【技术实现步骤摘要】
一种图像处理方法、系统和计算机存储介质
本申请涉及图像处理
，尤其是涉及一种用于卷积神经网络的图像处理方法、系统和存储介质。
技术介绍
目前磁共振成像(MRI)扫描是一种无创性的高分辨率成像技术，在当前的临床诊断和科学研究中发挥着重要作用，因为它能揭示人体组织器官的三维、内部细节和结构。然而，在图像采集过程中，噪声很容易影响图像的质量，特别是在需要高速、高分辨率的情况下，会在图像上产生局部模糊区域(例如白色、阴影、失真等)。磁共振成像中的噪声不仅会降低成像质量，而且会降低临床诊断精度；也会对后续分析任务(如配准、分割和检测)的可靠性产生负面影响，例如在对图像进行分割后形成若干切片(像素块或像素条)，以作为处理模型的采样输入，在切片局部或全部覆盖模糊区域时，该采样切片不能作为输入数据，针对欠采样部分的数据需要通过处理模型根据其他采样数据填充或完善。因此，有效的降噪算法对于进一步的磁共振分析是必要的，同时对于医疗诊断领域具有重要的科学意义和应用前景。相关技术一，基于卷积神经网络多通道残差学习的三维磁共振图像...
【技术保护点】
1.一种图像处理方法，其特征在于，包括：/n生成器训练步骤，从训练集中提取噪声图像数据作为输入图像以通过减小循环一致性损失函数来训练生成器网络参数，以使所述生成器网络的输出图像与所述训练集中无噪声图像的差异减小；其中所述生成器网络包括注意力机制模块以对输入图像的边缘细节对比度进行提升；所述循环一致性损失函数表示基于鉴别器网络参数所述生成器网络的输出图像与所述无噪声图像之间差异的程度；/n鉴别器训练步骤，通过训练后的生成器网络的输出图像和无噪声图像分别输入鉴别器网络以通过减小鉴别器的损失函数来训练鉴别器网络的参数，使得鉴别器网络的输出指示所述鉴别器网络的输入是所述训练后的生成...
【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：
生成器训练步骤，从训练集中提取噪声图像数据作为输入图像以通过减小循环一致性损失函数来训练生成器网络参数，以使所述生成器网络的输出图像与所述训练集中无噪声图像的差异减小；其中所述生成器网络包括注意力机制模块以对输入图像的边缘细节对比度进行提升；所述循环一致性损失函数表示基于鉴别器网络参数所述生成器网络的输出图像与所述无噪声图像之间差异的程度；
鉴别器训练步骤，通过训练后的生成器网络的输出图像和无噪声图像分别输入鉴别器网络以通过减小鉴别器的损失函数来训练鉴别器网络的参数，使得鉴别器网络的输出指示所述鉴别器网络的输入是所述训练后的生成器网络的输出图像还是指示所述无噪声图像；所述鉴别器损失函数表示所述生成器网络的输出图像与所述无噪声图像对应的程度；
采用不同的噪声图像重复所述生成器训练步骤和所述鉴别器训练步骤以通过最小化循环一致性损失函数和鉴别器损失函数得到最终的生成器网络的参数和鉴别器网络的参数。
2.根据权利要求1所述的图像处理方法，其特征在于，所述生成器训练步骤中的循环一致性损失函数由两部分构成，其中第一部分基于所述生成器网络的输出图像与无噪声图像之间的均方误差输出，其中第二部分基于所述生成器网络的输出图像经过所述鉴别器网络的输出。
3.根据权利要求2所述的图像处理方法，其特征在于，所述循环一致性损失函数为：
L3Da-LSGAN＝λ1Lmse+λ2LLSGAN(G)
其中λ1和λ2是用于平衡不同比例的经验参数，为设定值；
其中，d、w、h分别为提取特征图的深度，宽度和高度；
G为生成器，其中LLSGAN(G)表示生成器的损失函数，LLSGAN(D)为鉴别器的损失函数，Px(x)和Py(y)分别表示噪声数据和真实的标签数据分布；x表示噪声数据、y表示真实的标签数据，G(x)为以噪声图像数据作为输入时生成器输出的结果、D(G(x))为以G(x)作为输入时鉴别器输出的概率、G(y)为以真实的标签数据作为输入时鉴别器输出的概率。
4.根据权利要求1～3任一项所述的图像处理方法，其特征在于，所述生成器训练步骤之前还包括：
生成器构建步骤，基于U-Net网络结构构建多层深度卷积神经网络的生成器，所述生成器包括跳跃连接的编码解码网络，在U-Net网络结构的跳跃连接结构中加入注意力机制模块以将编码区域边缘细节图像信息传递到对应的解码区域；
鉴别器构建步骤，基于生成器网络构建多层深度卷积神经网络的鉴别器。
5.根据权利要求4所述的图像处理方法，其特征...
【专利技术属性】
技术研发人员：郑海荣，刘新，张娜，胡战利，薛恒志，梁栋，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。