一种卷积神经网络医学CT图像去噪方法技术

本发明专利技术公开的属于医学图像去噪技术领域，具体为一种卷积神经网络医学CT图像去噪方法，该卷积神经网络医学CT图像去噪方法首先需要对进行数据采集，然后根据采集到的数据建立基础模型，同时依靠神经元与节点的连接构件基层网络层、中层网络层和上层网络层，基层网络层、中层网络层和上层网络层组成卷积神经网络，卷积神经网络能够按其阶层结构对输入信息进行平移不变分类，可以方便神经元在采集特征数据时进行二维化的数据采集，从而避免了采集特征数据时的采集方向过于单一，同时卷积神经网络具有表征学习能力，可以对多组数据进行整合从而避免CT图像的边缘数据丢失，从而提高CT成像的区域范围。的区域范围。的区域范围。

【技术实现步骤摘要】
一种卷积神经网络医学CT图像去噪方法


[0001]本专利技术涉及医学图像去噪
，具体为一种卷积神经网络医学CT图像去噪方法。

技术介绍

[0002]卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络。对卷积神经网络的研究始于二十世纪80至90年代，在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。
[0003]CT成像被广泛应用于医学临床诊断与研究，但是在CT扫描在获取图像过程中容易受到噪声的影响，噪声会导致图像局部区域不清晰，从而使得图像中的一些重要信息被淹没，而传统的中值滤波、维纳滤波和直方图滤波等方法方向性单一、滤波区域有限、成像分辨率低等缺点，已远不能满足现代医学诊断的需求。

技术实现思路

[0004]本专利技术的目的在于提供一种卷积神经网络医学CT图像去噪方法，以解决上述
技术介绍
中提出的传统的去噪方法方向性单一、滤波区域有限的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种卷积神经网络医学CT图像去噪方法，该卷积神经网络医学CT图像去噪方法如下：
[0006]步骤一：分别以高剂量辐射拍摄正常人体模型和损伤人体模型，根据拍摄结果获取正常无噪声数据和损伤无噪声数据，然后再用低剂量辐射拍摄正常人体模型和损伤人体模型，根据拍摄结果获取正常有噪声数据和损伤有噪声数据，以正常有噪声数据减去正常无噪声数据获得噪音起始值，以损伤有噪声数据减去损伤无噪声数据获得噪音增项值，以噪音增项值为纵坐标，人体模型的损伤程度为横坐标绘制噪音变量模型；
[0007]步骤二：大量的神经元相互连接构成基层网络层，神经元与节点连接构成中层网络层，大量的节点相互连接构成上层网络层，所述基层网络层负责对拍摄的CT图像的数据进行特征采集，所述中层网络层负责将采集到的特征数据与噪音变量模型进行对比识别，然后根据噪音变量模型选择相应的噪音增项值，用采集到的特征数据减去噪音增项值获取去噪特征数据，所述上层网络层对传递来的去噪特征数据进行对比归纳，从而获取正常特征数据并将正常特征数据导出；
[0008]步骤三：所述上层网络层再对比归纳时，保留去噪特征数据相同的部位，去噪特征数据中不相同的部位，先计算不相同部位数据的平均值，然后删除偏差率较大的数据，随后再计算留下来的数据的平均值，并以留下来的数据的平均值为异常不相同的部位的实际特征数据；
[0009]步骤四：将拍摄的CT图像的数据减去导出的正常特征数据获得实际噪音值，并求
取实际噪音值与该数据对应的噪音增项值的平均值，然后以该平均值代替该数据对应的噪音增项值。
[0010]优选的，所述步骤一中的正常无噪声数据、损伤无噪声数据、正常有噪声数据和损伤有噪声数据为基础数据模型，所述基础数据模型始终保持不变。
[0011]优选的，所述正常无噪声数据、损伤无噪声数据、正常有噪声数据和损伤有噪声数据的采集模型数量均不低于一百组，对同类采集数据进行正态分布，求标准差为0.5的正态分布的数学期望，并以数学期望的数值作为该模型的采用数据。
[0012]优选的，每一个所述节点所连接的神经元的数量均相同，每一个所述节点所连接的节点的数量均为三个，每一个所述神经元连接的神经元的数量均为六个。
[0013]优选的，所述中层网络层再选取噪音增项值时，同时选取三个相邻的噪音增项值时，采集到的特征数据分别减去三个相邻的噪音增项值并获取三个去噪特征数据，所述上层网络层再对去噪特征数据进行对比归纳时，选取重合率最高的去噪特征数据作为实际输出时使用的去噪特征数据。
[0014]优选的，所述步骤三中上层网络层在删除的数据中被删除的数据的偏差率大于15％。
[0015]优选的，所述实际噪音值在获取时，首先将实际噪音值与步骤一中的噪音增项值进行对比，当实际噪音值的偏差率大于5％时，则不使用实际数据去求取噪音增项值的平均值。
[0016]与现有技术相比，本专利技术的有益效果是：
[0017]卷积神经网络能够按其阶层结构对输入信息进行平移不变分类，可以方便神经元在采集特征数据时进行二维化的数据采集，从而避免了采集特征数据时的采集方向过于单一，同时卷积神经网络具有表征学习能力，可以对多组数据进行整合从而避免CT图像的边缘数据丢失，从而提高CT成像的区域范围。
附图说明
[0018]图1为本专利技术神经元连接示意图；
[0019]图2为本专利技术神经元与节点连接示意图；
[0020]图3为本专利技术节点连接示意图。
具体实施方式
[0021]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。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。
[0022]在本专利技术的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0023]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设
置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0024]实施例：
[0025]请参阅图1-3，本专利技术提供一种技术方案：一种卷积神经网络医学CT图像去噪方法，该卷积神经网络医学CT图像去噪方法如下：
[0026]步骤一：分别以高剂量辐射拍摄正常人体模型和损伤人体模型，根据拍摄结果获取正常无噪声数据和损伤无噪声数据，然后再用低剂量辐射拍摄正常人体模型和损伤人体模型，根据拍摄结果获取正常有噪声数据和损伤有噪声数据，以正常有噪声数据减去正常无噪声数据获得噪音起始值，以损伤有噪声数据减去损伤无噪声数据获得噪音增项值，以噪音增项值为纵坐标，人体模型的损伤程度为横坐标绘制噪音变量模型；
[0027]步骤二：大量的神经元相互连接构成基层网络层，神经元与节点连接构成中层网络层，大量的节点相互连接构成上层网络层，基层网络层负责对拍摄的CT图像的数据进行特征采集，中层网络层负责将采集到的特征数据与噪音变量模型进行对比识别，然后根据噪音变量模型选择相应的噪音增项值，用采集到的特征数据减去噪音增项值获取去噪特征数据，上层网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷积神经网络医学CT图像去噪方法，其特征在于：该卷积神经网络医学CT图像去噪方法如下：步骤一：分别以高剂量辐射拍摄正常人体模型和损伤人体模型，根据拍摄结果获取正常无噪声数据和损伤无噪声数据，然后再用低剂量辐射拍摄正常人体模型和损伤人体模型，根据拍摄结果获取正常有噪声数据和损伤有噪声数据，以正常有噪声数据减去正常无噪声数据获得噪音起始值，以损伤有噪声数据减去损伤无噪声数据获得噪音增项值，以噪音增项值为纵坐标，人体模型的损伤程度为横坐标绘制噪音变量模型；步骤二：大量的神经元相互连接构成基层网络层，神经元与节点连接构成中层网络层，大量的节点相互连接构成上层网络层，所述基层网络层负责对拍摄的CT图像的数据进行特征采集，所述中层网络层负责将采集到的特征数据与噪音变量模型进行对比识别，然后根据噪音变量模型选择相应的噪音增项值，用采集到的特征数据减去噪音增项值获取去噪特征数据，所述上层网络层对传递来的去噪特征数据进行对比归纳，从而获取正常特征数据并将正常特征数据导出；步骤三：所述上层网络层再对比归纳时，保留去噪特征数据相同的部位，去噪特征数据中不相同的部位，先计算不相同部位数据的平均值，然后删除偏差率较大的数据，随后再计算留下来的数据的平均值，并以留下来的数据的平均值为异常不相同的部位的实际特征数据；步骤四：将拍摄的CT图像的数据减去导出的正常特征数据获得实际噪音值，并求取实际噪音值与该数据对应的噪音增项值的平均值，然后以该平均值代替该数据对应的噪音增项值。2.根据权利要求1所述的一种卷积神经网络医学CT图像去...

【专利技术属性】
技术研发人员：陈伟彬，周伟，李盖，冯莉，
申请(专利权)人：华北理工大学，
类型：发明
国别省市：