[发明专利]基于多特征提取的CNN医学CT图像去噪方法

说明书

基于多特征提取的CNN医学CT图像去噪，具体步骤如下：步骤1)构建医学CT图像模型；步骤2)构建网络模型；步骤3)训练网络和更新参数；步骤4)对医学CT图像进行去噪，向构建好的网络模型中输入含噪声的医学CT图像，网络输出去除噪声后的医学CT图像。本发明具有以下优点：提出了医学图像处理中的多特征提取医学CT图像去噪；构造的神经网络模型中使用PReLU激活函数提升网络的去噪性能；采用残差学习的方式针对图像中的噪声学习，可以提升神经网络的训练效率；采用多特征提取的卷积神经网络方法，能够捕捉图像中更多的特征信息。

技术领域

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图像的基于多特征提取的CNN医学CT图像去噪方法。

技术背景

在医学图像处理领域中，解决图像的噪声问题是重要的研究方向。医学图像在采集、传输的过程中会受到各种因素的影响，使得图像产生噪声，这会影响实际的临床诊断。基于这些问题，已经有一些解决医学图像噪声的方法，并取得了一定的实际效果。对于医学图像的处理主要包含超声成像、CT、MRI等图像。对于医学CT图像成像原理主要是由电子计算机断层扫描得到的，利用精确准直的X线束、Y射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作为一个接一个的断层扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。根据所采用的射线种类可分为:X射线CT(X-CT)、超声CT(UCT)、Y射线CT(Y-CT)等。

在医学CT图像中噪声的表现是各像素CT值参差不齐，图像呈颗粒性，影响密度分辨力等。噪声的产生是由于低光子吸收、低辐射剂量、设备、图像传输过程中数据丢失、图像重构等因素构成的。

医学CT图像在成像的过程中会受到物理因素的影响，斑点噪声的存在严重影响了CT图像的质量，导致医学CT图像质量较差。斑点噪声在医学CT图像中会掩盖那些灰度差别很小的图像特征，这将会干扰医学图像的诊断。

在运用传统的图像去噪方法过程中可能会破坏图像的结构信息，例如图像的边缘特征信息等。随着机器学习和深度学习的发展，出现了一些基于这方面知识的医学图像去噪方法。如自动编码器图像去噪、MLP多层感知器图像去噪等方法。还有基于卷积神经网络的相关图像去噪方法。这些方法在实际运用过程中具有一定的复杂性。机器学习和深度学习的图像去噪方法比较依赖数据集的数量和质量，还有这些方法需要经过长时间的训练来得到去噪模型，由于这些方法在设计过程中存在一些不足，导致得到的图像去噪模型还有待于提升。

发明内容

本发明要克服现有技术的上述缺点，提供一种基于多特征提取的医学CT图像去噪方法。

本发明的目的在于提高医学CT图像的去噪效果。对医学CT图像进行去噪处理后，有利于医生在实际临床诊断中做出正确的诊断。本发明用于解决医学CT图像去噪问题。

本发明将卷积神经网络图像处理中的多特征提取方法运用到医学CT图像去噪中。发明了具有在图像处理过程中进行多特征提取并对这些特征进行串联的医学CT图像去噪方法。训练得到的图像去噪模型在去噪过程中采用残差学习方法对噪声的特征信息提取和学习。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。

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，基于多特征提取的CNN医学CT图像去噪方法，具体步骤如下：

步骤1)构建医学CT图像模型；

1.1构建医学CT电信号模型；

医学CT图像的模型主要由两部分组成，既有效的人体组织反射信号和无效的噪声信号，而噪声信号则包括乘性噪声和加性噪声，其中加性噪声相对于乘性噪声来说对CT图像的影响非常微小。所以考虑乘性噪声，CT电信号的通用模型s(x,y)表示为：

s(x,y)＝r(x,y)n(x,y) (1)