[发明专利]一种斑点噪声抑制方法、超声设备及存储介质

权利要求书

1.一种斑点噪声抑制方法，其特征在于，包括：

根据BM3D算法获取训练超声图像组的斑点噪声分布图；

将所述斑点噪声分布图与训练超声图像组的原图输入至神经网络进行训练，得到训练模型；

根据所述训练模型对待测试超声图像组进行抑噪处理，得到待测试超声图像组的抑噪图像。

2.根据权利要求1所述的斑点噪声抑制方法，其特征在于，所述根据BM3D算法获取训练超声图像组的斑点噪声分布图，包括：

根据BM3D算法对训练超声图像组进行斑点噪声抑制处理，得到噪声抑制图像组；

将训练超声图像组的原图与噪声抑制图组进行处理得到不同差值的相消干涉斑点噪声分布图像和相长干涉斑点噪声分布图像。

3.根据权利要求2所述的斑点噪声抑制方法，其特征在于，所述将训练超声图像组的原图与噪声抑制图组进行处理得到不同差值的相消干涉斑点噪声分布图像和相长干涉斑点噪声分布图像，包括：

将训练超声图像组的原图减去所述噪声抑制图组，得到相长干涉斑点噪声分布图像；

将所述噪声抑制图组减去所述训练超声图像组的原图，得到相消干涉斑点噪声分布图像。

4.根据权利要求3所述的斑点噪声抑制方法，其特征在于，所述将所述斑点噪声分布图与训练超声图像组的原图输入至神经网络进行训练，得到训练模型，包括：

将所述斑点噪声分布图与训练超声图像组的原图作为训练数据输入至UNet网络进行训练，得到训练模型。

5.根据权利要求4所述的斑点噪声抑制方法，其特征在于，所述UNet网络采用最大值池化模块和金字塔池化模块组成的混合池化模块。

6.根据权利要求4所述的斑点噪声抑制方法，其特征在于，所述UNet网络的损失函数为：

其中，表示预估值，α表示常量，p表示预估值为1的概率，γ表示权重控制系统。

7.根据权利要求1所述的斑点噪声抑制方法，其特征在于，所述根据所述训练模型对待测试超声图像组进行抑噪处理，得到待测试超声图像组的抑噪图像，包括：

根据所述训练模型对待测试超声图像组进行处理，得到预测噪声分布图组；

根据所述预测噪声分布图组对所述待测试超声图像组进行抑噪处理，得到待测试超声图像组的抑噪图像。

8.一种超声设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器通信连接，所述存储器用于存储计算机指令，所述处理器用于加载并执行所述计算机指令，以实现权利要求1至7中任意一项所述的斑点噪声抑制方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任意一项所述的斑点噪声抑制方法。