CN111311506A - 基于双残差网络的低剂量ct牙齿图像去噪方法 - Google Patents
基于双残差网络的低剂量ct牙齿图像去噪方法 Download PDFInfo
- Publication number
- CN111311506A CN111311506A CN202010068315.5A CN202010068315A CN111311506A CN 111311506 A CN111311506 A CN 111311506A CN 202010068315 A CN202010068315 A CN 202010068315A CN 111311506 A CN111311506 A CN 111311506A
- Authority
- CN
- China
- Prior art keywords
- real
- layer
- noise
- image
- network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000010586 diagram Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 101100409308 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) adv-1 gene Proteins 0.000 claims description 15
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 19
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000025157 Oral disease Diseases 0.000 description 1
- 206010062544 Tooth fracture Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 208000030194 mouth disease Diseases 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于双残差网络的低剂量CT牙齿图像去噪方法,首先训练辅助网络,并保存模型;利用经过双残差网络提取的特征空间图之间的相似关系,计算损失函数值,通过合并去噪网络和双残差网络之间的损失函数值,进而更新参数以辅助去噪网络的训练。该方法主要包括数据加载模块、辅助网络训练模块、双残差网络去噪模块、测试模块。本发明对低剂量CT牙齿图像去噪有着显著的效果,能够保留图像的一些细节特征,具有重要的应用价值。
Description
技术领域
本发明方法涉及一种图像去噪方法,尤其是一种基于双残差网络的低剂量 CT牙齿图像去噪方法。
背景技术
近年来,口腔CT成像技术越来越广泛的应用在口腔、牙齿的诊断与治疗过程中。口腔CT利用采集仪围绕待检测人体组织区域螺旋式地采集数据,可以获得各方位断层图像,进而被用于辅助牙齿手术前测量、口腔炎症、肿瘤与其他口腔疾病的诊断。采用低剂量CT设备对人体的辐射剂量约是传统CT扫描仪的1/5,因此采用低剂量设备可以降低辐射剂量,让广大患者减少不必要的心理负担,更加安心地接受CT扫描。但是,在选择降低剂量CT扫描的同时,图像的清晰度也有所下降,同时射线穿透性降低会因散射、干涉现象导致大量的噪声产生。
近年来图像处理、深度学习技术日益成熟,基于深度学习的图像去噪技术已经可以获得比较优异的去噪效果。然而大部分基于深度学习的去噪方法是采用训练单神经网络来实现去噪任务的,但是恢复微小细节的能力尚有待提高,而牙齿图像细小纹理正是医师判断牙齿是否存在内部裂纹的重要依据。为此,低清晰度,高噪声的低剂量CT图像,只能用于疾病的早期预防。对于诸如牙齿断裂、部分病灶的进一步确诊还是需要高分辨CT甚至是增强CT来确认的。
发明内容
本发明是为了解决现有技术所存在的上述技术问题,提供一种基于双残差网络的低剂量CT牙齿图像去噪方法。
本发明的技术解决方案是:一种基于双残差网络的低剂量CT牙齿图像去噪方法,按照如下步骤进行:
01部分,取BSD500数据集的灰度图像,在进入网络模型之前进行预处理操作,具体步骤如下:
步骤C011:导入BSD500数据集的灰度图像,分别为500张预处理图像和 500张真实图像,各500张灰度图像中432张做训练集,68张做测试集,预处理图像数据集记为Pre_Image,用于验证的真实图像数据集记为Real_Image;500 张预处理图像分别记为Pre_Image1,Pre_Image2,…,Pre_Image500;500张真实图像分别记为Real_Image1,Real_Image2,…,Real_Image500;
步骤C012:将500张预处理图像和500张真实图像切块,块的大小为48*48 像素,将预处理图像与真实图像所切的块分别记为预处理图像块Pre_P1, Pre_P2,…,Pre_Pn和真实图像块Real_P1,Real_P2,…,Real_Pn;
步骤C013:将预处理图像块Pre_P1,Pre_P2,…,Pre_Pn分别加入σ值为50 的高斯噪声,记为噪声图像块Noise_P1,Noise_P2,…,Noise_Pn;
步骤C014:每次随机选取16000个噪声图像块和16000个真实图像块输入网络,其中噪声图像块记作Noise_Pi,真实图像块记作Real_Pi,1≤i≤16000;
02部分,训练辅助网络20次,为双残差网络去噪提供数据,具体步骤如下:
步骤C021:取单通道的真实图像块Real_Pi,输进网络;
步骤C0221:进入浅层特征提取层,记为Conv_pro1层;Conv_pro1层由64 个3*3大小的滤波器组成,真实图像块Real_Pi经过Conv_pro1层后,得到64 个通道的浅层特征空间图,记为Real_proPi_fm1;
步骤C0222:进入深层特征提取层,记为Deep_proRes2层;Deep_proRes2 层中包含5个残差组和一个卷积层以及一个长跳跃连接;每一个残差组中包含 10个带有通道注意机制的残差块和一个短跳连接;其中残差块是由两个卷积层和Relu激活层以及跳跃连接构成;浅层特征空间图Real_proPi_fm1经过 Deep_proRes2层后,得到64个通道的深层特征空间图,记为Real_proPi_fm2;
步骤C0223:进入重构层,记为Conv_pro3层;Conv_pro3层由1个3*3大小的滤波器组成,深层特征空间图Real_proPi_fm2经过Conv_pro3层后,得到重构特征空间图,记为Real_proPi_fm3;
步骤C023:求重构特征空间图Real_proPi_fm3和真实灰度图像块Real_Pi之间的差异,通过L1 Loss计算方法可得相应的损失函数值,记为loss_pro,置 epoch_pro=epoch_pro+1;若loss_pro值小于0.01或者训练次数epoch_pro达到 20,网络停止训练,保存训练模型model_pro.pt文件;否则将loss_pro值反向传播,通过ADAM优化算法重新更新参数,再一次进入步骤C022,循环重复训练;
03部分,利用双残差网络中得到的特征空间图的差异,进行去噪处理,具体步骤如下:
步骤C031:取单通道的噪声图像块Noise_Pi和单通道的真实图像块Real_Pi;
步骤C032:构建与训练辅助网络Model1结构一致的新辅助网络模型 Model1*,将新辅助网络模型Model1*的参数替换为020部分训练辅助网络 Model1得到的model_pro.pt模型和参数,并且固定该新辅助网络模型Model1* 的参数不再更新;
所述模型Model的目标函数定义为:
式中为真实图像块Real_Pi,为噪声图像块Noise_Pi,Ω为层索引,L(·)为损失函数,为通过第j个隐藏层得到的特征空间图的损失函数,fj(·)表示第j个隐藏层之前的网络,λR(θ)是一个带有参数θ和λ的正则化项,所述λ>0;
步骤C0331:将噪声图像块Noise_Pi输入去噪网络Model;
步骤0332:进入浅层特征提取层,记为Conv1层;Conv1层由64个3*3 大小的滤波器组成,噪声图像块Noise_Pi经过Conv1层后,得到64个通道的浅层特征空间图,记为Noise_Pi_fm1;
步骤0333:进入深层特征提取层,记为Deep_Res2层;Deep_Res2层中包含5个残差组和一个卷积层,以及一个长跳跃连接;每一个残差组中包含10个带有通道注意机制的残差块和一个短跳连接;其中残差块是由两个卷积层和 Relu激活层以及跳跃连接构成;浅层特征空间图Noise_Pi_fm1经过Deep_Res2层后,得到64个通道的深层特征空间图,记为Noise_Pi_fm2;
步骤0334:进入重构层,记为Conv3层;Conv3层由1个3*3大小的滤波器组成,深层特征空间图Noise_Pi_fm2经过Conv3层后,得到重构特征空间图,记为Noise_Pi_fm3;
步骤C034:将真实图像块Real_Pi输入到经过步骤C032的新辅助网络模型Model1*,经过Conv_pro1层、Deep_proRes2层和Conv_pro3层,分别得到特征空间图Real_proPi_fm1、Real_proPi_fm2、Real_proPi_fm3,即
步骤C035:通过去噪网络和新辅助网络之间的特征空间求总损失函数值,进行反向传播;
步骤C0352:将经过辅助网络和去噪网络中Conv_pro1层和Conv1层、 Deep_proRes2层和Deep_Res2层分别得到特征空间图Real_proPi_fm1、 Real_proPi_fm2和Noise_Pi_fm1、Noise_Pi_fm2,求取特征空间图的差异,通过 MSELoss计算方法可得相应的损失函数值,分别记为loss2和loss3,即
步骤C0353:计算总损失函数值Loss,即:Loss=loss1+loss2+loss3,同时置epoch=epoch+1;若Loss值小于5.0或者训练次数epoch达到规定值300次,网络停止训练,保存训练模型model.pt文件,同时保存测试集BSD68的去噪结果图像、Loss值和PSNR数据;否则将Loss值反向传播,通过随机梯度下降方法重新更新参数θ,第l层的梯度下降表示为:再一次进入步骤C033,循环重复训练;
04部分,将低剂量CT牙齿图像输入训练好的去噪网路模型中,得到清晰图像,具体步骤如下:
步骤C041:将030部分中得到的去噪网络模型model.pt文件导入到测试代码中;
步骤C042:将测试图像低剂量CT牙齿图像输入该模型中,得到清晰图像,并保存。
本发明提供一种基于双残差网络的低剂量CT牙齿图像去噪方法,是利用经过双残差网络提取的特征空间图之间的相似关系,计算损失函数值,通过合并去噪网络和双残差网络之间的损失来训练去噪网络,更新参数,具有较好的去噪效果,保证牙齿图像细小纹理的清晰度,无需高分辨CT甚至是增强CT进一步确认,可提高工作效率,减少患者多次采集CT图像带来的辐射风险。
附图说明
图1是本发明实施例双残差网络模型架构图。
图2是本发明实施例低剂量CT牙齿图像的噪声图像。
图3是采用本发明实施例对图3的去噪结果图。
具体实施方式
本发明的一种基于双残差网络的低剂量CT牙齿图像去噪方法如图1所示,按照如下步骤进行:
01部分,取BSD500数据集的灰度图像,在进入网络模型之前进行预处理操作,具体步骤如下:
步骤C011:导入BSD500数据集的灰度图像,分别为500张预处理图像和 500张真实图像,各500张灰度图像中432张做训练集,68张做测试集,预处理图像数据集记为Pre_Image,用于验证的真实图像数据集记为Real_Image;500 张预处理图像分别记为Pre_Image1,Pre_Image2,…,Pre_Image500;500张真实图像分别记为Real_Image1,Real_Image2,…,Real_Image500;
步骤C012:将500张预处理图像和500张真实图像切块,块的大小为48*48 像素,将预处理图像与真实图像所切的块分别记为预处理图像块Pre_P1, Pre_P2,…,Pre_Pn和真实图像块Real_P1,Real_P2,…,Real_Pn;
步骤C013:将预处理图像块Pre_P1,Pre_P2,…,Pre_Pn分别加入σ值为50 的高斯噪声,记为噪声图像块Noise_P1,Noise_P2,…,Noise_Pn;
步骤C014:每次随机选取16000个噪声图像块和16000个真实图像块输入网络,其中噪声图像块记作Noise_Pi,真实图像块记作Real_Pi,1≤i≤16000;
02部分,训练辅助网络20次,为双残差网络去噪提供数据,具体步骤如下:
步骤C021:取单通道的真实图像块Real_Pi,输进网络;
步骤C0221:进入浅层特征提取层,记为Conv_pro1层;Conv_pro1层由64 个3*3大小的滤波器组成,真实图像块Real_Pi经过Conv_pro1层后,得到64 个通道的浅层特征空间图,记为Real_proPi_fm1;
步骤C0222:进入深层特征提取层,记为Deep_proRes2层;Deep_proRes2 层中包含5个残差组(分别记为RG_pro1,RG_pro 2,…,RG_pro 5)和一个卷积层,以及一个长跳跃连接;每一个残差组中包含10个带有通道注意机制的残差块和一个短跳连接;其中残差块是由两个卷积层和Relu激活层以及跳跃连接构成;浅层特征空间图Real_proPi_fm1经过Deep_proRes2层后,得到64个通道的深层特征空间图,记为Real_proPi_fm2;
步骤C0223:进入重构层,记为Conv_pro3层;Conv_pro3层由1个3*3大小的滤波器组成,深层特征空间图Real_proPi_fm2经过Conv_pro3层后,得到重构特征空间图,记为Real_proPi_fm3;
步骤C023:求重构特征空间图Real_proPi_fm3和真实灰度图像块Real_Pi之间的差异,通过L1 Loss计算方法可得相应的损失函数值,记为loss_pro,置 epoch_pro=epoch_pro+1;若loss_pro值小于0.01或者训练次数epoch_pro达到 20,网络停止训练,保存训练模型model_pro.pt文件;否则将loss_pro值反向传播,通过ADAM优化算法重新更新参数,再一次进入步骤C022,循环重复训练;
03部分,利用双残差网络中得到的特征空间图的差异,进行去噪处理,具体步骤如下:
步骤C031:取单通道的噪声图像块Noise_Pi和单通道的真实图像块Real_Pi;
步骤C032:构建与训练辅助网络Model1结构一致的新辅助网络模型 Model1*,将新辅助网络模型Model1*的参数替换为020部分训练辅助网络Model1得到的model_pro.pt模型和参数,并且固定该新辅助网络模型Model1* 的参数不再更新;
所述模型Model的目标函数定义为:
式中为真实图像块Real_Pi,为噪声图像块Noise_Pi,Ω为层索引,L(·)为损失函数,为通过第j个隐藏层得到的特征空间图的损失函数,fj(·)表示第j个隐藏层之前的网络,λR(θ)是一个带有参数θ和λ的正则化项,所述λ>0;
步骤C0331:将噪声图像块Noise_Pi输入去噪网络Model;
步骤0332:进入浅层特征提取层,记为Conv1层;Conv1层由64个3*3 大小的滤波器组成,噪声图像块Noise_Pi经过Conv1层后,得到64个通道的浅层特征空间图,记为Noise_Pi_fm1;
步骤0333:进入深层特征提取层,记为Deep_Res2层;Deep_Res2层中包含5个残差组(分别记为RG_1,RG_2,…,RG_5)和一个卷积层,以及一个长跳跃连接;每一个残差组中包含10个带有通道注意机制的残差块和一个短跳连接;其中残差块是由两个卷积层和Relu激活层以及跳跃连接构成;浅层特征空间图Noise_Pi_fm1经过Deep_Res2层后,得到64个通道的深层特征空间图,记为Noise_Pi_fm2;
步骤0334:进入重构层,记为Conv3层;Conv3层由1个3*3大小的滤波器组成,深层特征空间图Noise_Pi_fm2经过Conv3层后,得到重构特征空间图,记为Noise_Pi_fm3;
步骤C034:将真实图像块Real_Pi输入到经过步骤C032的新辅助网络模型Model1*,经过Conv_pro1层、Deep_proRes2层和Conv_pro3层,分别得到特征空间图Real_proPi_fm1、Real_proPi_fm2、Real_proPi_fm3,即
步骤C035:通过去噪网络和新辅助网络之间的特征空间求总损失函数值,进行反向传播;
步骤C0352:将经过辅助网络和去噪网络中Conv_pro1层和Conv1层、 Deep_proRes2层和Deep_Res2层分别得到特征空间图Real_proPi_fm1、 Real_proPi_fm2和Noise_Pi_fm1、Noise_Pi_fm2,求取特征空间图的差异,通过 MSELoss计算方法可得相应的损失函数值,分别记为loss2和loss3,即
步骤C0353:计算总损失函数值Loss,即:Loss=loss1+loss2+loss3,同时置epoch=epoch+1;若Loss值小于5.0或者训练次数epoch达到规定值300次,网络停止训练,保存训练模型model.pt文件,同时保存测试集BSD68的去噪结果图像、Loss值和PSNR数据;否则将Loss值反向传播,通过随机梯度下降方法 (ADAM优化算法)重新更新参数θ,第l层的梯度下降表示为:再一次进入步骤C033,循环重复训练;
04部分,将低剂量CT牙齿图像输入训练好的去噪网路模型中,得到清晰图像,具体步骤如下:
步骤C041:将030部分中得到的去噪网络模型model.pt文件导入到测试代码中;
步骤C042:将测试图像低剂量CT牙齿图像(图2)输入该模型中,得到清晰图像(图3),并保存。
本发明实施例峰值信噪比(PSNR)与现有技术对照如下表。
Claims (1)
1.一种基于双残差网络的低剂量CT牙齿图像去噪方法,其特征在于按照如下步骤进行:
01部分,取BSD500数据集的灰度图像,在进入网络模型之前进行预处理操作,具体步骤如下:
步骤C011:导入BSD500数据集的灰度图像,分别为500张预处理图像和500张真实图像,各500张灰度图像中432张做训练集,68张做测试集,预处理图像数据集记为Pre_Image,用于验证的真实图像数据集记为Real_Image;500张预处理图像分别记为Pre_Image1,Pre_Image2,…,Pre_Image500;500张真实图像分别记为Real_Image1,Real_Image2,…,Real_Image500;
步骤C012:将500张预处理图像和500张真实图像切块,块的大小为48*48像素,将预处理图像与真实图像所切的块分别记为预处理图像块Pre_P1,Pre_P2,…,Pre_Pn和真实图像块Real_P1,Real_P2,…,Real_Pn;
步骤C013:将预处理图像块Pre_P1,Pre_P2,…,Pre_Pn分别加入σ值为50的高斯噪声,记为噪声图像块Noise_P1,Noise_P2,…,Noise_Pn;
步骤C014:每次随机选取16000个噪声图像块和16000个真实图像块输入网络,其中噪声图像块记作Noise_Pi,真实图像块记作Real_Pi,1≤i≤16000;
02部分,训练辅助网络20次,为双残差网络去噪提供数据,具体步骤如下:
步骤C021:取单通道的真实图像块Real_Pi,输进网络;
步骤C0221:进入浅层特征提取层,记为Conv_pro1层;Conv_pro1层由64个3*3大小的滤波器组成,真实图像块Real_Pi经过Conv_pro1层后,得到64个通道的浅层特征空间图,记为Real_proPi_fm1;
步骤C0222:进入深层特征提取层,记为Deep_proRes2层;Deep_proRes2层中包含5个残差组和一个卷积层以及一个长跳跃连接;每一个残差组中包含10个带有通道注意机制的残差块和一个短跳连接;其中残差块是由两个卷积层和Relu激活层以及跳跃连接构成;浅层特征空间图Real_proPi_fm1经过Deep_proRes2层后,得到64个通道的深层特征空间图,记为Real_proPi_fm2;
步骤C0223:进入重构层,记为Conv_pro3层;Conv_pro3层由1个3*3大小的滤波器组成,深层特征空间图Real_proPi_fm2经过Conv_pro3层后,得到重构特征空间图,记为Real_proPi_fm3;
步骤C023:求重构特征空间图Real_proPi_fm3和真实灰度图像块Real_Pi之间的差异,通过L1 Loss计算方法可得相应的损失函数值,记为loss_pro,置epoch_pro=epoch_pro+1;若loss_pro值小于0.01或者训练次数epoch_pro达到20,网络停止训练,保存训练模型model_pro.pt文件;否则将loss_pro值反向传播,通过ADAM优化算法重新更新参数,再一次进入步骤C022,循环重复训练;
03部分,利用双残差网络中得到的特征空间图的差异,进行去噪处理,具体步骤如下:
步骤C031:取单通道的噪声图像块Noise_Pi和单通道的真实图像块Real_Pi;
步骤C032:构建与训练辅助网络Model1结构一致的新辅助网络模型Model1*,将新辅助网络模型Model1*的参数替换为020部分训练辅助网络Model1得到的model_pro.pt模型和参数,并且固定该新辅助网络模型Model1*的参数不再更新;
所述模型Model的目标函数定义为:
式中为真实图像块Real_Pi,为噪声图像块Noise_Pi,Ω为层索引,L(·)为损失函数,为通过第j个隐藏层得到的特征空间图的损失函数,fj(·)表示第j个隐藏层之前的网络,λR(θ)是一个带有参数θ和λ的正则化项,所述λ>0;
步骤C0331:将噪声图像块Noise_Pi输入去噪网络Model;
步骤0332:进入浅层特征提取层,记为Conv1层;Conv1层由64个3*3大小的滤波器组成,噪声图像块Noise_Pi经过Conv1层后,得到64个通道的浅层特征空间图,记为Noise_Pi_fm1;
步骤0333:进入深层特征提取层,记为Deep_Res2层;Deep_Res2层中包含5个残差组和一个卷积层,以及一个长跳跃连接;每一个残差组中包含10个带有通道注意机制的残差块和一个短跳连接;其中残差块是由两个卷积层和Relu激活层以及跳跃连接构成;浅层特征空间图Noise_Pi_fm1经过Deep_Res2层后,得到64个通道的深层特征空间图,记为Noise_Pi_fm2;
步骤0334:进入重构层,记为Conv3层;Conv3层由1个3*3大小的滤波器组成,深层特征空间图Noise_Pi_fm2经过Conv3层后,得到重构特征空间图,记为Noise_Pi_fm3;
步骤C034:将真实图像块Real_Pi输入到经过步骤C032的新辅助网络模型Model1*,经过Conv_pro1层、Deep_proRes2层和Conv_pro3层,分别得到特征空间图Real_proPi_fm1、Real_proPi_fm2、Real_proPi_fm3,即
步骤C035:通过去噪网络和新辅助网络之间的特征空间求总损失函数值,进行反向传播;
步骤C0352:将经过辅助网络和去噪网络中Conv_pro1层和Conv1层、Deep_proRes2层和Deep_Res2层分别得到特征空间图Real_proPi_fm1、Real_proPi_fm2和Noise_Pi_fm1、Noise_Pi_fm2,求取特征空间图的差异,通过MSELoss计算方法可得相应的损失函数值,分别记为loss2和loss3,即
步骤C0353:计算总损失函数值Loss,即:Loss=loss1+loss2+loss3,同时置epoch=epoch+1;若Loss值小于5.0或者训练次数epoch达到规定值300次,网络停止训练,保存训练模型model.pt文件,同时保存测试集BSD68的去噪结果图像、Loss值和PSNR数据;否则将Loss值反向传播,通过随机梯度下降方法重新更新参数θ,第l层的梯度下降表示为:再一次进入步骤C033,循环重复训练;
04部分,将低剂量CT牙齿图像输入训练好的去噪网路模型中,得到清晰图像,具体步骤如下:
步骤C041:将030部分中得到的去噪网络模型model.pt文件导入到测试代码中;
步骤C042:将测试图像低剂量CT牙齿图像输入该模型中,得到清晰图像,并保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010068315.5A CN111311506B (zh) | 2020-01-21 | 2020-01-21 | 基于双残差网络的低剂量ct牙齿图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010068315.5A CN111311506B (zh) | 2020-01-21 | 2020-01-21 | 基于双残差网络的低剂量ct牙齿图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311506A true CN111311506A (zh) | 2020-06-19 |
CN111311506B CN111311506B (zh) | 2023-05-09 |
Family
ID=71146926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010068315.5A Active CN111311506B (zh) | 2020-01-21 | 2020-01-21 | 基于双残差网络的低剂量ct牙齿图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311506B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288735A (zh) * | 2020-11-06 | 2021-01-29 | 南京大学 | 一种基于神经网络的利用牙齿锥形束ct图自动检测牙折裂的方法 |
CN112418170A (zh) * | 2020-12-11 | 2021-02-26 | 法赫光学科技(成都)有限公司 | 基于3d扫描的口腔检查识别方法 |
CN112435174A (zh) * | 2020-08-20 | 2021-03-02 | 辽宁师范大学 | 基于双重注意机制的水下图像处理方法 |
CN113628147A (zh) * | 2021-09-08 | 2021-11-09 | 辽宁师范大学 | 一种基于噪声生成网络的牙齿ct图像盲去噪方法 |
CN113870137A (zh) * | 2021-09-30 | 2021-12-31 | 重庆大学 | 由梯度指导、自相似性修正的低剂量ct图像去噪方法、*** |
CN114494047A (zh) * | 2022-01-11 | 2022-05-13 | 辽宁师范大学 | 一种基于双增强残差网络的生物图像去噪方法 |
WO2022178995A1 (zh) * | 2021-02-26 | 2022-09-01 | 平安科技(深圳)有限公司 | Ct图像去噪处理方法、装置、计算机设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204467A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于级联残差神经网络的图像去噪方法 |
US20180240219A1 (en) * | 2017-02-22 | 2018-08-23 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach |
CN108564553A (zh) * | 2018-05-07 | 2018-09-21 | 南方医科大学 | 基于卷积神经网络的低剂量ct图像噪声抑制方法 |
US20190033986A1 (en) * | 2015-03-10 | 2019-01-31 | Pixart Imaging Inc. | Image processing method capable of detecting noise and related navigation device |
CN109377474A (zh) * | 2018-09-17 | 2019-02-22 | 苏州大学 | 一种基于改进Faster R-CNN的黄斑定位方法 |
US20190095795A1 (en) * | 2017-03-15 | 2019-03-28 | Samsung Electronics Co., Ltd. | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
US20190156524A1 (en) * | 2017-11-20 | 2019-05-23 | ClariPI Inc. | Apparatus and method for ct image denoising based on deep learning |
CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
CN110473150A (zh) * | 2019-06-24 | 2019-11-19 | 浙江工业大学之江学院 | 基于多特征提取的cnn医学ct图像去噪方法 |
CN110599409A (zh) * | 2019-08-01 | 2019-12-20 | 西安理工大学 | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 |
-
2020
- 2020-01-21 CN CN202010068315.5A patent/CN111311506B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190033986A1 (en) * | 2015-03-10 | 2019-01-31 | Pixart Imaging Inc. | Image processing method capable of detecting noise and related navigation device |
CN106204467A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于级联残差神经网络的图像去噪方法 |
US20180240219A1 (en) * | 2017-02-22 | 2018-08-23 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach |
US20190095795A1 (en) * | 2017-03-15 | 2019-03-28 | Samsung Electronics Co., Ltd. | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
US20190156524A1 (en) * | 2017-11-20 | 2019-05-23 | ClariPI Inc. | Apparatus and method for ct image denoising based on deep learning |
CN108564553A (zh) * | 2018-05-07 | 2018-09-21 | 南方医科大学 | 基于卷积神经网络的低剂量ct图像噪声抑制方法 |
CN109377474A (zh) * | 2018-09-17 | 2019-02-22 | 苏州大学 | 一种基于改进Faster R-CNN的黄斑定位方法 |
CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
CN110473150A (zh) * | 2019-06-24 | 2019-11-19 | 浙江工业大学之江学院 | 基于多特征提取的cnn医学ct图像去噪方法 |
CN110599409A (zh) * | 2019-08-01 | 2019-12-20 | 西安理工大学 | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 |
Non-Patent Citations (5)
Title |
---|
WEI YANG等: "Improving Low-Dose CT Image Using Residual Convolutional Network", 《IEEE ACCESS》 * |
XIANGRUI YIN等: "Domain Progressive 3D Residual Convolution Network to Improve Low-Dose CT Imaging", 《IEEE ACCESS》 * |
吕晓琪等: "基于深度卷积神经网络的低剂量 CT 肺部去噪", 《电子与信息学报》 * |
洪振厚: "X射线CT成像的滤波器设计与深度学习降噪研究", 《中国优秀硕士学位论文全文数据库(电子期刊) 信息科技辑》 * |
葛治文: "基于深度学习的CT图像肺结节检测", 《中国优秀硕士学位论文全文数据库(电子期刊) 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435174A (zh) * | 2020-08-20 | 2021-03-02 | 辽宁师范大学 | 基于双重注意机制的水下图像处理方法 |
CN112435174B (zh) * | 2020-08-20 | 2023-07-11 | 辽宁师范大学 | 基于双重注意机制的水下图像处理方法 |
CN112288735A (zh) * | 2020-11-06 | 2021-01-29 | 南京大学 | 一种基于神经网络的利用牙齿锥形束ct图自动检测牙折裂的方法 |
CN112418170A (zh) * | 2020-12-11 | 2021-02-26 | 法赫光学科技(成都)有限公司 | 基于3d扫描的口腔检查识别方法 |
CN112418170B (zh) * | 2020-12-11 | 2024-03-01 | 法赫光学科技(成都)有限公司 | 基于3d扫描的口腔检查识别方法 |
WO2022178995A1 (zh) * | 2021-02-26 | 2022-09-01 | 平安科技(深圳)有限公司 | Ct图像去噪处理方法、装置、计算机设备及介质 |
CN113628147A (zh) * | 2021-09-08 | 2021-11-09 | 辽宁师范大学 | 一种基于噪声生成网络的牙齿ct图像盲去噪方法 |
CN113628147B (zh) * | 2021-09-08 | 2023-11-28 | 辽宁师范大学 | 一种基于噪声生成网络的牙齿ct图像盲去噪方法 |
CN113870137A (zh) * | 2021-09-30 | 2021-12-31 | 重庆大学 | 由梯度指导、自相似性修正的低剂量ct图像去噪方法、*** |
CN113870137B (zh) * | 2021-09-30 | 2024-05-21 | 重庆大学 | 由梯度指导、自相似性修正的低剂量ct图像去噪方法、*** |
CN114494047A (zh) * | 2022-01-11 | 2022-05-13 | 辽宁师范大学 | 一种基于双增强残差网络的生物图像去噪方法 |
CN114494047B (zh) * | 2022-01-11 | 2024-04-02 | 辽宁师范大学 | 一种基于双增强残差网络的生物图像去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111311506B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311506A (zh) | 基于双残差网络的低剂量ct牙齿图像去噪方法 | |
US11176642B2 (en) | System and method for processing data acquired utilizing multi-energy computed tomography imaging | |
KR102574256B1 (ko) | 딥 컨볼루션 신경망을 사용하는 의료 이미징을 위한 선량 감소 | |
CN111047524A (zh) | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 | |
KR101018051B1 (ko) | 엑스선 촬영 영상에서 메탈 아티팩트를 감소시키는 방법 | |
CN101082983A (zh) | 基于感兴趣区域的自适应医学序列图像插值方法 | |
CN113592745B (zh) | 一种基于对抗性域自适应的无监督mri图像复原方法 | |
TW201219013A (en) | Method for generating bone mask | |
CN111815735B (zh) | 一种人体组织自适应的ct重建方法及重建*** | |
US7860284B2 (en) | Image processing method and computer readable medium for image processing | |
CN113706643B (zh) | 一种基于同形适应学习的头部ct金属伪影校正方法 | |
CN116645283A (zh) | 基于自监督感知损失多尺度卷积神经网络的低剂量ct图像去噪方法 | |
CN113706409A (zh) | 基于人工智能的cbct图像增强方法、装置和存储介质 | |
Jiang et al. | CT image super resolution based on improved SRGAN | |
CN110101401B (zh) | 一种肝脏对比剂数字减影造影方法 | |
CN114998154A (zh) | 基于transformer和多尺度特征的低剂量CT图像去噪方法 | |
KR102382602B1 (ko) | 3d 인공신경망 네트워크 기반 콘빔 아티팩트 보정 시스템 및 방법 | |
CN116664710A (zh) | 基于Transformer的CT图像金属伪影无监督校正方法 | |
CN116385317A (zh) | 基于自适应卷积与Transformer混合结构的低剂量CT图像恢复方法 | |
KR102342954B1 (ko) | 인공지능 기반의 단층촬영 영상 인공음영 제거 방법 및 장치 | |
CN115731158A (zh) | 一种基于残差域迭代优化网络的低剂量ct重建方法 | |
CN108154541A (zh) | 医学成像设备及其操作方法 | |
CN113744235A (zh) | 一种基于sc-gan的膝部mri重建技术 | |
CN112634394A (zh) | 一种适用于牙科ct的金属伪影校正方法 | |
CN113379868A (zh) | 基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法 |
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 |