CN114972118A - 检查图像的降噪方法、装置、可读介质和电子设备 - Google Patents

检查图像的降噪方法、装置、可读介质和电子设备 Download PDF

Info

Publication number
CN114972118A
CN114972118A CN202210772156.6A CN202210772156A CN114972118A CN 114972118 A CN114972118 A CN 114972118A CN 202210772156 A CN202210772156 A CN 202210772156A CN 114972118 A CN114972118 A CN 114972118A
Authority
CN
China
Prior art keywords
images
noise reduction
training
image
subspace
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.)
Granted
Application number
CN202210772156.6A
Other languages
English (en)
Other versions
CN114972118B (zh
Inventor
边成
李永会
张志诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Douyin Vision Beijing Co Ltd
Original Assignee
Douyin Vision Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Douyin Vision Beijing Co Ltd filed Critical Douyin Vision Beijing Co Ltd
Priority to CN202210772156.6A priority Critical patent/CN114972118B/zh
Publication of CN114972118A publication Critical patent/CN114972118A/zh
Application granted granted Critical
Publication of CN114972118B publication Critical patent/CN114972118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using 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
    • G06T2207/10081—Computed x-ray tomography [CT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种检查图像的降噪方法、装置、可读介质和电子设备，涉及图像处理技术领域，该方法包括：获取检查设备按照预设剂量采集的带噪检查图像，利用预先训练的降噪模型对带噪检查图像进行降噪处理，以得到目标检查图像，降噪模型是根据第一数量的有标样本图像、第二数量的无标样本图像，以及有标样本图像和无标样本图像在特征子空间上的空间相似度训练得到的，有标样本图像标注有对应的无噪检查图像，第一数量小于第二数量，采集无噪检查图像的剂量大于预设剂量。本公开能够利用少量有标样本图像、大量无标样本图像以及二者在特征子空间上的空间相似度训练降噪模型，能够有效提高降噪模型的降噪准确度，降低降噪模型对有标样本图像的依赖。

Description

检查图像的降噪方法、装置、可读介质和电子设备
技术领域
本公开涉及图像处理技术领域，具体地，涉及一种检查图像的降噪方法、装置、可读介质和电子设备。
背景技术
随着电子信息技术和图像处理技术的不断发展，CT(英文：Computed Tomography，中文：电子计算机断层扫描)设备在医疗领域得到了广泛应用。CT设备具有扫描时间快，图像准确等特点，能够为专业人员提供有效的参考信息。然而由于CT设备的成像特性，定期进行CT检查会造成辐射的积累，可能对用户的健康造成影响，因此出现了采用低剂量获得检查图像的方法。
采用低剂量获得的检查图像往往存在噪声和伪影，需要经过降噪处理后才能应用。通常情况下，可以采用数字图像的方法进行降噪，例如：动态正弦图去噪，非局部均值滤波去噪等方式，这些方式性能较低，实用性较差。也可以采用深度学习技术来降噪，然而训练模型需要预先采集大量具有标注的样本，也就是说需要同时采用高剂量和低剂量两种方式获取图像，很难实现，导致有标注的样本数量很少，无法满足实际需求。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种检查图像的降噪方法，所述方法包括：
获取检查设备按照预设剂量采集的带噪检查图像；
利用预先训练的降噪模型对所述带噪检查图像进行降噪处理，以得到目标检查图像；
所述降噪模型是根据第一数量的有标样本图像、第二数量的无标样本图像，以及所述有标样本图像和所述无标样本图像在特征子空间上的空间相似度训练得到的，所述有标样本图像标注有对应的无噪检查图像，所述第一数量小于所述第二数量，采集所述无噪检查图像的剂量大于所述预设剂量。
第二方面，本公开提供一种检查图像的降噪装置，所述装置包括：
获取模块，用于获取检查设备按照预设剂量采集的带噪检查图像；
降噪模块，用于利用预先训练的降噪模型对所述带噪检查图像进行降噪处理，以得到目标检查图像；
所述降噪模型是根据第一数量的有标样本图像、第二数量的无标样本图像，以及所述有标样本图像和所述无标样本图像在特征子空间上的空间相似度训练得到的，所述有标样本图像标注有对应的无噪检查图像，所述第一数量小于所述第二数量，采集所述无噪检查图像的剂量大于所述预设剂量。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，本公开首先获取检查设备按照预设剂量采集的带噪检查图像，然后利用降噪模型对带噪检查图像进行降噪处理，以得到目标检查图像。其中，降噪模型是根据第一数量的标注有对应的无噪检查图像的有标样本图像、第二数量的无标样本图像，以及有标样本图像和无标样本图像在特征子空间上的空间相似度训练得到的，第一数量小于第二数量，且采集无噪检查图像的剂量大于预设剂量。本公开能够利用少量有标样本图像、大量无标样本图像以及二者在特征子空间上的空间相似度训练降噪模型，能够有效提高降噪模型的降噪准确度，降低降噪模型对有标样本图像的依赖。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种检查图像的降噪方法的流程图；
图2是根据一示例性实施例示出的一种降噪模型的结构示意图；
图3是根据一示例性实施例示出的另一种检查图像的降噪方法的流程图；
图4是根据一示例性实施例示出的一种训练降噪模型的流程图；
图5是根据一示例性实施例示出的另一种训练降噪模型的流程图；
图6是根据一示例性实施例示出的另一种训练降噪模型的流程图；
图7是根据一示例性实施例示出的另一种训练降噪模型的流程图；
图8是根据一示例性实施例示出的一种检查图像的降噪装置的框图；
图9是根据一示例性实施例示出的另一种检查图像的降噪装置的框图；
图10是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1是根据一示例性实施例示出的一种检查图像的降噪方法的流程图，如图1所示，该方法可以包括：
步骤101，获取检查设备按照预设剂量采集的带噪检查图像。
举例来说，在利用检查设备对检查对象的指定部位进行检查时，可以选择不同的剂量来采集检查图像，按照预设剂量采集的检查图像，即为本实施例中的带噪检查图像。检查设备可以为CT设备，也可以是PET(英文：Positron Emission Tomography，中文：正电子发射计算机断层显像)设备、DR(英文：Digital Radiography，中文：数字化X射线摄影)设备、DSA(英文：Digital subtraction angiography，中文：数字减影血管造影)设备等。指定部位例如可以是：头部、颈部、胸部、腹部、上肢、下肢等，也可以是心脏、肝、胃、大脑等器官，本公开对此不作具体限定。剂量可以用于表示检查设备的辐射量，也可以用于表示使用检查设备时相应化学制剂(例如造影剂)的量，预设剂量可以理解为低于检查设备采集检查图像的正常剂量。以检查设备采集检查图像的正常剂量为100％来举例，预设剂量例如可以是25％，或者45％。由于预设剂量低于正常剂量，带噪检查图像中可能存在噪声和伪影，无法直接应用，因此需要对带噪检查图像进行降噪处理。
步骤102，利用预先训练的降噪模型对带噪检查图像进行降噪处理，以得到目标检查图像。
其中，降噪模型是根据第一数量的有标样本图像、第二数量的无标样本图像，以及有标样本图像和无标样本图像在特征子空间上的空间相似度训练得到的，有标样本图像标注有对应的无噪检查图像，第一数量小于第二数量，采集无噪检查图像的剂量大于预设剂量。
示例的，在得到带噪检查图像之后，可以将带噪检查图像输入预先训练的降噪模型，以得到降噪模型输出的，去除了噪声和伪影的目标检查图像。具体的，训练降噪模型的数据集中包括第一数量的有标样本图像、第二数量的无标样本图像，有标样本图像标注有对应的，按照大于预设剂量的剂量采集的无噪检查图像。也就是说，有标样本图像和无标样本图像均是检查设备之前按照预设剂量采集的图像，有标样本图像标注的无噪检查图像，为检查设备按照正常剂量采集同一个部位得到的检查图像，也可以理解为有标样本图像中存在噪声和伪影，对应的无噪检查图像为清晰的图像。其中，第一数量小于第二数量，也就是说训练降噪模型的数据集中包括少量的有标样本图像和大量的无标样本图像。
由于有标样本图像和无标样本图像均是检查设备采集的图像，因此有标样本图像和无标样本图像在特征子空间中应当具备一致的属性，其中特征子空间可以理解为一组能够表征图像的正交基，也可以理解为一组图像中所包含的基本结构。可以利用有标样本图像和无标样本图像在特征子空间上的空间相似度很高作为约束，使降噪模型在训练过程中能够学习到大量无标样本图像中的信息。这样，降噪模型就可以基于少量有标样本图像、大量无标样本图像以及二者在特征子空间上的空间相似度来训练，从而有效提高降噪准确度，并且降低对有标样本图像的依赖。
降噪模型的结构可以包括编码器和解码器，编码器的输入作为降噪模型的输入，编码器的输出与解码器的输入连接，解码器的输出作为降噪模型的输出。降噪模型的结构也可以包括卷积层和转置卷积层，卷积层的输入作为降噪模型的输入，卷积层的输出与转置卷积层的输入连接，转置卷积层的输出作为降噪模型的输出，连接关系可以如图2所示。
图3是根据一示例性实施例示出的另一种检查图像的降噪方法的流程图，如图3所示，步骤102的实现方式可以包括：
步骤1021，利用降噪模型中的卷积层，对带噪检查图像进行下采样，以得到下采样检查图像。
步骤1022，利用降噪模型中的转置卷积层，对下采样检查图像进行上采样，以得到目标检查图像。
示例的，降噪模型可以是UNet结构，其中包括多个依次连接的卷积层，将带噪检查图像输入第一个卷积层，多个卷积层依次对带噪检查图像进行下采样，以得到下采样检查图像。之后可以将下采样检查图像输入第一个转置卷积层，多个转置卷积层依次对下采样检查图像进行上采样，上采样到带噪检查图像的分辨率，得到对应的目标检查图像。
图4是根据一示例性实施例示出的一种训练降噪模型的流程图，如图4所示，降噪模型是通过以下方式训练得到的：
步骤A，获取样本输入集和样本输出集，样本输入集包括：第一数量的有标样本图像和第二数量的无标样本图像。样本输出集中包括与每个有标样本图像对应的无噪检查图像。
步骤B，将样本输入集作为降噪模型的输入，将样本输出集分别作为降噪模型的输出，以根据空间相似度训练降噪模型。
举例来说，在对降噪模型进行训练时，首先需要获取用于训练降噪模型的样本输入集和样本输出集。其中，样本输入集可以包括多个样本输入，每个样本输入为一个有标样本图像或者一个无标样本图像，也就是说样本输入集包括的样本输入的数量为第一数量与第二数量的和。样本输出集中包括与每个有标样本图像对应的样本输出，样本输出为对应的有标样本图像标注的无噪检查图像。也就是说，无标样本图像没有对应的样本输出。有标样本图像和无标样本图像均是检查设备之前按照预设剂量采集的图像，有标样本图像标注的无噪检查图像，为检查设备按照正常剂量采集同一个部位得到的检查图像。以检查设备为CT设备，正常剂量为100％，预设剂量为25％来举例，那么有标样本图像和无标样本图像可以为CT设备按照25％的剂量采集的检查图像，其中CT设备在采集有标样本图像时，还可以再针对同一部位按照100％剂量采集无噪检查图像。例如，样本输入集和样本输出集可以从2016NIH-AAPM-Mayo Clinic Low Dose CT Grand Challenge数据集中进行选取，该数据集中包括了10个病例的样本，共计2378张检查图像，分为带噪图像和不带噪图像，每个带噪图像对应一个不带噪图像，其中带噪图像对应的剂量为25％，不带噪图像对应的剂量为100％。可以随机选取该数据集中的1个病例对应的带噪图像作为有标样本图像，对应的不带噪图像作为有标样本图像标注的无噪检查图像。然后在该数据集中剩余的9个病例中随机选取6个病例对应的带噪图像作为无标样本图像。进一步的，该数据集中剩余的3个病例对应的带噪图像和不带噪图像可以作为降噪模型的测试样本，用以评估降噪模型的准确度。
之后可以将样本输入集作为降噪模型的输入，将样本输出集作为降噪模型的输出，并以空间相似度作为约束，确定损失函数，最后以降低损失函数为目标，利用反向传播算法来修正降噪模型中的神经元的参数，神经元的参数例如可以是神经元的权重(英文：Weight)和偏置量(英文：Bias)。重复上述步骤，直至损失函数满足预设条件，例如损失函数小于预设的损失阈值或者收敛，以达到训练降噪模型的目的。训练过程中的初始学习率可以设置为5e-5，优化器可以设置为Adam。
图5是根据一示例性实施例示出的另一种训练降噪模型的流程图，如图5所示，B的实现方式可以包括：
步骤B1，从样本输入集中抽取多个训练批次，每个训练批次包括有标样本图像和无标样本图像。
示例的，可以按照预设规则从样本输入集中抽取多个训练批次(英文：batch)，每个训练批次中可以包括指定数量(即batch size，例如可以设置为32)个样本输入。预设规则例如可以是随机抽取第三数量个有标样本图像，并随机抽取第四数量个无标样本图像，得到一个训练批次，第三数量+第四数量＝指定数量，第三数量和第四数量均为不为零的正整数，以保证每个训练批次中都包括有至少一个标样本图像和至少一个无标样本图像。
步骤B2，针对每个训练批次，将该训练批次中的有标样本图像输入降噪模型，得到降噪模型输出的有标训练图像，并将该训练批次中的无标样本图像输入降噪模型，得到降噪模型输出的无标训练图像。
示例的，针对每个训练批次，可以将该训练批次中的所有样本输入作为降噪模型的输入，降噪模型对每个样本输入进行降噪处理，输出有标样本图像对应的有标训练图像，以及无标样本图像对应的无标训练图像。
步骤B3，对有标训练图像进行奇异值分解，以得到有标特征子空间，并对无标训练图像进行奇异值分解，以得到无标特征子空间。
步骤B4，根据有标特征子空间和无标特征子空间，确定空间相似度。
步骤B5，根据有标训练图像、有标特征子空间、无标特征子空间、空间相似度，以及该训练批次中有标样本图像对应的无噪检查图像，训练降噪模型。
示例的，在得到有标训练图像和无标训练图像之后，可以分别对有标训练图像和无标训练图像进行奇异值分解(英文：Singular Value Decomposition，缩写：SVD)，得到能够表征有标训练图像的有标特征子空间，和能够表征无标训练图像的无标特征子空间。由于有标样本图像和无标样本图像均是检查设备采集的图像，因此有标样本图像和无标样本图像在特征子空间中应当具备一致的属性，同样的，有标训练图像和无标训练图像在特征子空间中也应当具备一致的属性。因此，可以根据有标特征子空间和无标特征子空间，确定空间相似度。最后，可以根据有标训练图像、有标特征子空间、无标特征子空间、空间相似度，以及该训练批次中有标样本图像对应的无噪检查图像，确定目标损失，并以降低目标损失为目标，利用反向传播算法训练降噪模型。
图6是根据一示例性实施例示出的另一种训练降噪模型的流程图，如图6所示，步骤B3可以通过以下步骤来实现：
步骤B31，对有标训练图像进行奇异值分解，将有标训练图像的左奇异矩阵作为有标特征子空间，有标特征子空间包括一组用于表征有标训练图像的基向量。
步骤B32，对无标训练图像进行奇异值分解，将无标训练图像的左奇异矩阵作为无标特征子空间，无标特征子空间包括一组用于表征无标训练图像的基向量。
示例的，可以对有标训练图像进行奇异值分解，得到的左奇异矩阵即为有标特征子空间，即Ulabeled,∑labeled,Vlabeled＝SVD[f(Ilabeled)]，其中，Ilabeled表示有标样本图像，f表示降噪模型的处理，即f(Ilabeled)表示有标训练图像。Ulabeled表示有标训练图像的左奇异矩阵，Vlabeled表示有标训练图像的右奇异矩阵，∑labeled表示有标训练图像的奇异值矩阵。有标特征子空间包括一组能够表征有标训练图像的基向量，也就是说有标训练图像可以表征为系数与有标特征子空间的乘积。同样的，对无标训练图像进行奇异值分解，得到的左奇异矩阵即为无标特征子空间，即Uunlabeled,∑unlabeled,Vunlabeled＝SVD[f(Iunlabeled)]，其中，Iunlabeled表示无标样本图像，f表示降噪模型的处理，即f(Iunlabeled)表示无标训练图像。Uunlabeled表示无标训练图像的左奇异矩阵，Vunlabeled表示无标训练图像的右奇异矩阵，∑unlabeled表示无标训练图像的奇异值矩阵。无标特征子空间包括一组能够表征无标训练图像的基向量，也就是说无标训练图像可以表征为系数与无标特征子空间的乘积。
在一种实现方式中，步骤B4的实现方式可以为：
根据有标特征子空间和无标特征子空间的余弦距离，确定空间相似度。
示例的，可以先计算有标特征子空间和无标特征子空间的余弦距离，余弦距离可以表示为cos(θUL)，其中，U表示无标特征子空间(即Uunlabeled)，L表示有标特征子空间(即Ulabeled)。余弦距离可以理解为有标特征子空间中的基向量和无标特征子空间中的基向量之间一一对应的向量夹角，能够表示有标样本图像和无标样本图像在特征子空间上的空间相似度。余弦距离越大，表示有标样本图像和无标样本图像在特征子空间上相差越大，即空间相似度越小。余弦距离越小，表示有标样本图像和无标样本图像在特征子空间上越相似，即空间相似度越大。也就是说余弦距离与空间相似度负相关，因此可以将空间相似度表示为sin(θUL)。
图7是根据一示例性实施例示出的另一种训练降噪模型的流程图，如图7所示，步骤B5可以通过以下步骤来实现：
步骤B51，根据有标训练图像，以及该训练批次中有标样本图像对应的无噪检查图像，确定监督损失。
步骤B52，根据有标特征子空间、无标特征子空间和空间相似度，确定半监督损失。
步骤B53，根据监督损失和半监督损失，确定目标损失。
步骤B54，以降低目标损失为目标，利用反向传播算法训练降噪模型。
举例来说，可以先根据有标训练图像与有标训练图像对应的无噪检查图像的差，确定监督损失，具体的，可以根据公式1确定监督损失：
LSup＝l2[f(Ilabeled)-Iclean] 公式1
其中，LSup表示监督损失，f(Ilabeled)表示有标训练图像，Iclean表示有标训练图像对应的无噪检查图像，l2表示L2范数。
之后，可以先根据有标特征子空间和无标特征子空间确定权重，然后利用权重和空间相似度的乘积确定半监督损失。最后可以根据监督损失和半监督损失，确定目标损失。例如，可以将监督损失与半监督损失的和作为目标损失，也可以对监督损失与半监督损失进行加权求和，作为目标损失。最后以降低目标损失为目标，利用反向传播算法训练降噪模型。
例如可以通过公式2确定目标损失：
LTol＝αLSup+LSemi 公式2
其中，LTol表示目标损失，LSemi表示半监督损失，α表示预设的权重。
在一种实现方式中，步骤B52的实现方式可以包括：
步骤1)将有标特征子空间的转置与无标特征子空间的乘积作为联合矩阵。
步骤2)根据有标特征子空间和无标特征子空间的余弦距离，对联合矩阵进行特征分解，得到有标训练图像在共享子空间上的系数，和无标训练图像在共享子空间上的系数，共享子空间为有标训练图像和无标训练图像共享的特征子空间。
示例的，可以通过公式3确定有标训练图像在共享子空间上的系数，和无标训练图像在共享子空间上的系数：
(Ulabeled)T*Uunlabeled＝Plabeled{diag[cos(θUL)]Punlabeled} 公式3
其中，(Ulabeled)T*Uunlabeled表示联合矩阵，Plabeled表示有标训练图像在共享子空间上的系数，Punlabeled表示无标训练图像在共享子空间上的系数。其中，共享子空间能够同时表征有标训练图像和无标训练图像，也就是说共享子空间中包括了能够同时表征有标训练图像和无标训练图像一组基向量，有标训练图像和无标训练图像可以共享这一组基向量。有标训练图像在共享子空间上的系数与共享子空间的乘积即为有标训练图像，无标训练图像在共享子空间上的系数与共享子空间的乘积即为无标训练图像。
步骤3)根据有标训练图像在共享子空间上的系数，和无标训练图像在共享子空间上的系数，确定有标训练图像和无标训练图像的图像相似度。
步骤4)根据图像相似度和空间相似度，确定半监督损失。
示例的，有标训练图像在共享子空间上的系数可以理解为有标训练图像在共享子空间上的度量，无标训练图像在共享子空间上的系数可以理解为无标训练图像在共享子空间上的度量。因此，可以利用有标训练图像在共享子空间上的系数和无标训练图像在共享子空间上的系数的差，来表征有标训练图像和无标训练图像在图像维度的相似度，即图像相似度。之后，可以将图像相似度作为空间相似度的权重，来确定半监督损失。例如，可以通过公式4来确定半监督损失：
Figure BDA0003724610260000131
其中，LSemi表示半监督损失，
Figure BDA0003724610260000132
表示F范数的平方，|| ||1表示L1范数，Plabeled-Punlabeled表示图像相似度，sin(θUL)表示空间相似度。
综上所述，本公开首先获取检查设备按照预设剂量采集的带噪检查图像，然后利用降噪模型对带噪检查图像进行降噪处理，以得到目标检查图像。其中，降噪模型是根据第一数量的标注有对应的无噪检查图像的有标样本图像、第二数量的无标样本图像，以及有标样本图像和无标样本图像在特征子空间上的空间相似度训练得到的，第一数量小于第二数量，且采集无噪检查图像的剂量大于预设剂量。本公开能够利用少量有标样本图像、大量无标样本图像以及二者在特征子空间上的空间相似度训练降噪模型，能够有效提高降噪模型的降噪准确度，降低降噪模型对有标样本图像的依赖。
图8是根据一示例性实施例示出的一种检查图像的降噪装置的框图，如图8所示，该装置200可以包括：
获取模块201，用于获取检查设备按照预设剂量采集的带噪检查图像。
降噪模块202，用于利用预先训练的降噪模型对带噪检查图像进行降噪处理，以得到目标检查图像。
其中，降噪模型是根据第一数量的有标样本图像、第二数量的无标样本图像，以及有标样本图像和无标样本图像在特征子空间上的空间相似度训练得到的，有标样本图像标注有对应的无噪检查图像，第一数量小于第二数量，采集无噪检查图像的剂量大于预设剂量。
图9是根据一示例性实施例示出的另一种检查图像的降噪装置的框图，如图9所示，降噪模块202可以包括：
下采样子模块2021，用于利用降噪模型中的卷积层，对带噪检查图像进行下采样，以得到下采样检查图像。
上采样子模块2022，用于利用降噪模型中的转置卷积层，对下采样检查图像进行上采样，以得到目标检查图像。
在一种应用场景中，降噪模型是通过以下方式训练得到的：
步骤A，获取样本输入集和样本输出集，样本输入集包括：第一数量的有标样本图像和第二数量的无标样本图像。样本输出集中包括与每个有标样本图像对应的无噪检查图像。
步骤B，将样本输入集作为降噪模型的输入，将样本输出集分别作为降噪模型的输出，以根据空间相似度训练降噪模型。
在另一种应用场景中，B的实现方式可以包括：
步骤B1，从样本输入集中抽取多个训练批次，每个训练批次包括有标样本图像和无标样本图像。
步骤B2，针对每个训练批次，将该训练批次中的有标样本图像输入降噪模型，得到降噪模型输出的有标训练图像，并将该训练批次中的无标样本图像输入降噪模型，得到降噪模型输出的无标训练图像。
步骤B3，对有标训练图像进行奇异值分解，以得到有标特征子空间，并对无标训练图像进行奇异值分解，以得到无标特征子空间。
步骤B4，根据有标特征子空间和无标特征子空间，确定空间相似度。
步骤B5，根据有标训练图像、有标特征子空间、无标特征子空间、空间相似度，以及该训练批次中有标样本图像对应的无噪检查图像，训练降噪模型。
在又一种应用场景中，步骤B3可以通过以下步骤来实现：
步骤B31，对有标训练图像进行奇异值分解，将有标训练图像的左奇异矩阵作为有标特征子空间，有标特征子空间包括一组用于表征有标训练图像的基向量。
步骤B32，对无标训练图像进行奇异值分解，将无标训练图像的左奇异矩阵作为无标特征子空间，无标特征子空间包括一组用于表征无标训练图像的基向量。
在一种实现方式中，步骤B4的实现方式可以为：
根据有标特征子空间和无标特征子空间的余弦距离，确定空间相似度。
在另一种实现方式中，步骤B5可以通过以下步骤来实现：
步骤B51，根据有标训练图像，以及该训练批次中有标样本图像对应的无噪检查图像，确定监督损失。
步骤B52，根据有标特征子空间、无标特征子空间和空间相似度，确定半监督损失。
步骤B53，根据监督损失和半监督损失，确定目标损失。
步骤B54，以降低目标损失为目标，利用反向传播算法训练降噪模型。
在又一种实现方式中，步骤B51的实现方式可以为：
根据有标训练图像与有标训练图像对应的无噪检查图像的差，确定监督损失。
步骤B52的实现方式可以包括：
步骤1)将有标特征子空间的转置与无标特征子空间的乘积作为联合矩阵。
步骤2)根据有标特征子空间和无标特征子空间的余弦距离，对联合矩阵进行特征分解，得到有标训练图像在共享子空间上的系数，和无标训练图像在共享子空间上的系数，共享子空间为有标训练图像和无标训练图像共享的特征子空间。
步骤3)根据有标训练图像在共享子空间上的系数，和无标训练图像在共享子空间上的系数，确定有标训练图像和无标训练图像的图像相似度。
步骤4)根据图像相似度和空间相似度，确定半监督损失。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，本公开首先获取检查设备按照预设剂量采集的带噪检查图像，然后利用降噪模型对带噪检查图像进行降噪处理，以得到目标检查图像。其中，降噪模型是根据第一数量的标注有对应的无噪检查图像的有标样本图像、第二数量的无标样本图像，以及有标样本图像和无标样本图像在特征子空间上的空间相似度训练得到的，第一数量小于第二数量，且采集无噪检查图像的剂量大于预设剂量。本公开能够利用少量有标样本图像、大量无标样本图像以及二者在特征子空间上的空间相似度训练降噪模型，能够有效提高降噪模型的降噪准确度，降低降噪模型对有标样本图像的依赖。
下面参考图10，其示出了适于用来实现本公开实施例的电子设备(例如可以上述实施例中的执行主体，可以是终端设备或服务器)300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出接口305也连接至总线304。
通常，以下装置可以连接至输入/输出接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，终端设备、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取检查设备按照预设剂量采集的带噪检查图像；利用预先训练的降噪模型对所述带噪检查图像进行降噪处理，以得到目标检查图像；所述降噪模型是根据第一数量的有标样本图像、第二数量的无标样本图像，以及所述有标样本图像和所述无标样本图像在特征子空间上的空间相似度训练得到的，所述有标样本图像标注有对应的无噪检查图像，所述第一数量小于所述第二数量，采集所述无噪检查图像的剂量大于所述预设剂量。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取带噪检查图像的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种检查图像的降噪方法，包括：获取检查设备按照预设剂量采集的带噪检查图像；利用预先训练的降噪模型对所述带噪检查图像进行降噪处理，以得到目标检查图像；所述降噪模型是根据第一数量的有标样本图像、第二数量的无标样本图像，以及所述有标样本图像和所述无标样本图像在特征子空间上的空间相似度训练得到的，所述有标样本图像标注有对应的无噪检查图像，所述第一数量小于所述第二数量，采集所述无噪检查图像的剂量大于所述预设剂量。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述利用预先训练的降噪模型对所述带噪检查图像进行降噪处理，以得到目标检查图像，包括：利用所述降噪模型中的卷积层，对所述带噪检查图像进行下采样，以得到下采样检查图像；利用所述降噪模型中的转置卷积层，对所述下采样检查图像进行上采样，以得到所述目标检查图像。
根据本公开的一个或多个实施例，示例3提供了示例1或示例2的方法，所述降噪模型是通过以下方式训练得到的：获取样本输入集和样本输出集，所述样本输入集包括：第一数量的所述有标样本图像和第二数量的所述无标样本图像；所述样本输出集中包括与每个所述有标样本图像对应的所述无噪检查图像；将所述样本输入集作为所述降噪模型的输入，将所述样本输出集分别作为所述降噪模型的输出，以根据所述空间相似度训练所述降噪模型。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述将所述样本输入集作为所述降噪模型的输入，将所述样本输出集分别作为所述降噪模型的输出，以根据所述空间相似度训练所述降噪模型，包括：从所述样本输入集中抽取多个训练批次，每个所述训练批次包括所述有标样本图像和所述无标样本图像；针对每个所述训练批次，将该训练批次中的所述有标样本图像输入所述降噪模型，得到所述降噪模型输出的有标训练图像，并将该训练批次中的所述无标样本图像输入所述降噪模型，得到所述降噪模型输出的无标训练图像；对所述有标训练图像进行奇异值分解，以得到有标特征子空间，并对所述无标训练图像进行奇异值分解，以得到无标特征子空间；根据所述有标特征子空间和所述无标特征子空间，确定所述空间相似度；根据所述有标训练图像、所述有标特征子空间、所述无标特征子空间、所述空间相似度，以及该训练批次中所述有标样本图像对应的所述无噪检查图像，训练所述降噪模型。
根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述对所述有标训练图像进行奇异值分解，以得到有标特征子空间，并对所述无标训练图像进行奇异值分解，以得到无标特征子空间，包括：对所述有标训练图像进行奇异值分解，将所述有标训练图像的左奇异矩阵作为所述有标特征子空间，所述有标特征子空间包括一组用于表征所述有标训练图像的基向量；对所述无标训练图像进行奇异值分解，将所述无标训练图像的左奇异矩阵作为所述无标特征子空间，所述无标特征子空间包括一组用于表征所述无标训练图像的基向量。
根据本公开的一个或多个实施例，示例6提供了示例4的方法，所述根据所述有标特征子空间和所述无标特征子空间，确定所述空间相似度，包括：根据所述有标特征子空间和所述无标特征子空间的余弦距离，确定所述空间相似度。
根据本公开的一个或多个实施例，示例7提供了示例4的方法，所述根据所述有标训练图像、所述有标特征子空间、所述无标特征子空间、所述空间相似度，以及该训练批次中所述有标样本图像对应的所述无噪检查图像，训练所述降噪模型，包括：根据所述有标训练图像，以及该训练批次中所述有标样本图像对应的所述无噪检查图像，确定监督损失；根据所述有标特征子空间、所述无标特征子空间和所述空间相似度，确定半监督损失；根据所述监督损失和所述半监督损失，确定目标损失；以降低所述目标损失为目标，利用反向传播算法训练所述降噪模型。
根据本公开的一个或多个实施例，示例8提供了示例7的方法，所述根据所述有标训练图像，以及该训练批次中所述有标样本图像对应的所述无噪检查图像，确定监督损失，包括：根据所述有标训练图像与所述有标训练图像对应的所述无噪检查图像的差，确定所述监督损失；所述根据所述有标特征子空间、所述无标特征子空间和所述空间相似度，确定半监督损失，包括：将所述有标特征子空间的转置与所述无标特征子空间的乘积作为联合矩阵；根据所述有标特征子空间和所述无标特征子空间的余弦距离，对所述联合矩阵进行特征分解，得到所述有标训练图像在共享子空间上的系数，和所述无标训练图像在所述共享子空间上的系数，所述共享子空间为所述有标训练图像和所述无标训练图像共享的特征子空间；根据所述有标训练图像在所述共享子空间上的系数，和所述无标训练图像在所述共享子空间上的系数，确定所述有标训练图像和所述无标训练图像的图像相似度；根据所述图像相似度和所述空间相似度，确定所述半监督损失。
根据本公开的一个或多个实施例，示例9提供了一种检查图像的降噪装置，包括：获取模块，用于获取检查设备按照预设剂量采集的带噪检查图像；降噪模块，用于利用预先训练的降噪模型对所述带噪检查图像进行降噪处理，以得到目标检查图像；所述降噪模型是根据第一数量的有标样本图像、第二数量的无标样本图像，以及所述有标样本图像和所述无标样本图像在特征子空间上的空间相似度训练得到的，所述有标样本图像标注有对应的无噪检查图像，所述第一数量小于所述第二数量，采集所述无噪检查图像的剂量大于所述预设剂量。
根据本公开的一个或多个实施例，示例10提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至示例8中所述方法的步骤。
根据本公开的一个或多个实施例，示例11提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至示例8中所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (11)

1.一种检查图像的降噪方法，其特征在于，所述方法包括：
获取检查设备按照预设剂量采集的带噪检查图像；
利用预先训练的降噪模型对所述带噪检查图像进行降噪处理，以得到目标检查图像；
所述降噪模型是根据第一数量的有标样本图像、第二数量的无标样本图像，以及所述有标样本图像和所述无标样本图像在特征子空间上的空间相似度训练得到的，所述有标样本图像标注有对应的无噪检查图像，所述第一数量小于所述第二数量，采集所述无噪检查图像的剂量大于所述预设剂量。
2.根据权利要求1所述的方法，其特征在于，所述利用预先训练的降噪模型对所述带噪检查图像进行降噪处理，以得到目标检查图像，包括：
利用所述降噪模型中的卷积层，对所述带噪检查图像进行下采样，以得到下采样检查图像；
利用所述降噪模型中的转置卷积层，对所述下采样检查图像进行上采样，以得到所述目标检查图像。
3.根据权利要求1或2所述的方法，其特征在于，所述降噪模型是通过以下方式训练得到的：
获取样本输入集和样本输出集，所述样本输入集包括：第一数量的所述有标样本图像和第二数量的所述无标样本图像；所述样本输出集中包括与每个所述有标样本图像对应的所述无噪检查图像；
将所述样本输入集作为所述降噪模型的输入，将所述样本输出集分别作为所述降噪模型的输出，以根据所述空间相似度训练所述降噪模型。
4.根据权利要求3所述的方法，其特征在于，所述将所述样本输入集作为所述降噪模型的输入，将所述样本输出集分别作为所述降噪模型的输出，以根据所述空间相似度训练所述降噪模型，包括：
从所述样本输入集中抽取多个训练批次，每个所述训练批次包括所述有标样本图像和所述无标样本图像；
针对每个所述训练批次，将该训练批次中的所述有标样本图像输入所述降噪模型，得到所述降噪模型输出的有标训练图像，并将该训练批次中的所述无标样本图像输入所述降噪模型，得到所述降噪模型输出的无标训练图像；
对所述有标训练图像进行奇异值分解，以得到有标特征子空间，并对所述无标训练图像进行奇异值分解，以得到无标特征子空间；
根据所述有标特征子空间和所述无标特征子空间，确定所述空间相似度；
根据所述有标训练图像、所述有标特征子空间、所述无标特征子空间、所述空间相似度，以及该训练批次中所述有标样本图像对应的所述无噪检查图像，训练所述降噪模型。
5.根据权利要求4所述的方法，其特征在于，所述对所述有标训练图像进行奇异值分解，以得到有标特征子空间，并对所述无标训练图像进行奇异值分解，以得到无标特征子空间，包括：
对所述有标训练图像进行奇异值分解，将所述有标训练图像的左奇异矩阵作为所述有标特征子空间，所述有标特征子空间包括一组用于表征所述有标训练图像的基向量；
对所述无标训练图像进行奇异值分解，将所述无标训练图像的左奇异矩阵作为所述无标特征子空间，所述无标特征子空间包括一组用于表征所述无标训练图像的基向量。
6.根据权利要求4所述的方法，其特征在于，所述根据所述有标特征子空间和所述无标特征子空间，确定所述空间相似度，包括：
根据所述有标特征子空间和所述无标特征子空间的余弦距离，确定所述空间相似度。
7.根据权利要求4所述的方法，其特征在于，所述根据所述有标训练图像、所述有标特征子空间、所述无标特征子空间、所述空间相似度，以及该训练批次中所述有标样本图像对应的所述无噪检查图像，训练所述降噪模型，包括：
根据所述有标训练图像，以及该训练批次中所述有标样本图像对应的所述无噪检查图像，确定监督损失；
根据所述有标特征子空间、所述无标特征子空间和所述空间相似度，确定半监督损失；
根据所述监督损失和所述半监督损失，确定目标损失；
以降低所述目标损失为目标，利用反向传播算法训练所述降噪模型。
8.根据权利要求7所述的方法，其特征在于，所述根据所述有标训练图像，以及该训练批次中所述有标样本图像对应的所述无噪检查图像，确定监督损失，包括：
根据所述有标训练图像与所述有标训练图像对应的所述无噪检查图像的差，确定所述监督损失；
所述根据所述有标特征子空间、所述无标特征子空间和所述空间相似度，确定半监督损失，包括：
将所述有标特征子空间的转置与所述无标特征子空间的乘积作为联合矩阵；
根据所述有标特征子空间和所述无标特征子空间的余弦距离，对所述联合矩阵进行特征分解，得到所述有标训练图像在共享子空间上的系数，和所述无标训练图像在所述共享子空间上的系数，所述共享子空间为所述有标训练图像和所述无标训练图像共享的特征子空间；
根据所述有标训练图像在所述共享子空间上的系数，和所述无标训练图像在所述共享子空间上的系数，确定所述有标训练图像和所述无标训练图像的图像相似度；
根据所述图像相似度和所述空间相似度，确定所述半监督损失。
9.一种检查图像的降噪装置，其特征在于，所述装置包括：
获取模块，用于获取检查设备按照预设剂量采集的带噪检查图像；
降噪模块，用于利用预先训练的降噪模型对所述带噪检查图像进行降噪处理，以得到目标检查图像；
所述降噪模型是根据第一数量的有标样本图像、第二数量的无标样本图像，以及所述有标样本图像和所述无标样本图像在特征子空间上的空间相似度训练得到的，所述有标样本图像标注有对应的无噪检查图像，所述第一数量小于所述第二数量，采集所述无噪检查图像的剂量大于所述预设剂量。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-8中任一项所述方法的步骤。
11.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-8中任一项所述方法的步骤。
CN202210772156.6A 2022-06-30 2022-06-30 检查图像的降噪方法、装置、可读介质和电子设备 Active CN114972118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210772156.6A CN114972118B (zh) 2022-06-30 2022-06-30 检查图像的降噪方法、装置、可读介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210772156.6A CN114972118B (zh) 2022-06-30 2022-06-30 检查图像的降噪方法、装置、可读介质和电子设备

Publications (2)

Publication Number Publication Date
CN114972118A true CN114972118A (zh) 2022-08-30
CN114972118B CN114972118B (zh) 2023-04-28

Family

ID=82966605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210772156.6A Active CN114972118B (zh) 2022-06-30 2022-06-30 检查图像的降噪方法、装置、可读介质和电子设备

Country Status (1)

Country Link
CN (1) CN114972118B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115908204A (zh) * 2023-02-21 2023-04-04 北京唯迈医疗设备有限公司 用于利用放射成像设备获取的医学图像的降噪处理方法、装置及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778482A (zh) * 2015-05-05 2015-07-15 西安电子科技大学 基于张量半监督标度切维数约减的高光谱图像分类方法
CN110610715A (zh) * 2019-07-29 2019-12-24 西安工程大学 一种基于cnn-dnn混合神经网络的降噪方法
CN110705591A (zh) * 2019-03-09 2020-01-17 华南理工大学 一种基于最优子空间学习的异构迁移学习方法
CN112465733A (zh) * 2020-08-31 2021-03-09 长沙理工大学 基于半监督学习的遥感图像融合方法、装置、介质及设备
CN112581554A (zh) * 2019-09-30 2021-03-30 中国科学院深圳先进技术研究院 一种ct成像方法、装置、存储设备及医学成像系统
CN112883216A (zh) * 2021-03-01 2021-06-01 中国科学院信息工程研究所 基于扰动一致性自集成的半监督图像检索方法及装置
CN113658178A (zh) * 2021-10-14 2021-11-16 北京字节跳动网络技术有限公司 组织图像的识别方法、装置、可读介质和电子设备
CN113706564A (zh) * 2021-09-23 2021-11-26 苏州大学 基于多种监督方式的睑板腺分割网络的训练方法及装置
CN114154563A (zh) * 2021-11-16 2022-03-08 北京航空航天大学 基于混合监督训练的目标检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778482A (zh) * 2015-05-05 2015-07-15 西安电子科技大学 基于张量半监督标度切维数约减的高光谱图像分类方法
CN110705591A (zh) * 2019-03-09 2020-01-17 华南理工大学 一种基于最优子空间学习的异构迁移学习方法
CN110610715A (zh) * 2019-07-29 2019-12-24 西安工程大学 一种基于cnn-dnn混合神经网络的降噪方法
CN112581554A (zh) * 2019-09-30 2021-03-30 中国科学院深圳先进技术研究院 一种ct成像方法、装置、存储设备及医学成像系统
CN112465733A (zh) * 2020-08-31 2021-03-09 长沙理工大学 基于半监督学习的遥感图像融合方法、装置、介质及设备
CN112883216A (zh) * 2021-03-01 2021-06-01 中国科学院信息工程研究所 基于扰动一致性自集成的半监督图像检索方法及装置
CN113706564A (zh) * 2021-09-23 2021-11-26 苏州大学 基于多种监督方式的睑板腺分割网络的训练方法及装置
CN113658178A (zh) * 2021-10-14 2021-11-16 北京字节跳动网络技术有限公司 组织图像的识别方法、装置、可读介质和电子设备
CN114154563A (zh) * 2021-11-16 2022-03-08 北京航空航天大学 基于混合监督训练的目标检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115908204A (zh) * 2023-02-21 2023-04-04 北京唯迈医疗设备有限公司 用于利用放射成像设备获取的医学图像的降噪处理方法、装置及介质

Also Published As

Publication number Publication date
CN114972118B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN110766769B (zh) 一种磁共振图像重建方法、装置、设备和介质
CN110929780B (zh) 视频分类模型构建、视频分类的方法、装置、设备及介质
CN110766768B (zh) 一种磁共振图像重建方法、装置、设备和介质
CN111275721B (zh) 一种图像分割方法、装置、电子设备及存储介质
US20200372654A1 (en) Sampling latent variables to generate multiple segmentations of an image
CN112270200B (zh) 一种文本信息的翻译方法、装置、电子设备和存储介质
CN112200173B (zh) 多网络模型训练方法、图像标注方法和人脸图像识别方法
CN111915480A (zh) 生成特征提取网络的方法、装置、设备和计算机可读介质
CN112464921B (zh) 障碍物检测信息生成方法、装置、设备和计算机可读介质
CN115830001B (zh) 肠道图像处理方法、装置、存储介质及电子设备
CN114972118B (zh) 检查图像的降噪方法、装置、可读介质和电子设备
WO2022012178A1 (zh) 用于生成目标函数的方法、装置、电子设备和计算机可读介质
CN113688928B (zh) 图像匹配方法、装置、电子设备和计算机可读介质
CN114820861A (zh) 基于CycleGAN的MR合成CT方法、设备和计算机可读存储介质
CN114399814A (zh) 一种基于深度学习的遮挡物移除和三维重建方法
CN114240867A (zh) 内窥镜图像识别模型的训练方法、内窥镜图像识别方法及装置
CN111311609B (zh) 一种图像分割方法、装置、电子设备及存储介质
CN114937178B (zh) 基于多模态的图像分类方法、装置、可读介质和电子设备
CN113470026B (zh) 息肉识别方法、装置、介质及设备
CN115375657A (zh) 息肉检测模型的训练方法、检测方法、装置、介质及设备
CN111797931B (zh) 图像处理方法、图像处理网络训练方法、装置、设备
CN115100536A (zh) 建筑物识别方法、装置、电子设备和计算机可读介质
CN112991266A (zh) 用于小样本医疗影像的语义分割方法及系统
CN112528970A (zh) 路牌检测方法、装置、设备和计算机可读介质
CN111599447B (zh) 一种数据处理方法、装置、电子设备及存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant after: Douyin Vision Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant before: Tiktok vision (Beijing) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant