一种医学图像去噪方法技术

本发明专利技术公开了一种医学图像去噪方法

【技术实现步骤摘要】
一种医学图像去噪方法、系统、设备以及介质


[0001]本专利技术涉及的是一种图像处理处理领域的技术，具体是一种医学图像去噪方法
、
系统
、
设备以及介质
。

技术介绍

[0002]医学图像中
X
光图像和
CT
图像的原理相同，都是利用
X
射线的穿透作用，通过组织密度不同的人体后形成辐射线衰减强度不同的影像
。
其中一套
CT
图像的辐射剂量较普通单张
X
光片要大不少
。
所以怎么在实际检查中降低
CT
的辐射剂量是一件至关重要的事情，通常可以采减少采样角度
、
降低管电流，增大螺距三种方法来加速
CT
扫描，并且大大降低
CT
扫描过程的辐射剂量，但其重建出来的图像噪声大，达不到诊断医生的诊断要求
。
虽然在
CT
成像中稀疏角场景下使用压缩感知技术也可以获得足够好的图像，但压缩感知需要利用将稀疏角投影数据和重建方法在
CT
设备侧进行结合，严重依赖设备和厂商；此外压缩感知只能处理稀疏角场景的加速成像，无法处理低管电流和大螺距的低剂量场景
。
[0003]对于单张
X
光图像，其辐射剂量不高，但在血管介入手术等场景下，需要连续拍摄大量的
X
光图像来引导介入手术，其累计的辐射量不容忽视，医生和病人都需要承受其辐射的侵害
。
虽然医生可以穿着厚厚的铅衣来屏蔽部分辐射，但医生需要长期开展介入手术，经年累月的辐射也会对医生身体产生较大的伤害
。
故若能降低每次
X
光图像的辐射量，不仅仅可以减少单个病人的术中的辐射量，同时也会降低医生长期手术治疗下的总辐射量
。
但低辐射量的单次
X
光图像会存在较多的噪声，造成图像上重要的导丝及一些血管区域存在边界模糊问题，容易影响医生的判断，从而导致手术失败的风险增加
。
所以若将低剂量的
X
光图像恢复成正常剂量的
X
光图像的图像质量，就可以既降低辐射剂量的同时不额外增加手术风险
。
由于实际操作过程中很难获得低剂量和正常剂量的配对数据，通常采用的方式是利用噪声期望值为零以及噪声自身的非相关性等特点构建深度学习无监督训练方式，虽然此方法一定程度上可以降低低剂量下的
X
光图像的盲噪声，但是其图像质量尚未恢复到正常剂量的图像质量，对医生的术中判断还存在一定的影响
。
[0004]近年来，深度学习因其出色的快速推理能力和泛化能力，在去噪领域得到快速发展，但对于非匹配医疗影像数据的盲噪声去除尚未达到理想的效果
。

技术实现思路

[0005]本专利技术针对现有技术存在的上述不足，提出一种医学图像去噪方法
、
系统
、
设备以及介质，利用真实数据生成退化图像（低质量图像）和原始医学图像（高质量图像）图像对，可以保证训练出来的残差学习网络模型不改变图像结构的同时能够去除噪声，且在真实数据上具备较强的泛化性，能够用于
X
光图像或者
CT
图像等不同的医学图像
。
[0006]本专利技术是通过以下技术方案实现的：根据本专利技术的一个方面，提供一种医学图像去噪方法，包括：采集获得包含多张原始医学图像的基础数据集；
对所述基础数据集中的所述原始医学图像进行图像退化得到与所述医学图像对应的退化图像；将所述退化图像输入一残差学习网络模型获得每一所述退化图像的残差项；根据所述退化图像与所述残差项获得所述退化图像的预测图像；根据所述预测图像与所述原始医学图像获得图像计算损失值；将最小的所述图像计算损失值对应的所述残差学习网络模型的权重系数作为所述残差学习网络模型系数，获得训练后的残差学习网络模型
。
[0007]优选的，所述基数数据集中的所述原始医学图像的数量大于
1000。
[0008]优选的，所述图像退化通过对所述原始医学图像添加高斯噪声
、
泊松噪声
、
椒盐噪声
、
插值损失和
/
或压缩损失实现
。
[0009]优选的，所述图像计算损失值包括第一计算损失值，其中：为所述预测图像第
i
点的像素值；为所述原始医学图像第
i
点的像素值
。
[0010]优选的，所述图像计算损失值包括第二计算损失值，其中：（）为特征提取函数；为预测图像第
i
点的像素值；为所述原始医学图像第
i
点的像素值
。
[0011]优选的，所述图像计算损失值包括第三计算损失值，其中：；为所述预测图像上的第
i
个像素和所述原始医学图像上的第
j
个像素之间的余弦相似度，，；为带宽常数；为像素点个数
。
[0012]优选的，所述图像退化通过以下步骤实现：将所述原始医学图像进行
radon
变换获得正弦图像；对所述正弦图像进行欠采样后，进行逆
radon
变换生成所述退化图像
。
[0013]根据本专利技术的一个方面，提供一种医学图像去噪系统，包括：采集模块，采集获得包含多张原始医学图像的基础数据集；退化模块，对所述基础数据集中的所述原始医学图像进行图像退化得到与所述医学图像对应的退化图像；残差模块，将所述退化图像输入一残差学习网络模型获得每一所述退化图像的残差项；
预测模块，根据所述退化图像与所述残差项获得所述退化图像的预测图像；计算模块，根据所述预测图像与所述原始医学图像获得图像计算损失值；系数模块，将最小的所述图像计算损失值对应的所述残差学习网络模型的权重系数作为所述残差学习网络模型系数，获得训练后的残差学习网络模型
。
[0014]根据本专利技术的一个方面，提供一种医学图像去噪设备，包括：处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述医学图像去噪方法的步骤
。
[0015]根据本专利技术的一个方面，提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现上述医学图像去噪方法的步骤
。
[0016]上述技术方案的有益效果是：本专利技术中的医学图像去噪方法
、
系统
、
设备以及介质，利用真实数据生成退化图像（低质量图像）和原始医学图像（高质量图像）图像对，可以保证训练出来的残差学习网络模型不改变图像结构的同时能够去除噪声，且在真实数据上具备较强的泛化性，能够用于
X
光图像或者
CT
图像等不同的医学图像
...

【技术保护点】

【技术特征摘要】
1.
一种医学图像去噪方法，其特征在于，包括：采集获得包含多张原始医学图像的基础数据集；对所述基础数据集中的所述原始医学图像进行图像退化得到与所述原始医学图像对应的退化图像；将所述退化图像输入一残差学习网络模型获得每一所述退化图像的残差项；根据所述退化图像与所述残差项获得所述退化图像的预测图像；根据所述预测图像与所述原始医学图像获得图像计算损失值；将最小的所述图像计算损失值对应的所述残差学习网络模型的权重系数作为所述残差学习网络模型系数，获得训练后的残差学习网络模型
。2.
根据权利要求1所述的医学图像去噪方法，其特征在于，所述基数数据集中的所述原始医学图像的数量大于
1000。3.
根据权利要求1所述的医学图像去噪方法，其特征在于，所述图像退化通过对所述原始医学图像添加高斯噪声
、
泊松噪声
、
椒盐噪声
、
插值损失和
/
或压缩损失实现
。4.
根据权利要求1所述的医学图像去噪方法，其特征在于，所述图像计算损失值包括第一计算损失值，其中：为所述预测图像第
i
点的像素值；为所述原始医学图像第
i
点的像素值
。5.
根据权利要求1所述的医学图像去噪方法，其特征在于，所述图像计算损失值包括第二计算损失值，其中：（）为特征提取函数；为所述预测图像第
i
点的像素值；为所述原始医学图像第
i
点的像素值
。6.
根据权利要求1所述的医学图像去噪方法，其特征在于，所述图像计算损...

【专利技术属性】
技术研发人员：宋涛，宫恩浩，项磊，
申请(专利权)人：长沙微妙医疗科技有限公司，
类型：发明
国别省市：