[发明专利]一种基于Gabor滤波的深度学习医学图像去噪方法

说明书

本发明公开了一种基于Gabor滤波的深度学习医学图像去噪方法，本发明的方法提出了一种包含Transformer与Gabor滤波的医学图像去噪模型BGFormer，利用使用变分贝叶斯方法推理的Gabor滤波来代替传统卷积增强了边缘检测的能力。加上局部增强窗口(LeWin)Transform模块构造的编码‑解码网络与跳层连接结构，在获取局部上下文的同时，能显著降低高分辨率特征图的计算复杂度。本发明提出的方法与之前的基于深度学习的针对医学图像方向的去噪算法相比，在峰值信噪比(PSNR)，均方根误差(RMSE)，结构相似性(SSIM)指标上也展示了更加先进的性能。

技术领域

本发明涉图像去噪领域，是一种基于Gabor滤波的深度学习医学图像去噪方 法。

背景技术

为了保证信息的完整性，图像预处理的效果是非常重要的，直接影响到后续 图像高级处理的效果，如图像分类，分割以及目标识别等任务。传统的图像去噪 主要分为两大类，一种是在图像所处的空间域进行特征计算，一种是在变换域中 间接地进行特征计算。其中在过去几十年或现在还在用的算法有，将目标位置像 素灰度值与邻接的所有像素值放入窗口中取其中值的中值滤波法；对整体图像进 行加权平均的高斯滤波法；用均值代替所有窗口内的像素的均值滤波法；使均方 误差最小的维纳滤波法；对图片信号在频域里处理的基于傅里叶滤波的算法；结 合了空间域和变换域的BM3D((Dabov K,Foi A,KatkovnikV,et al.Image denoising by sparse 3-D transform-domain collaborativefiltering[J]. IEEE Transactions on image processing,2007,16(8):2080-2095.))算法等。 到目前为止，传统算法中效果最好的是以BM3D为首的一些两域相结合的算法。 这类算法跟单域算法比，恢复的图像细节更多，噪点更少，但很难在工业实践中 落地，因为算法的复杂度太高，现在计算机的计算能力不足以在几秒之内得到想 要的结果，往往一张图像需要处理几分钟甚至以上的时间。

由于数据量的限制以及随之而来的传统方法的低准确率，数据高效的深度学 习方法也在该领域具有巨大的潜力。已经有研究表明简单的卷积神经网络可用于 抑制LDCT图像的噪声。现有论文中提出的模型表明编码器-解码器网络在医学图 像去噪方面是有效的。U-Net使用一种编码器-解码器架构，这种架构的优势在 于：编码器能通过使用卷积层级联来提取高级语义表示，解码器利用跳层连接来 重用编码器的高分辨率特征图，这样的设计可以让网络从高级表示中恢复丢失的 空间信息。但此类网络在处理形态复杂的医学图像时，往往因为医学图像自身形 态复杂，构造相似度低等特点，难以处理局部的感官模糊，以及各器官的形态不 一。由此带来全卷积网络的局限性：无法模拟长期上下文交互和环境依附性。同 样会在对比实验中出现的基于卷积神经网络的算法还有REDCNN(Chen H,Zhang Y, Kalra M K,et al.Low-dose CT with a residual encoder-decoderconvolutional neural network[J].IEEE transactions on medical imaging, 2017,36(12):2524-2535.)WGAN(Adler J,Lunz S.Banach wasserstein gan[J]. Advances inNeural Information Processing Systems,2018,31.)， TEDNet(Wang D,Wu Z,Yu H.TED-net:Convolution-free T2T Vision Transformer-based Encoder-decoder Dilationnetwork for Low-dose CT Denoising[C]//International Workshop on MachineLearning in Medical Imaging.Springer,Cham,2021:416-425.),RIDNet(Zhuo S,Jin Z,Zou W,et al.Ridnet:Recursive information distillation network for color imagedenoising[C]//Proceedings of the IEEE/CVF International Conference onComputer Vision Workshops.2019:0-0.),NBNet(Cheng S,Wang Y,Huang H, etal.Nbnet:Noise basis learning for image denoising with subspace projection[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and PatternRecognition.2021:4896-4906.),EDCNN(Liang T,Jin Y,Li Y, et al.Edcnn:Edgeenhancement-based densely connected network with compound loss for low-dosect denoising[C]//2020 15th IEEE International Conference on Signal Processing(ICSP).IEEE,2020,1:193-198.)等。 Transformer在过去的几年中取得了优异的成绩，它从自然语言处理和文本嵌入 (NLP)任务开始大展身手并显示出捕捉远程关系的卓越能力。鉴于此，许多研究 人员尝试将基于Transformer的架构应用于视觉领域，并在图像分类、目标检测、 语义分割等任务中取得了令人振奋的结果。然而，Transfomer与现有的卷积神 经网络在性能和计算成本方面仍有差距。虽然已有许多成果成功地将 Transfomer应用于视觉任务，如Uformer(Wang Z,Cun X,Bao J,et al.Uformer: A general u-shapedtransformer for image restoration[J].arXiv preprint arXiv:2106.03106,2021.)但与传统的CNN相比，其效果并不理想，而CNN仍然 是视觉应用的主要架构。