可控的医学超声图像去噪方法技术

本发明专利技术公开了可控的医学超声图像去噪方法

【技术实现步骤摘要】
可控的医学超声图像去噪方法、系统及计算机存储介质


[0001]本专利技术属于医学影像和图像处理
，具体涉及一种可控的医学超声图像去噪方法
、
系统及计算机存储介质
。

技术介绍

[0002]超声成像以其安全
、
无创
、
便捷
、
操作简单等优势在临床诊断中大量被采用，是临床诊断的重要工具之一
。
但实际的超声图像一般都存在着斑点噪声多
、
信噪比低
、
对比度低等问题
。
尤其是过多的斑点噪声严重地降低了图像的质量，直接增大了医疗工作者对病灶部位与良性组织区域之间做出精确区分的难度，也使得计算机辅助诊断系统中对图像病灶的自动识别
、
分割
、
分析和特征提取更加困难
。
[0003]在超声图像采集过程中，由于超声回波的反射
、
散射和折射特性，以及人体组织各部分的不均匀性和相对于空间分布的不确定特性，因此当超声波射入人体时，会形成大量随机性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种可控的医学超声图像去噪模型建立方法，其特征在于，包括以下步骤：步骤1）模拟噪声超声图像数据集的生成：以大量干净自然图像为参考，使用对应的仿真软件和不同的成像参数组，生成具有不同噪声水平的模拟噪声超声图像，并划分成用于模型训练
、
验证和测试的模拟噪声超声图像数据集；步骤2）模拟噪声超声图像的预处理：对所述模拟噪声超声图像数据集中的模拟噪声超声图像进行下采样，在真实值与设定值之间对2个特征参数的取值进行随机选择，将下采样后的子图与2个特征参数连接在一起，形成新输入图像数据集；步骤3）去噪模型的建立：采用多级剩余阿特鲁空间金字塔池化模块
、
非线性映射卷积神经网络模块
、
自适应噪声水平和可变去噪强度模块构建初始去噪模型；所述多级剩余阿特鲁空间金字塔池化模块基于残差结构
、
阿特鲁空间金字塔池化和矩阵加法连接建立，负责对所述新输入图像数据集中的新输入图像提取特征；所述非线性映射卷积神经网络模块基于
CNN
的卷积层建立，负责对所述多级剩余阿特鲁空间金字塔池化模块的输出提取深层次特征，最终生成特征图像；所述自适应噪声水平和可变去噪强度模块基于分叉的上采样
、
全连接层和联合损失函数建立，一方面负责对已知2个特征参数真实值的所述特征图像进行噪声预测，并通过设置不同的去噪强度，得到采用不同去噪强度预测出的噪声预测图像，最后用模拟超声图像分别减去这些噪声预测图像就得到经不同去噪强度去噪后的图像；另一方面负责对未知2个特征参数真实值的所述特征图像进行特征参数预测，并获得2个特征参数的预测值；步骤4）去噪模型的训练：利用模拟噪声超声图像数据集对去噪模型进行训练，对于输入去噪模型时随机选择2个特征参数为真实值的模拟噪声超声图像，则去噪模型直接利用2个特征参数的真实值得到不同去噪强度去噪后的图像；对于输入去噪模型时随机选择2个特征参数为设定值的模拟噪声超声图像，则去噪模型先预测出2个特征参数的预测值，然后将该模拟噪声超声图像下采样后的子图连同这2个特征参数的预测值再次输入去噪模型，去噪模型利用2个特征参数的预测值得到经不同去噪强度去噪后的图像；训练过程中，利用去噪模型的联合损失函数，调整去噪模型预测噪声水平和2个特征参数时的参数，最终得到训练好的可控的医学超声图像去噪模型，该可控的医学超声图像去噪模型能够自适应去噪，并可以灵活调节去噪强度，能够在有效去除超声图像的噪声，同时保留图像的细节信息
。2.
根据权利要求1所述的可控的医学超声图像去噪模型建立方法，其特征在于，步骤1）中，生成所述模拟噪声超声图像数据集的具体方法为：获取一定数量的干净自然图像，对每张所述干净自然图像进行经灰度处理，之后分别输入到模拟噪声超声图像仿真软件；使用3组不同的成像参数，对每张经灰度后的所述干净自然图像进行仿真，对应生成具有3种不同噪声水平的模拟噪声超声图像；所述模拟噪声超声图像与原干净自然图像对齐，二者尺寸相同；
将所有模拟噪声超声图像按一定数量比例划分为3组模拟噪声超声图像数据集，分别作为去噪模型的训练集
、
验证集和测试集
。3.
根据权利要求1所述的可控的医学超声图像去噪模型建立方法，其特征在于，步骤2）中，预处理所述模拟噪声超声图像的具体方法为：将模拟噪声超声图像的尺寸下采样为4个子图；原先超声图像的尺寸为，下采样后超声图像的尺寸为，其中，
C
表示图像尺寸通道
Channel
，
W
表示图像尺寸宽度
Width
，
H
表示图像尺寸高度
High
；在真实值与设定值之间对2个特征参数的取值进行随机选择，2个所述特征参数分别为该模拟噪声超声图像的成像参数中2个与噪声水平有关的参数
fc
和
pitch
；其中，所述真实值，为该模拟噪声超声图像生成过程中所采用的参数
fc
和
pitch
的实际数值；所述设定值，为人为设定的参数
fc
和
pitch
的假定数值
‑1；将选择好取值的参数
fc
和
pitch
分别作为模拟噪声超声图像的另外2个通道，与经下采样后的4个子图连接在一起，形成6个通道的新输入图像，并输入到去噪模型，所述新输入图像的尺寸大小为
。4.
根据权利要求1所述的可控的医学超声图像去噪模型建立方法，其特征在于，步骤3）中，生成所述特征图像的具体方法为：首先将所述新输入图像输入所述多级剩余阿特鲁空间金字塔池化模块进行第一次提取特征，具体步骤包括：对所述新输入图像进行第一层阿特鲁空间金字塔池化处理，并把提取到的特征图连接在一起，然后经过卷积核为3×3的第一层卷积层进一步处理，提取到特征图1；对提取到特征图1进行第二层阿特鲁空间金字塔池化处理，并把提取到的特征图连接在一起，然后经过卷积核为3×3的第二层卷积层进一步处理，提取到特征图2；对提取到特征图2进行第三层阿特鲁空间金字塔池化处理，并把提取到的特征图连接在一起，然后经过卷积核为3×3的第三层卷积层进一步处理，提取到特征图3；三层所述阿特鲁空间金字塔池化均由3个空洞卷积，即膨胀卷积组成，以用于解决提取特征过程中感受野大小与分辨率高低之间的矛盾；3个所述的空洞卷积别为：第一空洞卷积，其膨胀率为1，其卷积核的感受野为3×3，是普通的卷积；第二空洞卷积，其膨胀率为2，其卷积核的感受野为7×7；第三空洞卷积，其膨胀率为4，其卷积核的感受野为
15
×
15
；使用残差结构和矩阵加法连接，将三次提取得到的特征图
1、
特征图
2、
特征图3与所述新输入图像连接，形成多级剩余阿特鲁空间金字塔池化输出图像，所述多级剩余阿特鲁空间金字塔池化输出图像提取到了模拟噪声超声图像丰富的结构细节特征，同时保留了模拟噪声超声图像的原始特征；然后将所述多级剩余阿特鲁空间金字塔池化输出图像输入所述非线性映射卷积神经网络模块进行第二次提取特征，具体步骤包括：将所述多级剩余阿特鲁空间金字塔池化输出图像经过第1层
CNN
卷积层的处理，第1层所述
CNN
卷积层是由卷积和修正线性单元组成；
将第1层所述
CNN
卷积层的输出依次经过第2至
14
层
CNN
卷积层的处理，第2至
14
层所述
CNN
卷积层是由卷积
、
批归一化和修正线性单元组成；将第
14
层所述
CNN
卷积层的输出经过第
15

【专利技术属性】
技术研发人员：檀韬，姜明富，林灿堂，吴大维，尤辰智，
申请(专利权)人：澳门理工大学，
类型：发明
国别省市：