【技术实现步骤摘要】
基于多种注意力机制的多通道CNN医学CT图像去噪方法
本专利技术涉及医学图像去噪领域，具体涉及一种CNN医学CT图像去噪方法。技术背景最近几年以来，医学图像处理被广泛运用在临床应用中。其中医学图像去噪任务是数字图像处理领域中最为重要的研究内容之一，他可以去除医学图像中各种常见的噪声，为医生对疾病的诊断提供更为准确的图片信息。同时也有助于解决图像增强、边缘检测等其他图像处理等问题。按照产生原因，图像噪声可分为外部噪声和内部噪声。外部噪声，即指系统外部干扰以电磁波或经电源进入系统内部而引起的噪声。例如医学电气设备产生的电磁波干扰、放电产生的脉冲干扰等。由系统电气设备内部引起的噪声为内部噪声，如内部电路的相互干扰。噪声的类型也不同，如椒盐噪声、高斯噪声等。在医学CT图像中，去噪的效果会直接影响医生对病情的诊断。深层卷积神经网络在处理真实环境图像的噪声时表现出了优于传统非机器学习去噪方法的性能。通过搭建深层卷积神经网络训练网络中各个卷积层的权值。通过最小化损失函数来进行优化，其损失函数是通过累计计算噪声图像和干净...
【技术保护点】
1.基于多种注意力机制的多通道CNN医学CT图像去噪方法，具体步骤如下：/n步骤1)创建医学CT图像模型，具体包括：/n将随机高斯噪声加入到图像中，产生噪声图像，其数学表达式为：/nY＝X+V (1)/n其中X是为不带噪声的干净图像，Y为噪声图像，V为高斯噪声；V的噪声分布服从高斯分布，即为高斯随机变量z概率密度函数，其数学表达式为：/n
【技术特征摘要】
1.基于多种注意力机制的多通道CNN医学CT图像去噪方法，具体步骤如下：
步骤1)创建医学CT图像模型，具体包括：
将随机高斯噪声加入到图像中，产生噪声图像，其数学表达式为：
Y＝X+V(1)
其中X是为不带噪声的干净图像，Y为噪声图像，V为高斯噪声；V的噪声分布服从高斯分布，即为高斯随机变量z概率密度函数，其数学表达式为：
其中μ表示为数学期望，σ表示为标准差；
步骤2)构建去噪网络，具体包括：
21)构建注意力机制：
注意力机制是通过注意力模块实现。注意力模块通过快速获取全局图像信息，获得图像中需要重点关注的目标区域，也就是一般所说的注意力焦点，而后对这一区域投入更多注意力资源，以获取更多所需要关注目标的细节信息，而抑制其他无用信息。
22)构建BAM注意力机制模块：
通道部分的实现方式是：先使用AdaptiveAvgPool2d层，然后经过若干层全连接网络，得到关于通道特征图；空间部分实现是使用一个Conv+BN+ReLU模块进行信息的压缩，然后连续使用多个Dilated+BN+ReLU模块，其中空洞率设置为4，最后使用一个卷积核将通道数压缩为1层得到关于空间特征图，最后将通道特征图和空间特征图相加在经过Sigmoid激活函数得到BAM注意力特征图，将BAM特征图和输入特征图进行点乘，将得到的结果与输入特征图相加得到BAM注意力机制模块的输出特征图；
23)构建CBAM注意力机制模块：
通道部分实现是先分别使用全局平均池化和最大池化层得到两个不同的特征图，然后进过一个共享的多层MLP网络，最后将得到的两个特征图相加再经Sigmoid激活函数得到通道特征图；空间部分实现是先分别进行一个通道维度的平均池化和最大池化，将得到的两个特征图进行串行拼接，然后经Conv+Sigmoid模块得到空间特征图；将输入特征图和通道特征图进行点乘的结果再和空间特征图进行点乘得到BAM注意力机制模块的输出特征图；
24)构建去噪网络，去噪网络分为三个部分：
第一部分：将噪声图片作为输入，该部分由5个Conv+BN+PReLU层串行连接构成，卷积核设置为3×3，步长为1，padding为1；其中第1、2、3、4层网络层与第5层网络层构成残差结构；
第二部分：该部分有三个通道构成分别是CBAM通道、CBAM/BAM通道、BAM通道；其中CBAM通道由8个Conv+BN+PReLU层和8个CBAM层串行交错构成，卷积核设置为3×3，步长为1，padding为1，输入层和第2层Conv+BN+PReLU、第4层和第6层、第8层...
【专利技术属性】
技术研发人员：张聚，牛彦，陈德臣，潘玮栋，施超，范兴刚，
申请(专利权)人：浙江工业大学之江学院，
类型：发明
国别省市：浙江;33
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。