一种图像降噪方法及其应用技术

本申请属于图像扫描技术领域，特别是涉及一种图像降噪方法及其应用。现有的快速成像情况下，重建的MRI图像噪声过大，影响医生诊断病情。本申请提供了一种图像降噪方法，包括：构建自校正卷积神经网络；将L1范数作为损失函数；对自校正卷积神经网络进行优化；将带有噪声的图像作为网络的输入，将带有噪声的图像和对应的无噪声图像作为网络标签，对网络进行训练，得到由带噪声的图像到无噪声的图像映射关系；将需要降噪的图像通过训练好的网络进行降噪得到降噪后的图像。解决图像不清楚的问题。

【技术实现步骤摘要】
一种图像降噪方法及其应用
本申请属于图像扫描
，特别是涉及一种图像降噪方法及其应用。
技术介绍
磁共振成像(MRI)是根据有磁距的原子核在磁场作用下，能产生能级间的跃迁的原理而采用的一项新检查技术，MRI有助于检查癫痫患者脑的能量状态和脑血流情况，对变性病诊断价值很大。MRI是通过体外高频磁场作用，由体内物质向周围环境辐射能量产生信号实现的，成像过程与图像重建和CT相近，只是MRI既不靠外界的辐射、吸收与反射，也不靠放射性物质在体内的γ辐射，而是利用外磁场和物体的相互作用来成像，高能磁场对人体无害。磁共振成像(MRI)扫描是用于人体器官疾病的筛查和诊断的主要医学成像方法之一，是用于医学诊断的有效工具。但是，在图像采集或传输过程中产生的噪声会损害MRI质量，并严重降低这些诊断的准确性。嘈杂的低质量MRI图像会影响自动计算机分析的准确性，例如分类，分割和配准。因此，对MRI去噪的研究对于获得高质量的MRI输出具有重要意义,同时对于医疗诊断领域具有重要的科学意义和应用前景。现有的快速成像情况下，重建的MRI图像噪声过大，影响医生诊断病情。
技术实现思路
1.要解决的技术问题基于在特定情况下，现有的快速成像情况下，重建的MRI图像噪声过大，影响医生诊断病情的问题，本申请提供了一种图像降噪方法及其应用。2.技术方案为了达到上述的目的，本申请提供了一种图像降噪方法，所述方法包括如下步骤：步骤1：构建基于U-net网络基础上的自校正U-net卷积神经网络；<br>步骤2：将L1范数作为损失函数；步骤3：对自校正U-net卷积神经网络的参数进行优化，使得损失函数收敛；步骤4：将带有噪声的图像作为网络的输入，将带有噪声的图像和对应的无噪声图像作为网络标签，对网络进行训练，得到由带噪声的图像到无噪声的图像映射关系；步骤5：将需要降噪的图像通过训练好的网络进行降噪得到降噪后的图像。本申请提供的另一种实施方式为：所述步骤1中所述自校正卷积神经网络为类似于U-net网络的编码解码网络。本申请提供的另一种实施方式为：所述步骤1中自校正卷积神经网络包括自校正卷积层，所述自校正卷积层包括第一通道和第二通道。本申请提供的另一种实施方式为：对所述第一通道的数据进行卷积和批归一化处理。本申请提供的另一种实施方式为：对所述第二通道的数据进行下采样。本申请提供的另一种实施方式为：所述采样率为4。本申请提供的另一种实施方式为：所述步骤2中L1范数为：其中，xi为降噪之前的图像的像素值，yi为无噪声的真实图像的像素值，n为像素值的总个数。本申请提供的另一种实施方式为：所述步骤3中优化时采用Adam优化算法对所述自校正卷积神经网络进行优化。本申请还提供一种图像降噪方法的应用，将权利要求1～9中任一项所述的图像降噪方法应用于单光子发射计算机断层成像、磁共振成像、低剂量CT图像或者低计数正电子发射型断层成像。3.有益效果与现有技术相比，本申请提供的一种图像降噪方法的有益效果在于：本申请提供的图像降噪方法，为一种基于自校正卷积的欠采样MRI图像降噪方法。本申请提供的图像降噪方法，基于处理人脑MR图像降噪。考虑到MRI技术本身会固有地将Rician噪声添加到输出图像这一事实，在将图像摄取进行进一步处理之前，对MR图像进行降噪，获得比现有降噪方法更加清晰的结构细节信息，展示了本申请对MRI图像的噪声抑制和结构保存的能力。本申请提供的图像降噪方法，针对某些快速MRI成像情况下，重建的图像噪声比较大，解决图像不清楚的问题。本申请提供的图像降噪方法，使用自校正卷积代替原始的卷积层，能在不增加网络参数的情况下增加图像的感受野，使得特征图更加准确的表示图像的特征。感受野被定义为卷积神经网络特征所能看到输入图像的区域，换句话说特征输出受感受野区域内的像素点的影响。所以，感受野越大，表述图像特征的特征图越具有代表性。本申请提供的图像降噪方法，在损失函数中，使用L1范数代替原始的L2范数，使图像能更好的保留边缘细节，以此来满足医生诊断的需求。本申请提供的图像降噪方法，提高图像质量。本申请提供的图像降噪方法，在深度学习的背景下降噪图像，使用了一种自校正卷积，在不增加网络参数的同时增加感受野，使降噪的图像质量得到进一步的提升。附图说明图1是本申请的图像降噪方法的生成器网络示意图；图2是本申请的自校正卷积过程示意图；图3是本申请的自校正块示意图。具体实施方式在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。L1范数是各个参数绝对值之和，符合拉普拉斯分布，是不完全可微的，表现在图像上会有很多角出现。L2范数是各个参数的平方和，符合高斯分布，是完全可微的。和L1相比，图像上的棱角被圆滑了很多。参见图1～3，本申请提供一种图像降噪方法，所述方法包括如下步骤：步骤1：构建基于U-net网络基础上的自校正U-net卷积神经网络；步骤2：将L1范数作为损失函数；步骤3：对自校正U-net卷积神经网络的参数进行优化，使得损失函数收敛；步骤4：将带有噪声的图像作为网络的输入，将带有噪声的图像和对应的无噪声图像作为网络标签，对网络进行训练，得到由带噪声的图像到无噪声的图像映射关系；步骤5：将需要降噪的图像通过训练好的网络进行降噪得到降噪后的图像。对步骤1所构建的网络中的参数进行步骤3，即对其参数进行训练，不断的迭代优化改变其参数达到好的映射关系。进一步地，所述步骤1中所述自校正卷积神经网络为类似于U-net网络的编码解码网络。该自校正卷积神经网络是一种类似于U-net网络的编码解码网络：图像经过一层卷积，一层自校正卷积、池化、一层自校正卷积、池化、一层自校正卷积、池化、自校正卷积、自校正卷积、双线性插值上采样、自校正卷积、双线性插值上采样、自校正卷积、双线性插值上采样、自校正卷积、卷积。卷积核个数分别为：1，16，16，32，32，64，64，128，128，128，64，64，32，32，16，16，1.图像的大小分别为：128×128，64×64，32×32，16×16，32×32，64×64，128×128。将带有噪声的MRI图像作为网络的输入和对应的无噪声的MRI图像作为网络标签，对网络进行训练。训练网络，得到由带噪声的MRI图像到无噪声的MRI图像映射关系G。从带噪声的MR图像通过训练好的网络进行降噪得到符合医生诊断的降噪后的图像。进一步地，所述步骤1中自校正卷积神经网络包括自校正卷积层，所本文档来自技高网...

【技术保护点】
1.一种图像降噪方法，其特征在于：所述方法包括如下步骤：/n步骤1：构建自校正卷积神经网络；/n步骤2：将L

【技术特征摘要】
1.一种图像降噪方法，其特征在于：所述方法包括如下步骤：
步骤1：构建自校正卷积神经网络；
步骤2：将L1范数作为损失函数；
步骤3：对自校正卷积神经网络进行优化,使得损失函数收敛；
步骤4：将带有噪声的图像作为网络的输入，将带有噪声的图像和对应的无噪声图像作为网络标签，对网络进行训练，得到由带噪声的图像到无噪声的图像映射关系；
步骤5：将需要降噪的图像通过训练好的网络进行降噪得到降噪后的图像。


2.如权利要求1所述的图像降噪方法，其特征在于：所述步骤1中所述自校正卷积神经网络为基于U-net网络基础上的自校正U-net卷积神经网络。


3.如权利要求1所述的图像降噪方法，其特征在于：所述步骤1中自校正卷积神经网络包括自校正卷积层，所述自校正卷积层包括第一通道和第二通道。


4.如权利要求3所述的图像降噪方...

【专利技术属性】
技术研发人员：郑海荣，李彦明，江洪伟，万丽雯，
申请(专利权)人：深圳高性能医疗器械国家研究院有限公司，
类型：发明
国别省市：广东;44