CN117291844A - 一种医学图像去噪方法、系统、设备以及介质 - Google Patents
一种医学图像去噪方法、系统、设备以及介质 Download PDFInfo
- Publication number
- CN117291844A CN117291844A CN202311578238.8A CN202311578238A CN117291844A CN 117291844 A CN117291844 A CN 117291844A CN 202311578238 A CN202311578238 A CN 202311578238A CN 117291844 A CN117291844 A CN 117291844A
- Authority
- CN
- China
- Prior art keywords
- image
- medical image
- degraded
- network model
- residual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 230000015556 catabolic process Effects 0.000 claims abstract description 20
- 238000006731 degradation reaction Methods 0.000 claims abstract description 20
- 229910052704 radon Inorganic materials 0.000 claims description 6
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 description 14
- 239000011295 pitch Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种医学图像去噪方法、系统、设备以及介质，方法包括：采集获得包含多张原始医学图像的基础数据集；对基础数据集中的原始医学图像进行图像退化得到与医学图像对应的退化图像；将退化图像输入一残差学习网络模型获得每一退化图像的残差项；根据退化图像与残差项获得退化图像的预测图像；根据预测图像与原始医学图像获得图像计算损失值；将最小的图像计算损失值对应的残差学习网络模型的权重系数作为残差学习网络模型系数，获得训练后的残差学习网络模型，利用真实数据生成退化图像（低质量图像）和原始医学图像（高质量图像）图像对，可以保证训练出来的残差学习网络模型不改变图像结构的同时能够去除噪声。
Description
技术领域
本发明涉及的是一种图像处理处理领域的技术，具体是一种医学图像去噪方法、系统、设备以及介质。
背景技术
医学图像中X光图像和CT图像的原理相同，都是利用X射线的穿透作用，通过组织密度不同的人体后形成辐射线衰减强度不同的影像。其中一套CT图像的辐射剂量较普通单张X光片要大不少。所以怎么在实际检查中降低CT的辐射剂量是一件至关重要的事情，通常可以采减少采样角度、降低管电流，增大螺距三种方法来加速CT扫描，并且大大降低CT扫描过程的辐射剂量，但其重建出来的图像噪声大，达不到诊断医生的诊断要求。虽然在CT成像中稀疏角场景下使用压缩感知技术也可以获得足够好的图像，但压缩感知需要利用将稀疏角投影数据和重建方法在CT设备侧进行结合，严重依赖设备和厂商；此外压缩感知只能处理稀疏角场景的加速成像，无法处理低管电流和大螺距的低剂量场景。
对于单张X光图像，其辐射剂量不高，但在血管介入手术等场景下，需要连续拍摄大量的X光图像来引导介入手术，其累计的辐射量不容忽视，医生和病人都需要承受其辐射的侵害。虽然医生可以穿着厚厚的铅衣来屏蔽部分辐射，但医生需要长期开展介入手术，经年累月的辐射也会对医生身体产生较大的伤害。故若能降低每次X光图像的辐射量，不仅仅可以减少单个病人的术中的辐射量，同时也会降低医生长期手术治疗下的总辐射量。但低辐射量的单次X光图像会存在较多的噪声，造成图像上重要的导丝及一些血管区域存在边界模糊问题，容易影响医生的判断，从而导致手术失败的风险增加。所以若将低剂量的X光图像恢复成正常剂量的X光图像的图像质量，就可以既降低辐射剂量的同时不额外增加手术风险。由于实际操作过程中很难获得低剂量和正常剂量的配对数据，通常采用的方式是利用噪声期望值为零以及噪声自身的非相关性等特点构建深度学习无监督训练方式，虽然此方法一定程度上可以降低低剂量下的X光图像的盲噪声，但是其图像质量尚未恢复到正常剂量的图像质量，对医生的术中判断还存在一定的影响。
近年来，深度学习因其出色的快速推理能力和泛化能力，在去噪领域得到快速发展，但对于非匹配医疗影像数据的盲噪声去除尚未达到理想的效果。
发明内容
本发明针对现有技术存在的上述不足，提出一种医学图像去噪方法、系统、设备以及介质，利用真实数据生成退化图像（低质量图像）和原始医学图像（高质量图像）图像对，可以保证训练出来的残差学习网络模型不改变图像结构的同时能够去除噪声，且在真实数据上具备较强的泛化性，能够用于X光图像或者CT图像等不同的医学图像。
本发明是通过以下技术方案实现的：
根据本发明的一个方面，提供一种医学图像去噪方法，包括：
采集获得包含多张原始医学图像的基础数据集；
对所述基础数据集中的所述原始医学图像进行图像退化得到与所述医学图像对应的退化图像；
将所述退化图像输入一残差学习网络模型获得每一所述退化图像的残差项；
根据所述退化图像与所述残差项获得所述退化图像的预测图像；
根据所述预测图像与所述原始医学图像获得图像计算损失值；
将最小的所述图像计算损失值对应的所述残差学习网络模型的权重系数作为所述残差学习网络模型系数，获得训练后的残差学习网络模型。
优选的，所述基数数据集中的所述原始医学图像的数量大于1000。
优选的，所述图像退化通过对所述原始医学图像添加高斯噪声、泊松噪声、椒盐噪声、插值损失和/或压缩损失实现。
优选的，所述图像计算损失值包括第一计算损失值，其中：
为所述预测图像第i点的像素值；
为所述原始医学图像第i点的像素值。
优选的，所述图像计算损失值包括第二计算损失值，其中：
（）为特征提取函数；
为预测图像第i点的像素值；
为所述原始医学图像第i点的像素值。
优选的，所述图像计算损失值包括第三计算损失值
，其中：
；
为所述预测图像上的第i个像素和所述原始医学图像上的第j个像素之间的余弦相似度，/>，/>；
为带宽常数；
为像素点个数。
优选的，所述图像退化通过以下步骤实现：
将所述原始医学图像进行radon变换获得正弦图像；
对所述正弦图像进行欠采样后，进行逆radon变换生成所述退化图像。
根据本发明的一个方面，提供一种医学图像去噪系统，包括：
采集模块，采集获得包含多张原始医学图像的基础数据集；
退化模块，对所述基础数据集中的所述原始医学图像进行图像退化得到与所述医学图像对应的退化图像；
残差模块，将所述退化图像输入一残差学习网络模型获得每一所述退化图像的残差项；
预测模块，根据所述退化图像与所述残差项获得所述退化图像的预测图像；
计算模块，根据所述预测图像与所述原始医学图像获得图像计算损失值；
系数模块，将最小的所述图像计算损失值对应的所述残差学习网络模型的权重系数作为所述残差学习网络模型系数，获得训练后的残差学习网络模型。
根据本发明的一个方面，提供一种医学图像去噪设备，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述医学图像去噪方法的步骤。
根据本发明的一个方面，提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现上述医学图像去噪方法的步骤。
上述技术方案的有益效果是：
本发明中的医学图像去噪方法、系统、设备以及介质，利用真实数据生成退化图像（低质量图像）和原始医学图像（高质量图像）图像对，可以保证训练出来的残差学习网络模型不改变图像结构的同时能够去除噪声，且在真实数据上具备较强的泛化性，能够用于X光图像或者CT图像等不同的医学图像。
本发明的其它特征和优点以及本发明的各种实施例的结构和操作，将在以下参照附图进行详细的描述。应当注意，本发明不限于本文描述的具体实施例。在本文给出的这些实施例仅仅是为了说明的目的。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
图1是本发明的一种医学图像去噪方法流程示意图；
图2是本发明的一种医学图像去噪系统图；
图3是本发明的医学图像去噪设备结构框图；
图4是本发明的计算机可读存储介质的结构示意图。
从以下结合附图的详细描述中，本发明的特征和优点将变得更加明显。贯穿附图，相同的附图标识相应元素。在附图中，相同附图标记通常指示相同的、功能上相似的和/或结构上相似的元件。
具体实施方式
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付出创造性劳动的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。
本申请中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
根据本发明的一个方面，提供一种医学图像去噪方法。
图1是本发明的一种医学图像去噪方法流程示意图。图1中示出的方法100包括：步骤S102、步骤S104、步骤S106、步骤S108、步骤S110以及步骤S112。步骤S102中，采集获得包含多张原始医学图像的基础数据集。步骤S104中，对基础数据集中的原始医学图像进行图像退化得到与医学图像对应的退化图像。步骤S106中，将退化图像输入一残差学习网络模型获得每一退化图像的残差项。步骤S108中，根据退化图像与残差项获得退化图像的预测图像。步骤S110中，根据预测图像与原始医学图像获得图像计算损失值。步骤S112中，将最小的图像计算损失值对应的残差学习网络模型的权重系数作为残差学习网络模型系数，获得训练后的残差学习网络模型。
步骤S102中，采集获得包含多张原始医学图像的基础数据集。原始医学图像为高信噪比的高分辨率图像，基础数据集中的原始医学图像的数量大于1000。该原始医学图像为X光图像或者CT图像。
在步骤S104中，对基础数据集中的原始医学图像进行图像退化得到与医学图像对应的退化图像。图像退化通过对原始医学图像添加高斯噪声、泊松噪声、椒盐噪声、插值损失和/或压缩损失实现，例如X光图像通过该图像退化方式可以获得低质量图像即退化图像。
在一些实施例中，原始医学图像为CT图像，则图像退化通过以下步骤实现：将原始医学图像进行radon变换获得正弦图像；对正弦图像进行欠采样后，进行逆radon变换生成退化图像。
在一些实施例中，原始医学图像为CT图像，则对于大螺距和低管电流管电压的医学图像采用深度学习退化器的方式进行模拟，通过学习风格解码器将大螺距和低管电流管电压的图像上的噪声学习到施加到CT图像中生成低质量的退化图像。基于深度学习的退化器需要体膜或者真人配对数据来训练。将训练后的模型采用离线的方式将高质量的CT图像生成大量配对的低管电流管电压和大螺距的退化图像。
步骤S106中，将退化图像输入一残差学习网络模型获得每一退化图像的残差项。残差学习网络模型为Unet网络架构，可以保障网络的强大拟合能力，又可以实现网络预测的低延迟性。残差项为残差学习网络模型的输出值。
步骤S108中，根据退化图像与残差项获得退化图像的预测图像。即将退化图像（低质量图像）与残差项相减即可以获得预测图像。
步骤S110中，根据预测图像与原始医学图像获得图像计算损失值。
图像计算损失值包括第一计算损失值，其中：
为所述预测图像第i点的像素值；
为所述原始医学图像第i点的像素值。
图像计算损失值包括第二计算损失值，其中：
（）为特征提取函数；
为预测图像第i点的像素值；
为原始医学图像第i点的像素值。
图像计算损失值包括第三计算损失值其中：
；
为所述预测图像上的第i个像素和所述原始医学图像上的第j个像素之间的余弦相似度，/>，/>；
为带宽常数；
为所述原始退化图像上的第i点的像素值；
为像素点个数。
图2是本发明的一种医学图像去噪系统图。根据本发明的一个方面，提供一种医学图像去噪系统200，包括：
采集模块201，采集获得包含多张原始医学图像的基础数据集；
退化模块202，对基础数据集中的原始医学图像进行图像退化得到与医学图像对应的退化图像；
残差模块203，将退化图像输入一残差学习网络模型获得每一退化图像的残差项；
预测模块204，根据退化图像与残差项获得退化图像的预测图像；
计算模块205，根据预测图像与原始医学图像获得图像计算损失值；
系数模块206，将最小的图像计算损失值对应的残差学习网络模型的权重系数作为残差学习网络模型系数，获得训练后的残差学习网络模型。
根据本发明的一个方面，提供一种医学图像去噪设备，包括：处理器；存储器，其中存储有处理器的可执行指令；其中，可执行指令在被执行时处理器执行医学图像去噪方法的步骤。
图3是本发明的医学图像去噪设备结构框图。下面参照图3来描述根据本发明的这种实施方式的电子设备800。图3显示的电子设备800仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：至少一个处理单元810、至少一个存储单元820、连接不同平台组件（包括存储单元820和处理单元810）的总线830、显示单元840等。
其中，存储单元存储有程序代码，程序代码可以被处理单元810执行，使得处理单元810执行本说明书上述步骤。例如，处理单元810可以执行如图1中所示的步骤。
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元（ROM）8203。
存储单元820还可以包括具有一组（至少一个）程序模块6205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备870（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器660可以通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
根据本发明的一个方面，提供一种计算机可读存储介质，用于存储程序，程序被执行时实现上述方法的步骤。
图4是本发明的计算机可读存储介质的结构示意图。参考图4所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器（CD-ROM）并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（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。
计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
综上，本发明中的医学图像去噪方法、系统、设备以及介质，利用真实数据生成退化图像（低质量图像）和原始医学图像（高质量图像）图像对，可以保证训练出来的残差学习网络模型不改变图像结构的同时能够去除噪声，且在真实数据上具备较强的泛化性，能够用于X光图像或者CT图像等不同的医学图像。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种医学图像去噪方法，其特征在于，包括：
采集获得包含多张原始医学图像的基础数据集；
对所述基础数据集中的所述原始医学图像进行图像退化得到与所述原始医学图像对应的退化图像；
将所述退化图像输入一残差学习网络模型获得每一所述退化图像的残差项；
根据所述退化图像与所述残差项获得所述退化图像的预测图像；
根据所述预测图像与所述原始医学图像获得图像计算损失值；
将最小的所述图像计算损失值对应的所述残差学习网络模型的权重系数作为所述残差学习网络模型系数，获得训练后的残差学习网络模型。
2.根据权利要求1所述的医学图像去噪方法，其特征在于，所述基数数据集中的所述原始医学图像的数量大于1000。
3.根据权利要求1所述的医学图像去噪方法，其特征在于，所述图像退化通过对所述原始医学图像添加高斯噪声、泊松噪声、椒盐噪声、插值损失和/或压缩损失实现。
4.根据权利要求1所述的医学图像去噪方法，其特征在于，所述图像计算损失值包括第一计算损失值，其中：
为所述预测图像第i点的像素值；
为所述原始医学图像第i点的像素值。
5.根据权利要求1所述的医学图像去噪方法，其特征在于，所述图像计算损失值包括第二计算损失值，其中：
（）为特征提取函数；
为所述预测图像第i点的像素值；
为所述原始医学图像第i点的像素值。
6.根据权利要求1所述的医学图像去噪方法，其特征在于，所述图像计算损失值包括第三计算损失值，其中：
；
为所述预测图像上的第i个像素和所述原始医学图像上的第j个像素之间的余弦相似度，/>，/>；
为所述退化图像上的第i点的像素值；
为带宽常数；
为像素点个数。
7.根据权利要求1所述的医学图像去噪方法，其特征在于，所述图像退化通过以下步骤实现：
将所述原始医学图像进行radon变换获得正弦图像；
对所述正弦图像进行欠采样后，进行逆radon变换生成所述退化图像。
8.一种医学图像去噪系统，其特征在于，包括：
采集模块，采集获得包含多张原始医学图像的基础数据集；
退化模块，对所述基础数据集中的所述原始医学图像进行图像退化得到与所述医学图像对应的退化图像；
残差模块，将所述退化图像输入一残差学习网络模型获得每一所述退化图像的残差项；
预测模块，根据所述退化图像与所述残差项获得所述退化图像的预测图像；
计算模块，根据所述预测图像与所述原始医学图像获得图像计算损失值；
系数模块，将最小的所述图像计算损失值对应的所述残差学习网络模型的权重系数作为所述残差学习网络模型系数，获得训练后的残差学习网络模型。
9.一种医学图像去噪设备，其特征在于，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7中任意一项所述医学图像去噪方法的步骤。
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1-7中任意一项所述医学图像去噪方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311578238.8A CN117291844A (zh) | 2023-11-24 | 2023-11-24 | 一种医学图像去噪方法、系统、设备以及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311578238.8A CN117291844A (zh) | 2023-11-24 | 2023-11-24 | 一种医学图像去噪方法、系统、设备以及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117291844A true CN117291844A (zh) | 2023-12-26 |
Family
ID=89258911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311578238.8A Pending CN117291844A (zh) | 2023-11-24 | 2023-11-24 | 一种医学图像去噪方法、系统、设备以及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291844A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190279091A1 (en) * | 2018-03-12 | 2019-09-12 | Carnegie Mellon University | Discriminative Cosine Embedding in Machine Learning |
| KR20210107278A (ko) * | 2020-02-24 | 2021-09-01 | 인하대학교 산학협력단 | 컨텍스트 스타일 변환기를 이용한 영상 처리 기법 |
| CN113767417A (zh) * | 2020-01-23 | 2021-12-07 | 百度时代网络技术（北京）有限公司 | 用于滤色器阵列图像去噪的深度残差网络 |
| US20220398503A1 (en) * | 2021-06-15 | 2022-12-15 | Pepsico, Inc. | Anomaly detection using machine learning models and similarity regularization |
| CN115760656A (zh) * | 2022-11-11 | 2023-03-07 | 潍坊医学院 | 一种医学影像处理方法及系统 |
| CN116018611A (zh) * | 2020-09-03 | 2023-04-25 | 锐珂医疗公司 | 使用深度卷积网络的噪声抑制 |
| US20230316710A1 (en) * | 2022-03-29 | 2023-10-05 | Hewlett Packard Enterprise Development Lp | Enabling feature importance using siamese autoencoders for effective image change detection |
| CN116866933A (zh) * | 2023-07-24 | 2023-10-10 | 重庆邮电大学 | 一种基于智能反射面辅助的无人机协助边缘计算网络资源分配方法 |
-
2023
- 2023-11-24 CN CN202311578238.8A patent/CN117291844A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190279091A1 (en) * | 2018-03-12 | 2019-09-12 | Carnegie Mellon University | Discriminative Cosine Embedding in Machine Learning |
| CN113767417A (zh) * | 2020-01-23 | 2021-12-07 | 百度时代网络技术（北京）有限公司 | 用于滤色器阵列图像去噪的深度残差网络 |
| KR20210107278A (ko) * | 2020-02-24 | 2021-09-01 | 인하대학교 산학협력단 | 컨텍스트 스타일 변환기를 이용한 영상 처리 기법 |
| CN116018611A (zh) * | 2020-09-03 | 2023-04-25 | 锐珂医疗公司 | 使用深度卷积网络的噪声抑制 |
| US20220398503A1 (en) * | 2021-06-15 | 2022-12-15 | Pepsico, Inc. | Anomaly detection using machine learning models and similarity regularization |
| US20230316710A1 (en) * | 2022-03-29 | 2023-10-05 | Hewlett Packard Enterprise Development Lp | Enabling feature importance using siamese autoencoders for effective image change detection |
| CN115760656A (zh) * | 2022-11-11 | 2023-03-07 | 潍坊医学院 | 一种医学影像处理方法及系统 |
| CN116866933A (zh) * | 2023-07-24 | 2023-10-10 | 重庆邮电大学 | 一种基于智能反射面辅助的无人机协助边缘计算网络资源分配方法 |
Non-Patent Citations (5)
| Title |
|---|
| CHRISTIAN PAYER, ET.AL: "segmenting and tracking cell instances with cosine embeddings and recurrent hourglass networks", 《MEDICAL IMAGE ANALYSIS》, vol. 57, 31 October 2019 (2019-10-31), pages 106 - 119, XP085803151, DOI: 10.1016/j.media.2019.06.015 * |
| RUIFANG JI, ET.AL: "Max margin cosine loss for speaker identification on short utterances", 《 2018 11TH INTERNATIONAL SYMPOSIUM ON CHINESE SPOKEN LANGUAGE PROCESSING (ISCSLP)》, pages 212 - 5 * |
| 倪俊帅等: "基于DNN和改进K-means的船舶辐射噪声开集识别方法", 《声学技术》, vol. 41, no. 3, 30 June 2022 (2022-06-30), pages 382 - 387 * |
| 叶英杰等: "基于余弦相似度的分类定位一致性损失", 《电光与控制》, vol. 30, no. 11, pages 41 - 48 * |
| 段青言: "开放环境下人脸识别的关键技术研究", 《中国博士学位论文全文数据库 (信息科技辑)》, no. 9, 30 September 2022 (2022-09-30), pages 138 - 8 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10867375B2 (en) | Forecasting images for image processing | |
| US10902619B2 (en) | Systems and methods for determining quality metrics of an image or images based on an edge gradient profile and characterizing regions of interest in an image or images | |
| CN111325675B (zh) | 图像处理方法、装置、设备和存储介质 | |
| US11308664B2 (en) | Method for reconstructing a three-dimensional image data set | |
| Podgorsak et al. | CT artifact correction for sparse and truncated projection data using generative adversarial networks | |
| CN109523605A (zh) | 一种ct图像重建的方法、装置、设备及介质 | |
| KR102037117B1 (ko) | 구조유사도를 이용한 아티펙트 저감방법 및 프로그램 및 의료영상획득장치 | |
| Feng et al. | Dual residual convolutional neural network (DRCNN) for low-dose CT imaging | |
| Liu et al. | MRCON-Net: Multiscale reweighted convolutional coding neural network for low-dose CT imaging | |
| Zhang et al. | CT image reconstruction algorithms: A comprehensive survey | |
| Zhang et al. | Denoising swin transformer and perceptual peak signal-to-noise ratio for low-dose CT image denoising | |
| Langet et al. | Compressed‐sensing‐based content‐driven hierarchical reconstruction: Theory and application to C‐arm cone‐beam tomography | |
| CN111062882B (zh) | 一种能谱投影数据处理方法、装置、电子设备及存储介质 | |
| CN112419175A (zh) | 一种共享权重的双区域生成对抗网络及其图像生成方法 | |
| CN114511666A (zh) | 一种模型生成方法、图像重建方法、装置、设备和介质 | |
| CN117291844A (zh) | 一种医学图像去噪方法、系统、设备以及介质 | |
| Hariharan et al. | A photon recycling approach to the denoising of ultra-low dose X-ray sequences | |
| CN113313649B (zh) | 图像重建方法及装置 | |
| Li et al. | A multi-pronged evaluation for image normalization techniques | |
| JP2023167122A (ja) | Ｘ線ｃｔ装置、および、高画質画像生成装置 | |
| Zhong et al. | Super-resolution image reconstruction from sparsity regularization and deep residual-learned priors | |
| Ma et al. | Low-dose CT with a deep convolutional neural network blocks model using mean squared error loss and structural similar loss | |
| Wu et al. | Combined spatial and temporal deep learning for image noise reduction of fluoroscopic x-ray sequences | |
| Zhang | Total variation with modified group sparsity for CT reconstruction under low SNR | |
| EP4198871A1 (en) | Processing projection data produced by a computed tomography scanner |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231226 |