测信息；
将第二预测信息和该训练样本对应的原始断层扫描图像信息输入预设的后置训练模型进行处理，得到第一后置预测降噪图；
利用第一后置预测降噪图、该训练样本对应的目标参考图和预设的后置损失函数进行处理，得到第一后置损失函数值；
判断第一后置损失函数值是否满足后置终止条件，得到第二判断结果；
当第二判断结果表示第一后置损失函数值满足后置终止条件时，确定第一后置损失函数值对应的后置训练模型为待选后置训练模型。
可见，实施图6所描述的基于神经网络的断层扫描图降噪装置能够利用训练样本对后置训练模型进行训练，进而确定出待选后置训练模型，为确定出精准有效的神经网络模型提供了一种实现路径，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图6所示，训练模块303根据待选前置训练模型和待选后置训练模型，确定出神经网络模型的具体方式为：
利用L个训练样本对待选前置训练模型和待选后置训练模型进行联合训练，确定出神经网络模型；L为正整数。
可见，实施图6所描述的基于神经网络的断层扫描图降噪装置能够利用训练样本对待选前置训练模型和待选后置训练模型进行进一步的训练，进而确定出精准有效的神经网络模型，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图6所示，训练模块303利用L个训练样本对待选前置训练模型和待选后置训练模型进行联合训练，确定出神经网络模型的具体方式为：
解冻待选前置训练模型对应的前置权重参数；
从L个训练样本中任选出一个训练样本，并将该训练样本对应的原始断层扫描图像信息输入待选前置训练模型进行处理，得到第三预测信息；
利用第三预测信息、该训练样本对应的目标噪声分布特性信息和前置损失函数进行处理，得到第二前置损失函数值；
将第三预测信息和该训练样本对应的原始断层扫描图像信息输入待选后置训练模型进行处理，得到第二后置预测降噪图；
利用第二后置预测降噪图、该训练样本对应的目标参考图和后置损失函数进行处理，得到第二后置损失函数值；
判断第二前置损失函数值和第二后置损失函数值是否满足联合终止条件，得到第三判断结果；
当第三判断结果表示第二前置损失函数值和第二后置损失函数值满足联合终止条件时，确定第二前置损失函数值对应的待选前置训练模型和第二后置损失函数值对应的待选后置训练模型分别为前置网络模型和后置网络模型。
可见，实施图6所描述的基于神经网络的断层扫描图降噪装置能够利用训练样本对待选前置训练模型和待选后置训练模型进行进一步的训练，进而确定出精准有效的神经网络模型，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图6所示，确定子模块3022根据预测噪声图和目标断层扫描图信息，确定出预测降噪结果图集合的具体方式为：
对于目标断层扫描图信息中的任一目标断层扫描图，将该目标断层扫描图减去预测噪声图，得到预测降噪结果图。
可见，实施图6所描述的基于神经网络的断层扫描图降噪装置能够通过目标断层扫描图和预测噪声图得到降噪结果图，有利于提升对断层扫描图的降噪质量和降噪效率，以获取高质量的断层扫描图的降噪图，进而提升诊断设备的诊断准度和诊断效率。
实施例四
请参阅图7，图7是本发明实施例公开的又一种基于神经网络的断层扫描图降噪装置的结构示意图。其中，图7所描述的装置能应用于对断层扫描图像的降噪处理系统中，如用于对OCT图像的降噪等，本发明实施例不做限定。如图7所示，该装置可以包括：
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
处理器402调用存储器401中存储的可执行程序代码，用于执行实施例一或实施例二所描述的基于神经网络的断层扫描图降噪方法中的步骤。
实施例五
本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一或实施例二所描述的基于神经网络的断层扫描图降噪方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一或实施例二所描述的基于神经网络的断层扫描图降噪方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中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模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc 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。
最后应说明的是：本发明实施例公开的一种基于神经网络的断层扫描图降噪方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述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项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于神经网络的断层扫描图降噪方法，其特征在于，所述方法包括：
获取待降噪的目标断层扫描图像信息；所述目标断层扫描图像信息包括若干张目标断层扫描图；
根据所述目标断层扫描图像信息，以及预设的神经网络模型，确定出降噪结果图；所述神经网络模型用于分析所述目标断层扫描图像信息的噪声统计学分布特性。
2.根据权利要求1所述的基于神经网络的断层扫描图降噪方法，其特征在于，所述神经网络模型包括前置网络模型和后置网络模型；所述根据所述目标断层扫描图像信息，以及预设的神经网络模型，确定出降噪结果图，包括：
将所述目标断层扫描图像信息输入所述前置网络模型进行处理，得到所述目标断层扫描图像信息对应的噪声统计学分布信息；
根据所述噪声统计学分布信息、所述目标断层扫描图像信息和所述后置网络模型，确定出降噪结果图。
3.根据权利要求2所述的基于神经网络的断层扫描图降噪方法，其特征在于，所述根据所述噪声统计学分布信息、所述目标断层扫描图像信息和所述后置网络模型，确定出降噪结果图，包括：
将所述噪声统计学分布信息和所述目标断层扫描图像信息输入后置网络模型进行处理，得到预测噪声图；
根据所述预测噪声图和所述目标断层扫描图信息，确定出降噪结果图。
4.根据权利要求3所述的基于神经网络的断层扫描图降噪方法，其特征在于，所述根据所述预测噪声图和所述目标断层扫描图信息，确定出降噪结果图，包括：
根据所述预测噪声图和所述目标断层扫描图信息，确定出预测降噪结果图集合；所述预测降噪结果图集合包括至少一张预测降噪结果图；
对所述预测降噪结果图集合中的所有预测降噪结果图进行平均叠加处理，确定出降噪结果图。
5.根据权利要求1所述的基于神经网络的断层扫描图降噪方法，其特征在于，所述神经网络模型基于以下步骤训练得到：
由训练装置获取训练样本图像集；所述训练样本图像集包括若干个训练样本，每个所述训练样本包括原始断层扫描图像信息、所述原始断层扫描图像信息对应的目标参考图和所述原始断层扫描图像信息对应的目标噪声分布特性信息；所述原始断层扫描图像信息包括若干张原始断层扫描图；
由所述训练装置利用M个所述训练样本对预设的前置训练模型进行训练，得到待选前置训练模型；所述M为正整数；
由所述训练装置利用N个所述训练样本和所述待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型；所述N为正整数；
由所述训练装置根据所述待选前置训练模型和所述待选后置训练模型，确定出所述神经网络模型。
6.根据权利要求5所述的基于神经网络的断层扫描图降噪方法，其特征在于，所述由所述训练装置利用M个所述训练样本对预设的前置训练模型进行训练，得到待选前置训练模型，包括：
由所述训练装置从M个所述训练样本中任选出一个所述训练样本，并将该训练样本对应的原始断层扫描图像信息输入预设的前置训练模型进行处理，得到第一预测信息；
由所述训练装置利用所述第一预测信息、该训练样本对应的目标噪声分布特性信息和预设的前置损失函数进行处理，得到第一前置损失函数值；
由所述训练装置判断所述第一前置损失函数值是否满足前置终止条件，得到第一判断结果；
当所述第一判断结果表示所述第一前置损失函数值满足前置终止条件时，由所述训练装置确定所述第一前置损失函数值对应的前置训练模型为所述待选前置训练模型。
7.根据权利要求6所述的基于神经网络的断层扫描图降噪方法，其特征在于，由所述训练装置利用N个所述训练样本和所述待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型，包括：
由所述训练装置冻结所述待选前置训练模型对应的前置权重参数；
由所述训练装置从N个所述训练样本中任选出一个训练样本，并将该训练样本对应的原始断层扫描图像信息输入所述待选前置训练模型，得到第二预测信息；
由所述训练装置将所述第二预测信息和该训练样本对应的原始断层扫描图像信息输入预设的后置训练模型进行处理，得到第一后置预测降噪图；
由所述训练装置利用所述第一后置预测降噪图、该训练样本对应的目标参考图和预设的后置损失函数进行处理，得到第一后置损失函数值；
由所述训练装置判断所述第一后置损失函数值是否满足后置终止条件，得到第二判断结果；
当所述第二判断结果表示所述第一后置损失函数值满足后置终止条件时，由所述训练装置确定所述第一后置损失函数值对应的后置训练模型为所述待选后置训练模型。
8.根据权利要求7所述的基于神经网络的断层扫描图降噪方法，其特征在于，由所述训练装置根据所述待选前置训练模型和所述待选后置训练模型，确定出所述神经网络模型，包括：
由所述训练装置利用L个所述训练样本对所述待选前置训练模型和所述待选后置训练模型进行联合训练，确定出所述神经网络模型；所述L为正整数。
9.一种基于神经网络的断层扫描图降噪装置，其特征在于，所述装置包括：
获取模块，用于获取待降噪的目标断层扫描图像信息；所述目标断层扫描图像信息包括若干张目标断层扫描图；
确定模块，用于根据所述目标断层扫描图像信息，以及预设的神经网络模型，确定出降噪结果图。
10.一种基于神经网络的断层扫描图降噪装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-8任一项所述的基于神经网络的断层扫描图降噪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110806119.8A CN113538277A (zh) | 2021-07-16 | 2021-07-16 | 一种基于神经网络的断层扫描图降噪方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110806119.8A CN113538277A (zh) | 2021-07-16 | 2021-07-16 | 一种基于神经网络的断层扫描图降噪方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113538277A true CN113538277A (zh) | 2021-10-22 |
Family
ID=78099677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110806119.8A Pending CN113538277A (zh) | 2021-07-16 | 2021-07-16 | 一种基于神经网络的断层扫描图降噪方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113538277A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113724203A (zh) * | 2021-08-03 | 2021-11-30 | 唯智医疗科技(佛山)有限公司 | 一种oct图像中目标特征的分割方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416755A (zh) * | 2018-03-20 | 2018-08-17 | 南昌航空大学 | 一种基于深度学习的图像去噪方法及系统 |
| US20180240219A1 (en) * | 2017-02-22 | 2018-08-23 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach |
| CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
| CN109685743A (zh) * | 2018-12-30 | 2019-04-26 | 陕西师范大学 | 基于噪声学习神经网络模型的图像混合噪声消除方法 |
| US20190365341A1 (en) * | 2018-05-31 | 2019-12-05 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning to improve image quality in position emission tomography (pet) |
| 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 |
| CN112102213A (zh) * | 2020-11-23 | 2020-12-18 | 南京安科医疗科技有限公司 | 低剂量ct图像处理方法、扫描系统及计算机存储介质 |
| US20210073950A1 (en) * | 2019-09-09 | 2021-03-11 | Siemens Medical Solutions Usa, Inc. | Deep learning-based denoising in quantitative single photon emission computed tomography |
| CN112927151A (zh) * | 2021-02-25 | 2021-06-08 | 西安理工大学 | 一种基于边缘增强和卷积神经网络的图像去噪方法 |
| CN113096210A (zh) * | 2021-04-15 | 2021-07-09 | 西门子数字医疗科技(上海)有限公司 | 图像重建方法、装置、电子设备和存储介质 |
-
2021
- 2021-07-16 CN CN202110806119.8A patent/CN113538277A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180240219A1 (en) * | 2017-02-22 | 2018-08-23 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach |
| CN108416755A (zh) * | 2018-03-20 | 2018-08-17 | 南昌航空大学 | 一种基于深度学习的图像去噪方法及系统 |
| US20190365341A1 (en) * | 2018-05-31 | 2019-12-05 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning to improve image quality in position emission tomography (pet) |
| CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
| CN109685743A (zh) * | 2018-12-30 | 2019-04-26 | 陕西师范大学 | 基于噪声学习神经网络模型的图像混合噪声消除方法 |
| US20210073950A1 (en) * | 2019-09-09 | 2021-03-11 | Siemens Medical Solutions Usa, Inc. | Deep learning-based denoising in quantitative single photon emission computed tomography |
| 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 |
| CN112102213A (zh) * | 2020-11-23 | 2020-12-18 | 南京安科医疗科技有限公司 | 低剂量ct图像处理方法、扫描系统及计算机存储介质 |
| CN112927151A (zh) * | 2021-02-25 | 2021-06-08 | 西安理工大学 | 一种基于边缘增强和卷积神经网络的图像去噪方法 |
| CN113096210A (zh) * | 2021-04-15 | 2021-07-09 | 西门子数字医疗科技(上海)有限公司 | 图像重建方法、装置、电子设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| ZEHENG LI 等: "Low-Dose CT Image Denoising Using Cycle-Consistent Adversarial Networks", 《2019 IEEE NUCLEAR SCIENCE SYMPOSIUM AND MEDICAL IMAGING CONFERENCE (NSS/MIC)》, 9 April 2020 (2020-04-09), pages 1 - 3 * |
| 徐曾春 等: "基于改进型WGAN的低剂量CT图像去噪方法", 《光学与光电技术》, no. 03, 10 June 2019 (2019-06-10), pages 101 - 107 * |
| 蒋晓奔: "基于深度卷积神经网络的医学图像去噪方法", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 2021, 15 February 2021 (2021-02-15), pages 060 - 312 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113724203A (zh) * | 2021-08-03 | 2021-11-30 | 唯智医疗科技(佛山)有限公司 | 一种oct图像中目标特征的分割方法及装置 |
| CN113724203B (zh) * | 2021-08-03 | 2024-04-23 | 唯智医疗科技(佛山)有限公司 | 应用于oct图像中目标特征分割的模型训练方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163813B (zh) | 一种图像去雨方法、装置、可读存储介质及终端设备 | |
| US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
| CN114723842B (zh) | 基于深度融合神经网络的稀疏视角ct成像方法和设备 | |
| CN109146891B (zh) | 一种应用于mri的海马体分割方法、装置及电子设备 | |
| CN113298831B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN109767448B (zh) | 分割模型训练方法及装置 | |
| CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
| CN113724203B (zh) | 应用于oct图像中目标特征分割的模型训练方法及装置 | |
| CN112102259A (zh) | 一种基于边界引导深度学习的图像分割算法 | |
| CN114944229A (zh) | 基于深度学习和磁共振结构脑影像的脑龄预测方法 | |
| CN113576508A (zh) | 一种基于神经网络的脑出血辅助诊断系统 | |
| CN112991346A (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
| CN115239674A (zh) | 基于多尺度判别的计算机血管造影成像合成方法 | |
| CN113538277A (zh) | 一种基于神经网络的断层扫描图降噪方法及装置 | |
| CN112489029A (zh) | 一种基于卷积神经网络的医学图像分割方法及装置 | |
| CN114821049A (zh) | 分割图像的方法、装置、设备及存储介质 | |
| CN113674291A (zh) | 一种全类型主动脉夹层真假腔图像分割方法及系统 | |
| CN112651960A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN111062943B (zh) | 斑块稳定性的确定方法、装置及医疗设备 | |
| CN117495951B (zh) | 颅内动脉瘤定位方法、装置、计算机设备及存储介质 | |
| CN116311086B (zh) | 植物监测方法、植物监测模型的训练方法、装置及设备 | |
| CN115018768A (zh) | 一种基于oct平台的支架新生内膜覆盖率自动评估系统 | |
| CN117132561A (zh) | 血管造影图像处理与分割方法、装置 | |
| CN115965780A (zh) | 一种基于多损失函数的视网膜血管细化分割方法、模块、设备以及存储介质 |
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 |