[发明专利]基于噪声先验的CNN医学CT图像去噪方法

说明书

基于噪声先验的CNN医学CT图像去噪，具体步骤如下：步骤1)创建医学CT图像模型；步骤2)构建噪声先验信息提取网络；步骤3)构建去噪网络；步骤4)训练噪声先验信息提取网络并更新参数；步骤5)训练去噪网络的训练并更新参数；步骤6)医学CT图像去噪；本发明具有以下优点和创新：提出了使用医学CT图像的噪声先验信息进行去噪；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；噪声先验信息提取网络对CT医学图像进行噪声信息提取，以获取更多图像信息；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，并输入到去噪网络；在网络中加入了BN层，提高了网络的泛化能力，加快网络收敛速度，提高网络去噪性能。

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图像的基于噪声先验的CNN医学CT图像去噪方法。

技术背景

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。

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。

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。

发明内容

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。

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。

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。

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：

步骤1)创建医学CT图像模型：

创建医学CT图像模型采用高斯噪声模型，其数学表达式为：

Y＝X+V (1)