一种基于可训练联合双边滤波器的数字X射线图像去噪方法技术

本发明专利技术公开了一种即插即用的，可训练的联合双边滤波处理方法，用于低剂量数字X射线成像。首先通过深度神经网络，生成联合双边滤波器的引导图像，然后用得到的引导图像和原噪声图像共同训练联合双边滤波器，最终得到去噪后的图像。通过本发明专利技术能够实现在大幅降低X射线剂量的情况下，快速的生成出高质量图像，为低剂量数字X射线图像提供了一种有效的去噪方法。法。法。

【技术实现步骤摘要】
一种基于可训练联合双边滤波器的数字X射线图像去噪方法


[0001]本专利技术涉及一种基于可训练联合双边滤波器的数字X射线图像去噪方法，属于计算机图像处理领域。

技术介绍

[0002]数字X射线成像(DR)是计算机数字图像处理技术与X射线放射技术相结合而形成的一种先进的X线摄影技术。X射线属于电离辐射，它的过度或不恰当的使用也存在损伤正常器官的可能性。X射线成像的使用的合理化和相关辐射剂量的优化对于保护患者的健康至关重要。然而，成像质量与辐射剂量之间呈明显的正相关，辐射剂量的减少通常会引入噪声和伪影，降低成像质量；此外，这些噪声还会影响DR图像的后续处理，比如图像的分割、识别等。
[0003]常用的DR图像去噪方法，如最小二乘滤波、均值滤波和双边滤波等，虽然能够在低剂量条件下保持图像的整体质量，但对于局部的外观、纹理等细节难以起到实质性的改观。
[0004]近期随着深度学习技术在各领域都显示出了强大的特征学习能力，本专利技术针对现有问题，将传统的联合双边滤波与深度学习相结合，提出一种基于可训练联合双边滤波器的数字X射线图像去噪方法，在快速滤波的同时，能够恢复低剂量DR图像丰富的纹理和边缘。

技术实现思路

[0005]本专利技术的目的在于提供一种基于可训练联合双边滤波器的数字X射线图像去噪方法，用于低剂量条件下的DR图像去噪。
[0006]本专利技术为解决上述问题采用以下技术方案：
[0007]本专利技术提供一种基于可训练联合双边滤波器的数字X射线图像去噪方法，具体步骤如下：
[0008]步骤1，随机读取128
×
128大小的低剂量DR图像作为卷积神经网络EDCNN的输入，对应的正常剂量图像作为标签，共同训练EDCNN网络；
[0009]步骤2，使用训练好的EDCNN网络去除低剂量图像中的噪声，得到较为清晰的图像，即联合双边滤波器的引导图；
[0010]具体地，EDCNN网络由1个边缘增强模块和8个卷积块组成，如图2所示。其中，卷积块由“1*1卷积+LeakyReLU激活层+3*3卷积+LeakyReLU激活层”的顺序组成，如图3所示。边缘增强模块由4个Sobel算子组成，包括垂直、水平和2个对角方向，即:
[0011][0012]EDCNN网络通过下列损失函数来优化参数：
[0013][0014]其中，F(x
i
,θ)为EDCNN模型的运算操作；x
i
为当前低剂量图像第i个位置的像素；θ为当该模型可训练的参数；y
i
为对应正常剂量标签的第i个位置的像素；N为该图像上的像素总数。
[0015]步骤3，将得到的引导图像和原低剂量图像作为所述可训练联合双边滤波器的输入，正常剂量图像作为标签，共同训练联合双边滤波器。
[0016]具体地，所提出的可训练联合双边滤波器包括灰度域核、可训练的空间域核和传统双边滤波器。空间域核为3*3的矩阵，初始值为1；灰度域核为常数，值为0.8。联合双边滤波器的计算方式为：
[0017][0018]其中，I
n
为原低剂量图像；I
f
为联合双边滤波器过滤后的图像；x为当前图像的像素点；N(x)是在过滤操作中考虑到的x的邻域点；I
g
为引导图像；F(
·
)是用于整个邻域范围内的滤波函数；G(
·
)是用于计算空间域核的函数，W
g
为G(
·
)的权重。
[0019]步骤4，使用训练好的联合双边滤波器去除低剂量图像中的噪声，最终得到去噪后的高质量图像。
[0020]具体地，所述可训练的联合双边滤波器的输入为原低剂量图像和引导图像，正常剂量图像作为标签，其损失函数与EDCNN模型的损失函数相同。空间域核的数值经过优化器迭代更新。在模型参数训练完成之后，当输入一张低剂量DR图像，即可得到一张清晰、高质量的DR图像。
[0021]相对于现有技术，本专利技术利用深度神经网络能够提取丰富图像信息的特性，对低剂量DR图像提取关键信息，生成较为清晰的引导图像，以此提高联合双边滤波器对图像的细节、纹理的敏感性，有助于快速且有效地去除噪声，生成高质量的DR图像。
[0022]图1为本专利技术的整个流程示意图。
[0023]与现有技术相比，本专利技术具有的有益效果是：
[0024]1.本专利技术方法首先引入数字X射线图像下基于深度学习的EDCNN网络，经过大量数据训练后得到泛化能力强的推理模型。即使新的图像与已有数据相差较大，也可以无需人工设置任何参数得到初步去噪图像，即联合双边滤波器的引导图像。
[0025]2.本专利技术方法构建数字X射线图像下基于可训练联合双边滤波器的去噪方法。相比于传统联合双边滤波，所提出的可训练联合双边滤波器与深度学习相结合，既利用深层的特征信息，又在保证整体去噪效果的前提下提高了边缘、纹理等细节的恢复效果。
[0026]3.将联合双边滤波器的空间域核可训练化，既能够有效利用联合双边滤波器的优点，又能够通过深度学习的优化器迭代更新参数，找到最合理的数值，让低剂量数字X射线图像的去噪算法的鲁棒性更强。
[0027]4.本专利技术在设置初始值后，无需调整其它参数，是一种端到端的、即插即用的数字X射线图像去噪算法。
附图说明
[0028]图1为本专利技术的整个流程示意图。
[0029]图2为所述EDCNN神经网络的构成示意图。
[0030]图3为所述EDCNN神经网络中卷积块的构成示意图。
[0031]图4为本专利技术对四分之一剂量的数字X射线图像的降噪结果(头部)。
[0032]图5为本专利技术对四分之一剂量的数字X射线图像的降噪结果(脚踝)。
[0033]图6为本方法整体流程图。
具体实施方式
[0034]下面结合具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0035]实施例1：参见图1，一种基于可训练联合双边滤波器的数字X射线图像去噪方法，具体步骤如下：
[0036]步骤1，随机读取128
×
128大小的低剂量数字X射线图像作为EDCNN网络的输入，对应的正常剂量图像作为标签，共同训练EDCNN网络。
[0037]步骤2，用训练好的EDCNN网络初步去除图像中的噪声，生成用于训练联合双边滤波器参数的引导图像。
[0038]具体地，EDCNN网络由1个边缘增强模块和8个卷积块组成，如图2所示。其中，卷积块由“1*1卷积+LeakyReLU激活层+3*3卷积+LeakyReLU激活层”的顺序组成，如图3所示。边缘增强模块由垂直、水平和2个对角方向的4个Sobel算子组成，即:
[0039][0040]EDCNN网络通过下列损失函数来优化参数：...

【技术保护点】

【技术特征摘要】
1.一种基于可训练联合双边滤波器的数字X射线图像去噪方法，其特征在于，所述方法具体步骤如下：步骤1，随机读取128
×
128大小的低剂量图像与对应的正常剂量图像，其中，低剂量图像作为卷积神经网络EDCNN的输入，正常剂量图像作为标签，共同训练EDCNN网络；步骤2，使用训练好的EDCNN网络去除低剂量图像中的噪声，得到较为清晰的图像，即联合双边滤波器的引导图；步骤3，将得到的引导图像和原低剂量图像作为所述可训练联合双边滤波器的输入，正常剂量图像作为标签，共同训练联合双边滤波器；步骤4，使用训练好的联合双边滤波器去除低剂量图像中的噪声，最终得到去噪后的高质量图像。2.根据权利要求1所述的一种基于可训练联合双边滤波器的数字X射线图像去噪方法，其特征在于，步骤1中需要训练的EDCNN网络包括1个边缘增强模块，8个卷积块，其中，卷积块由“1*1卷积+LeakyReLU激活层+3*3卷积+LeakyReLU激活层”的顺序组成；边缘增强模块由4个Sobel算子组成，包括垂直、水平和2个对角方向。3.根据权利要求1所述的一种基于可训练联合双边滤波器的数字X射线图像去噪方法，其特征在于，步骤1中需要训练的EDCNN网络的损失函数为：其中，F(x
i
,θ)为EDCNN模型的运算操作；x
i
为当前低剂量图像第i个...

【专利技术属性】
技术研发人员：陈阳，吴钱御，
申请(专利权)人：东南大学，
类型：发明
国别省市：