一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法技术

本发明专利技术公开了一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，步骤包括：采集高噪全身扫描3D图像和低噪全身扫描3D图像并分类存放，对所述高噪全身扫描图像和低噪全身扫描图像进行预处理，使得上述数据能够直接用于模型训练；采用处理后的数据训练基于3D卷积反卷积和生成对抗网络的卷积神经网络；利用训练后的卷积神经网络对高噪图像降噪，得到高质量图像。本发明专利技术利用相关图像通过3D卷积和反卷积提取图像的空间信息，学习相邻切片的特征和关系，对图像进行精确降噪。

A Noise Reduction Method for Medical Images Based on 3D Convolution Deconvolution and Generating Countermeasure Network

【技术实现步骤摘要】
一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法
本专利技术涉及正电子发射计算机断层图像处理，具体而言，尤其涉及一种基于深度卷积神经网络模型、3D立体卷积反卷积和生成对抗网络的图像降噪方法。
技术介绍
正电子发射断层扫描(PET)属于核医学成像的一种，是目前最为先进的医学成像技术之一。PET成像利用的是特定的放射性示踪剂进入人体后，会同人体组织内的负电子发生湮灭现象，进而释放出一对儿能量相等、飞行方向相反的正电子，探测器检测到电子后，经过一系列的重建过程，获得最终的PET图像。PET在临床中有着非常多的应用。由于肿瘤对放射性示踪剂有着更强的吸收能力，因此PET常被用于肿瘤诊断之中。此外，PET作为一种功能性成像模式，PET在心脑血管疾病、神经性疾病等领域内也有着卓越的性能。放射性示踪剂的剂量的较少会导致图像中出现噪声、伪影，这会极大的影响医生的诊断。传统的PET图像的降噪方法包括正弦域滤波和迭代重建及其变种。2D卷积采用的平面的卷积核进行卷积，卷积过程中只涉及到平面内的相关信息，而不包括连续图像中提供的空间信息。
技术实现思路
鉴于现有技术中存在的图像细节易丢失、成像速度慢等问题，本专利技术提供了一种基于生成对抗网络和3D残差编码解码的医学图像降噪方法，利用3D图像作为训练数据结合生成对抗网络对模型进行训练，对断层图像进行准确、快速的降噪。本专利技术的技术方案如下：一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，步骤包括：S100、采集高噪全身扫描3D图像和低噪全身扫描3D图像并分类存放，对所述高噪全身扫描图像和低噪全身扫描图像进行预处理，使得上述数据能够直接用于模型训练；S200、采用处理后的数据训练基于3D卷积反卷积和生成对抗网络的卷积神经网络，包括：设置生成器各层卷积参数以及鉴别器各层卷积参数，以及将预处理后的低质量图像作为网络的训练输入、高质量图像作为网络训练标签，对模型进行训练；S300、利用训练后的网络对高噪图像降噪，得到高质量图像。进一步地，步骤S100所述对采集的训练数据进行预处理，包括：S110、分类收集训练数据，所述训练数据包括低质量图像和高质量图像；S120、对收集的分类数据进行格式转化，便于后续直接处理；S130、对可处理的分类数据进行扩充，以满足训练要求。进一步地，步骤S130所述对可处理的分类数据进行扩充，包括：对数据进行随机水平翻转、随机像素平移、随机旋转和裁剪的方法来扩充数据集。本专利技术还提供了一种存储介质，其包括存储的程序，其中，所述程序执行上述任意一项所述的降噪方法。本专利技术还提供了一种处理器，其用于运行程序，其中，所述程序执行上述任意一项所述的降噪方法。较现有技术相比，本专利技术具有以下优点：1、本专利技术在网络训练图像时采用3D图像进行训练，区别于常见的针对2D图像而言的方法，并非单纯某一张图像进行处理，而是利用相关图像通过3D卷积和反卷积提取图像的空间信息，学习相邻切片的特征和关系，对图像进行精确降噪。2、本专利技术在降噪过程中，利用生成器实现降噪，利用鉴别器不断提高生成器的性能，使得生成器达到最佳状态，通过生成器和鉴别器两个卷积神经网络得到最优降噪效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术降噪方法流程图。图2为实施例中方法执行流程图。图3a为生成器工作流程图。图3b为鉴别器工作流程图。图3c为感知特征提取器工作流程图。图4a为实施例中输入的高噪声图像。图4b为实施例中输入的低噪声图像。图4c为实施例中输出的降噪后图像。具体实施方式需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本专利技术。为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。如图1所示，本专利技术提供了一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，步骤包括：S100、对采集的训练数据进行预处理，具体包括：S110、分类收集训练数据，所述训练数据包括低质量图像和高质量图像；S120、对收集的分类数据进行格式转化，便于后续直接处理。S130、对可处理的分类数据进行扩充，以满足训练要求，具体包括：对数据进行随机水平翻转、随机像素平移、随机旋转和裁剪的方法来扩充数据集。S200、采用处理后的数据训练基于3D卷积反卷积和生成对抗网络的卷积神经网络，具体包括：S210、搭建基于3D卷积反卷积和生成对抗网络的卷积神经网络，并设置生成器各层卷积参数以及鉴别器各层卷积参数；S220、将预处理后的低质量图像作为网络的训练输入、高质量图像作为网络训练标签，对模型进行训练。S300、利用训练后的网络对高噪图像降噪，得到高质量图像。下面通过具体的实施例，对本专利技术的技术方案做进一步说明：实施例1如图2所示，一种基于3D卷积反卷积和生成对抗网络的卷积神经网络的医学图像降噪方法，对正电子发射断层扫描进行图像降噪，包括：对采集的训练数据进行预处理；采用处理后的数据训练基于3D卷积反卷积和生成对抗网络的卷积神经网络；利用训练后的卷积神经网络对高噪图像降噪，得到高质量图像。数据预处理包括：步骤A：将由东软医疗提供的，扫描时间分别为75s的低质量高噪全身扫描图像和150s的高质量低噪全身扫描图像，数据的格式为Dicom。将这些数据按照低噪和高噪的进行分类存放。步骤B：将这些分类好的低噪和高噪Dicom文件，借助Pydicom和NumPy扩展库，转化为npy格式的数据。步骤C：同时对低噪和高噪数据进行操作，通过翻转、平移、旋转和裁剪补丁的操作，增强训练数据集，反正出现由于数据量不够而导致的过拟合现象。网络训练过程包括：步骤D：设计基于3D卷积反卷积和生成对抗网络的医学图像降噪方法的网络结构，将连续的9张尺寸为64*64的高噪图像补丁压缩成9*64*64*1的多维数组用作网络的训练样本。与第5张高噪图相对应的尺寸为64*64的低噪图像将作为网络的训练标签。由于网络在训练过程中通常会同时输入多个样本与标签，因此最终网络的训练样本的尺寸为125*9*64*64*1，网络的训练标签的尺寸为125*64*64*1。如图3a-3c所示，具体包括：生成器网络共有4个3D卷积层、4个2D卷积层、4个2D反卷积层和4个3D反卷积层。第1层是3D卷积层，输入为125个大小为9*64*64*1的由原始图像裁剪得来的图像补丁，输出为125个大小为7*62*62*64的特征图，卷积核大小为3*3，步长为1；第2层是3D卷积层，输入为125个大小为7*62*62*64的特征图，输出为125个大小为5*60*60*64的本文档来自技高网...

【技术保护点】
1.一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，步骤包括：S100、采集高噪全身扫描3D图像和低噪全身扫描3D图像并分类存放，对所述高噪全身扫描图像和低噪全身扫描图像进行预处理，使得上述数据能够直接用于模型训练；S200、采用处理后的数据训练基于3D卷积反卷积和生成对抗网络的卷积神经网络，包括：设置生成器各层卷积参数以及鉴别器各层卷积参数，以及将预处理后的低质量图像作为网络的训练输入、高质量图像作为网络训练标签，对模型进行训练；S300、利用训练后的网络对高噪图像降噪，得到高质量图像。

【技术特征摘要】
1.一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，步骤包括：S100、采集高噪全身扫描3D图像和低噪全身扫描3D图像并分类存放，对所述高噪全身扫描图像和低噪全身扫描图像进行预处理，使得上述数据能够直接用于模型训练；S200、采用处理后的数据训练基于3D卷积反卷积和生成对抗网络的卷积神经网络，包括：设置生成器各层卷积参数以及鉴别器各层卷积参数，以及将预处理后的低质量图像作为网络的训练输入、高质量图像作为网络训练标签，对模型进行训练；S300、利用训练后的网络对高噪图像降噪，得到高质量图像。2.根据权利要求1所述的一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，其特征在于，步骤S100所...

【专利技术属性】
技术研发人员：滕月阳，龚宇，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21