申请/专利权人：北京航空航天大学

申请日：2024-01-25

公开（公告）日：2024-04-23

公开（公告）号：CN117635479B

主分类号：G06T5/70

分类号：G06T5/70;G06T5/60;G06T7/11;G06N3/0455;G06N3/0464;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2024.03.19#实质审查的生效;2024.03.01#公开

摘要：本发明属于磁粒子成像技术领域，具体涉及一种基于双阶段扩散模型的磁粒子图像去噪方法、系统及设备，旨在解决现有的MPI图像去噪方法无法在去除条纹伪影的同时保留细节信息的问题。本方法包括：获取待去噪的二维MPI图像，作为输入图像；提取输入图像的目标感兴趣区域并进行预处理，得到预处理目标图像；对预处理目标图像输入训练好的MPI图像去噪模型，得到干净无噪声的MPI图像；MPI图像去噪模型为基于双阶段扩散模型的去噪网络；MPI图像去噪模型包括隐空间编码模块、条件扩散模块和多尺度去噪模块。本发明去除磁粒子图像中的条纹伪影噪声，同时保留图像中有效信息的细节，实现精准去噪。

主权项：1.一种基于双阶段扩散模型的磁粒子图像去噪方法，其特征在于，该方法包括：S100，获取待去噪的二维MPI图像，作为输入图像；S200，提取所述输入图像的目标感兴趣区域并进行预处理，得到预处理目标图像；S300，对所述预处理目标图像输入训练好的MPI图像去噪模型，得到干净无噪声的MPI图像；所述MPI图像去噪模型为基于双阶段扩散模型的去噪网络；所述MPI图像去噪模型包括隐空间编码器、条件扩散模块和多尺度去噪网络；所述隐空间编码器，用于对所述预处理目标图像进行特征提取，得到条纹噪声先验特征；所述条件扩散模块，用于提取噪声条件；结合所述噪声条件对所述条纹噪声先验特征进行逆向去噪，得到采样的条纹噪声先验特征；所述多尺度去噪网络，用于结合多个尺度的采样的条纹噪声先验特征对所述预处理目标图像进行去噪，得到干净无噪声的MPI图像；所述MPI图像去噪模型，其训练方法为：A100，生成配对的有噪声仿真MPI图像和无噪声仿真MPI图像，构建仿真数据集；A200，将所述仿真数据集中的配对的无噪声仿真MPI图像和有噪声仿真MPI图像在通道维度上拼接，得到拼接图像；将所述拼接图像输入所述隐空间编码器，生成条纹噪声先验特征；对所述条纹噪声先验特征经过不同尺度的降采样，得到多尺度的条纹噪声先验特征；将所述多尺度的条纹噪声先验特征和所述有噪声仿真MPI图像输入所述多尺度去噪网络，得到干净无噪声的MPI图像，作为第一图像；基于所述第一图像以及其对应的无噪声仿真MPI图像，通过预构建的第一阶段的损失函数计算损失值，进而更新所述隐空间编码器和所述多尺度去噪网络的网络参数；A300，判断是否达到设定的循环次数或者设定的精度，若否，则跳转A200，否则，第一阶段训练完成，跳转A400；A400，将所述仿真数据集中的配对的无噪声仿真MPI图像和有噪声仿真MPI图像在通道维度上拼接，得到拼接图像；将所述拼接图像输入第一隐空间编码器，生成条纹噪声先验特征；将所述有噪声仿真MPI图像输入第二隐空间编码器，得到噪声条件；所述第一隐空间编码器、所述第二隐空间编码器结构相同，参数共享；所述第一隐空间编码器即所述MPI图像去噪模型中的隐空间编码器；对所述条纹噪声先验特征进行设定次的前向扩散；基于前向扩散的特征，结合所述噪声条件进行设定次的逆向去噪，得到采样的条纹噪声先验特征；将所述采样的条纹噪声先验特征进行不同尺度的降采样，得到多尺度的采样的条纹噪声先验特征；将所述多尺度的采样的条纹噪声先验特征和所述有噪声仿真MPI图像输入所述多尺度去噪网络，得到干净无噪声的MPI图像，作为第二图像；基于所述第二图像以及其对应的无噪声仿真MPI图像，通过预构建的第二阶段的损失函数计算损失值，进而更新所述MPI图像去噪模型的网络参数；A500，判断是否达到设定的循环次数或者设定的精度，若否，则跳转A400，否则，第二阶段训练完成，跳转A600；A600，保存训练好的隐空间编码器和多尺度去噪网络的最优参数，并结合噪声条件提取、逆向去噪，即得到训练好的MPI图像去噪模型。

全文数据：

权利要求：

百度查询： 北京航空航天大学 基于双阶段扩散模型的磁粒子图像去噪方法、系统及设备

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