一种低剂量DR图像和CT图像去噪方法技术

本发明专利技术公开了一种低剂量DR图像和CT图像去噪方法，通过构造初始去噪网络；获取训练图像；其中，训练图像是低剂量DR图像或CT图像的噪声图像；构建余数采样器，通过余数采样器对训练图像进行采样，得到训练图像组；根据训练图像组对初始去噪网络进行训练，能够完整运用噪声图像，不丢失信息地进行去噪网络的训练，得到实用、高精度的目标去噪网络，再通过使用该目标去噪网络对单张低剂量DR图像或CT图像进行去噪处理，能够实现全域无损去噪的效果，并且能够适应复杂的CT和DR带噪声图像去噪任务。本发明专利技术实施例可以广泛应用于图像去噪技术领域。领域。领域。

【技术实现步骤摘要】
一种低剂量DR图像和CT图像去噪方法


[0001]本专利技术涉及图像去噪
，尤其是一种低剂量DR图像和CT图像去噪方法。

技术介绍

[0002]X射线数字化放射成像(DR)和电子计算机断层扫描成像(CT)是医生在无创条件下,能够初步诊断患者病情的医疗手段。它们在众多疾病的临床检查和诊断中扮演着不可替代的重要角色。然而，用X射线照射人体时会产生电离辐射，可能导致放射损伤以及提高患者癌症发病率。为了降低X射线辐射可能带来的致癌风险，低剂量的射线成像是目前临床应用的必然趋势。然而降低辐射剂量将造成图像出现大量噪声，导致成像结果严重退化。并且目前广泛应用的有监督的图像去噪方法无法适用于单张带噪声的DR和CT图像。
[0003]传统的图像去噪方法一般采用空域像素特征去噪算法和变换域去噪算法，如NLM、BM3D等。它们直接或间接地对图像空间和图像变换域进行处理。近年来，随着神经网络的发展，基于深度学习的去噪器表现出了比传统方法更好的性能。例如受监督的去噪方法(U
‑
Net、DnCNN、RED
‑
CNN等)。然而，有监督的去噪方法在许多应用中并不实用，因为它们依赖于大量匹配的噪声
‑
清洁图像对来进行训练，这些图像对在现实世界是难以收集的，而一旦处理不确定的噪声形式，去噪器的性能就会显著下降。
[0004]为了解决上述方法的局限性，目前研究人员注意力更集中于从含噪声图像中进行去噪声处理的无监督去噪方法。目前已经提出了一些基于无监督学习的方法来进行无基础知识的图像去噪。Noise2Noise提出直接从带噪声的图像对中恢复干净的信号。虽然这种方法不再需要难以收集的对应的干净图像，降低了数据收集的难度。但带噪声的相似图像对也不容易收集。相比之下大量单张劣质图像更加容易收集。并且对于动态的场景，图像的质量和目标形态的变化也是不好处理的问题。Huang等人提出了一种新的自监督深度图像去噪框架Neighbor2Neighbor方法。提出使用从同一噪声图像中分采样的训练对来训练网络。然而，使用子采样对进行训练会导致在近似相邻像素的部分出现平滑的结果。并且这种采样会丢失部分的像素信息。Wang等人提出了Blind2Unblind自监督图像去噪算法，引入了一种新的掩模映射器，它能够实现全局处理并加快训练速度。对盲点上的所有像素进行采样，并将它们同时处理。将盲点转化为可见盲点，克服了基于盲区的信息量较少的影响。但是去除了盲点的信息，并且特定的盲点网络精度相对较低。
[0005]现有的对于DR图像的去噪方法在没有干净图像监督的情况下性能较差。随着X射线成像在临床医疗中的广泛使用，探索一种广泛且有效的针对单张有噪声DR和CT图像的去噪方法并把它应用于临床是非常有必要的。

技术实现思路

[0006]有鉴于此，本专利技术实施例提供一种实用、高精度的低剂量DR图像和CT图像处理方法。
[0007]本专利技术的实施例提供了一种低剂量DR图像和CT图像去噪方法，包括构造初始去噪
网络；获取训练图像；其中，所述训练图像是低剂量DR图像或CT图像的噪声图像；构建余数采样器，通过所述余数采样器对所述训练图像进行采样，得到训练图像组；根据所述训练图像组对所述初始去噪网络进行训练，得到目标去噪网络；通过所述目标去噪网络对单张低剂量DR图像或CT图像进行去噪处理。
[0008]可选地，所述构建余数采样器，通过所述余数采样器对所述训练图像进行采样，得到训练图像组，包括：对所述训练图像预处理，获得第一图像；根据所述第一图像的横坐标和纵坐标，确定多个相邻余数子采样器；通过多个所述相邻余数子采样器对所述第一图像进行采样，得到训练图像组。
[0009]可选地，所述根据所述第一图像的横坐标和纵坐标，确定多个相邻余数子采样器，包括：根据所述第一图像的横坐标和纵坐标确定所述第一图像的像素余数；根据所述像素余数分布，确定相邻余数子采样器。
[0010]可选地，所述根据所述训练图像组对所述初始去噪网络进行训练，得到目标去噪网络，包括：通过所述去噪网络对所述训练图像组进行去噪处理，得到特征图组；通过正则化损失函数对所述特征图组进行损失评估，获得所述损失评估的结果；根据所述损失评估的结果修正所述初始去噪网络的参数；重复通过所述去噪网络对所述训练图像组进行去噪处理，得到特征图组的步骤直至所述损失函数收敛，得到目标去噪网络。
[0011]可选地，所述正则化损失函数的表达式为：
[0012][0013]其中，f
θ
表示去噪网络；x表示清洁图像；y表示噪声图像；E
x,y
表示数学期望；g1、g2、g3、g4均为噪声图像的训练图像组中的图像；γ是控制正则化项强度的超参数。
[0014]可选地，所述方法还包括：对所述初始去噪网络进行数据标准化和归一化处理，得到初始化的初始去噪网络；对所述训练图像组进行图像对数变换，得到图像增强后的训练图像组。
[0015]可选地，所述通过所述目标去噪网络对单张低剂量DR图像或CT图像进行去噪处理，包括：将单张DR图像或CT图像输入目标去噪网络；通过所述目标去噪网络对所述单张DR或CT图像进行卷积和池化，获得第一特征图；将所述第一特征图进行通道上拼接，获得第二特征图；将所述第二特征图进行卷积、拼接和上采样，获得第三特征图；将所述第三特征图作为第一特征图，重复将所述第一特征图进行通道上拼接，获得第二特征图的步骤，直至经过四次采样得到去噪结果图。
[0016]本专利技术的实施例还提供了一种低剂量DR图像和CT图像处理系统，包括：第一模块，所述第一模块用于构造初始去噪网络；第二模块，所述第二模块用于获取训练图像；其中，所述训练图像是单张低剂量DR图像或CT图像；第三模块，所述第三模块用于构建余数采样器，通过所述余数采样器对所述训练图像进行采样，得到训练图像组；第四模块，所述第四模块用于根据所述训练图像组对去噪网络进行训练，获得目标去噪网络；第五模块，所述第五模块用于通过所述目标去噪网络对单张低剂量DR图像或CT图像进行去噪处理。
[0017]本专利技术的实施例还提供了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如上所述的方法。
[0018]本专利技术的实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如上所述的方法。
[0019]本专利技术的实施例具有如下有益效果：通过构造初始去噪网络；获取训练图像；其中，训练图像是低剂量DR图像或CT图像的噪声图像；构建余数采样器，通过余数采样器对训练图像进行采样，得到训练图像组；根据训练图像组对初始去噪网络进行训练，能够完整运用噪声图像，不丢失信息地进行去噪网络的训练，得到实用、高精度的目标去噪网络，再通过使用该目标去噪网络对单张低剂量DR图像或CT图像进行去噪处理，能够实现全域无损去噪的效果，并且能够适应复杂的CT和DR带噪声图像去噪任务。
附图说明
[0020]为了更清楚地说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低剂量DR图像和CT图像去噪方法，其特征在于，包括：构造初始去噪网络；获取训练图像；其中，所述训练图像是低剂量DR图像或CT图像的噪声图像；构建余数采样器，通过所述余数采样器对所述训练图像进行采样，得到训练图像组；根据所述训练图像组对所述初始去噪网络进行训练，得到目标去噪网络；通过所述目标去噪网络对单张低剂量DR图像或CT图像进行去噪处理。2.根据权利要求1所述的一种低剂量DR图像和CT图像去噪方法，其特征在于，所述构建余数采样器，通过所述余数采样器对所述训练图像进行采样，得到训练图像组，包括：对所述训练图像预处理，获得第一图像；根据所述第一图像的横坐标和纵坐标，确定多个相邻余数子采样器；通过多个所述相邻余数子采样器对所述第一图像进行采样，得到训练图像组。3.根据权利要求2所述的一种低剂量DR图像和CT图像去噪方法，其特征在于，所述根据所述第一图像的横坐标和纵坐标，确定多个相邻余数子采样器，包括：根据所述第一图像的横坐标和纵坐标确定所述第一图像的像素余数；根据所述像素余数分布，确定相邻余数子采样器。4.根据权利要求1所述的一种低剂量DR图像和CT图像去噪方法，其特征在于，所述根据所述训练图像组对所述初始去噪网络进行训练，得到目标去噪网络，包括：通过所述去噪网络对所述训练图像组进行去噪处理，得到特征图组；通过正则化损失函数对所述特征图组进行损失评估，获得所述损失评估的结果；根据所述损失评估的结果修正所述初始去噪网络的参数；重复通过所述去噪网络对所述训练图像组进行去噪处理，得到特征图组的步骤直至所述损失函数收敛，得到目标去噪网络。5.根据权利要求4所述的一种低剂量DR图像和CT图像去噪方法，其特征在于，所述正则化损失函数的表达式为：其中，f
θ
表示去噪网络；x表示清洁图像；y表示噪声图像；E
x,y
...

【专利技术属性】
技术研发人员：伍伟文，龙逸飞，张俭嘉，潘嘉毅，
申请(专利权)人：中山大学，
类型：发明
国别省市：