神经网络的生成方法、去噪方法及其装置制造方法及图纸

本发明专利技术公开了一种神经网络的生成方法、去噪方法及其装置，该生成方法包括：基于Geant4模拟医学成像，得到N个CT噪声图像，以及与N个CT噪声图像一一对应的N个CT清晰图像，其中，N为自然数，且N≥2；使用N个CT噪声图像和N个CT清晰图像、对所述U

【技术实现步骤摘要】
神经网络的生成方法、去噪方法及其装置


[0001]本专利技术涉及X射线图像
，尤其涉及一种神经网络的生成方法、去噪方法及其装置。

技术介绍

[0002]学影像包括x射线、磁共振成像、计算机断层扫描、超声等，都容易受到噪声的影响。原因各不相同，从使用不同的图像采集技术到试图减少患者暴露在辐射下。但X射线成像随着辐射量和采集时间的减少，噪声会随之增加。过量的噪声会严重影响图像的视觉质量，从而导致医生难以观察到有用的细节信息，影响最终诊断。

技术实现思路

[0003]有鉴于此，本专利技术的主要目的在于提供一种神经网络的生成方法、去噪方法及其装置。
[0004]为达到上述目的，本专利技术的技术方案是这样实现的：一种神经网络的生成方法，包括以下步骤：基于Geant4模拟医学成像，得到N个x射线噪声图像I
α
，以及与N个x射线噪声图像I
α
一一对应的N个x射线清晰图像I
gt
，其中，N为自然数，且N≥2；创建U
‑
Net神经网络，所述U
‑
Net神经网络的损失函数为：Net神经网络的损失函数为：其中，L1是L1损失函数，U是U
‑
Net神经网络，Laplacian是拉普拉斯算子，用来提取边缘信息；使用N个x射线噪声图像I
α
和N个x射线清晰图像I
gt
、对所述U
‑
net神经网络进行训练。
[0005]作为本专利技术实施例的一种改进，所述“基于Geant4模拟医学成像，得到N个x射线噪声图像I
α”具体包括：基于Geant4模拟医学成像，得到N个x射线噪声图像I
α
，其中，在进行模拟医学成像时，使用MDCT和预设的CT数据生成CT模体。
[0006]作为本专利技术实施例的一种改进，在进行模拟医学成像时，对同一个三维CT模体得到Num1个待处理噪声图像，将Num2个待处理噪声图像进行叠加从而得到x射线清晰图像I
gt
，选择一个待处理噪声图像作为x射线噪声图像I
α
，从而得到一一对应的x射线噪声图像I
α
和x射线清晰图像I
gt
，其中，Num1和Num2均为自然数，且Num2≤Num1。
[0007]作为本专利技术实施例的一种改进，N个x射线清晰图像I
gt
所对应的剂量不全相同。
[0008]作为本专利技术实施例的一种改进，所述“使用N个x射线噪声图像I
α
和N个x射线清晰图像I
gt
、对所述U
‑
net神经网络进行训练”具体包括：对每个x射线噪声图像I
α
均进行以下处理：其中，是卷积核大小为41的高斯滤波，是卷积核大小为41的高斯滤波，F
B
是双边滤波，是卷积操作，输入图像是卷积操作，输入图像之后，使用N个输入图像Input和N个x射线清晰图像I
gt
、对所述U
‑
net神经网络进行训练。
[0009]本专利技术实施例还提供了一种神经网络的生成装置，包括以下模块：第一数据获取模块，用于基于Geant4模拟医学成像，得到N个x射线噪声图像I
α
，以及与N个x射线噪声图像I
α
一一对应的N个x射线清晰图像I
gt
，其中，N为自然数，且N≥2；第一神经网络创建模块，用于创建U
‑
Net神经网络，所述U
‑
Net神经网络的损失函数为：Net神经网络的损失函数为：Net神经网络的损失函数为：其中，L1是L1损失函数，U是U
‑
Net神经网络，Laplacian是拉普拉斯算子，用来提取边缘信息；第一训练模块，用于使用N个x射线噪声图像I
α
和N个x射线清晰图像I
gt
、对所述U
‑
net神经网络进行训练。
[0010]本专利技术实施例还提供了一种CT图像的去噪方法，包括以下步骤：执行上述的创建神经网络的生成方法，生成U
‑
Net神经网络；将待处理CT图像输入所述U
‑
Net神经网络，得到去噪之后的CT图像。
[0011]本专利技术实施例还提供了一种神经网络的生成方法，包括以下步骤：基于Geant4模拟医学成像，得到M个x射线噪声视频V
α
，以及与M个x射线噪声视频V
α
一一对应的M个x射线清晰视频V
αgt
，其中，每个x射线噪声视频V
α
均包含有L个连续的x射线噪声视频帧均包含有L个连续的x射线噪声视频帧每个x射线噪声视频V
αgt
均包含有L个连续的x射线噪声视频帧，M和L为自然数，且M≥2，L≥2；创建U
‑
Net神经网络，所述U
‑
Net神经网络的损失函数为Loss(U(input),V
αgt
)，)，其中，是卷积核大小为41的高斯滤波，是卷积核大小为41的高斯滤波，F
B
是双边滤波，是卷积操作，U是U
‑
Net神经网络；使用M个Input和M个x射线清晰视频V
αgt
、对所述U
‑
net神经网络进行训练。
[0012]本专利技术实施例还提供了一种神经网络的生成装置，包括以下模块：第二数据获取模块，用于基于Geant4模拟医学成像，得到M个x射线噪声视频V
α
，以及与M个x射线噪声视频V
α
一一对应的M个x射线清晰视频V
αgt
，其中，每个x射线噪声视频V
α
均包含有L个连续的x射线噪声视频帧每个x射线噪声视频V
αgt
均包含有L个连续的x射线噪声视频帧，M和L为自然数，且M≥2，L≥2；第二神经网络创建模块，用于创建U
‑
Net神经网络，所述U
‑
Net神经网络的损失函数为Loss(U(input),V
αgt
)，)，其中，是卷积核大小为41的高斯滤波，是卷积核大小为41的高斯滤波，F
B
是双边滤波，是卷积操作，U是U
‑
Net神经网络；第二训练模块，用于使用M个Input和M个x射线清晰视频V
αgt
、对所述U
‑
net神经网络进行训练。
[0013]本专利技术实施例还提供了一种CT视频的去噪方法，包括以下步骤：执行上述的创建神经网络的生成方法，生成U
‑
Net神经网络；将待处理CT视频输入所述U
‑
Net神经网络，得到去噪之后的CT视频。
[0014]本专利技术实施例所提供的药库具有以下优点：本专利技术实施例公开了一种神经网络的生成方法、去噪方法及其装置，该生成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种神经网络的生成方法，其特征在于，包括以下步骤：基于Geant4模拟医学成像，得到N个x射线噪声图像I
α
，以及与N个x射线噪声图像I
α
一一对应的N个x射线清晰图像I
gt
，其中，N为自然数，且N≥2；创建U
‑
Net神经网络，所述U
‑
Net神经网络的损失函数为：Net神经网络的损失函数为：其中，L1是L1损失函数，U是U
‑
Net神经网络，Laplacian是拉普拉斯算子，用来提取边缘信息；使用N个x射线噪声图像I
α
和N个x射线清晰图像I
gt
、对所述U
‑
net神经网络进行训练。2.根据权利要求1所述的生成方法，其特征在于，所述“基于Geant4模拟医学成像，得到N个x射线噪声图像I
α”具体包括：基于Geant4模拟医学成像，得到N个x射线噪声图像I
α
，其中，在进行模拟医学成像时，使用MDCT和预设的CT数据生成CT模体。3.根据权利要求1所述的生成方法，其特征在于，在进行模拟医学成像时，对同一个三维CT模体得到Num1个待处理噪声图像，将Num2个待处理噪声图像进行叠加从而得到x射线清晰图像I
gt
，选择一个待处理噪声图像作为x射线噪声图像I
α
，从而得到一一对应的x射线噪声图像I
α
和x射线清晰图像I
gt
，其中，Num1和Num2均为自然数，且Num2≤Num1。4.根据权利要求3所述的生成方法，其特征在于，N个x射线清晰图像I
gt
所对应的剂量不全相同。5.根据权利要求4所述的生成方法，其特征在于，所述“使用N个x射线噪声图像I
α
和N个x射线清晰图像I
gt
、对所述U
‑
net神经网络进行训练”具体包括：对每个x射线噪声图像I
α
均进行以下处理：其中，是卷积核大小为41的高斯滤波，是卷积核大小为41的高斯滤波，F
B
是双边滤波，是卷积操作，输入图像之后，使用N个输入图像Input和N个x射线清晰图像I
gt
、对所述U
‑
net神经网络进行训练。6.一种神经网络的生成装置，其特征在于，包括以下模块：第一数据获取模块，用于基于Geant4模拟医学成像，得到N个x射线噪声图像I
α
，以及与N个x射线噪声图像I
α
一一对应的N个x射线清晰图像I
gt
，其中，N为自然数，且N≥2；第一神经网络创建模块，用于创建U
‑
Net神经网络，所述U
‑
Net神经网络的损失函数为：Net神经网络的损失函数为：其中，L1是L1损失函数，U是U
‑
Net神经网络，Laplaci...

【专利技术属性】
技术研发人员：翁梓乔，程志威，姚青松，周少华，
申请(专利权)人：苏州工业园区智在天下科技有限公司，
类型：发明
国别省市：