CN112001856A - 去噪模型的训练方法及去除图像噪声方法、相关装置 - Google Patents

去噪模型的训练方法及去除图像噪声方法、相关装置 Download PDF

Info

Publication number
CN112001856A
CN112001856A CN202010746975.4A CN202010746975A CN112001856A CN 112001856 A CN112001856 A CN 112001856A CN 202010746975 A CN202010746975 A CN 202010746975A CN 112001856 A CN112001856 A CN 112001856A
Authority
CN
China
Prior art keywords
image
noise
denoised
model
sample
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.)
Pending
Application number
CN202010746975.4A
Other languages
English (en)
Inventor
陈名亮
苗桢壮
孙爱琦
聂可卉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Medical Systems Co Ltd
Original Assignee
Neusoft Medical Systems Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neusoft Medical Systems Co Ltd filed Critical Neusoft Medical Systems Co Ltd
Priority to CN202010746975.4A priority Critical patent/CN112001856A/zh
Publication of CN112001856A publication Critical patent/CN112001856A/zh
Priority to US17/387,075 priority patent/US20220036516A1/en
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本公开涉及一种去噪模型的训练方法及去除图像噪声方法、相关装置。训练方法包括：获取待去噪样本图像；获取与所述待去噪样本图像中的噪声对应的先验知识信息；根据所述待去噪样本图像以及所述先验知识信息构造模型训练样本；根据所述模型训练样本对去噪样本模型进行训练，以得到目标去噪模型，所述目标去噪模型用于去除图像中的所述噪声。如此，训练得到每一目标去噪模型均有具体的功能，为目标去噪模型提供了良好的可解释性。并且，根据待去噪样本图像和先验知识信息构造模型训练样本，相比于现有技术中仅由待去噪样本图像构成的模型训练样本，可以提高模型的训练效率，有效减少了模型对训练样本的依赖性，提升了模型的泛化性。

Description

去噪模型的训练方法及去除图像噪声方法、相关装置
技术领域
本公开涉及图像处理领域，具体地，涉及一种去噪模型的训练方法及去除图像噪声方法、相关装置。
背景技术
通常情况下，图像采集设备所采集的图像会由于若干噪声源的污染导致其信噪比较低，进而会影响图像质量。例如，信噪比较低的医学影像会影响医生根据该医学图像对患者的诊断。因此，如何在不降低图像分辨率、不影响图像对比度、以及不增加采集时间的情况下获取更高信噪比的图像是改善图像质量的一个重要方向。相关技术中，主要是基于后处理端的去噪思想进行去噪的，即，在图像采集设备采集到图像之后，利用滤波去噪算法进行去噪，例如，基于统计特性的去噪算法，或者，目前应用较为广泛的深度学习的去噪算法。
然而，基于上述深度学习的去噪方法往往都是采用黑盒子模型，只关注整体功能，通常是直接对图像中混杂的噪声进行去除，即，用于去除噪声的黑盒子模型不区分噪声源直接对所有噪声进行去除。如此，无法衡量模型实现的具体功能，导致模型可解释性低。并且，黑盒子模型直接对混杂噪声进行端到端的抑制，使其无法充分利用不同噪声源的先验知识，模型的去噪效果会受限于训练集，导致模型的泛化性弱。
发明内容
本公开的目的是提供一种去噪模型的训练方法及去除图像噪声方法、相关装置，以解决相关技术中存在的问题。
为了实现上述目的，本公开第一方面提供一种去噪模型的训练方法，包括：
获取待去噪样本图像；
获取与所述待去噪样本图像中的噪声对应的先验知识信息；
根据所述待去噪样本图像以及所述先验知识信息构造模型训练样本；
根据所述模型训练样本对去噪样本模型进行训练，以得到目标去噪模型，所述目标去噪模型用于去除图像中的所述噪声。
可选地，所述获取与所述待去噪样本图像中的噪声对应的先验知识信息，包括：
获取与所述待去噪样本图像中的高斯噪声对应的高斯噪声分布图，所述先验知识信息包括所述高斯噪声分布图。
可选地，所述待去噪样本图像包括M种不同类型的噪声，所述去噪样本模型包括依次相连的M个子模型，M为大于或等于2的整数；
其中，依次相连的M个子模型中的第一个子模型的输入为所述待去噪样本图像对应的去噪排序中的第一种噪声对应的先验知识信息与所述待去噪样本图像构建的模型训练样本，第N个子模型的输入为所述去噪排序中的第N种噪声对应的先验知识信息与第N-1个子模型输出的图像构建的模型训练样本，其中，N的取值范围为2到M。
可选地，所述获取待去噪样本图像，包括：
获取通过磁共振线圈采集的多通道样本图像；
通过并行成像方法合并处理所述多通道样本图像，以得到作为所述待去噪样本图像的磁共振图像；
所述待去噪样本图像的噪声包括以下至少一者：所述合并处理过程中产生的第一噪声、由于所述磁共振线圈不均匀所导致的第二噪声以及磁共振设备产生的高斯噪声。
可选地，所述待去噪样本图像中的噪声为所述第一噪声，所述根据所述待去噪样本图像以及所述先验知识信息构造模型训练样本，包括：
根据所述多通道样本图像、所述待去噪样本图像以及对应所述第一噪声的先验知识信息构造模型训练样本。
可选地，所述待去噪样本图像中的噪声为所述第二噪声，所述先验知识信息包括线圈敏感度信息分布图；或者，
所述待去噪样本图像中的噪声为所述高斯噪声，所述先验知识信息包括高斯分布图。
本公开第二方面提供一种去除图像噪声方法，包括：
获取待去噪图像；
获取与所述待去噪图像中的噪声对应的先验知识信息；
将所述待去噪图像和所述先验知识信息输入目标去噪模型，以得到所述目标去噪模型输出的去除噪声后的目标图像，其中，所述目标去噪模型是通过以下方式训练得到的：获取待去噪样本图像；获取与所述待去噪样本图像中的噪声对应的先验知识信息；根据所述待去噪样本图像以及所述先验知识信息构造模型训练样本；根据所述模型训练样本对去噪样本模型进行训练，以得到目标去噪模型，所述目标去噪模型用于去除图像中的所述噪声。
可选地，所述目标去噪模型为去除高斯噪声的模型，所述先验知识信息为高斯分布图，所述将所述待去噪图像和所述先验知识信息输入目标去噪模型，包括：
将所述待去噪图像和所述高斯分布图输入目标去噪模型，以得到所述目标去噪模型输出的去除高斯噪声后的目标图像。
可选地，所述待去噪图像包括M种不同类型的噪声，所述目标去噪模型依次相连的M个子目标去噪模型，M为大于或等于2的整数；
其中，依次相连的M个子目标去噪模型中的第一个子目标去噪模型的输入为所述待去噪图像对应的去噪排序中的第一种噪声对应的先验知识信息与所述待去噪图像，第N个子目标去噪模型的输入为所述去噪排序中的第N种噪声对应的先验知识信息与第N-1个子目标去噪模型输出的图像，其中，N的取值范围为2到M。
可选地，所述待去噪图像为磁共振图像，所述磁共振图像是对多通道采集图像进行合并处理得到的，且所述多通道采集图像是基于磁共振线圈采集得到的，所述待去噪图像的噪声包括以下至少一者：所述合并处理过程中产生的第一噪声、由于所述磁共振线圈不均匀所导致的第二噪声以及磁共振设备产生的高斯噪声。
可选地，所述待去噪图像的噪声包括所述第一噪声，所述将所述待去噪图像和所述先验知识信息输入目标去噪模型，以得到所述目标去噪模型输出的去除噪声后的目标图像，包括：
将所述多通道采集图像、所述待去噪图像和所述先验知识信息输入用于去除磁共振图像中所述第一噪声的目标去噪模型，以得到所述目标去噪模型输出的去除所述第一噪声后的第一目标图像。
可选地，所述待去噪图像的噪声还包括所述第二噪声以及所述高斯噪声，所述方法还包括：
获取对应所述第二噪声的先验知识信息；
将所述第一目标图像和对应所述第二噪声的先验知识信息输入用于去除所述第二噪声的目标去噪模型，以得到该目标去噪模型输出的去除所述第二噪声后的第二目标图像；
获取对应所述高斯噪声的先验知识信息；
将所述第二目标图像和对应所述高斯噪声的先验知识信息输入用于去除所述高斯噪声的目标去噪模型，以得到该目标去噪模型输出的去除所述高斯噪声后的第三目标图像，其中，所述第三目标图像为所述磁共振图像依次去除所述第一噪声、所述第二噪声和所述高斯噪声后的图像。
本公开第三方面提供一种去噪模型的训练装置，包括：
第一获取模块，用于获取待去噪样本图像；
第二获取模块，用于获取与所述待去噪样本图像中的噪声对应的先验知识信息；
构造模块，用于根据所述待去噪样本图像以及所述先验知识信息构造模型训练样本；
训练模块，用于根据所述模型训练样本对去噪样本模型进行训练，以得到目标去噪模型，所述目标去噪模型用于去除图像中的所述噪声。
可选地，所述第二获取模块，用于获取与所述待去噪样本图像中的高斯噪声对应的高斯噪声分布图，所述先验知识信息包括所述高斯噪声分布图。
可选地，所述第一获取模块，用于获取通过磁共振线圈采集的多通道样本图像；通过并行成像方法合并处理所述多通道样本图像，以得到作为所述待去噪样本图像的磁共振图像；所述待去噪样本图像的噪声包括以下至少一者：所述合并处理过程中产生的第一噪声、由于所述磁共振线圈不均匀所导致的第二噪声以及磁共振设备产生的高斯噪声。
可选地，所述待去噪样本图像中的噪声为所述第一噪声，所述构造模块，用于根据所述多通道样本图像、所述待去噪样本图像以及对应所述第一噪声的先验知识信息构造模型训练样本。
本公开第四方面提供一种去除图像噪声装置，包括：
第三获取模块，用于获取待去噪图像；
第四获取模块，用于获取与所述待去噪图像中的噪声对应的先验知识信息；
第一输入模块，用于将所述待去噪图像和所述先验知识信息输入目标去噪模型，以得到所述目标去噪模型输出的去除噪声后的目标图像，其中，所述目标去噪模型是通过以下方式训练得到的：获取待去噪样本图像；获取与所述待去噪样本图像中的噪声对应的先验知识信息；根据所述待去噪样本图像以及所述先验知识信息构造模型训练样本；根据所述模型训练样本对去噪样本模型进行训练，以得到目标去噪模型，所述目标去噪模型用于去除图像中的所述噪声。
可选地，所述目标去噪模型为去除高斯噪声的模型，所述先验知识信息为高斯分布图，所述第一输入模块，用于将所述待去噪图像和所述高斯分布图输入目标去噪模型，以得到所述目标去噪模型输出的去除高斯噪声后的目标图像。
可选地，所述待去噪图像的噪声包括所述第一噪声，所述第一输入模块，用于将所述多通道采集图像、所述待去噪图像和所述先验知识信息输入用于去除磁共振图像中所述第一噪声的目标去噪模型，以得到所述目标去噪模型输出的去除所述第一噪声后的第一目标图像。
可选地，所述待去噪图像的噪声还包括所述第二噪声以及所述高斯噪声，所述装置还包括：
第五获取模块，用于获取对应所述第二噪声的先验知识信息；
第二输入模块，用于将所述第一目标图像和对应所述第二噪声的先验知识信息输入用于去除所述第二噪声的目标去噪模型，以得到该目标去噪模型输出的去除所述第二噪声后的第二目标图像；
第六获取模块，用于获取对应所述高斯噪声的先验知识信息；
第三输入模块，用于将所述第二目标图像和对应所述高斯噪声的先验知识信息输入用于去除所述高斯噪声的目标去噪模型，以得到该目标去噪模型输出的去除所述高斯噪声后的第三目标图像，其中，所述第三目标图像为所述磁共振图像依次去除所述第一噪声、所述第二噪声和所述高斯噪声后的图像。
本公开第五方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面所提供的所述方法的步骤。
本公开第六方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第二方面所提供的所述方法的步骤。
本公开第七方面提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所提供的所述方法的步骤。
本公开第八方面提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第二方面所提供的所述方法的步骤。
通过上述技术方案，基于待去噪样本图像、以及与该待去噪样本图像中的噪声对应的先验知识信息对去噪样本模型进行训练，可以得到专用于去除图像中该噪声的目标去噪模型。如此，训练得到每一目标去噪模型均有具体的功能，为目标去噪模型提供了良好的可解释性。并且，根据待去噪样本图像和先验知识信息构造模型训练样本，相比于现有技术中仅由待去噪样本图像构成的模型训练样本，可以提高模型的训练效率，有效减少了模型对训练样本的依赖性，提升了模型的泛化性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种去噪模型的训练方法的流程图。
图2是根据一示例性实施例示出的一种去除图像噪声方法的流程图。
图3是根据一示例性实施例示出的另一种去除图像噪声方法的流程图。
图4是根据一示例性实施例示出的一种去噪模型的训练装置的框图。
图5是根据一示例性实施例示出的一种去除图像噪声装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据一示例性实施例示出的一种去噪模型的训练方法的流程图。如图1所示，该方法可以包括以下步骤。
在步骤101中，获取待去噪样本图像。
在本公开中，待去噪样本图像可以是用户输入的包含噪声的图像，也可以是执行该训练方法的电子设备从图像采集装置中获取的原始图像，等等。此外，该待去噪样本图像可以是任一图像采集装置采集的图像，例如，可以是医学图像采集装置(例如，磁共振、CT(computer tomography，计算机断层扫描)等)采集的医学图像，也可以是摄像头采集的自然图像等等。值得说明的是，如果待去噪样本图像为医学图像，则训练得到的目标去噪模型应用在医学领域，用于去除医学图像中的噪声；如果待去噪样本图像为自然图像，则训练得到的目标去噪模型应用在自然场景领域，用于去除自然图像中的噪声。示例地，在本公开中，可以以待去噪样本图像为医学图像为例进行说明。
在步骤102中，获取与待去噪样本图像中的噪声对应的先验知识信息。
在医学图像采集设备采集医学图像的过程中，会同时采集一些预扫描数据，之后，基于预扫描数据生成先验知识信息。示例地，若待去噪样本图像的大小为200×200，则待去噪样本图像中的噪声对应的先验知识信息可以为用于指示噪声分布的大小为200×200的图像。
其中，可以参照相关技术生成先验知识信息，本公开对此不作限制。
值得说明的是，在本公开中，获取的是与待去噪样本图像中的噪声对应的先验知识信息。即，该先验知识信息是基于医学图像采集设备采集该待去噪样本图像过程中采集的中间数据生成的先验知识信息。也即是说，针对不同的待去噪样本图像，即便待去除的噪声相同，所获取的先验知识信息也可能是不同的。
在步骤103中，根据待去噪样本图像以及先验知识信息构造模型训练样本。
通常情况下，模型训练样本包括多组数据，在该实施例中，每组数据包括待去噪样本图像和先验知识信息，因此，可以根据待去噪样本图像以及先验知识信息构造模型训练样本。
在步骤104中，根据模型训练样本对去噪样本模型进行训练，以得到目标去噪模型。
在得到模型训练样本之后，利用该模型训练样本采用相关技术中的训练方式，对去噪样本模型进行训练，最终得到目标去噪模型，该目标去噪模型可以用于去除图像中的噪声。
值得说明的是，利用图1中所述的方法，可以根据实际需求训练得到用于去除图像中不同噪声的目标去噪模型。示例地，假设待去噪样本图像中包括噪声A，获取的先验知识信息即为与该待去噪样本图像中的噪声A对应的先验知识信息A，按照上述方式训练得到的目标去噪模型即为用于去除图像中的噪声A的模型。又示例地，假设待去噪样本图像中包括噪声B，获取的先验知识信息即为与该待去噪样本图像中的噪声B对应的先验知识信息B，按照上述方式训练得到的目标去噪模型即为用于去除图像中噪声B的模型。其中，上述噪声A和噪声B的噪声源不同。
采用上述技术方案，基于待去噪样本图像、以及与该待去噪样本图像中的噪声对应的先验知识信息对去噪样本模型进行训练，可以得到专用于去除图像中该噪声的目标去噪模型。如此，训练得到每一目标去噪模型均有具体的功能，为目标去噪模型提供了良好的可解释性。并且，根据待去噪样本图像和先验知识信息构造模型训练样本，相比于现有技术中仅由待去噪样本图像构成的模型训练样本，可以提高模型的训练效率，有效减少了模型对训练样本的依赖性，提升了模型的泛化性。
本公开提供的图1所示的去噪模型的训练方法可以用于单独训练用于去除某一种类型噪声的模型，也可以用于训练用于依次去除不同噪声的模型。
在一种实施例中，待去噪样本图像包括M种不同类型的噪声，去噪样本模型包括依次相连的M个子模型，M为大于或等于2的整数；其中，依次相连的M个子模型中的第一个子模型的输入为所述待去噪样本图像对应的去噪排序中的第一种噪声对应的先验知识信息与所述待去噪样本图像构建的模型训练样本，第N个子模型的输入为所述去噪排序中的第N种噪声对应的先验知识信息与第N-1个子模型输出的图像构建的模型训练样本，其中，N的取值范围为2到M。
示例地，假设待去噪样本图像包括三种类型的噪声分别为噪声A、噪声B和噪声C，且该待去噪样本图像对应的去噪排序为噪声A、噪声B和噪声C，去噪样本模型包括依次相连的第一子模型、第二子模块和第三子模型。在训练过程中，首先根据噪声A对应的先验知识信息和待去噪样本图像构建模型训练样本，将该模型训练样本输入至第一子模型，以得到第一子模型输出的第一样本图像，该第一样本图像为待去噪样本图像去除噪声A之后的图像。接着，根据噪声B对应的先验知识信息和第一子模型输出的第一样本图像构建模型训练样本，将该模型训练样本输入至第二子模型，以得到第二子模型输出的第二样本图像，该第二样本图像为待去噪样本图像依次去除噪声A和噪声B之后的图像。最后，根据噪声C对应的先验知识信息和第二子模型输出的第二样本图像构建模型训练样本，将该模型训练样本输入至第三子模型，以得到第三子模型输出的第三样本图像，该第三样本图像为待去噪样本图像依次去除噪声A、噪声B和噪声C之后的图像。如此，就可以得到依次训练后的用于去除噪声A的子模型、用于去噪噪声B的子模型和用于去除噪声C的子模型。
按照上述方式，利用包含多种不同类型的噪声的待去噪样本图像和每种噪声对应的先验知识信息进行依次训练，针对不同的噪声，可以依次得到专用于去除该种噪声的模型，提高了利用该模型去噪的精细化。
考虑到任何图像采集设备在采集图像过程中都存在噪声的，例如，磁共振设备、CT设备本身都是具有***噪声的，因此，在一种实施例中，上述获取与待去噪样本图像中的噪声对应的先验知识信息可以进一步包括：获取与待去噪样本图像中的高斯噪声对应的高斯噪声分布图，先验知识信息包括高斯噪声分布图。图像采集设备的***噪声通常呈高斯分布，因此，在本公开中，可以将图像采集设备的***噪声称为高斯噪声。
示例地，若想要训练得到用于去除图像采集设备产生的高斯噪声的目标去噪模型，则获取到的待去噪样本图像中包括该高斯噪声，以及获取到的先验知识信息为待去噪样本图像中的高斯噪声对应的高斯噪声分布图。这样，利用基于该待去噪样本图像和高斯噪声分布图构造的模型训练样本，对去噪样本模型进行训练，即可得到用于去除图像中的图像采集设备产生的高斯噪声的目标去噪模型。
在另一种实施例中，待去噪样本图像可以为磁共振图像。其中，磁共振是指质子在外磁场作用下自旋方向分布满足玻尔兹曼分布，在外加特定频率的射频磁场作用下吸收能量，撤去射频磁场后发生弛豫释放能量的现象。磁共振成像(Magnetic ResonanceImaging，MRI)主要利用该原理，结合空间编码和傅里叶变换等技术，利用检测到的磁共振信号还原出成像物体内部结构信息。
相应地，上述获取待去噪样本图像可以包括：
获取通过磁共振线圈采集的多通道样本图像；
通过并行成像方法合并处理多通道样本图像，以得到作为待去噪样本图像的磁共振图像。
在该实施例中，通过并行成像方法合并处理多通道样本图像，得到待去噪样本图像的磁共振图像。其中，该并行成像方法可以包括SENSE(Sensitivity Encoding，敏感度编码技术)方法、GRAPPA(Gene Relized Autocalibrating Patially ParallelAcquisitions，广义自校正部分并行采集技术)、SPIRi T(iterative self-consistentparallel imaging reconstruction from arbitrary k-space)方法以及SAKE(simultaneous autocalibrating and k-space estimation，同步自校正和K空间估计)方法。
利用上述并行成像方法会引入卷叠伪影并降低图像的信噪比，因此，在并行成像方法合并处理多通道样本图像得到的磁共振图像中存在合并处理过程中产生的第一噪声。
此外，由于多通道样本图像是由磁共振线圈采集的，而磁共振线圈摆放位置不均匀会导致磁共振图像中不同位置的信噪比不均匀，因此，在该实施例中，待去噪样本图像的噪声还可以包括由于磁共振线圈不均匀所导致的第二噪声。同样地，待去噪样本图像的噪声还可以包括磁共振设备产生的高斯噪声。因此，在该实施例中，待去噪样本图像的噪声包括以下至少一者：合并处理过程中产生的第一噪声、由于磁共振线圈不均匀所导致的第二噪声以及磁共振设备产生的高斯噪声。
在第一种实施例中，待去噪样本图像中的噪声为第一噪声，上述根据待去噪样本图像以及先验知识信息构造模型训练样本的具体实施方式为：根据多通道样本图像、待去噪样本图像以及对应第一噪声的先验知识信息构造模型训练样本。在待去噪样本图像中的噪声为第一噪声的情况下，与第一噪声对应的先验知识信息可以例如为：噪声分布图G-Map(几何因子分布图)、QBC(正交体线圈)、多通道低分辨图像。需要说明的是，所采用的并行成像方法不同，对应第一噪声的先验知识信息也不同。
在该实施例中，训练用于去除图像中第一噪声的目标去噪模型时所使用的模型训练样本除了包括待去噪样本图像和对应第一噪声的先验知识信息之外，还可以包括多通道样本图像。由于该多通道样本图像是由磁共振线圈采集的真实图像，所以，在去除第一噪声时，可以确保去噪之后所得的图像为不失真的图像。如此，采用该方案，既可以去除图像中的第一噪声，还可以确保去除第一噪声之后的图像不失真。
在第二种实施例中，待去噪样本图像中的噪声为第二噪声，相应地，对应第二噪声的先验知识信息可以包括线圈敏感度信息分布图CSM。
在第三种实施例中，待去噪样本图像中的噪声为高斯噪声，相应地，对应高斯噪声的先验知识信息可以包括高斯分布图。
在第四种实施例中，待去噪样本图像中的噪声包括第一噪声、第二噪声和高斯噪声中的多者。例如，待去噪样本图像中的噪声包括上述三者，则利用该待去噪样本图像训练得到的目标去噪模型包括三种模型，分别为用于去除图像中第一噪声的第一模型，用于去除图像中第二噪声的第二模型，以及用于去除第三噪声的第三模型。
具体的训练过程如下：
获取对应第一噪声的先验知识信息(例如，噪声分布图G-Map)，并根据多通道样本图像、待去噪样本图像和噪声分布图G-Map构建第一模型训练样本，并利用该第一模型训练样本对去噪样本模型进行训练，以得到第一模型。
获取对应第二噪声的先验知识信息(例如，线圈敏感度信息分布图CSM)，并根据待去噪样本图像和线圈敏感度信息分布图CSM构建第二模型训练样本，并利用该第二模型训练样本对去噪样本模型进行训练，以得到第二模型。
获取对应高斯噪声的先验知识信息(例如，高斯分布图)，并根据待去噪样本图像和高斯分布图构建第三模型训练样本，并利用该第三模型训练样本对去噪样本模型进行训练，以得到第三模型。
值得说明的是，如果是单独训练分别得到第一模型、第二模型和第三模型，则待去噪样本图可以为同一图像，且该同一图像为通过并行成像方法合并处理多通道样本图像得到的磁共振图像。如果是依次训练得到第一模型、第二模型和第三模型，则构建第二模型训练样本的待去噪图像可以为第一模型输出的图像，以及，构建第三模型训练样本的待去噪图像可以为第二模型输出的图像。
按照上述方法，针对每一种噪声，均可以训练得到用于去除该种噪声的目标去噪模型，如此，为目标去噪模型提供了良好的可解释性。
图2是根据一示例性实施例示出的一种去除图像噪声方法的流程图。如图2所示，该方法可以包括步骤201至步骤203。
在步骤201中，获取待去噪图像。
待去噪图像可以是用户输入的包含噪声的图像，也可以是执行该训练方法的电子设备从图像采集装置中获取的原始图像，等等。此外，该待去噪图像可以是任一图像采集装置采集的图像，例如，可以是医学图像采集装置(例如，磁共振、CT(computer tomography，计算机断层扫描)等)采集的医学图像，也可以是摄像头采集的自然图像等等。
在步骤202中，获取与待去噪图像中的噪声对应的先验知识信息。
示例地，可以参照图1中所示的训练方法，获取与待去噪图像中的噪声对应的先验知识信息，此处不再赘述。
在步骤203中，将待去噪图像和先验知识信息输入目标去噪模型，以得到目标去噪模型输出的去除噪声后的目标图像。
在本公开中，目标去噪模型可以是利用图1所示的训练方法进行训练得到的目标去噪模型。
采用上述技术方案，可以分别对不同噪声源对应的噪声进行去除，提高去噪过程的可解释性。并且，在去噪过程中，考虑了该种噪声对应的先验知识信息，提高了去噪的精准度。
可选地，所述待去噪图像包括M种不同类型的噪声，所述目标去噪模型包括依次相连的M个子目标去噪模型，M为大于或等于2的整数；
其中，依次相连的M个子目标去噪模型中的第一个子目标去噪模型的输入为所述待去噪图像对应的去噪排序中的第一种噪声对应的先验知识信息与所述待去噪图像，第N个子目标去噪模型的输入为所述去噪排序中的第N种噪声对应的先验知识信息与第N-1个子目标去噪模型输出的图像，其中，N的取值范围为2到M。
按照上述方式，利用依次相连的多个子目标去噪模型，可以依次去除待去噪图像包括的不同类型的噪声，提高了模型去噪的精细化。
在一种实施例中，目标去噪模型为去除高斯噪声的模型，先验知识信息为高斯分布图，将待去噪图像和先验知识信息输入目标去噪模型进一步包括：
将待去噪图像和高斯分布图输入目标去噪模型，以得到目标去噪模型输出的去除高斯噪声后的目标图像。
在该实施例中，若要去除图像中的高斯噪声，则可以将待去噪图像和高斯分布图输入去除高斯噪声的模型，如此，可以得到模型输出的去除高斯噪声后的目标图像。
在另一种实施例中，待去噪图像为磁共振图像，磁共振图像是对多通道采集图像进行合并处理得到的，且多通道采集图像是基于磁共振线圈采集得到的，相应地，待去噪图像的噪声包括以下至少一者：合并处理过程中产生的第一噪声、由于所述磁共振线圈不均匀所导致的第二噪声以及磁共振设备产生的高斯噪声。
在该实施例中，若要去除图像中的某一种噪声，只需将待去噪图像和该种噪声对应的先验知识信息输入至用于去除该种噪声的目标去噪模型，即可得到该模型输出的去除该种噪声之后的目标图像。如此，可以根据实际需求，有针对性地去除某一种噪声，提高了去噪的灵活性。
为了便于本领域技术人员更好的理解本公开提供的去除图像噪声方法，下面以去除上述三种噪声的完整实施例进行说明。值得说明的是，在实际应用中，可以根据用于实际需求确定不同类型噪声去除顺序，例如，可以先去除第二噪声，再去除第一噪声，最后去除高斯噪声，还可以先去除第一噪声，再去除第二噪声，最后去除高斯噪声，等等，本公开不对此作具体限定。
在本公开中，以先除第一噪声，再去除第二噪声，最后去除高斯噪声为例进行说明。
首先，待去噪图像的噪声包括第一噪声，上述将待去噪图像和先验知识信息输入目标去噪模型，以得到目标去噪模型输出的去除噪声后的目标图像的步骤可以进一步包括：
将多通道采样图像、待去噪图像和先验知识信息输入用于去除磁共振图像中第一噪声的目标去噪模型，以得到目标去噪模型输出的去除第一噪声后的第一目标图像。
示例地，图3是根据一示例性实施例示出的另一种去除图像噪声方法的流程图。如图3所示，首先获取磁共振线圈采集的多通道采集图像，利用并行成像方法合行处理该多通道采集图像，得到合并后的磁共振图像img0。将磁共振图像img0作为待去噪图像，并且该待去噪图像中包括第一噪声，之后，将磁共振线圈采集的多通道采集图像、磁共振图像img0以及对应第一噪声的先验知识信息(即，噪声分布图G-Map)输入用于去除磁共振图像中第一噪声的目标去噪模型(即，第一模型)，得到第一模型输出的磁共振图像img1(即，第一目标图像)。
由于该多通道样本图像是由磁共振线圈采集的真实图像，所以，在去除第一噪声时，将多通道采样图像也输入至第一模型，可以确保去除第一噪声后的第一目标图像不失真。
接着，待去噪图像的噪声还包括第二噪声，获取对应第二噪声的先验知识信息，将第一目标图像和对应第二噪声的先验知识信息输入用于去除第二噪声的目标去噪模型，以得到目标去噪模型输出的去除第二噪声后的第二目标图像。
如图3所示，将磁共振图像img1和对应第二噪声的先验知识信息(即，线圈敏感度信息分布图CSM)输入至用于去除第二噪声的目标去噪模型(即，第二模型)，得到第二模型输出的去除第二噪声后的磁共振图像img2(即，第二目标图像)。
最后，获取对应高斯噪声的先验知识信息，将第二目标图像和对应该高斯噪声的先验知识信息输入用于去除高斯噪声的目标去噪模型，以得到目标去噪模型输出的去除高斯噪声后的第三目标图像。
如图3所示，将磁共振图像img2和对应高斯噪声的先验知识信息(即，高斯分布图)输入至用于去除高斯噪声的目标去噪模型(即，第三模型)，得到第三模型输出的去除高斯噪声后的磁共振图像img3(即，第三目标图像)。其中，该磁共振图像img3为磁共振图像img0依次去除第一噪声、第二噪声和高斯噪声后的图像。
采用上述技术方案，将图像中混杂噪声分解为不同的噪声源进行去除，既可以去除所有噪声源对应的噪声，还可以提高每一次去噪过程的可解释性。此外，在去除每一噪声源对应的噪声时，均考虑到该噪声对应的先验知识信息，提高了去噪的精准度。
基于同一发明构思，本公开还提供一种去噪模型的训练装置。图4是根据一示例性实施例示出的一种去噪模型的训练装置的框图。如图4所示，该去噪模型的训练装置400包括：
第一获取模块401，用于获取待去噪样本图像；
第二获取模块402，用于获取与所述待去噪样本图像中的噪声对应的先验知识信息；
构造模块403，用于根据所述待去噪样本图像以及所述先验知识信息构造模型训练样本；
训练模块404，用于根据所述模型训练样本对去噪样本模型进行训练，以得到目标去噪模型，所述目标去噪模型用于去除图像中的所述噪声。
可选地，所述第二获取模块402，用于获取与所述待去噪样本图像中的高斯噪声对应的高斯噪声分布图，所述先验知识信息包括所述高斯噪声分布图。
可选地，所述第一获取模块401，用于获取通过磁共振线圈采集的多通道样本图像；通过并行成像方法合并处理所述多通道样本图像，以得到作为所述待去噪样本图像的磁共振图像；所述待去噪样本图像的噪声包括以下至少一者：所述合并处理过程中产生的第一噪声、由于所述磁共振线圈不均匀所导致的第二噪声以及磁共振设备产生的高斯噪声。
可选地，所述待去噪样本图像中的噪声为所述第一噪声，所述构造模块403，用于根据所述多通道样本图像、所述待去噪样本图像以及对应所述第一噪声的先验知识信息构造模型训练样本。
图5是根据一示例性实施例示出的一种去除图像噪声装置的框图。如图5所示，该去去除图像噪声装置500包括：
第三获取模块501，用于获取待去噪图像；
第四获取模块502，用于获取与所述待去噪图像中的噪声对应的先验知识信息；
第一输入模块503，用于将所述待去噪图像和所述先验知识信息输入目标去噪模型，以得到所述目标去噪模型输出的去除噪声后的目标图像，其中，所述目标去噪模型是通过以下方式训练得到的：获取待去噪样本图像；获取与所述待去噪样本图像中的噪声对应的先验知识信息；根据所述待去噪样本图像以及所述先验知识信息构造模型训练样本；根据所述模型训练样本对去噪样本模型进行训练，以得到目标去噪模型，所述目标去噪模型用于去除图像中的所述噪声。
可选地，所述目标去噪模型为去除高斯噪声的模型，所述先验知识信息为高斯分布图，所述第一输入模块503，用于将所述待去噪图像和所述高斯分布图输入目标去噪模型，以得到所述目标去噪模型输出的去除高斯噪声后的目标图像。
可选地，所述待去噪图像的噪声包括所述第一噪声，所述第一输入模块503，用于将所述多通道采集图像、所述待去噪图像和所述先验知识信息输入用于去除磁共振图像中所述第一噪声的目标去噪模型，以得到所述目标去噪模型输出的去除所述第一噪声后的第一目标图像。
可选地，所述待去噪图像的噪声还包括所述第二噪声以及所述高斯噪声，所述装置还包括：
第五获取模块，用于获取对应所述第二噪声的先验知识信息；
第二输入模块，用于将所述第一目标图像和对应所述第二噪声的先验知识信息输入用于去除所述第二噪声的目标去噪模型，以得到该目标去噪模型输出的去除所述第二噪声后的第二目标图像；
第六获取模块，用于获取对应所述高斯噪声的先验知识信息；
第三输入模块，用于将所述第二目标图像和对应所述高斯噪声的先验知识信息输入用于去除所述高斯噪声的目标去噪模型，以得到该目标去噪模型输出的去除所述高斯噪声后的第三目标图像，其中，所述第三目标图像为所述磁共振图像依次去除所述第一噪声、所述第二噪声和所述高斯噪声后的图像。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种电子设备600的框图。如图6所示，该电子设备600可以包括：处理器601，存储器602。该电子设备600还可以包括多媒体组件603，输入/输出(I/O)接口604，以及通信组件605中的一者或多者。
其中，处理器601用于控制该电子设备600的整体操作，以完成上述的去噪模型的训练方法中的全部或部分步骤。存储器602用于存储各种类型的数据以支持在该电子设备600的操作，这些数据例如可以包括用于在该电子设备600上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器602可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件603可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器602或通过通信组件605发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口604为处理器601和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件605用于该电子设备600与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件605可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的去噪模型的训练方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的去噪模型的训练方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器602，上述程序指令可由电子设备600的处理器601执行以完成上述的去噪模型的训练方法。
图7是根据一示例性实施例示出的一种电子设备700的框图。如图7所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的去除图像噪声方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的去除图像噪声方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的去除图像噪声方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的去除图像噪声方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的去除图像噪声方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (15)

1.一种去噪模型的训练方法，其特征在于，包括：
获取待去噪样本图像；
获取与所述待去噪样本图像中的噪声对应的先验知识信息；
根据所述待去噪样本图像以及所述先验知识信息构造模型训练样本；
根据所述模型训练样本对去噪样本模型进行训练，以得到目标去噪模型，所述目标去噪模型用于去除图像中的所述噪声。
2.根据权利要求1所述的训练方法，其特征在于，所述获取与所述待去噪样本图像中的噪声对应的先验知识信息，包括：
获取与所述待去噪样本图像中的高斯噪声对应的高斯噪声分布图，所述先验知识信息包括所述高斯噪声分布图。
3.根据权利要求1所述的训练方法，其特征在于，所述待去噪样本图像包括M种不同类型的噪声，所述去噪样本模型包括依次相连的M个子模型，M为大于或等于2的整数；
其中，依次相连的M个子模型中的第一个子模型的输入为所述待去噪样本图像对应的去噪排序中的第一种噪声对应的先验知识信息与所述待去噪样本图像构建的模型训练样本，第N个子模型的输入为所述去噪排序中的第N种噪声对应的先验知识信息与第N-1个子模型输出的图像构建的模型训练样本，其中，N的取值范围为2到M。
4.根据权利要求1所述的训练方法，其特征在于，所述获取待去噪样本图像，包括：
获取通过磁共振线圈采集的多通道样本图像；
通过并行成像方法合并处理所述多通道样本图像，以得到作为所述待去噪样本图像的磁共振图像；
所述待去噪样本图像的噪声包括以下至少一者：所述合并处理过程中产生的第一噪声、由于所述磁共振线圈不均匀所导致的第二噪声以及磁共振设备产生的高斯噪声。
5.根据权利要求4所述的训练方法，其特征在于，所述待去噪样本图像中的噪声为所述第一噪声，所述根据所述待去噪样本图像以及所述先验知识信息构造模型训练样本，包括：
根据所述多通道样本图像、所述待去噪样本图像以及对应所述第一噪声的先验知识信息构造模型训练样本。
6.根据权利要求4所述的训练方法，其特征在于，所述待去噪样本图像中的噪声为所述第二噪声，所述先验知识信息包括线圈敏感度信息分布图；或者，
所述待去噪样本图像中的噪声为所述高斯噪声，所述先验知识信息包括高斯分布图。
7.一种去除图像噪声方法，其特征在于，包括：
获取待去噪图像；
获取与所述待去噪图像中的噪声对应的先验知识信息；
将所述待去噪图像和所述先验知识信息输入目标去噪模型，以得到所述目标去噪模型输出的去除噪声后的目标图像，其中，所述目标去噪模型是通过如权利要求1所述的训练方法训练得到的。
8.根据权利要求7所述的方法，其特征在于，所述待去噪图像包括M种不同类型的噪声，所述目标去噪模型包括依次相连的M个子目标去噪模型，M为大于或等于2的整数；
其中，依次相连的M个子目标去噪模型中的第一个子目标去噪模型的输入为所述待去噪图像对应的去噪排序中的第一种噪声对应的先验知识信息与所述待去噪图像，第N个子目标去噪模型的输入为所述去噪排序中的第N种噪声对应的先验知识信息与第N-1个子目标去噪模型输出的图像，其中，N的取值范围为2到M。
9.根据权利要求7所述的方法，其特征在于，所述待去噪图像为磁共振图像，所述磁共振图像是对多通道采集图像进行合并处理得到的，且所述多通道采集图像是基于磁共振线圈采集得到的，所述待去噪图像的噪声包括以下至少一者：所述合并处理过程中产生的第一噪声、由于所述磁共振线圈不均匀所导致的第二噪声以及磁共振设备产生的高斯噪声。
10.根据权利要求9所述的方法，其特征在于，所述待去噪图像的噪声包括所述第一噪声，所述将所述待去噪图像和所述先验知识信息输入目标去噪模型，以得到所述目标去噪模型输出的去除噪声后的目标图像，包括：
将所述多通道采集图像、所述待去噪图像和所述先验知识信息输入用于去除磁共振图像中所述第一噪声的目标去噪模型，以得到所述目标去噪模型输出的去除所述第一噪声后的第一目标图像。
11.根据权利要求10所述的方法，其特征在于，所述待去噪图像的噪声还包括所述第二噪声以及所述高斯噪声，所述方法还包括：
获取对应所述第二噪声的先验知识信息；
将所述第一目标图像和对应所述第二噪声的先验知识信息输入用于去除所述第二噪声的目标去噪模型，以得到该目标去噪模型输出的去除所述第二噪声后的第二目标图像；
获取对应所述高斯噪声的先验知识信息；
将所述第二目标图像和对应所述高斯噪声的先验知识信息输入用于去除所述高斯噪声的目标去噪模型，以得到该目标去噪模型输出的去除所述高斯噪声后的第三目标图像，其中，所述第三目标图像为所述磁共振图像依次去除所述第一噪声、所述第二噪声和所述高斯噪声后的图像。
12.一种去噪模型的训练装置，其特征在于，包括：
第一获取模块，用于获取待去噪样本图像；
第二获取模块，用于获取与所述待去噪样本图像中的噪声对应的先验知识信息；
构造模块，用于根据所述待去噪样本图像以及所述先验知识信息构造模型训练样本；
训练模块，用于根据所述模型训练样本对去噪样本模型进行训练，以得到目标去噪模型，所述目标去噪模型用于去除图像中的所述噪声。
13.一种去除图像噪声装置，其特征在于，包括：
第三获取模块，用于获取待去噪图像；
第四获取模块，用于获取与所述待去噪图像中的噪声对应的先验知识信息；
第一输入模块，用于将所述待去噪图像和所述先验知识信息输入目标去噪模型，以得到所述目标去噪模型输出的去除噪声后的目标图像，其中，所述目标去噪模型是通过如权利要求1所述的训练方法训练得到的。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-11中任一项所述方法的步骤。
15.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-11中任一项所述方法的步骤。
CN202010746975.4A 2020-07-29 2020-07-29 去噪模型的训练方法及去除图像噪声方法、相关装置 Pending CN112001856A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010746975.4A CN112001856A (zh) 2020-07-29 2020-07-29 去噪模型的训练方法及去除图像噪声方法、相关装置
US17/387,075 US20220036516A1 (en) 2020-07-29 2021-07-28 Training methods of a denoising model and image denoising methods and apparatuses

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010746975.4A CN112001856A (zh) 2020-07-29 2020-07-29 去噪模型的训练方法及去除图像噪声方法、相关装置

Publications (1)

Publication Number Publication Date
CN112001856A true CN112001856A (zh) 2020-11-27

Family

ID=73462552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010746975.4A Pending CN112001856A (zh) 2020-07-29 2020-07-29 去噪模型的训练方法及去除图像噪声方法、相关装置

Country Status (2)

Country Link
US (1) US20220036516A1 (zh)
CN (1) CN112001856A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950501A (zh) * 2021-02-26 2021-06-11 平安科技（深圳）有限公司 基于噪声场的图像降噪方法、装置、设备及存储介质
CN115905817A (zh) * 2022-12-20 2023-04-04 无锡鸣石峻致医疗科技有限公司 一种多通道非均匀场信号降噪方法、装置和存储介质
CN116109524A (zh) * 2023-04-11 2023-05-12 中国医学科学院北京协和医院 磁共振图像通道合并方法、装置、电子设备及存储介质
CN117744011A (zh) * 2024-02-18 2024-03-22 西安多普多信息科技有限公司 噪声溯源方法、装置、存储介质和电子设备

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565540B (zh) * 2022-04-30 2022-07-22 深圳市巨力方视觉技术有限公司 基于多路对照图像去噪用机器视觉集成***
CN115631103B (zh) * 2022-10-17 2023-09-05 北京百度网讯科技有限公司 图像生成模型的训练方法和装置、图像生成方法及装置
CN116563174B (zh) * 2023-07-11 2023-09-29 江西师范大学 一种图像的重建方法、装置和计算机存储介质
CN117036197A (zh) * 2023-08-18 2023-11-10 杭州食方科技有限公司 图像去噪模型生成方法、装置、设备和计算机可读介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749600A (zh) * 2012-05-30 2012-10-24 苏州安科医疗***有限公司 一种磁共振多通道图像的合成方法
US20170076170A1 (en) * 2015-09-15 2017-03-16 Mitsubishi Electric Research Laboratories, Inc. Method and system for denoising images using deep gaussian conditional random field network
CN109171727A (zh) * 2018-09-20 2019-01-11 上海东软医疗科技有限公司 一种磁共振成像方法和装置
CN110858391A (zh) * 2018-08-23 2020-03-03 通用电气公司 患者专用的深度学习图像降噪方法和***
CN111429421A (zh) * 2020-03-19 2020-07-17 北京推想科技有限公司 模型生成方法、医学图像分割方法、装置、设备及介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7282487B2 (ja) * 2018-06-07 2023-05-29 キヤノンメディカルシステムズ株式会社 医用画像診断装置
TW202027028A (zh) * 2018-08-15 2020-07-16 美商超精細研究股份有限公司 用於抑制磁共振影像中之假像之深度學習技術
US10915990B2 (en) * 2018-10-18 2021-02-09 General Electric Company Systems and methods for denoising medical images with deep learning network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749600A (zh) * 2012-05-30 2012-10-24 苏州安科医疗***有限公司 一种磁共振多通道图像的合成方法
US20170076170A1 (en) * 2015-09-15 2017-03-16 Mitsubishi Electric Research Laboratories, Inc. Method and system for denoising images using deep gaussian conditional random field network
CN110858391A (zh) * 2018-08-23 2020-03-03 通用电气公司 患者专用的深度学习图像降噪方法和***
CN109171727A (zh) * 2018-09-20 2019-01-11 上海东软医疗科技有限公司 一种磁共振成像方法和装置
CN111429421A (zh) * 2020-03-19 2020-07-17 北京推想科技有限公司 模型生成方法、医学图像分割方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FAN LIU 等: "The classification and denoising of image noise based on deep neural networks", 《APPLIED INTELLIGENCE》, vol. 50, 2 March 2020 (2020-03-02), pages 3 - 4 *
王国良 等: "《信息网络安全测试与评估》", 国防工业出版社, pages: 263 - 265 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950501A (zh) * 2021-02-26 2021-06-11 平安科技（深圳）有限公司 基于噪声场的图像降噪方法、装置、设备及存储介质
WO2022178975A1 (zh) * 2021-02-26 2022-09-01 平安科技（深圳）有限公司 基于噪声场的图像降噪方法、装置、设备及存储介质
CN112950501B (zh) * 2021-02-26 2023-10-13 平安科技（深圳）有限公司 基于噪声场的图像降噪方法、装置、设备及存储介质
CN115905817A (zh) * 2022-12-20 2023-04-04 无锡鸣石峻致医疗科技有限公司 一种多通道非均匀场信号降噪方法、装置和存储介质
CN115905817B (zh) * 2022-12-20 2023-11-03 无锡鸣石峻致医疗科技有限公司 一种多通道非均匀场信号降噪方法、装置和存储介质
CN116109524A (zh) * 2023-04-11 2023-05-12 中国医学科学院北京协和医院 磁共振图像通道合并方法、装置、电子设备及存储介质
CN117744011A (zh) * 2024-02-18 2024-03-22 西安多普多信息科技有限公司 噪声溯源方法、装置、存储介质和电子设备
CN117744011B (zh) * 2024-02-18 2024-05-24 西安多普多信息科技有限公司 噪声溯源方法、装置、存储介质和电子设备

Also Published As

Publication number Publication date
US20220036516A1 (en) 2022-02-03

Similar Documents

Publication Publication Date Title
CN112001856A (zh) 去噪模型的训练方法及去除图像噪声方法、相关装置
CN111833251B (zh) 一种三维医学图像超分辨率重建方法及装置
CN110533607B (zh) 一种基于深度学习的图像处理方法、装置及电子设备
CN113180636B (zh) 干扰消除方法、介质及设备
CN111862251A (zh) 医学图像重建技术的方法、装置、存储介质和电子设备
CN111028212B (zh) 关键点检测方法、装置、计算机设备和存储介质
CN110490947B (zh) 核磁共振图像重建方法、装置、存储介质及终端设备
CN109697446B (zh) 图像关键点提取方法、装置、可读存储介质及电子设备
McEwen et al. Sparse image reconstruction on the sphere: implications of a new sampling theorem
CN111210484A (zh) 医学图像生成方法、模型训练方法、装置及介质
Li et al. Signal denoising with random refined orthogonal matching pursuit
WO2021217135A1 (en) System and method for electromagnetic interference mitigation for portable mri systems
CN112270200A (zh) 一种文本信息的翻译方法、装置、电子设备和存储介质
CN111091517B (zh) 一种残差加权成像方法和装置
CN115115593A (zh) 一种扫描处理方法、装置、电子设备及存储介质
CN112435266A (zh) 一种图像分割方法、终端设备及计算机可读存储介质
CN112037141A (zh) 图像去噪方法、装置、存储介质及电子设备
Tripathi et al. Denoising of magnetic resonance images using discriminative learning-based deep convolutional neural network
CN111275783B (zh) 磁共振图像的相位解缠方法、装置及磁共振成像***
Umamaheswari et al. Hybrid Denoising method for removal of mixed noise in medical images
CN113705553B (zh) 视觉任务执行方法、装置、电子设备、存储介质及***
CN114972565A (zh) 图像的降噪方法、装置、电子设备及介质
Xu et al. Denoising model for parallel magnetic resonance imaging images using higher‐order Markov random fields
CN114119377A (zh) 一种图像处理方法及装置
Yang et al. Median filter based compressed sensing model with application to MR image reconstruction

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