[发明专利]基于三维全卷积神经网络的结构磁共振图像去噪方法

说明书

本发明涉及一种基于三维全卷积神经网络的结构磁共振图像去噪方法，首先对无噪结构磁共振图像和含噪结构磁共振图像进行预处理，并构建训练数据集和标签数据集，然后构建多层三维全卷积神经网络，将训练数据集输入到构建的神经网络中进行训练，获得学习后的多层三维全卷积神经网络模型，将测试含噪结构磁共振图像输入到学习后的多层三维全卷积神经网络中，得到去噪结构磁共振图像。本发明的去噪方法，没有破坏图像的空间结构，能够充分利用磁共振图像的多维结构化特征，保留了原始数据的三维空间信息，提高了去噪精度。同时本发明无需任何先验知识，并且能够实现任意尺寸、任意噪声类型和浓度的三维结构化图像去噪，应用范围广。

技术领域

本发明属于图像去噪领域，尤其涉及一种基于三维全卷积神经网络的结构磁共振图像去噪方法。

背景技术

作为一类非侵入式高空间分辨率成像的技术手段，结构磁共振图像已经被广泛用于医疗诊断。然而，由于受到设备、技术和被试等方面的限制，尤其是在高分辨率和高速采集要求下，结构磁共振图像通常遭受到严重随机噪声污染。从而影响图像成像质量，为后续的医学诊断带来了一定的困难，并且将大大降低后续磁共振图像分析，如配准，分割等的可靠程度。

目前，结构磁共振图像去噪方法分为两类：采集过程中图像去噪和采集后图像去噪。采集过程中图像去噪主要是多次采集图像并进行简单平均达到提高信噪比的目的。简单平均去噪方法较为简单，但是数据采集需要耗费较多的时间。由于MRI图像的噪声分布通常满足瑞利分布，采集后图像去噪主要是指根据MRI图像的噪声特点，采用数字图像增强方法对采集到的磁共振图像进行去噪处理，从而达到提升图像视觉质量的效果。采集后图像去噪方法主要包基于滤波方法和基于学习方法。基于滤波的去噪方法主要利用噪声是高频信息的特点，在时域或者频域对图像进行滤波从而达到去噪的目的。基于学习的去噪方法假设无噪图像和噪声图像之间存在某种通用的映射关系，从大量无噪样本和对应的噪声样本中学习先验知识和规则，即学习现有无噪图像和噪声图像之间的映射关系，从而利用学习到的映射关系将噪声图像变换为无噪图像，从而实现去噪。

最常见的滤波方法是低通高斯滤波，其基本思想是根据像素邻接点的空间距离进行加权平均。然而它在移除噪声的同时，容易模糊边缘。为了保留图像边缘信息，大量基于梯度的滤波方法被提出，如各向异性扩散滤波、和非线性全变分算法,并用于磁共振图像去噪。虽然基于梯度的滤波方法能够保留边缘，但是容易丢失细节信息。基于变换的滤波方法对磁共振图像进行各类变换，如小波变换，离散余弦变换等，从而在频率域实现图像去噪。目前非局部去噪算法得到了极大的关注。最经典的非局部算法是非局部均值滤波。它在某个局部区域搜索相似局部模式，并根据其相似程度自适应权值，最后进行加权平均。尽管非局部均值滤波取得了一定的去噪效果，它通过在局部区域搜索和自身相似的模式从而达到去噪效果，而且在某些情况下，很难找到自相似模式。

为了高效利用自相似和模式的稀疏性，稀疏编码被应用到图像去噪，将图像分成过完备图像块，采用字典学习方法从噪声图像或者高质量无噪图像中学习字典。然而，基于稀疏编码的去噪方法要求将图像块进行向量化，破坏了图像的结构化空间信息，并且受限于字典尺寸，不能处理任意尺寸的图像。

现有大部分去噪方法主要用于处理自然图像，并且需要事先给定噪声的类型和方差，或者假设噪声满足某种概率分布。然而在现实应用中，无法预知噪声的类型和方差，而且实际噪声也不满足某种特定的概率分布，因此去噪效果难以令人满意。更进一步，一些基于学习的去噪方法，如稀疏编码等，从图像中提取图像块，并将其向量化，从而用于训练稀疏字典，严重破坏了图像的空间结构。