[发明专利]一种基于噪声生成网络的牙齿CT图像盲去噪方法

权利要求书

1.一种基于噪声生成网络的牙齿CT图像盲去噪方法，将待去躁处理的牙齿CT图像输入噪声去除网络的训练模型model_Removal.pt中完成去噪，其特征在于所述训练模型model_Removal.pt依次按照如下步骤建立：

步骤1：取M张含真实噪声的牙齿CT图像记为真实图像数据集使用L0滤波器对真实图像数据集进行平滑处理，得到对应的滤波结果记为滤波图像数据集构建第一组训练数据对

步骤2：通过去噪器将真实图像数据集映射得到去噪图像数据集构成伪干净图像数据集采用L1Loss方法对伪干净图像数据集进行约束，得到伪干净图像对

步骤3：通过生成器将滤波图像数据集映射得到噪声图像数据集构成伪噪声图像数据集采用L1Loss方法对伪噪声图像数据集进行约束，得到伪噪声图像对

步骤4：采用判别器训练去噪器和生成器，使伪干净图像对和伪噪声图像对逼近第一组训练数据对判别器根据对抗损失进行更新，设置当epoch达到60次时，网络停止训练并保存噪声生成网络的训练模型model_Generation.pt；

步骤5：取LIDC/IDRI数据库中的N张干净的肺部CT图像为肺部干净图像数据集将训练模型model_Generation.pt导入测试代码并向生成器输入肺部干净图像数据集得到对应合成噪声图像数据集构建第二组训练数据对

步骤6：将合成噪声图像合成噪声图像数据集依次经过卷积层Conv_1、通道注意力模块Module_CAM、空间注意力模块Module_SAM和卷积层Conv_2，得到浅层特征图数据集

步骤7：将浅层特征图数据集依次通过分别记为Module_RDB₁和Module_RDB₂的两个残差密集块，得到深层特征图数据集所述每个残差密集块是由三个卷积层及ReLU激活层、跳跃连接、一个1×1卷积层Conv_pro1以及局部残差学习构成；

步骤8：将深层特征图数据集依次经过1×1卷积层Conv_pro2和卷积层Conv_3进一步提取特征用于全局残差学习，得到全局特征图数据集

步骤9：采用噪声去除网络求全局特征图数据集和肺部干净图像数据集中对应序号图像之间的差异，噪声去除网络根据最小损失函数更新，设置当epoch’达到800次时，网络停止训练并保存噪声去除网络的训练模型model_Removal.pt。