CN110443758B - 一种医疗影像去噪方法及装置 - Google Patents
一种医疗影像去噪方法及装置 Download PDFInfo
- Publication number
- CN110443758B CN110443758B CN201910607840.7A CN201910607840A CN110443758B CN 110443758 B CN110443758 B CN 110443758B CN 201910607840 A CN201910607840 A CN 201910607840A CN 110443758 B CN110443758 B CN 110443758B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- denoising
- training
- noise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 126
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 17
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 230000003042 antagnostic effect Effects 0.000 claims description 4
- 230000008485 antagonism Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种医疗影像去噪方法及装置,所述方法步骤包括:获取待测试影像;从所述待测试影像中采集标识区域影像并基于所述标识区域影像对训练集生成网络进行训练;通过训练后的训练集生成网络从所述待测试影像中获取训练数据;基于所述训练数据对去噪神经网络进行训练;利用经过训练的去噪神经网络对所述待测试影像进行测试并获得去噪后的图片。本发明提供了一种医疗影像去噪方法及装置,不需要提前准备大量的训练数据,也能处理各种医疗影像去噪任务,从而节约医疗资源。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其是涉及一种医疗影像去噪方法及装置。
背景技术
现有的医疗影像去噪技术需要大量的训练数据对深度神经网络进行训练,训练完成后,利用训练后的深度学习模型对待测试图像数据进行处理。目前,现有的技术方案是利用选定的训练集进行训练,因此其最终的去噪能力由训练集限定,即训练后的深度学习模型只能处理训练集中出现的噪声类别。然而,由于具体的医疗图像提取的环境、成像参数、成像仪器等因素影响,当前医疗图像中的噪声种类繁多,因此需要获取一个包含所有噪声类别的医疗图像训练集以处理各种医疗图像去噪任务,但是,通过临床环境获得大量含有不同噪声的图像的代价很大,会严重浪费珍贵的医疗资源。
发明内容
针对上述技术问题,本发明提供了一种医疗影像去噪方法及装置,不需要提前准备大量的训练数据,也能处理各种医疗影像去噪任务,从而节约医疗资源。
第一方面,本发明实施例提供了一种医疗影像去噪方法,步骤包括:
获取待测试影像;
从所述待测试影像中采集标识区域影像并基于所述标识区域影像对训练集生成网络进行训练;
通过训练后的训练集生成网络从所述待测试影像中获取训练数据;
基于所述训练数据对去噪神经网络进行训练;
利用经过训练的去噪神经网络对所述待测试影像进行测试并获得去噪后的图片。
在本发明第一方面的第一种可能的实现方式中,所述通过训练后的训练集生成网络从所述待测试影像中获取训练数据,具体为:
利用所述训练集生成网络从所述待测试影像中挑选出区域影像并对所述区域影像进行分类,以及通过对已分类的区域影像进行影像处理以获取含有噪声和无噪声的成对数据。
在本发明第一方面的第二种可能的实现方式中,所述利用所述训练集生成网络从所述待测试影像中挑选出区域影像并对所述区域影像进行分类,以及通过对已分类的区域影像进行影像处理以获取含有噪声和无噪声的成对数据,具体步骤为:
利用所述训练集生成网络的分类器将所述区域影像分类为无结构部分、含有明显噪声的无结构部分、其他部分;
利用所述训练集生成网络的成对数据产生器将含有明显噪声的无结构部分的影像与其他两个分类的影像进行叠加处理以获得含有噪声和无噪声的成对数据。
在本发明第一方面的第三种可能的实现方式中,所述基于所述训练数据对去噪神经网络进行训练,具体为:
基于对抗神经网络,利用生成去噪网络对含噪声影像进行去噪处理并得到输出影像,同时利用噪声鉴别网络对所述输出影像进行鉴别。
在本发明第一方面的第四种可能的实现方式中,所述利用生成去噪网络对含噪声影像进行去噪处理并得到输出影像,具体步骤为:
获取含噪声影像;
利用注意力网络从所述含噪声影像中提取出噪声特征;其中,所述注意力网络由残差块、长短记忆块和卷积层组成;
所述噪声特征通过自编码器输出影像;其中,所述自编码器由卷积层和非线性层组成。
在本发明第一方面的第五种可能的实现方式中,所述获取待测试影像,具体为:
获取待测试的三维影像并对所述三维影像的一个维度切片,得到待测试的二维影像。
在本发明第一方面的第六种可能的实现方式中,所述分类器是由卷积加非线性单元和全连接层组成的神经网络。
第二方面,本发明实施例提供了一种医疗影像去噪装置,包括:
影像获取模块,用于获取待测试影像;
数据采集训练模块,用于从所述待测试影像中采集标识区域影像并基于所述标识区域影像对训练集生成网络进行训练;
训练数据获取模块,用于通过训练后的训练集生成网络从所述待测试影像中获取训练数据;
训练模块,用于基于所述训练数据对去噪神经网络进行训练;
测试模块,用于利用经过训练的去噪神经网络对所述待测试影像进行测试并获得去噪后的图片。
在本发明第二方面的第一种可能的实现方式中,所述的医疗影像去噪装置,还包括:
成对数据获取模块,用于利用所述训练集生成网络从所述待测试影像中挑选出区域影像并对所述区域影像进行分类,以及通过对已分类的区域影像进行影像处理以获取含有噪声和无噪声的成对数据。
在本发明第二方面的第二种可能的实现方式中,所述的医疗影像去噪装置,还包括:
对抗神经网络训练模块,用于基于对抗神经网络,利用生成去噪网络对含噪声影像进行去噪处理并得到输出影像,同时利用噪声鉴别网络对所述输出影像进行鉴别。
相比于现有技术,本发明实施例具有如下有益效果:
本发明的医疗影像去噪方法通过获取待测试影像,针对所述待测试影像分析其特有的噪声模式,并对所述待测试影像的部分区域影像进行标注,得到作为训练集生成网络的训练数据的标识区域影像,从而实现了对任意待测试影像进行定制化的处理;根据同一影像内熵和影像本身存在的低噪区域的特点,训练集生成网络根据所述待测试影像生成大量用于训练去噪神经网络的训练数据,训练后的去噪神经网络对所述待测试影像进行去噪处理,因此,在处理任意医疗影像去噪任务时,通过训练集生成网络和去噪神经网络,能够针对性地降低当前的待测试影像的噪声,而不需要提前准备大量的训练数据,减少收集训练数据的工作量,从而节省了人力成本、数据收集设备的成本、时间成本,进而有利于将更多的医疗资源投入到诊断疾病、治疗疾病等工作上。
附图说明
图1是本发明实施例中的一种医疗影像去噪方法的流程图;
图2是本发明实施例中的一种医疗影像去噪方法的原理图;
图3是本发明实施例中的一种医疗影像去噪方法的训练集生成网络运行方法的原理图;
图4是本发明实施例中的一种医疗影像去噪方法的分类器运行方法的原理图;
图5是本发明实施例中的一种医疗影像去噪方法的生成去噪网络运行方法的原理图;
图6是本发明实施例中的一种医疗影像去噪方法的噪声鉴别网络运行方法的原理图;
图7是本发明实施例中的一种医疗影像去噪装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1其示出了本发明一个示例性实施例提供的一种医疗影像去噪方法,步骤包括:
S101、获取待测试影像;
S102、从所述待测试影像中采集标识区域影像并基于所述标识区域影像对训练集生成网络进行训练;
S103、通过训练后的训练集生成网络从所述待测试影像中获取训练数据;
S104、基于所述训练数据对去噪神经网络进行训练;
S105、利用经过训练的所述去噪神经网络对所述待测试影像进行测试并获得去噪后的图片。
本实施例的一种可能的实现方式为:
获取待测试的三维影像并对所述三维影像的一个维度切片,得到待测试的二维影像;
在所述每一个二维影像上进行人工标注,即圈出若干区域并指定其类别,以得到标识区域图像;其中,进行少量手动标注时需要标注出区域以及其对应的给予者三类的类别,所述类别包括无结构部分、含有噪声的无结构部分、其他部分;
采集待测试影像中的标识区域影像并将所述标识区域影像用作训练集生成网络的训练数据,训练完成后的训练集生成网络对整个待测试影像的所有区域图像进行自动分类并以此生成去噪神经网络的训练数据;其中,需要采集大约十到二十个标识区域影像;
去噪神经网络基于训练数据训练后即可用于测试;
在最后测试过程中,将所述待测试三维影像输入到训练后的去噪网络中进行去燥处理。
本实施例的医疗影像去噪方法通过获取待测试影像,针对所述待测试影像分析其特有的噪声模式,并对所述待测试影像的部分区域影像进行标注,得到作为训练集生成网络的训练数据的标识区域影像,从而实现了对任意待测试影像进行定制化的处理;根据同一影像内熵和影像本身存在的低噪区域的特点,训练集生成网络根据所述待测试影像生成大量用于训练去噪神经网络的训练数据,训练后的去噪神经网络对所述待测试影像进行去噪处理,因此,在处理任意医疗影像去噪任务时,通过训练集生成网络和去噪神经网络,能够针对性地降低当前的待测试影像的噪声,而不需要提前准备大量的训练数据,减少收集训练数据的工作量,从而节省了人力成本、数据收集设备的成本、时间成本,进而有利于将更多的医疗资源投入到诊断疾病、治疗疾病等工作上。
请参考图2其示出了本发明一个示例性实施例提供的一种医疗影像去噪方法,所述训练集生成网络从所述待测试影像中挑选出区域影像并对所述区域影像进行分类,以及通过对已分类的区域影像进行影像处理以获取含有噪声和无噪声的成对数据。
在本实施例中,经过训练后的训练集生成网络能够快速有效地筛选出需要的影像信息,提高了信息收集能力;生成含有噪声和无噪声的成对数据有利于覆盖尽可能多的噪声类别。
请参考图3其示出了本发明一个示例性实施例提供的一种医疗影像去噪方法的训练集生成网络运行方法,利用所述训练集生成网络中的分类器将所述区域影像分类为无结构部分、含有明显噪声的无结构部分、其他部分;
利用所述训练集生成网络中的成对数据产生器将含有明显噪声的无结构部分的影像叠加到其他两个分类的影像上以获得含有噪声和无噪声的成对数据。
请参考图4,所述训练集生成网络包括分类器和成对数据产生器;所述分类器包含5层神经网络,其中三层为卷积(Conv)加非线性单元(ReLU),两层为全连接层(FC);所述分类器分类的类别共三类:无结构部分,含有明显噪声的无结构部分,其他部分;所述其他部分包括含有结构的部分,分类主要关注无结构部分和含有噪声的无结构部分。
所述成对数据产生器通过从输入影像中提取并进行人工标注的标识区域图像进行训练。训练完成后的模型可以对整个输入影像的所有区域进行自动分类和处理,最终得到成对的含噪声和无噪声的成对数据集;其中,在成对数据产生器中,无结构部分与其他部分这两个分类对应为无噪声区域影像和低噪声区域影像。
可以理解的是,输入的影像只有一个,也即是含噪影像;利用分类器从所述含噪影像中选出没有噪声的区域,叠加上从纯噪声区域中提取的噪声,就可以形成成对的含噪声和无噪声的影像数据,所述影像数据用于训练去噪神经网络。
在本实施例中,所述分类器将所述区域影像分类为无结构部分、含有明显噪声的无结构部分、其他部分有利于细分影像噪声的类别,从而提供更多便于去噪神经网络处理的有用信息,同时,细分类别便于所述成对数据产生器进行影像处理;所述成对数据产生器将含有明显噪声的无结构部分的影像与其他两个分类的影像进行叠加处理以获得含有噪声和无噪声的成对数据,简化了影像处理过程,节约计算机处理图像资源,有利于提高成对数据的生成效率。
优选地,基于对抗神经网络,利用生成去噪网络对含噪声影像进行去噪并得到输出影像,同时利用噪声鉴别网络对所述输出影像进行鉴别。
优选地,所述利用生成去噪网络对含噪声影像进行去噪并得到输出影像,具体步骤为:
获取含噪声影像;
利用注意力网络从所述含噪声影像中提取出噪声特征;其中,所述注意力网络由残差块、长短记忆块和卷积层组成;
所述噪声特征通过自编码器输出影像;其中,所述自编码器由卷积层和非线性层组成。
在本实施例中,基于对抗神经网络,去噪神经网络包括生成去噪网络和噪声鉴别网络;在训练阶段,所述生成去噪网络和所述噪声鉴别网络进行对抗训练;其中,所述生成去噪网络对含噪声影像进行去噪,而所述噪声鉴别网络对所述生成去噪网络的输出影像进行鉴别,判断其是去除噪声后的影像还是正常的无噪声影像。测试阶段,使用训练完成的生成去噪网络进行去噪。
请参见图5,生成去噪网络包含两个部分:注意力网络和自编码器。
注意力网络是由两层由残差块(Residual block),长短记忆块(LSTM)和卷积层(Convs)组成的网络,所述注意力网络对噪声区域进行提取;提取出来的噪声区域通过由卷积层(Conv)和非线性层(ReLU)组成的自编码器得到最终的输出影像。
请参见图6,噪声鉴别网络由7层卷积层加非线性单元层,以及一层卷积层和一层全连接层组成。
在本实施例中,整个对抗训练中生成去噪网络的损失函数如下:
LG=cLGAN+LATT+mLM+LP+αLMean+βLSD (1)
其中,LGAN是鉴别网络对去噪影像的损失;LATT是注意力网络的损失;LM,LP,LMean,LSD分别表示自编码器中的多尺度层的损失、感知损失、平均值损失和标准差损失;c,m,α,β均为常数,根据医疗影像种类会有所变化,但对于同一类影像是常数。
在本实施例中,基于对抗神经网络的去噪神经网络能够通过训练快速提高去噪能力,在所述生成去噪网络和所述噪声鉴别网络的对抗训练过程中,充分利用了计算机的计算能力,避免工作人员从事大量的图像计算工作,有效地实现医疗影像去噪;利用所述注意力网络和所述自编码器的结构简洁的特点以及简化后的损失函数,通过注意力网络和自编码器生成输出影像,能够简化复杂的计算过程,从而节省计算机的计算资源,进而提高影像去噪过程中的计算能力。
请参考图7其示出了本发明一个示例性实施例提供的一种医疗影像去噪装置,包括:
影像获取模块201,用于获取待测试影像;
数据采集训练模块202,用于从所述待测试影像中采集标识区域影像并基于所述标识区域影像对训练集生成网络进行训练;
训练数据获取模块203,用于通过训练后的训练集生成网络从所述待测试影像中获取训练数据;
训练模块204,用于基于所述训练数据对去噪神经网络进行训练;
测试模块205,用于利用经过训练的去噪神经网络对所述待测试影像进行测试并获得去噪后的图片。
优选地,所述的医疗影像去噪装置还包括:成对数据获取模块,用于利用所述训练集生成网络从所述待测试影像中挑选出区域影像并对所述区域影像进行分类,以及通过对已分类的区域影像进行影像处理以获取含有噪声和无噪声的成对数据。
优选地,所述的医疗影像去噪装置还包括:对抗神经网络训练模块,用于基于对抗神经网络,利用生成去噪网络对含噪声影像进行去噪处理并得到输出影像,同时利用噪声鉴别网络对所述输出影像进行鉴别。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (3)
1.一种医疗影像去噪方法,其特征在于,步骤包括:
获取待测试影像;
从所述待测试影像中采集标识区域影像并基于所述标识区域影像对训练集生成网络进行训练;所述训练集生成网络包括分类器和成对数据产生器,所述分类器包含5层神经网络,其中,前三层为卷积层和非线性单元,第四层和第五层为全连接层;
通过训练后的训练集生成网络从所述待测试影像中获取训练数据,具体为:
利用所述训练集生成网络的分类器将所述区域影像分类为无噪声的无结构部分、含有明显噪声的无结构部分、其他部分;所述其他部分包括含有结构的部分;
利用所述训练集生成网络的成对数据产生器将含有明显噪声的无结构部分的影像与其他两个分类的影像进行叠加处理以获得含有噪声和无噪声的成对数据;
基于所述训练数据对去噪神经网络进行训练;所述去噪网络包含注意力网络和自编码器,所述注意力网络包括第一子网络和第二子网络,所述第一子网络和第二子网络均由依次连接的三个残差块、一个长短记忆块和一个卷积层组成,所述第一子网络的长短记忆块与所述第二子网络的长短记忆块相连接,所述自编码器由卷积层和非线性层组成;
利用经过训练的去噪神经网络对所述待测试影像进行测试并获得去噪后的图片,具体为:基于对抗神经网络,利用生成去噪网络对含噪声影像进行去噪处理并得到输出影像,同时利用噪声鉴别网络对所述输出影像进行鉴别;
其中,所述利用生成去噪网络对含噪声影像进行去噪处理并得到输出影像的步骤包括:
获取含噪声影像;
利用注意力网络从所述含噪声影像中提取出噪声特征;具体为:
将所述含噪声影像输入所述第一子网络,生成第一伪影;
将所述含噪声影像和所述第一伪影共同输入所述第二子网络,并将所述第一子网络的长短记忆块的输出结果输入所述第二子网络的长短记忆块中,生成第二伪影;
将所述含噪声影像和所述第二伪影共同输入所述自编码器,得到输出影像。
2.如权利要求1所述的医疗影像去噪方法,其特征在于,所述获取待测试影像,具体为:
获取待测试的三维影像并对所述三维影像的一个维度切片,得到待测试的二维影像。
3.一种医疗影像去噪装置,其特征在于,包括:
影像获取模块,用于获取待测试影像;
数据采集训练模块,用于从所述待测试影像中采集标识区域影像并基于所述标识区域影像对训练集生成网络进行训练;所述训练集生成网络包括分类器和成对数据产生器,所述分类器包含5层神经网络,其中,前三层为卷积层和非线性单元,第四层和第五层为全连接层;
训练数据获取模块,用于通过训练后的训练集生成网络从所述待测试影像中获取训练数据;
所述训练数据获取模块还包括:
分类器模块,用于利用所述训练集生成网络的分类器将所述区域影像分类为无噪声的无结构部分、含有明显噪声的无结构部分、其他部分;所述其他部分包括含有结构的部分;
成对数据获取模块,用于利用所述训练集生成网络从所述待测试影像中挑选出区域影像并对所述区域影像进行分类,以及通过对已分类的区域影像进行影像处理以获取含有噪声和无噪声的成对数据;
训练模块,用于基于所述训练数据对去噪神经网络进行训练;所述去噪网络包含注意力网络和自编码器,所述注意力网络包括第一子网络和第二子网络,所述第一子网络和第二子网络均由依次连接的三个残差块、一个长短记忆块和一个卷积层组成,所述第一子网络的长短记忆块与所述第二子网络的长短记忆块相连接,所述自编码器由卷积层和非线性层组成;
测试模块,用于利用经过训练的去噪神经网络对所述待测试影像进行测试并获得去噪后的图片;
对抗神经网络训练模块,用于基于对抗神经网络,利用生成去噪网络对含噪声影像进行去噪处理并得到输出影像,同时利用噪声鉴别网络对所述输出影像进行鉴别:
所述对抗神经网络训练模块还包括去噪模块;
所述去噪模块,用于获取含噪声影像;利用注意力网络从所述含噪声影像中提取出噪声特征;具体为:将所述含噪声影像输入所述第一子网络,生成第一伪影;将所述含噪声影像和所述第一伪影共同输入所述第二子网络,并将所述第一子网络的长短记忆块的输出结果输入所述第二子网络的长短记忆块中,生成第二伪影;将所述含噪声影像和所述第二伪影共同输入所述自编码器,得到输出影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910607840.7A CN110443758B (zh) | 2019-07-05 | 2019-07-05 | 一种医疗影像去噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910607840.7A CN110443758B (zh) | 2019-07-05 | 2019-07-05 | 一种医疗影像去噪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443758A CN110443758A (zh) | 2019-11-12 |
CN110443758B true CN110443758B (zh) | 2023-08-25 |
Family
ID=68429599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910607840.7A Active CN110443758B (zh) | 2019-07-05 | 2019-07-05 | 一种医疗影像去噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443758B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871306A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 一种图片去噪的方法和装置 |
CN108198154A (zh) * | 2018-03-19 | 2018-06-22 | 中山大学 | 图像去噪方法、装置、设备及存储介质 |
CN108805840A (zh) * | 2018-06-11 | 2018-11-13 | Oppo(重庆)智能科技有限公司 | 图像去噪的方法、装置、终端及计算机可读存储介质 |
CN109544442A (zh) * | 2018-11-12 | 2019-03-29 | 南京邮电大学 | 基于双重对抗的生成式对抗网络的图像局部风格迁移方法 |
CN109872288A (zh) * | 2019-01-31 | 2019-06-11 | 深圳大学 | 用于图像去噪的网络训练方法、装置、终端及存储介质 |
CN109886388A (zh) * | 2019-01-09 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种基于变分自编码器的训练样本数据扩充方法和装置 |
CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765319B (zh) * | 2018-05-09 | 2020-08-14 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
CN109447918A (zh) * | 2018-11-02 | 2019-03-08 | 北京交通大学 | 基于注意力机制的单幅图像去雨方法 |
CN109508741B (zh) * | 2018-11-09 | 2022-05-10 | 哈尔滨工业大学 | 基于深度学习筛选训练集的方法 |
CN109712203B (zh) * | 2018-12-29 | 2020-11-17 | 福建帝视信息科技有限公司 | 一种基于自注意力生成对抗网络的图像着色方法 |
CN109816593B (zh) * | 2019-01-18 | 2022-12-20 | 大连海事大学 | 一种基于注意力机制的生成对抗网络的超分辨率图像重建方法 |
-
2019
- 2019-07-05 CN CN201910607840.7A patent/CN110443758B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871306A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 一种图片去噪的方法和装置 |
CN108198154A (zh) * | 2018-03-19 | 2018-06-22 | 中山大学 | 图像去噪方法、装置、设备及存储介质 |
CN108805840A (zh) * | 2018-06-11 | 2018-11-13 | Oppo(重庆)智能科技有限公司 | 图像去噪的方法、装置、终端及计算机可读存储介质 |
CN109544442A (zh) * | 2018-11-12 | 2019-03-29 | 南京邮电大学 | 基于双重对抗的生成式对抗网络的图像局部风格迁移方法 |
CN109886388A (zh) * | 2019-01-09 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种基于变分自编码器的训练样本数据扩充方法和装置 |
CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及*** |
CN109872288A (zh) * | 2019-01-31 | 2019-06-11 | 深圳大学 | 用于图像去噪的网络训练方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110443758A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886273B (zh) | 一种cmr图像分割分类*** | |
CN110353675B (zh) | 基于图片生成的脑电信号情感识别方法及装置 | |
JP2020187735A (ja) | 表面欠陥識別方法及び装置 | |
CN110991406B (zh) | 一种基于rsvp脑电特征的弱小目标检测方法及*** | |
CN109241967B (zh) | 基于深度神经网络的甲状腺超声图像自动识别***、计算机设备、存储介质 | |
CN110827236B (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及*** | |
CN110263872B (zh) | 训练数据处理方法及装置 | |
CN111652175A (zh) | 应用于机器人辅助手术视频分析的实时手术工具检测方法 | |
CN111652266A (zh) | 用户界面组件的识别方法、装置、电子设备和存储介质 | |
CN112581450A (zh) | 基于膨胀卷积金字塔与多尺度金字塔的花粉检测方法 | |
CN113627391B (zh) | 一种考虑个体差异的跨模式脑电信号识别方法 | |
KR102176787B1 (ko) | 영상분류 방법 및 장치 | |
CN113506274A (zh) | 基于视觉显著性差异图的用于人体认知状况的检测*** | |
CN113963193A (zh) | 车身颜色分类模型生成的方法、装置以及存储介质 | |
CN110443758B (zh) | 一种医疗影像去噪方法及装置 | |
CN117557941A (zh) | 基于多模态数据融合的视频智能分析***及方法 | |
CN111199050A (zh) | 一种用于对病历进行自动脱敏的***及应用 | |
CN111626313A (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
CN113837167A (zh) | 一种文本图像识别方法、装置、设备及存储介质 | |
CN112001236A (zh) | 基于人工智能的书写行为的识别方法及装置 | |
WO2020152870A1 (ja) | 信号処理方法,信号処理装置および信号処理プログラム | |
CN110889836A (zh) | 一种影像数据分析方法、装置、终端设备及存储介质 | |
Chakrabarty | A novel strategy for gender identification from hand dorsal images using computer vision | |
US20210241065A1 (en) | Classifying Discipline-Specific Content Using a General-Content Brain-Response Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |