一种基于3D残差编码解码的医学图像降噪方法技术

本发明专利技术提供一种基于3D残差编码解码的医学图像降噪方法，步骤包括：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残差编码解码的卷积神经网络，其中残差编码解码网络依次包括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；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大数据深度学习解决图像去噪问题，模拟人类的信息处理过程，并通过分层网络框架从像素数据中有效地学习高级特征，进而建立训练样本和训练标签之间复杂的非线性映射。同时，在网络训练过程中采用3D图像，便于网络学习相邻切片的特征及关系，在尽可能保留图像特征的基础上进行降噪处理。

A medical image denoising method based on 3D residual coding and decoding

【技术实现步骤摘要】
一种基于3D残差编码解码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3D残差编码解码的医学图像降噪方法。
技术介绍
18F-FDG作为常见的示踪剂被广泛应用于PET扫描领域。由于其具有放射性，所以注射剂量不宜过多。为了保证扫描图像的质量，需要对图像进行去噪、去伪影等处理。随着深度学习技术的快速发展，卷积神经网络(CNNs)在低剂量示踪剂PET扫描图像去噪领域取得了显著的成绩。目前，基于深度学习的方法仅通过最小化定义的损失函数来学习从高噪声图像到低噪声对应的端到端映射从而辅助医师通过环绕相邻切片更准确地提取病理信息。对单独的PET图像进行降噪作用于2D图像空间，对连续的PET图像同时进行降噪则作用于3D图像空间。2D图像空间即横轴x与纵轴y。3D图像空间除横轴x与纵轴y外，还有时间轴z。由于人体各个组织都是连续的，不会发生突变，因此进行PET扫描过程中，各个图像的变化也是连续的。目前针对2D图像降噪的方法对连续的PET图像进行降噪时，没有考虑相邻的切片间的相互制约，也没有考虑互相提供的可用的先验信息，降噪后的图像的细节有所丢失，导致现边界模糊的现象，影响医生的判断。
技术实现思路
鉴于现有技术中存在的图像细节特征丢失严重的技术问题，本专利技术提供了一种基于3D残差编码解码的医学图像降噪方法，通过分层网络框架依据3D维度数据建立训练样本和训练标签之间复杂的非线性关系。本专利技术的技术方案如下：一种基于3D残差编码解码的医学图像降噪方法，其特征在于，步骤包括：S100、对采集的训练数据进行预处理；S200、采用处理后的数据训练基于3D残差编码解码的卷积神经网络，将经过预处理的低质量3D图像作为网络的训练输入、将经过预处理的高质量3D图像作为网络训练标签对模型进行训练，其中，所述残差编码解码网络依次包括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；S300、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。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。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：本专利技术利用大数据深度学习解决图像去噪问题，模拟人类的信息处理过程，并通过分层网络框架从像素数据中有效地学习高级特征，进而建立训练样本和训练标签之间复杂的非线性映射。同时，在网络训练过程中采用3D图像，便于网络学习相邻切片的特征及关系，在尽可能保留图像特征的基础上进行降噪处理。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为输入的图像示意图。图3b为提取的切片腹部图像。图3c为提取的切片肺部图像。图3d为提取的切片脑部图像。图4为神经网络训练流程图。图5a为实施例中输入的高噪声图像。图5b为实施例中输入的低噪声图像。图5c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残差编码解码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残差编码解码的卷积神经网络，具体包括：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、利用训练后的卷积神经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，本专利技术提供了一种基于3D残差编码解码的医学图像降噪方法，用于医学图像降噪，即本专利技术正电子发射计算机断层图像降噪，至少包括：对数据进行预处理。用处理完的数据训练具有残差编码解码的卷积神经网络。利用训练好的神经网络对高噪声图像进行降噪，得到高质量图像。数据预处理包括：步骤A：训练数据由东软医疗提供，如图3a所示包括扫描75s的低质量和150s的高质量全身扫描DICOM数据，如图3b-3d所示将这些数据分为头部、肺部和腹部三类。步骤B：将这些DICOM数据应用pydicom包转化为npy格式的数组。步骤C：将三类数据分别进行随机左右翻转、在*方向或y方向随机移动30个像素、随机±10度的旋转。用这些方式来扩充已有的数据集，避免巡线过程中出现过拟合问题。模型训练包括：步骤D：设计残差编码解码网络结构，将形状大小为N×64×64×1大小扫描为75s和150s的图像分别作为网络的训练数据和训练标签。其中64表示图像的大小，1表示灰度图像，通道数为1。N表示为数据图片个数。3D残差编码解码是一种网络结构，通过使用3D卷积可以利用图像在空间上的关联信息，进一步提高降噪的效果。这里的残差指的是不同层的的相互连接，在下文中所有提到与其他层的输出叠加后的输出都是残差的结果，引入残差的目的是防止网络层数过深导致的训练效果变差。其次，编码和解码指的就是在降噪过程中的卷积和反卷积过程，高噪图像经过卷积后将变为另一种形式，这称之为编码，反卷积将恢复出图像，这称之为解码。3D残差编码解码网络主要依靠使用了3D卷积，它将连续的图像进行统一卷积，得到的特征图将包含连续图像之间的关联信息，实验结果证明，这样做可以更好的保存降噪后图像的细节信息。如图4所示，为网络结构训练过程，具体包括：将3D残差解码编码网络设置为共包含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层为3D卷积层，输入为125个大小为9*64*64的由原始图像裁剪得来的图像补丁，输出为64个大小为7本文档来自技高网...

【技术保护点】
1.一种基于3D残差编码解码的医学图像降噪方法，其特征在于，步骤包括：S100、对采集的训练数据进行预处理；S200、采用处理后的数据训练基于3D残差编码解码的卷积神经网络，将经过预处理的低质量3D图像作为网络的训练输入、将经过预处理的高质量3D图像作为网络训练标签对模型进行训练，其中，所述残差编码解码网络依次包括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；S300、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。

【技术特征摘要】
1.一种基于3D残差编码解码的医学图像降噪方法，其特征在于，步骤包括：S100、对采集的训练数据进行预处理；S200、采用处理后的数据训练基于3D残差编码解码的卷积神经网络，将经过预处理的低质量3D图像作为网络的训练输入、将经过预处理的高质量3D图像作为网络训练标签对模型进行训练，其中，所述残差编码解码网络依次包括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；S300、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。2.根据权利要求1所述的基于3D残差编码解码的医学图像降噪方法，其特征在于，步骤S100所述对采集的训练数据...

【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