一种图像处理方法、装置、设备及存储介质制造方法及图纸

本公开提供了一种图像处理方法、装置、设备及存储介质，通过获取待处理图像；将所述待处理图像输入稳定扩散模型内的逆扩散网络，得到去噪后的待处理图像；其中，所述稳定扩散模型为交替使用配对数据与非配对数据进行训练的模型，能够有效解决现有技术中超声图像去噪无配对数据的问题，并且通过设计配对训练和非配对训练交替进行的训练逻辑，使模型既能具有配对去噪任务的强监督，也能从非配对训练中捕获超声图像特有的噪声分布特性，有效去除超声图像的噪声。图像的噪声。图像的噪声。

【技术实现步骤摘要】
一种图像处理方法、装置、设备及存储介质


[0001]本公开涉及医学图像
，尤其涉及一种图像处理方法、装置、设备及存储介质。

技术介绍

[0002]超声检查是一种使用超声诊断仪诊断人体疾病的检查诊断方式。
[0003]超声成像中最容易对诊断产生影响的是散斑噪声，目前的散斑噪声处理多数依赖传统图像后处理技术，如Lee滤波算法；Kuan滤波算法；相关性去噪方法；小波阈值去噪方法，还有PM模型；SRAD模型；NCD模型等。
[0004]这些传统的去噪算法虽然可以部分去除超声图像中的噪声，但是很难处理分布复杂的噪声。尤其在智能影像分析领域，超声图像中的噪声伪影对算法的泛化性和鲁棒性还提出了相当程度的挑战。目前对于这类问题的主要处理方法是收集各机型的超声数据纳入模型训练，虽然会提升模型的准确率和泛化性，但是由于超声数据的影像收集成本高、更多机型的数据也意味着标注成本的增加，导致综合成本显著倍增。除此之外，超声数据的影像收集也困难，也同样导致现有技术没有能够解决这类图像噪声的有效方法。

技术实现思路

[0005]本公开提供了一种图像处理方法、装置、设备及存储介质，以至少解决现有技术中存在的以上技术问题。
[0006]根据本公开的第一方面，提供了一种图像处理方法，所述方法包括：
[0007]获取待处理图像；
[0008]将所述待处理图像输入稳定扩散模型内的逆扩散网络，得到去噪后的待处理图像；
[0009]其中，所述稳定扩散模型为交替使用配对数据与非配对数据进行训练的模型。
[0010]在一可实施方式中，在所述稳定扩散模型内，使用配对数据进行训练的过程，包括：
[0011]获取标准样本图像，其中，所述标准样本图像为无噪声图像或者噪声含量低于预设噪声的图像；
[0012]将所述标准样本图像输入所述稳定扩散模型内的扩散网络，得到加噪样本图像特征；
[0013]将所述加噪样本图像特征输入所述稳定扩散模型内的逆扩散网络，得到第一去噪样本图像；
[0014]将所述第一去噪样本图像和所述标准样本图像进行对比，并结合配对损失函数优化所述扩散网络和逆扩散网络的参数。
[0015]在一可实施方式中，所述将所述标准样本图像输入所述稳定扩散模型内的扩散网络，得到加噪样本图像特征，包括：
[0016]将所述标准样本图像输入所述扩散网络内的编码器，得到标准图像特征；
[0017]将所述标准图像特征添加预设次数的噪声特征，得到加噪样本图像特征。
[0018]在一可实施方式中，所述将所述加噪样本图像特征输入所述稳定扩散模型内的逆扩散网络，得到第一去噪样本图像，包括：
[0019]将所述加噪样本图像特征在所述逆扩散网络内，去除预设次数的噪声特征，得到中间图像特征；
[0020]将所述中间图像特征输入所述逆扩散网络内的解码器，得到第一去噪样本图像。
[0021]在一可实施方式中，在所述稳定扩散模型内，使用非配对数据进行训练的过程，包括：
[0022]获取噪声样本图像；
[0023]将噪声样本图像输入所述稳定扩散模型内的逆扩散网络，得到第二去噪样本图像；
[0024]将所述噪声样本图像、所述第二去噪样本图像和标准样本图像输入所述稳定扩散模型内的感知判别器，并结合非配对损失函数优化所述感知判别器的参数。
[0025]在一可实施方式中，所述将所述噪声样本图像、所述第二去噪样本图像和标准样本图像进行比对，并结合非配对损失函数优化所述稳定扩散模型的模型参数，包括：
[0026]将所述噪声样本图像、所述第二去噪样本图像和标准样本图像输入所述感知判别器内的特征提取层，获得噪声语义特征、去噪语义特征、去噪纹理特征以及标准纹理特征；
[0027]将所述去噪纹理特征和所述标准纹理特征进行处理，输入所述感知判别器内的纹理判别器，根据判断结果和纹理损失函数优化所述纹理判别器和所述特征提取层的参数；
[0028]将所述噪声语义特征和所述去噪语义特征输入所述感知判别器内的内容判别器，根据判断结果和内容损失函数优化所述内容判别器的参数。
[0029]在一可实施方式中，所述将所述去噪纹理特征和所述标准纹理特征进行处理，并输入所述感知判别器内的纹理判别器，包括：
[0030]将所述去噪纹理特征和所述标准纹理特征，转换为去噪纹理矩阵和标准纹理矩阵；
[0031]将所述去噪纹理矩阵和所述标准纹理矩阵，输入所述纹理判别器内的全连接层和归一化层。
[0032]根据本公开的第二方面，提供了一种图像处理装置，所述装置包括：
[0033]获取模块，用于获取待处理图像；
[0034]去噪模块，用于将所述待处理图像输入稳定扩散模型内的逆扩散网络，得到去噪后的待处理图像；
[0035]其中，所述稳定扩散模型为交替使用配对数据与非配对数据进行训练的模型。
[0036]在一可实施方式中，还包括：
[0037]训练模块，用于获取标准样本图像，其中，所述标准样本图像为无噪声图像或者噪声含量低于预设噪声的图像；将所述标准样本图像输入所述稳定扩散模型内的扩散网络，得到加噪样本图像特征；将所述加噪样本图像特征输入所述稳定扩散模型内的逆扩散网络，得到第一去噪样本图像；将所述第一去噪样本图像和所述标准样本图像进行对比，并结合配对损失函数优化所述扩散网络和逆扩散网络的参数。
[0038]在一可实施方式中，所述训练模块，具体还用于：
[0039]将所述标准样本图像输入所述扩散网络内的编码器，得到标准图像特征；将所述标准图像特征添加预设次数的噪声特征，得到加噪样本图像。
[0040]在一可实施方式中，所述训练模块，具体还用于：
[0041]将所述加噪样本图像特征在所述逆扩散网络内，去除预设次数的噪声特征，得到中间图像特征；将所述中间图像特征输入所述逆扩散网络内的解码器，得到第一去噪样本图像。
[0042]在一可实施方式中，所述训练模块，具体还用于：
[0043]获取噪声样本图像；将噪声样本图像输入所述稳定扩散模型内的逆扩散网络，得到第二去噪样本图像；将所述噪声样本图像、所述第二去噪样本图像和标准样本图像输入所述稳定扩散模型内的感知判别器，并结合非配对损失函数优化所述感知判别器的参数。
[0044]在一可实施方式中，所述训练模块，具体还用于：
[0045]将所述噪声样本图像、所述第二去噪样本图像和标准样本图像输入所述感知判别器内的特征提取层，获得噪声语义特征、去噪语义特征、去噪纹理特征以及标准纹理特征；将所述去噪纹理特征和所述标准纹理特征进行处理，输入所述感知判别器内的纹理判别器，根据判断结果和纹理损失函数优化所述纹理判别器和所述特征提取层的参数；将所述噪声语义特征和所述去噪语义特征输入所述感知判别器内的内容判别器，根据判断结果和内容损失函数优化所述内容判别器的参数。
[0046]在一可实施方式中，所述训练模块，具体还本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：获取待处理图像；将所述待处理图像输入稳定扩散模型内的逆扩散网络，得到去噪后的待处理图像；其中，所述稳定扩散模型为交替使用配对数据与非配对数据进行训练的模型。2.根据权利要求1所述的方法，其中，在所述稳定扩散模型内，使用配对数据进行训练的过程，包括：获取标准样本图像，其中，所述标准样本图像为无噪声图像或者噪声含量低于预设噪声的图像；将所述标准样本图像输入所述稳定扩散模型内的扩散网络，得到加噪样本图像特征；将所述加噪样本图像特征输入所述稳定扩散模型内的逆扩散网络，得到第一去噪样本图像；将所述第一去噪样本图像和所述标准样本图像进行对比，并结合配对损失函数优化所述扩散网络和逆扩散网络的参数。3.根据权利要求2所述的方法，其特征在于，所述将所述标准样本图像输入所述稳定扩散模型内的扩散网络，得到加噪样本图像，包括：将所述标准样本图像输入所述扩散网络内的编码器，得到标准图像特征；将所述标准图像特征添加预设次数的噪声特征，得到加噪样本图像。4.根据权利要求3所述的方法，其特征在于，所述将所述加噪样本图像特征输入所述稳定扩散模型内的逆扩散网络，得到第一去噪样本图像，包括：将所述加噪样本图像特征在所述逆扩散网络内，去除预设次数的噪声特征，得到中间图像特征；将所述中间图像特征输入所述逆扩散网络内的解码器，得到第一去噪样本图像。5.根据权利要求1所述的方法，其中，在所述稳定扩散模型内，使用非配对数据进行训练的过程，包括：获取噪声样本图像；将噪声样本图像输入所述稳定扩散模型内的逆扩散网络，得到第二去噪样本图像；将所述噪声样本图像、所述第二去噪样本图像和标准样本图像输入所述稳定扩散模型内的感知判别器，并结合非配对损失函数优化所述感知判别器的参数。6.根据权利要求5所述的方法，其特征在于...

【专利技术属性】
技术研发人员：孙安澜，
申请(专利权)人：北京医准智能科技有限公司，
类型：发明
国别省市：