【技术实现步骤摘要】
本专利技术涉及医学图像去噪，尤其涉及一种实时超声图像去噪方法。
技术介绍
1、超声检查的众多优点使其在医学检查领域应用广泛。然而，超声视频图像常常受到低信噪比的挑战，这主要源于三个方面：一是超声波扫描仪产生的短暂脉冲信号带来的宽频域频谱，使信号易受多种噪声源的干扰，降低图像质量；二是信号的相干性导致散斑噪声的产生，进一步恶化图像质量；三是声波在人体组织中传播的复杂性可能引发严重失真，形成如斑点噪声等多种伪影。这些因素共同作用，使得超声图像边缘模糊、整体色调偏暗，并充满噪声，给临床检测带来诸多障碍，严重制约了超声诊断的准确性和效率。
2、近年来，随着人工智能和机器学习技术的飞速发展，它们已成为各行各业的研究热点。因此，人工智能和机器学习技术也逐渐渗透到医疗健康领域的研究中，如智能诊断、个性化健康指导以及智慧医疗等。尽管在医学图像处理方面，人工智能和机器学习技术已在图像分割和诊断上取得了显著进展，但对于实时超声图像去噪的处理，相关研究仍然相对较少，仅在特定场景下才能达到实时去噪的要求。
3、目前，虽然视频图像去噪方法有所发展，但大多数方法仍难以满足实时去噪和远程超声会诊的严格要求，或者对超声视频的处理效果并不理想。本专利技术旨在利用机器学习技术，从频域的视角出发，对临床中获取的图像进行智能化修复，从而为医疗诊断提供更高质量、更准确的超声图像支持。
技术实现思路
1、本专利技术目的是针对
技术介绍
中存在的超声图像去噪效果较差的问题，提出一种实时超声图像去噪方法。p>
2、本专利技术的技术方案：一种实时超声图像去噪方法，包括以下步骤：
3、s1、采集患者超声图像，对超声图像进行预处理；
4、s2、构建样本库，对超声图像添加噪声，得到训练集和测试集；
5、s3、构建基于小波多频带分解的双分支神经网络模型；
6、s4、基于所述数据集，对所述双分支去噪网络进行训练；
7、s5、基于所述测试集，对所述训练完成的基于小波多频带分解的去噪网络进行测试，输出去噪图像。
8、优选的，s1中，预处理包括：获得患者同意和网络授权收集各种类型超声图像，将图像统一为256×256大小，通道数为1的图像。
9、优选的，s2中，对超声图像添加噪声，在原始超声图像上添加高斯白噪声，模拟部分超声图像中的噪声，便于控制图像集的噪声水平；此外，采用留出法，从加入模拟斑点噪声的图像中随机选取上述数据集的训练集和测试集，其中分80％作为训练集，20％作为测试集。
10、优选的，s3中，基于小波多频带分解的双分支神经网络模型的构建，使用二维离散小波变换对于原始图像进行频域上的分解，分解为高频变量和低频变量，根据不同频段分量所呈现的图像特质，以及在不同特质上噪声的分布特点，创建一个双分支网络来进行针对性的处理。
11、优选的，s3中，对于低频分量采用u-net的编码器和解码器结构学习，在编码器进行下采样，在解码器处进行上采样，每个编码器块将特征分辨率减少至一半，每个解码器块将特征分辨率扩大一倍，上采样模块和下采样模块都分为卷积阶段和tokenized mlp阶段。
12、优选的，s3中，对于高频分量采用基于动态可变形卷积的模块来进行处理，由网络结构左到右依次是：两层可变形卷积、五层动态卷积块和频带特征增强模块。
13、优选的，s3中，高频分量学习中的多频带联合特征动态卷积块，利用学习好的低频信息来增强高频信息的学习，利用增强的高频信息经过平均池化、全连接层、relu和softmax，生成权重以得到动态卷积核，具体增强方式如下：
14、
15、其中，(lh,hh,hl)为高频分量，ll为低频分量，m为增强的纹理特征的集合，|·|表示取绝对值操作。
16、优选的，s3中，高频分量学习中的频域特征增强模块，设计为一个双支路四层残差密集块，前面每层的输出使用跳跃连接与当前层的输出相连，并输入到下一层，以提高网络的表达能力和性能；此外，每个卷积层都只保留了relu，以更好地保留细节特征，最后一个1×1的卷积复原特征的通道数，确保信息在传递过程中的一致性和完整性。
17、优选的，s4中，训练过程采用mse作为网络的损失函数，使用adam优化器训练200轮，学习率lr设为10-4并逐步衰减到10-5，训练批次大小为8；其中mse函数为：
18、
19、其中，n为测试样本的数量，x为噪声图像，y为原始图像，fθ为网络模型，θ为网络参数，通过最小化mse函数，得到较好的模型效果。
20、优选的，s5中，所述模型性能采用峰值信噪比(psnr)和结构相似性(ssim)进行评估；其中psnr和ssim的计算公式分别为：
21、
22、其中，x和y是要比较的两个图像，max是像素的最大范围，m和n分别表示宽度和高度，xij和yij分别表示要比较的两个图像在(i,j)处的像素值；μx和μy是它们的平均值，和分别是它们的方差，σxy是它们的协方差，c1＝0.01和c2＝0.02为常数。
23、与现有技术相比，本专利技术具有如下有益的技术效果：借助小波变换对低频分量和高频分量分开处理，结合多频带联合特征设计的动态可变形卷积，加强特征学习的效率，提升去噪效果和推理速度。该网络引入低频信息来辅助高频信息的学习，不仅解决了已有的去噪方法泛化性能差、无法满足不同超声图像上的去噪问题，而且有效地提高了网络的推理效率。
本文档来自技高网...【技术保护点】
1.一种实时超声图像去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的实时超声图像去噪方法，其特征在于，S1中，预处理包括：获得患者同意和网络授权收集各种类型超声图像，将图像统一为256×256大小，通道数为1的图像。
3.根据权利要求1所述的实时超声图像去噪方法，其特征在于，S2中，对超声图像添加噪声，在原始超声图像上添加高斯白噪声，模拟部分超声图像中的噪声，便于控制图像集的噪声水平；此外，采用留出法，从加入模拟斑点噪声的图像中随机选取上述数据集的训练集和测试集，其中分80％作为训练集，20％作为测试集。
4.根据权利要求1所述的实时超声图像去噪方法，其特征在于，S3中，基于小波多频带分解的双分支神经网络模型的构建，使用二维离散小波变换对于原始图像进行频域上的分解，分解为高频变量和低频变量，根据不同频段分量所呈现的图像特质，以及在不同特质上噪声的分布特点，创建一个双分支网络来进行针对性的处理。
5.根据权利要求1所述的实时超声图像去噪方法，其特征在于，S3中，对于低频分量采用U-Net的编码器和解码器结构学习，在编码器
6.根据权利要求1所述的实时超声图像去噪方法，其特征在于，S3中，对于高频分量采用基于动态可变形卷积的模块来进行处理，由网络结构左到右依次是：两层可变形卷积、五层动态卷积块和频带特征增强模块。
7.根据权利要求1所述的实时超声图像去噪方法，其特征在于，S3中，高频分量学习中的多频带联合特征动态卷积块，利用学习好的低频信息来增强高频信息的学习，利用增强的高频信息经过平均池化、全连接层、ReLu和softmax，生成权重以得到动态卷积核，具体增强方式如下：
8.根据权利要求1所述的实时超声图像去噪方法，其特征在于，S3中，高频分量学习中的频域特征增强模块，设计为一个双支路四层残差密集块，前面每层的输出使用跳跃连接与当前层的输出相连，并输入到下一层，以提高网络的表达能力和性能；此外，每个卷积层都只保留了ReLU，以更好地保留细节特征，最后一个1×1的卷积复原特征的通道数，确保信息在传递过程中的一致性和完整性。
9.根据权利要求1所述的实时超声图像去噪方法，其特征在于，S4中，训练过程采用MSE作为网络的损失函数，使用Adam优化器训练200轮，学习率lr设为10-4并逐步衰减到10-5，训练批次大小为8；其中MSE函数为：
10.根据权利要求1所述的实时超声图像去噪方法，其特征在于，S5中，所述模型性能采用峰值信噪比(PSNR)和结构相似性(SSIM)进行评估；其中PSNR和SSIM的计算公式分别为：
...【技术特征摘要】
1.一种实时超声图像去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的实时超声图像去噪方法，其特征在于，s1中，预处理包括：获得患者同意和网络授权收集各种类型超声图像，将图像统一为256×256大小，通道数为1的图像。
3.根据权利要求1所述的实时超声图像去噪方法，其特征在于，s2中，对超声图像添加噪声，在原始超声图像上添加高斯白噪声，模拟部分超声图像中的噪声，便于控制图像集的噪声水平；此外，采用留出法，从加入模拟斑点噪声的图像中随机选取上述数据集的训练集和测试集，其中分80％作为训练集，20％作为测试集。
4.根据权利要求1所述的实时超声图像去噪方法，其特征在于，s3中，基于小波多频带分解的双分支神经网络模型的构建，使用二维离散小波变换对于原始图像进行频域上的分解，分解为高频变量和低频变量，根据不同频段分量所呈现的图像特质，以及在不同特质上噪声的分布特点，创建一个双分支网络来进行针对性的处理。
5.根据权利要求1所述的实时超声图像去噪方法，其特征在于，s3中，对于低频分量采用u-net的编码器和解码器结构学习，在编码器进行下采样，在解码器处进行上采样，每个编码器块将特征分辨率减少至一半，每个解码器块将特征分辨率扩大一倍，上采样模块和下采样模块都分为卷积阶段和tokenized mlp阶段。
6.根据权利要求1所述的实时超声图像去噪...
【专利技术属性】
技术研发人员：吕江，毛锦鑫，郑晓渊，
申请(专利权)人：江苏金马扬名信息技术股份有限公司，
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。