【技术实现步骤摘要】
本申请涉及医学图像处理处理、深度学习的，尤其涉及医学图像的去噪方法、装置、设备及可读存储介质。
技术介绍
1、计算机断层扫描(computed tomography,ct)是应用最为广泛的医学成像技术。其通过不同人体组织对x射线的吸收差异来生成二维或三维的医学图像，从而对人体结构或病灶组织进行观察诊断。而低剂量ct是一种减少患者暴露于放射线剂量的医学影像技术。它通过减少放射线剂量来降低患者的辐射暴露，从而降低了患者罹患放射线相关疾病的风险。然而，在低剂量ct中，图像的信噪比通常较低，这会导致图像质量下降，影响医生对患者病情的准确判断。因此，研究一种低剂量ct图像去噪方法具有重要的实用意义。
2、现有技术中，主要的低剂量ct去噪方法可大致分为三类：(1)基于统计模型的方法，使用统计概率模型对图像进行重建，例如通过使用最大似然估计的方法可以用来减少噪声。(2)基于滤波的方法，通过使用傅里叶变换将图像转换到频域，使用滤波器去除噪声。然而，在使用统计模型进行去噪时，不同设备得到的数据差异较大，现有模型方法鲁棒性较差，需要调整大量超参数，难以取得较好的泛化性。在使用传统滤波算法进行去噪时，一些噪声信号与图像细节信号相似，所以在去噪的同时也有可能丢失一些重要的图像信息。
3、因此，如何对医学图像进行去噪处理成为了亟待解决的问题。
4、专利cn113744157a公开了一种医学图像去噪增强的方法，包括：根据接收的神经网络训练请求确定训练图像；构建ghostnet特征提取网络，对所述ghostnet特征提取网
5、基于此，本申请提供了医学图像的去噪方法、装置、设备及可读存储介质，以改进现有技术。
技术实现思路
1、本申请的目的在于提供医学图像的去噪方法、装置、设备及可读存储介质，可以增强去噪网络模型的特征提取能力，捕获三维跨通道的信息，能够更好的恢复去噪后图像的细节，且具备医学可解释性，可信度高，去噪效果好且速率高，有助于医生临床判断和治疗。
2、本申请的目的采用以下技术方案实现：
3、第一方面，本申请提供了一种医学图像的去噪方法，用于对肺部图像进行去噪处理，所述方法包括：
4、将待去噪的肺部图像输入至肺部图像去噪模型，以得到所述待去噪的肺部图像的去噪结果；
5、其中，所述肺部图像去噪模型的训练过程包括：
6、获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本肺部图像以及所述样本肺部图像的去噪结果的标注数据；
7、针对所述训练集中的每个训练数据，执行以下处理：
8、将所述训练数据中的样本肺部图像输入预设的深度学习模型，以得到所述样本肺部图像的去噪结果的预测数据；
9、基于所述样本肺部图像的去噪结果的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；
10、检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述肺部图像去噪模型；如果否，则利用下一个所述训练数据继续训练所述深度学习模型。
11、该技术方案的有益效果在于：通过肺部图像去噪模型对肺部医学图像进行去噪的步骤可以是，将待去噪的肺部图像输入至肺部图像去噪模型，以得到待去噪的肺部图像的去噪结果。其中，训练过程可以包括：首先获取训练集，所述训练集包括多个训练数据。通过获取包含多个训练数据的训练集，并针对每个训练数据进行深度学习模型的训练，使得模型具有较好的泛化能力，可以在实际应用中更好地应对不同类型的肺部图像去噪需求。可以将训练数据中的样本肺部图像输入预设的深度学习模型，以得到样本肺部图像的去噪结果的预测数据。通过训练获取肺部图像去噪模型，并进行去噪。通过不断训练和更新模型，使得肺部图像去噪模型能够适应不同噪声水平下的肺部图像去噪需求，提高了模型的实用性和通用性。该方法基于计算机视觉技术，利用深度学习模型，可以更好地拟合数据和实际情况。深度学习模型具有强大的拟合能力，进一步提升对图像的去噪能力。可以实现快速、准确的将肺部图像去噪，有助于节省医疗资源，提高医疗诊断的准确性和效率，为患者提供及时的诊断和治疗，提高治疗效果。可以增强去噪网络模型的特征提取能力，捕获三维跨通道的信息，能够更好的恢复去噪后图像的细节，且具备医学可解释性，可信度高，去噪效果好且速率高，有助于医生临床判断和治疗。
12、在一些可选的实施方式中，所述获取训练集，包括：
13、获取肺部nct图像及其对应的肺部ldct图像作为所述样本肺部图像；
14、利用所述样本肺部图像制作得到所述训练集。
15、该技术方案的有益效果在于：通过获取肺部nct图像和ldct图像，可以更准确地了解肺部状况，包括肺部的结构、功能和病变情况。这有助于医生在诊断和治疗过程中，对患者的肺部疾病作出更精确的判断。与传统的x射线检查相比，nct和ldct扫描的辐射剂量较低，有利于降低患者和医生的辐射暴露风险。nct和ldct图像具有较高的分辨率，有助于在早期发现肺部微小病变，提高疾病筛查效果，降低疾病恶化风险。可以减少误诊和漏诊的可能性，确保患者得到及时、有效的治疗；利用样本肺部图像制作得到所述训练集，通过制作具有丰富多样性的训练集，有助于深度学习模型更好地学习和识别肺部图像中的特征，提高模型在实际应用中的泛化能力，训练集中的图像具有较高的质量，有助于提高模型在肺部图像识别和分析任务中的准确性。
16、在一些可选的实施方式中，所述方法还包括：
17、利用可变自编码器vae对所述肺部nct图像进行特征提取以得到肺部nct图像对应的先验知识。
18、该技术方案的有益效果在于：可以利用可变自编码器vae对肺部nct图像进行特征提取，从而得到肺部nct图像对应的先验知识；可变自编码器vae是一种强大的特征提取工具，能够从原始图像中自动学习到具有区分性且低维度的高层次特征，有助于后续的分析和处理工作。通过vae提取到的肺部nct图像对应的特征具有较高的代表性，可以在一定程度上减少原始数据的数量，降低计算复杂度，提高分析效率。vae具有较好的鲁棒性，能够应对肺部nct图像中存在的噪声、缺失值等问题，提高特征提取的准确性。通过vae提取到的先验知识，可以用于改进和优化后续的模型构建和训练过程，提高深度学习模型的性能和准确性，可以辅助医生更准确地诊断和治疗肺部疾病，提高深度学习模型的医学解释性和可信度。
19、在一些可选的实施方式中，所述深度学习模型包括编码器单元、解码器单元本文档来自技高网...
【技术保护点】
1.一种医学图像的去噪方法，其特征在于，用于对肺部图像进行去噪处理，所述方法包括：
2.根据权利要求1所述的医学图像的去噪方法，其特征在于，所述获取训练集，包括：
3.根据权利要求2所述的医学图像的去噪方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的医学图像的去噪方法，其特征在于，所述深度学习模型包括编码器单元、解码器单元以及跳跃链接单元；
5.根据权利要求4所述的医学图像的去噪方法，其特征在于，所述编码器单元添加有卷积模块、下采样模块以及注意力机制模块；
6.根据权利要求4所述的医学图像的去噪方法，其特征在于，所述解码器单元添加有上采样模块；
7.根据权利要求1所述的医学图像的去噪方法，其特征在于，所述基于所述样本肺部图像的去噪结果的预测数据和标注数据，对所述深度学习模型的模型参数进行更新，包括：
8.一种医学图像的去噪装置，其特征在于，用于对肺部图像进行去噪处理，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
...【技术特征摘要】
1.一种医学图像的去噪方法，其特征在于，用于对肺部图像进行去噪处理，所述方法包括：
2.根据权利要求1所述的医学图像的去噪方法，其特征在于，所述获取训练集，包括：
3.根据权利要求2所述的医学图像的去噪方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的医学图像的去噪方法，其特征在于，所述深度学习模型包括编码器单元、解码器单元以及跳跃链接单元；
5.根据权利要求4所述的医学图像的去噪方法，其特征在于，所述编码器单元添加有卷积模块、下采样模块以及注意力机制模块；
6.根据权利要求4所述的医学图像的去噪方法，其特征在于，所述解码器单元添加有上采...
【专利技术属性】
技术研发人员：康帅，陈飞蛟，张东霞，任娟，吴田，
申请(专利权)人：上海睿触科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。