[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

说明书

本发明公开一种基于噪声生成网络的牙齿CT图像盲去噪方法，通过训练噪声生成网络和噪声去除网络，构建噪声去除网络的训练模型，从而实现对牙齿CT图像进行盲去躁。首先，将L0滤波器的输出结果作为牙齿CT图像的标签，构建牙齿CT的伪图像对，用以训练噪声生成网络来估计真实噪声分布；然后将学到的真实噪声分布迁移到干净的肺部CT图像上，从而在肺部CT上生产含有真实噪声的图像，构建新的肺部CT的伪图像对，用以训练去噪网络从而实现对牙齿CT图像去噪且能够很好地保留边缘细节，满足医生准确诊断口腔疾病的图像要求。

技术领域

本发明涉及一种图像去噪方法，尤其是一种基于噪声生成网络的牙齿CT图像盲去噪方法。

背景技术

牙齿CT图像作为医生诊断口腔疾病的重要手段，已在临床医学中发挥着重要的作用。然而，在生成牙齿CT图像的过程中，通常会受到各种干扰(传输介质误差、电子和光度异常等)，使得实际的牙齿CT图像含有混合噪声，导致牙齿CT图像出现模糊、边界不清等现象，对准确诊断造成很大的影响。

传统的去噪方法大多基于滤波和先验模型，在一定程度上可以消除噪声，但通常容易忽略图像的细节特征，难以捕获完整的边缘信息，不适用于对于需要尽可能保留原始图像信息的牙齿CT图像的去躁处理。目前基于深度学习的图像去噪算法也被广泛应用于各种领域，其神经网络模型可以在训练过程中快速地收敛，可降低计算复杂度并能获得较好的去噪结果。然而，多数深度学习去噪方法依赖成对的训练数据，即噪声图像和对应的干净图像。但对于含有真实噪声的牙齿CT图像，难以获取其干净图像，以至于目前已有的深度学习技术难以对牙齿CT图像进行有效地去噪。

发明内容

本发明为了解决现有技术所存在的上述技术问题，提供一种基于噪声生成网络的牙齿CT图像盲去噪方法。

本发明的技术解决方案是：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，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