一种融合感知损失和密集残差注意力卷积块的两阶段式骨显像降噪方法技术

本发明专利技术公开了一种融合感知损失和密集残差注意力卷积块的两阶段式骨显像降噪方法，针对骨显像信噪比、分辨率较低，影响医生诊断以及病灶自动检测效果的问题。以密集残差注意力卷积块为基本卷积单位，提出了结合密集残差注意力卷积块的两阶段式骨显像降噪网络，首先通过噪声估计网络估计骨显像的噪声水平，然后采用设计的主干降噪网络得到降噪后的骨显像，最后利用融合感知损失混合损失函数优化骨显像降噪效果。本发明专利技术公开的骨显像去噪方法，在有效降低骨显像噪声的同时，也能够保留骨显像的病灶细节特征。病灶细节特征。病灶细节特征。

【技术实现步骤摘要】
一种融合感知损失和密集残差注意力卷积块的两阶段式骨显像降噪方法


[0001]本专利技术涉及深度学习领域，具体涉及一种融合感知损失和密集残差注意力卷积块的两阶段式骨显像降噪方法。

技术介绍

[0002]传统医学影像降噪算法主要分为迭代重建算法、投影域算法和图像后处理算法三类。此类去噪方法虽能一定程度上降低图像噪声，但受限于设备算力和投影数据等因素，并不能达到令人满意的效果。
[0003]近年来，随着深度学习飞速发展，许多学者开始将其应用到医学影像去噪任务中。文献“Chen H,Zhang Y,Zhang W H.Low
‑
dose CT via convolutional neural network[J].Biomedical Optics Express,2017,8(2):679
‑
694.”将卷积神经网络以逐块的方式对低剂量CT影像进行训练，相比于传统算法，该方法在各项评价指标上有了很大提升；文献“Kang E,Min J,Ye J C.Adeep convolutional neural network using directional wavelets for low
‑
dose X
‑
ray CT reconstruction[J].Medical Physics,2017,44(10):360
‑
375.”利用深度卷积神经网络对低剂量CT图像进行小波变换来提取伪影的方向分量，以此抑制CT图像特有的噪声；文献“苏宁,叶晗鸣,王逍遥.基于Adam优化的多传感器对接位姿融合算法研究[J].现代制造技术与装备,2022,58(2):35
‑
37.”；文献“Keisuke U,Koichi O,Masami G,et al.Quantitative evaluation of deep convolutional neural network
‑
based image denoising for low
‑
dose computed tomography[J].Visual computing for industry,biomedicine,and art,2021,4(1):21
‑
26.”采用去噪卷积神经网络对CT图像降噪，同时保持了图像清晰度，并通过裁剪CNN模型的方式防止了图像过度平滑；目前，基于深度学习的降噪算法主要关注的是MRI或CT影像，有关SPECT骨显像降噪方法的研究极少。

技术实现思路

[0004]本专利技术公开了一种融合感知损失和密集残差注意力卷积块的两阶段式骨显像降噪方法，包括以下步骤：(1)划分训练集与测试集；(2)将密集连接、残差连接和协调注意力机制进行结合，提出了密集残差注意力卷积块；(3)以密集残差注意力卷积块为基本单位，构提出了基于U
‑
Net的两阶段SPECT降噪网络；(4)利用融合感知损失的混合损失函数优化主干降噪网络的降噪效果；(5)训练网络模型，并保存训练完成后模型的参数；(6)利用保存的最终模型去除骨显像噪声，输出降噪后的骨显像。本专利技术公开的骨显像降噪方法，在保留SPECT骨显像病灶细节特征的同时，可以有效降低骨显像图像中噪声。
[0005]本专利技术所提供的技术方案为：一种融合感知损失和密集残差注意力卷积块的两阶段式骨显像降噪方法，其特征在于包括如下步骤：
[0006]为达到以上技术目的，本专利技术采用以下技术方案：
[0007]一种融合感知损失和密集残差注意力卷积块的两阶段式骨显像降噪方法，其特征在于所述计算方法包括以下步骤：
[0008]步骤1：将预处理后的骨显像和对应加噪后骨显像作为训练集和测试集，并划分为训练集与测试集，具体步骤如下：
[0009](1)通过归一化的方式转化为灰度图，每例包含人体正面、背部两张图片；
[0010](2)提高骨显像信噪比，通过裁剪的方式得到骨显像肩部至盆骨区域，并将图像调为N
×
N像素大小，N为正整数；
[0011](3)将原图和加噪后的骨显像作为一组数据，以预处理后的灰度数据作为标签，划分为训练集与测试集；
[0012]步骤2：构建密集残差注意力卷积块，整个密集残差注意力卷积块由1
×
1、3
×
3卷积、ReLU激活函数和协调注意力机制构成，卷积块的计算结构如下：
[0013]x1＝σ(Conv3×3(x
in
))
[0014]x2＝σ(Conv1×1(concat(x1,x
in
))
[0015]x3＝σ(Conv3×3(x2))
[0016]x
out
＝CA(x
in
+x3+x2)
[0017]式中：x
in
表示输入卷积块的骨显像，x
out
表示经过密集残差注意力卷积块计算后的骨显像，即的骨显像特征图；σ()表示进行BN批量归一化和ReLU非线性变换；Conv3×3()、Conv1×1()分别表示3
×
3卷积与1
×
1卷积运算；concat表示特征拼接，设x1为c1×
h
×
w、x
in
为c2×
h
×
w，concat(x1,x
in
)的计算结果为(c1+c2)
×
h
×
w；CA代表协调注意力机制，设两个输入特征的大小均为c
×
h
×
w，其计算流程如下：
[0018][0019][0020]式中：c表示通道数；h表示高度；w表示宽度；x
c
(h,i)表示通道为c、高为h时，第i个像素点；x
c
(j,w)表示通道为c、宽为w时，第j个像素点；表示在通道c中，对高度h的第w行特征信息求和并取平均；计算方法同理；
[0021][0022]式中：F1(
·
)表示特征拼接后，进行1
×
1卷积运算；δ(
·
)表示非线性变换，即批量归一化和PReLU激活函数的组合；
[0023][0024][0025]式中：f
h
、f
w
分别表示f沿h、w方向降维后的向量；μ(
·
)表示Sigmoid激活函数运算；
[0026][0027]式中：x
c
(i,j)表示输入协调注意力机制的骨显像；x'
c
(i,j)表示经过协调注意力机制计算后的骨显像，即骨显像特征图；
[0028]步骤3：降噪网络主要由步骤2提出的密集残差注意力卷积块构成，共有2*(n+m)个卷积块，n与m均为大于0的正整数，n为噪声估计网络中U
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合感知损失和密集残差注意力卷积块的两阶段式骨显像降噪方法，其特征在于包括以下步骤：步骤1：对骨显像进行预处理，具体处理方式为：(1)对骨显像进行归一化，将原始骨显像文件转化为可见灰度图像；(2)往骨显像中加入不同水平的泊松噪声，并将图像调至N
×
N像素大小，N为正整数；(3)将预处理后的骨显像数据集划分为训练集和测试集；步骤2：构建密集残差注意力卷积块，整个密集残差注意力卷积块由1
×
1、3
×
3卷积、ReLU激活函数和协调注意力机制构成，卷积块的计算结构如下：x1＝σ(Conv3×3(x
in
))x2＝σ(Conv1×1(concat(x1,x
in
))x3＝σ(Conv3×3(x2))x
out
＝CA(x
in
+x3+x2)式中：x
in
表示输入卷积块的骨显像，x
out
表示经过密集残差注意力卷积块计算后的骨显像，即的骨显像特征图；σ()表示进行BN批量归一化和ReLU非线性变换；Conv3×3(
·
)、Conv1×1(
·
)分别表示3
×
3卷积与1
×
1卷积运算；concat表示特征拼接，设x1为c1×
h
×
w、x
in
为c2×
h
×
w，则concat(x1,x
in
)的计算结果为(c1+c2)
×
h
×
w；CA代表协调注意力机制，设两个输入特征的大小均为c
×
h
×
w，其计算流程如下：w，其计算流程如下：式中：c表示通道数；h表示高度；w表示宽度；x
c
(h,i)表示通道为c、高为h时，第i个像素点；x
c
(j,w)表示通道为c、宽为w时，第j个像素点；表示在通道c中，对高度h的第w行特征信息求和并取平均；计算方法同理；式中：F1(
·
)表示特征拼接后，进行1
×
1卷积运算；δ(
·
)表示非线性变换，即批量归一化和PReLU激活函数的组合；化和PReLU激活函数的组合；式中：f<...

【专利技术属性】
技术研发人员：罗仁泽，余泓，罗任权，吴涛，廖波，赵丹，王清松，曹瑞，易玺，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：