通过域适应对牙科图像进行降噪的方法技术

公开了一种计算机实现的牙科图像降噪方法，包括：获取第一类型的训练图像集，包括有噪图像和真实图像，其中有噪图像是具有生成噪声的真实图像；在训练集上训练至少一个神经网络；以及通过训练好的神经网络对第二类型的牙科图像进行降噪。科图像进行降噪。科图像进行降噪。

【技术实现步骤摘要】
【国外来华专利技术】通过域适应对牙科图像进行降噪的方法


[0001]本公开总体上涉及一种系统和方法，用于通过使用至少一个神经网络通过域适应对牙科图像进行降噪的方法，该至少一个神经网络基于第一类型的有噪和真实图像进行训练以对图像进行降噪，并应用于第二类型的牙科图像。

技术介绍

[0002]图像通常可能有噪声，也就是说，有一些不是图像底层对象反射的伪影。噪声可能来自许多来源，例如，用于拍摄图像的相机或扫描仪中的错误、拍摄图像时的无意移动或自然背景噪声。降噪就是去除这种噪声，通常是为了获取更准确地描述底层对象的图像。然而，粗心的降噪技术可能会意外去除真正属于底层对象的小结构。
[0003]可以训练神经网络等机器学习技术来对图像进行降噪。然而，这些通常依赖于基准真相图像(ground truth image)进行训练。在某些情况下，例如射线照相扫描，基准真相图像可能不存在，因为获取它们需要高剂量的辐射，而且长时间使用时用于拍摄此类图像的传感器会模糊。

技术实现思路

[0004]本公开公开了一种计算机实现的牙科图像降噪方法，包括：
[0005]‑
获取包括第一类型的图像的训练集，其中所述训练集包括多个数据对，其中每个数据对包括有噪图像和真实图像，其中所述有噪图像是具有生成噪声的真实图像。
[0006]‑
在所述训练集上训练至少一个神经网络，其中所述至少一个神经网络的输入是多个所述有噪图像，并且所述至少一个神经网络的目标是对应于多个所述有噪图像的多个所述真实图像，使得将有噪图像输入到经训练的神经网络导致降噪图像的输出类似于对应于输入的有噪图像的真实图像；
[0007]‑
获取第二类型的牙科图像；以及
[0008]‑
通过使用所述第二类型的图像作为经训练的神经网络的输入来对所述第二类型的牙科图像进行降噪。
[0009]本公开公开了一种使用机器学习和域适应对牙科图像进行降噪的方法。通常，可以训练机器学习算法以基于目标数据执行任务，在降噪任务中，与有噪图像相比，目标数据将是更好的图像或真实图像。
[0010]这里的真实图像是图像的基准真相，是对数字图像特定属性的客观验证，用于测试自动图像分析过程的准确性。实际上，它可以被认为是准确反映底层对象而没有过多噪声的图像。真实图像可以是例如灰度或彩色的高质量照片，和/或高质量的计算机渲染。
[0011]然而，在某些情况下，例如射线照相图像，可能不存在真实图像。因此，本公开使用域适应，即，对一种类型的数据进行训练并将该训练转移到另一种类型的数据，以克服真实图像的缺乏。此外，通过使用生成的噪声，本公开允许针对特定情况有更准确的噪声模型，从而允许更准确的降噪。
[0012]本公开中使用的图像是二维数字图像。数字图像通常表示为像素矩阵，其中每个像素包括至少一个颜色值以及其他信息。这使得它们适用于机器学习技术，因为通过保持像素的原始排列并将可见颜色值转换为数字颜色值，可以很容易地将人类可以理解的图像转换为计算机可以读取的矩阵。图像可以直接由数字设备拍摄，例如数码相机或数字扫描仪，或者可以是扫描成数字图像的模拟图像，例如由平面扫描仪扫描的传统X射线。
[0013]因为图像可以表示为矩阵，所以图像和类似的矩阵可能会受到许多矩阵运算的影响。特别是，将一个图像/矩阵应用或组合到另一个图像/矩阵可能被认为是通过数学运算捕获技术效果的不同方式。这些运算包括但不限于：拼接(concatenation)、按元素相乘、内积、外积、上述任何一项的组合和/或上述任何一项的加权组合。这些运算在整个公开中适用于图像/矩阵。
[0014]牙科图像是与牙科有关的图像。它可以是例如牙齿的照片、牙科全景图、牙齿的红外图像。牙科图像包括但不限于射线照相图像和/或红外图像，如下所述。
[0015]机器学习是一组基于从数据中学习而生成输出的算法的总称。机器学习算法的示例包括但不限于：神经网络、支持向量机、随机森林、k
‑
最近邻分类。机器学习算法，尤其是神经网络，可用于图像降噪。
[0016]然而，机器学习算法通常需要根据现有数据生成输出。因此，例如，如果训练机器学习算法对图像进行降噪，则需要训练没有噪声的真实图像。
[0017]在某些情况下，这是不可能的。例如，射线照相扫描没有真实的图像，因为获取它们需要高剂量的辐射，而且在使用较长时间后用于拍摄此类图像的传感器会模糊。换句话说，射线照相扫描总是有噪声的。
[0018]本公开可以使用域适应来解决缺少真实图像的问题。域适应是为一个域的解进行训练，然后将其应用到另一个域。不同域的一个例子是在不同波长的光下获取的图像。这里，第一类型的对象可以是照片，第二类型的对象可以是射线照相图像。可以在可见光谱下获取照片，而可以基于例如通过以下获取射线照相图像：伽马辐射；类似的电离和非电离辐射。下面讨论进一步的示例。
[0019]在一个实施例中，第一类型的图像包括通过诸如磁共振(MR)的医学成像模态采集的图像。术语“医学成像模态”包括一种医学成像技术。这可以包括磁共振MR、计算机断层扫描CT、X射线、超声、正电子发射断层扫描(PET)等。在该实施例中，第一类型的图像不包括通过非成像模态采集的图像，比如来自数码相机的照片，此类照片可能需要将图像转换为类似医学的图像。
[0020]在一个实施例中，第一类型的图像包括数据对中直接被使用作为真实图像的图像。术语“直接被使用”是指避免将图像转换成医学成像模态和/或至少基本上防止图像在用作真实图像之前的图像的噪声减少。这些图像可能包括基于从锥形束计算机断层扫描采集的数据的黑白照片或可能基于从口腔内扫描仪采集的数据的彩色图像。通常优选的是这些表示真实图像的图像至少基本上没有噪声。
[0021]本公开还包括使用生成噪声，即生成的噪声。生成噪声允许创建更准确的噪声模型，噪声模型可以反映特定情况下的噪声，因此，允许机器学习算法更好地学习噪声模型，提高其对图像的降噪能力。下面讨论关于如何生成噪音的细节。
[0022]最后，在降噪时，尽可能多地去除噪声并不能得到最准确的图像。通常，有些小细
节看起来像噪音，但实际上在语义上很重要。因此，为了准确反映底层对象，降噪器需要能够识别并保留这些特征。
[0023]一个实施例开始于在第一类型图像的训练集上训练神经网络。训练集由数据对组成，每个数据对包含有噪图像和真实图像。第一类型的图像不一定是牙科图像；例如，它们可能是详细的照片和/或计算机渲染。
[0024]在本公开中，有噪图像是对其应用了生成的噪声的真实图像。该应用例如通过拼接、按元素相乘和/或前述的组合来完成。
[0025]然后在训练集上训练至少一个神经网络，其中至少一个神经网络的输入是有噪图像并且至少一个神经网络的目标是真实图像。这导致经过训练的神经网络可以用于新的输入数据，这样经过训练的神经网络然后将新的输入数据转换为新的输出数据，其方式类似于将有噪图像的训练集转换为真实图像的方式。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种计算机实现的牙科图像降噪方法，包括：获取包括第一类型的图像的训练集，其中：所述第一类型的图像是通过医学成像模态采集的，并且所述训练集包括多个数据对，其中，每个数据对包括有噪图像和真实图像，其中，所述有噪图像是具有生成噪声的真实图像；在所述训练集上训练至少一个神经网络，其中，所述至少一个神经网络的输入是多个所述有噪图像，并且所述至少一个神经网络的目标是对应于多个所述有噪图像的多个所述真实图像，使得将有噪图像输入到经训练的神经网络导致降噪图像的输出类似于对应于输入的有噪图像的真实图像；获取第二类型的牙科图像；以及通过使用所述第二类型的图像作为经训练的神经网络的输入来对所述第二类型的牙科图像进行降噪。2.根据前述权利要求中任一项所述的方法，其中，所述第一类型的图像包括直接用作数据对中的真实图像的图像。3.根据前述权利要求中任一项所述的方法，其中，所述第二类型的牙科图像是射线照相图像、荧光图像和/或红外图像。4.根据前述权利要求中任一项所述的方法，还包括通过以下方式生成至少一个数据对：生成噪声矩阵；以及通过将所述真实图像与所述噪声矩阵组合以生成所述有噪图像，其中，所述数据对由所述真实图像和生成的有噪图像组成。5.根据前述权利要求中任一项所述的方法，还包括通过以下方式生成所述噪声矩阵：生成空矩阵；从概率分布中生成值；以及通过将生成的值之一赋予所述空矩阵的每个元素来生成所述噪声矩阵。6.根据前述权利要求中任一项所述的方法，还包括通过以下方式用至少一个模糊核生成所述噪声矩阵：生成模糊核，其包括至少二乘一维度的矩阵，其中，所述模糊核的每个元素具有权重值；选择所述噪声矩阵的元素；以及基于至少一个相邻元素和所述模糊核的至少一个对应元素的权重值的组合值来改变所选元素的值。7.根据前述权利要求中任一项所述的方法，还包括通过以下方式生成空间变化的噪声矩阵：生成平滑缩放图；以及通过将所述平滑缩放图应用于噪声矩阵来生成所述空间变化的噪声矩阵。8.根据前述权利要求中任一项所述的方法，还包括通过以下方式用2D核生成所述平滑缩放图：生成由相同值填充的初始矩阵；
生成2D核；选择所述初始矩阵的元素；通过基于所选元素定位所述2D核来生成所述平滑缩放图；以及将所述2D核的每个元素应用于所述初始矩阵上的对应元素。9.根据前述权利要求中任一项所述的方法，还包括通过以下方式用边缘图生成平滑缩放图：生成由相同值填充的初始矩阵；为所述初始矩阵生成边缘；生成边缘形状；通过沿所述边缘应用所述边缘形状来生成所述边缘图；以及通过将所述边缘图应用于所述初始矩阵来生成所述平滑缩放图。10.根据前述权利要求中任一项所述的方法，还包括通过组合至少两个现有的平滑缩放图来生成新的平滑缩放图。11.根据前述权利要求中任一项所述的方法，还包括通过以下方式用线缩放生成噪声矩阵：对于所述噪声矩阵中的每条线从正态分布生成值；以及将生成的值之...

【专利技术属性】
技术研发人员：T，
申请(专利权)人：三形状股份有限公司，
类型：发明
国别省市：