基于噪声先验的CNN医学CT图像去噪方法与流程

基于噪声先验的cnn医学ct图像去噪方法
技术领域
[0001]
本发明涉及医学图像去噪领域，主要涉及医学ct图像，具体涉及一种适用于医学ct图像的基于噪声先验的cnn医学ct图像去噪方法。
技术背景
[0002]
由于医学ct图像可以简单便捷的获取病人的数据信息，医学图像处理逐渐得到人们的重视。通过利用来自各种技术手段获得的医学ct图像已经成为广大医务人员工作和生活中不可缺少的一部分，帮助医生对疾病进行准确的分析和全面的诊断。随着当前获取的病人数据量的不断增加，其病症也逐步呈现多样性的趋势，给病人做出科学的医学诊断和准确的治疗带来的巨大的挑战。
[0003]
在数字化采集数据和传输数据的过程中，医学ct图像往往会在这个过程中受到噪声的干扰。大多数真实的医学图像都是噪声图像。这对医学图像的分析有很大的影响。医学图像去噪是图像预处理阶段的重要任务之一。噪声的类型也不同，如椒盐噪声、高斯噪声等。在医学ct图像中，噪声会直接影响医生对诊断结果的判断。
[0004]
在传统的非机器学习去噪方法，例如线性滤波法、中值滤波法、维纳滤波法等，会弱化图像的细节特征，丢失重要信息。随着计算机的发展，深度卷积神经网络在处理自然图像方面取得了巨大的发展。该方法通过最小化损失函数来优化深度神经网络中权重参数。其损失函数是通过累计计算噪声图像和干净图像对应位置像素的差异值获得，通过psnr、ssim等评级指标判断去噪能力。然而在进行降噪处理后的图像中会损失一些细节图像，在相对较高的噪声图像中会损失更多的细节纹理也很难做到真正的多级去噪，这就不符合去噪的目的。


技术实现要素：

[0005]
本发明要克服现有技术弊端，提供一种基于噪声先验的cnn医学ct图像去噪方法。
[0006]
本发明的目的在于提高医学ct图像的去噪效果，在以往采用的医学图像去噪方法中往往是直接将单一噪声级图像或者多噪声级图像混合作为训练数据，使得到的去噪模型仅仅可以处理有限范围内的噪声图片，这会导致神经网络模型不能充分泛化到有更加宽泛噪声级的图像中，并且在模型训练时神经网络不能充分获取图片信息。为了提高整个网络的泛化能力，本发明利用连续多个含跳跃连接的卷积神经网络对含噪声的ct图像进行噪声信息的提取，将提取出来的数据与噪声图像串行连接作为去噪网络的输入，使用提取的信息和噪声图像来优化神经网络中的参数。
[0007]
本发明的创新和优点在于：本发明充分利用卷积神经网络学习到图片噪声信息，将噪声信息与噪声图像相结合，使得去噪网络可以充分利用噪声信息进行训练，增强的去噪网络的泛化能力。为了神经网络的训练速度，本发明在去噪模型中采用bn层。最后通过仿真验证了方法的可行性也证明了对医学ct图像去噪具有一定的效果。
[0008]
为使本发明的目的、技术方案和优点更加清晰，下面就对本发明的技术方案进行
详细的描述，基于噪声先验的cnn医学ct图像去噪方法，具体步骤如下：
[0009]
步骤1)创建医学ct图像模型：
[0010]
创建医学ct图像模型采用高斯噪声模型，其数学表达式为：
[0011]
y＝x+v
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0012]
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(即正态分布)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：
[0013][0014]
其中μ表示为数学期望，σ表示为标准差；
[0015]
步骤2)构建噪声先验信息提取网络：
[0016]
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；
[0017]
步骤3)构建去噪网络：
[0018]
去噪网络分为三部分：
[0019]
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；
[0020]
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；
[0021]
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；在第二层和第五层之间只用跳跃连接；
[0022]
步骤4)训练噪声先验信息提取网络并更新参数：
[0023]
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；
[0024]
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：
[0025][0026]
θ1代表训练参数，n代表训练集中图片数量，y
i
代表噪声图，x
i
代表标签图，r(y
i
；θ2)代表估计的特征图；
[0027]
优化参数，具体包括：
[0028]
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；
[0029]
步骤5)训练去噪网络并更新参数：
[0030]
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；
[0031]
优化参数，具体包括：
[0032]
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：
[0033][0034]
θ2代表训练参数，n代表训练集中图片数量，y
i
代表噪声图和噪声水平图的串联图，x
i
代表不含噪声的干净图片，r(y
i
；θ2)代表估计的干净图像；
[0035]
步骤6)医学ct图像去噪；
[0036]
本发明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。
[0037]
本发明的网络模型实现了盲去噪处理噪声图片，不需要专门针对某一个噪声级图片进行训练。
[0038]
本发明具有以下优点：
[0039]
1.提出了使用噪声先验信息对医学ct图像去噪，增强了网络的鲁棒性，可以实现盲去噪。
[0040]
2.在cnn网络模型中加使用prelu激活函数，提高了网络的去噪性能
[0041]
3.使用跳跃连接的方式，可以使网络可以训练更深的结构。
[0042]
4.采用了bn层，可以加快网络训练的速度。
附图说明
[0043]
图1是本发明的含有高斯噪声的医学ct图像示意图；
[0044]
图2是本发明的prelu激活函数示意图；
[0045]
图3是本发明的噪声先验信息提取网络网络结构；
[0046]
图4(1)和图4(2)是本发明的去噪网络结构，其中图4(1)是去噪网络3个部分中第
1、2部分，图4(2)是去噪网络3个部分中的第3部分；
[0047]
图5是本发明的医学ct图像去噪示意图
具体实施方式：
[0048]
以下结合附图对本发明做具体的解释说明
[0049]
本发明的基于噪声先验的cnn医学ct图像去噪算法具体步骤如下：
[0050]
步骤1)创建医学ct图像模型：
[0051]
创建医学ct图像模型采用高斯噪声模型。其数学表达式为：
[0052]
y＝x+v
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0053]
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(即正态分布)的一类噪声，噪声图像如图1所示，即为高斯随机变量z概率密度函数，其数学表达式为：
[0054][0055]
其中μ表示为数学期望，σ表示为标准差；
[0056]
步骤2)构建噪声先验信息提取网络：
[0057]
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，如图2所示；
[0058]
步骤3)构建去噪网络：
[0059]
去噪网络分为三部分：
[0060]
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(prelu如图3所示)，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；
[0061]
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；
[0062]
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；在第二层和第五层之间只用跳跃连接，如图4所示；
[0063]
步骤4)训练噪声先验信息提取网络并更新参数：
[0064]
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；
[0065]
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：
[0066][0067]
θ1代表训练参数，n代表训练集中图片数量，y
i
代表噪声图，x
i
代表标签图，r(y
i
；θ2)代表估计的特征图；
[0068]
优化参数，具体包括：
[0069]
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；
[0070]
步骤5)训练去噪网络的训练并更新参数：
[0071]
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；
[0072]
优化参数，具体包括：
[0073]
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：
[0074][0075]
θ2代表训练参数，n代表训练集中图片数量，y
i
代表噪声图和噪声水平图的串联图，x
i
代表不含噪声的干净图片，r(y
i
；θ2)代表估计的干净图像；
[0076]
步骤6)医学ct图像去噪；
[0077]
本发明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，如图5所示。