申请/专利权人：浙江工业大学

申请日：2020-10-14

公开（公告）日：2024-04-02

公开（公告）号：CN112419169B

主分类号：G06T5/70

分类号：G06T5/70;G06N3/0464;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.03.16#实质审查的生效;2021.02.26#公开

摘要：基于噪声先验的CNN医学CT图像去噪，具体步骤如下：步骤1创建医学CT图像模型；步骤2构建噪声先验信息提取网络；步骤3构建去噪网络；步骤4训练噪声先验信息提取网络并更新参数；步骤5训练去噪网络的训练并更新参数；步骤6医学CT图像去噪；本发明具有以下优点和创新：提出了使用医学CT图像的噪声先验信息进行去噪；使用两个网络进行去噪；分别是：噪声先验信息提取网络、去噪网络；噪声先验信息提取网络对CT医学图像进行噪声信息提取，以获取更多图像信息；将噪声先验信息提取网络预测出的噪声水平图与噪声图串行拼接，并输入到去噪网络；在网络中加入了BN层，提高了网络的泛化能力，加快网络收敛速度，提高网络去噪性能。

主权项：1.基于噪声先验的CNN医学CT图像去噪方法，具体步骤如下：步骤1创建医学CT图像模型：创建医学CT图像模型采用高斯噪声模型，其数学表达式为：Y＝X+V1其中X是为不含噪声的干净图像，Y为实际含噪声图像，V为噪声；V的噪声分布服从高斯分布，高斯噪声是指它的概率密度函数服从高斯分布的一类噪声，即为高斯随机变量z概率密度函数，其数学表达式为： 其中μ表示为数学期望，σ表示为标准差；步骤2构建噪声先验信息提取网络：噪声先验信息提取网络将噪声图像作为输入，构建三个网络层，分别为输入层、隐藏层和输出层；输入层采用3×3大小的卷积核，通道数量设置为32，卷积步长设为1，padding为1；隐藏层设置为5层并且每一层之间采用短跳跃连接，均采用大小为3×3的卷积核，通道数量设置为32，卷积步长设为1，padding为1；输出层输入层采用3×3大小的卷积核，通道数量设置为1，卷积步长设为1，padding为1；噪声先验信息提取网络将噪声图像作为噪声先验信息输入，输出图像尺寸与输入图像尺寸相同，通道数设为32；步骤3构建去噪网络：去噪网络分为三部分：第一部分将噪声先验信息提取网络的输出和噪声原图作为输入，先经过一个Conv+BN+PReLU层，其中卷积核设置为3×3，步长为1，padding为1，然后通过一个卷积，其卷积核设置为3×3，步长为2，padding为1；第二部分使用三个相同结构的子网络并联接入；每一个子网络有13层；其中第2层使用Conv+PReLU结构且卷积核设置为3×3，步长为1，padding为1；第4层使用Conv结构且卷积核设置为3×3，步长为1，padding为1；第9、10、11、12、13层使用Conv+BN+PReLU结构且卷积核设置为3×3，步长为1，padding为1；第1、3层使用Conv+PReLU结构且卷积核设置为3×3，步长为2，padding为1；第5、7、8层使用Sub-pixelconvolution；第1、2和3、4采用跳跃连接；子网络第3层的输出分别串行加入第6层中；最后将三个子网络的输出串联拼接；第三部分使用Conv+PReLU的结构，使用7个卷积核为3×3，步长为1，padding为1的卷积层；在第1—5层中每层之间均使用跳跃连接；在第1层和第4层之间使用跳跃连接；在第2层和第5层之间只用跳跃连接；步骤4训练噪声先验信息提取网络并更新参数：在图像预处理阶段将训练集和验证集裁剪为32×32的尺寸并加入噪声，去噪网络中的权重参数设施为随机初始化，使用高斯加性白噪声替代医学CT图像中的噪声，对原始干净图像分别添加均值为0，标准差为5、10、15、20、25、30、35、40、45、50的高斯白噪声得到去噪网络训练数据，将标准差张成32×32尺寸的张量，该张量为噪声图像的噪声水平图，由此得到先验信息提取网络的标签数据；为了约束生成的特征图符合噪声信息，将模型输出特征图和标签对应位置的像素做均方误差和计算，求出一个Batch的输出图像和干净图像的平均均方误差；其损失函数公式为： θ1代表训练参数，N代表训练集中图片数量，yi代表噪声图，xi代表标签图，Ryi；θ1代表估计的特征图；优化参数，具体包括：CNN网络使用Adam优化器对噪声先验信息提取网络的参数进行更新，不添加偏置，只对噪声先验信息提取网络中权重进行参数优化更新；步骤5训练去噪网络并更新参数：采用医学脑部CT图像作为去噪目标，在图像预处理阶段将训练集和验证集裁剪为32×32的尺寸并加入噪声，去噪网络中的权重参数设施为随机初始化，使用高斯加性白噪声替代医学CT图像中的噪声，对原始干净图像分别添加均值为0，标准差为15、30、45的高斯白噪声，将标准差张成32×32尺寸的噪声水平图并将其与噪声图片串行拼接，由此得到去噪网络训练数据；优化参数，具体包括：该网络使用Adam优化器对整个去噪网络的参数进行更新，不添加偏置，只对网络中权重进行参数优化更新；其损失函数公式为： θ2代表训练参数，N代表训练集中图片数量，yi代表噪声图和噪声水平图的串联图，xi代表不含噪声的干净图片，Ryi；θ2代表估计的干净图像；步骤6医学CT图像去噪；使用两个网络进行去噪，分别是：噪声先验信息提取网络、去噪网络；首先向噪声先验信息提取网络中输入测试集中含噪声的医学CT图像，将噪声先验信息提取网络预测出的噪声水平图与噪声图串行拼接，并输入去噪网络进行预测，最后去噪网络输出去除噪声的医学CT图像。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于噪声先验的CNN医学CT图像去噪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD