【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 ...
【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:
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。