基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
基于N2V和EMI移除算法的电磁成像检测双重去噪方法及装置


[0001]本专利技术属于图像去噪处理
，具体涉及一种基于
N2V
和
EMI
移除算法的电磁成像检测双重去噪方法及装置
。

技术介绍

[0002]近年来，许多企业致力于开发低场和超低场
(ULF)MRI
设备，超低场
MRI
在概念上与高场
MRI
类似，它发展的目的并不是在同一跑道取代高场
MRI
设备，而且利用其独有的特性来填补空白领域；其中，超低场
MRI
设备具有低成本
、
便携性强的优势，且不需要专门的操作空间，因此，特别适应于在边远的
、
经济不发达的地点
(
诊所，边远地区的医院等
)
进行成像
。
[0003]在低磁场下，核磁共振信号比与磁场强度的
3/2
次方成正比，因此，在低磁场下获得的图像质量常常比不上高磁场下的图像质量，且成像经常受到噪声干扰，所以，在超低场
MRI
设备的成像过程中，提高图像质量和追求更高的信噪比已成为一个不可避免的问题
。
[0004]在核磁共振扫描中，提高图像质量的方法大致分为以下三种：
[0005]第一种为：通过增加信号平均次数以获得更高信噪比的图像，但是该方法同时会延长扫描时间，从而致使病人感到不适，且运动伪影现象会因为患者的移动加剧，所以，其不太适用于核磁共振图像去噪领域；第二种为：使用射频屏蔽壳来屏蔽噪声，使用射频屏蔽壳来抵抗外部电磁噪声一直是减少环境噪声源的传统方法，但该方法会增加系统成本，降低系统便携性，因此，也不太适应于超低场
MRI
设备的图像去噪；第三种为：图像后处理技术，其中，图像后处理技术不会影响扫描时间，也不需要额外增加硬件，基于此，其已成为超低场
MRI
图像中去除外部电磁噪声的潜在竞争者，而深度学习方法作为一个具有巨大前景的工具，非常适用于对超低场
MRI
设备所成像图像的去噪处理
。
[0006]到目前为止，大多数应用在
ULF MRI
扫描仪上的深度学习
EMI
移除算法，主要是利用
CNN
网络学习
EMI
传感线圈检测到的
EMI
信号和
MRI
接收线圈检测到的
EMI
信号之间的映射关系；然而，当环境噪声大和所使用
EMI
传感线圈数量较低时，
EMI
移除算法所能移除的噪声水平有限，去噪效果并不能达到预期要求；同时，在
ULF MRI
使用场景中，由于常常缺少干净图像和噪声图像对，所以，这就限制了深度学习对图像进行二次去噪的应用，基于此，如何提供一种可在缺乏干净图像及噪声图像对的基础上，来实现对超低场
MRI
所成像图像的二次去噪，从而提高图像去噪效果，已成为一个亟待解决的问题
。

技术实现思路

[0007]本专利技术的目的是提供一种基于
N2V
和
EMI
移除算法的电磁成像检测双重去噪方法及装置，用以解决现有技术中采用
EMI
移除算法所存在的去噪效果不佳，且在缺少干净图像和噪声图像对时，无法对超低场
MRI
所成像图像进行二次去噪的问题
。
[0008]为了实现上述目的，本专利技术采用以下技术方案：
[0009]第一方面，提供了一种基于
N2V
和
EMI
移除算法的电磁成像检测双重去噪方法，包括：
[0010]获取初始去噪核磁共振图像，其中，所述初始去噪核磁共振图像是基于去噪
MRI
信号所生成的，且所述去噪
MRI
信号是利用
EMI
移除算法对
MRI
信号进行去噪处理后所得到的；
[0011]获取二次去噪模型，其中，所述二次去噪模型是以若干样本加噪核磁共振图像及各个样本加噪核磁共振图像对应的遮罩图像为输入，各个样本加噪核磁共振图像对应的去噪图像为输出而训练得到的，各个样本加噪核磁共振图像分别对应一样本初始去噪核磁共振图像，任一样本加噪核磁共振图像以及其对应的遮罩图像是利用
N2V
算法对目标图像进行加噪处理后所得到的，且所述目标图像为所述任一样本加噪核磁共振图像对应的样本初始去噪核磁共振图像；
[0012]利用所述二次去噪模型对所述初始去噪核磁共振图像进行二次去噪处理，以在二次去噪处理后，得到去噪核磁共振图像
。
[0013]基于上述公开的内容，本专利技术预先训练有二次去噪模型，其中，二次去噪模型在训练时，其输入数据为若干样本加噪核磁共振图像及其对应的遮罩图像，其中，任一样本加噪核磁共振图像对应一样本初始去噪核磁共振图像，且该样本加噪核磁共振图像及其对应的遮罩图像，是采用
N2V
算法对其对应的样本初始去噪核磁共振图像进行加噪处理后所得到；如此，本专利技术相当于是在各个初始去噪的图像上，来添加不同的噪声，并利用深度学习网络，对添加了噪声后的初始去噪图像进行去噪训练，从而在训练完成后，使模型可对含有不同噪声的图像进行去噪处理；基于此，在实际应用时，由于进行初始去噪后所得到的核磁共振图像中还含有环境噪声，因此，相当于将进行初始去噪后所得到的初始去噪核磁共振图像，视作为前述添加了噪声后的图像，最后，将其输入至二次去噪模型，即可去除初始去噪核磁共振图像中的环境噪声，从而实现图像的二次去噪，得到去噪效果更佳的核磁共振图像
。
[0014]通过前述设计，本专利技术通过引入
N2V
算法来对初始去噪后的图像进行图像加噪，并使用加噪后的图像来进行二次去噪训练；如此，即可利用二次去噪模型，来对初始去噪核磁共振图像进行二次去噪处理，从而得到去噪效果更佳的核磁共振图像，基于此，本专利技术能够在缺乏真实图像的情况下进行二次去噪训练，实现了核磁共振图像的二次去噪处理，解决了传统技术中由于缺乏干净图像和噪声图像对而无法进行图像二次去噪训练的限制，由此，本专利技术能够进一步的提高图像质量，适用于在超低场
MRI
设备成像图像去噪领域的大规模应用与推广
。
[0015]在一个可能的设计中，利用
N2V
算法对目标图像进行加噪处理，得到目标图像对应的样本加噪核磁共振图像及遮罩图像，包括：
[0016]获取目标图像对应的随机噪声数据以及掩模图像，其中，所述掩模图像的尺寸与所述目标图像的尺寸相同，且所述掩模图像中任一像素点的灰度值为0或1；
[0017]将所述随机噪声数据叠加至所述目标图像上，得到初始加噪图像；
[0018]对所述初始加噪图像中各个像素点的灰度值进行归一化处理，得到归一化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
N2V
和
EMI
移除算法的电磁成像检测双重去噪方法，其特征在于，包括：获取初始去噪核磁共振图像，其中，所述初始去噪核磁共振图像是基于去噪
MRI
信号所生成的，且所述去噪
MRI
信号是利用
EMI
移除算法对
MRI
信号进行去噪处理后所得到的；获取二次去噪模型，其中，所述二次去噪模型是以若干样本加噪核磁共振图像及各个样本加噪核磁共振图像对应的遮罩图像为输入，各个样本加噪核磁共振图像对应的去噪图像为输出而训练得到的，各个样本加噪核磁共振图像分别对应一样本初始去噪核磁共振图像，任一样本加噪核磁共振图像以及其对应的遮罩图像是利用
N2V
算法对目标图像进行加噪处理后所得到的，且所述目标图像为所述任一样本加噪核磁共振图像对应的样本初始去噪核磁共振图像；利用所述二次去噪模型对所述初始去噪核磁共振图像进行二次去噪处理，以在二次去噪处理后，得到去噪核磁共振图像
。2.
根据权利要求1所述的方法，其特征在于，利用
N2V
算法对目标图像进行加噪处理，得到目标图像对应的样本加噪核磁共振图像及遮罩图像，包括：获取目标图像对应的随机噪声数据以及掩模图像，其中，所述掩模图像的尺寸与所述目标图像的尺寸相同，且所述掩模图像中任一像素点的灰度值为0或1；将所述随机噪声数据叠加至所述目标图像上，得到初始加噪图像；对所述初始加噪图像中各个像素点的灰度值进行归一化处理，得到归一化图像；获取盲点像素信息，其中，所述盲点像素信息包括盲点像素所占比例以及所述盲点像素的邻域尺寸，且所述盲点像素所占比例为盲点像素与归一化图像中像素总数之间的比例；基于所述盲点像素信息，从所述归一化图像中确定出盲点像素，并对所述盲点像素进行赋值处理，以在赋值处理后，得到所述目标图像对应的样本加噪核磁共振图像；基于所述归一化图像中确定出的盲点像素，对所述掩模图像进行赋值处理，以在赋值处理后，得到所述目标图像对应的遮罩图像
。3.
根据权利要求2所述的方法，其特征在于，基于所述盲点像素信息，从所述归一化图像中确定出盲点像素，包括：根据所述盲点像素信息中的盲点像素所占比例，确定出所述归一化图像中的盲点像素数；从所述归一化图像中随机选取出数量与盲点像素数相等的若干像素点，以作为盲点像素；相应的，对所述盲点像素进行赋值处理，以在赋值处理后，得到所述目标图像对应的样本加噪核磁共振图像，则包括：基于所述盲点像素的邻域尺寸，确定出所述归一化图像中各个盲点像素的盲点邻域区域；基于各个盲点邻域区域中像素点的像素值，对各个盲点邻域区域对应的盲点像素进行赋值处理，以在赋值处理后，得到所述目标图像对应的样本加噪核磁共振图像
。4.
根据权利要求2所述的方法，其特征在于，基于所述归一化图像中确定出的盲点像素，对所述掩模图像进行赋值处理，以在赋值处理后，得到所述目标图像对应的遮罩图像，包括：
基于所述归一化图像中的盲点像素，从所述掩模图像中确定出采样像素点，其中，所述采样像素点的像素坐标与所述归一化图像中确定出的盲点像素的像素坐标一一对应；将所述采样像素点为像素值置0，得到所述目标图像对应的遮罩掩模图像
。5.
根据权利要求1所述的方法，其特征在于，所述二次去噪模型的损失函数为：上述公式
(1)
中，
L
表示损失函数，...

【专利技术属性】
技术研发人员：胡洋，方彦雯，卫敏，廖钟财，
申请(专利权)人：和也健康科技有限公司，
类型：发明
国别省市：