[发明专利]基于三维全卷积神经网络的结构磁共振图像去噪方法

摘要

本发明涉及一种基于三维全卷积神经网络的结构磁共振图像去噪方法，首先对无噪结构磁共振图像和含噪结构磁共振图像进行预处理，并构建训练数据集和标签数据集，然后构建多层三维全卷积神经网络，将训练数据集输入到构建的神经网络中进行训练，获得学习后的多层三维全卷积神经网络模型，将测试含噪结构磁共振图像输入到学习后的多层三维全卷积神经网络中，得到去噪结构磁共振图像。本发明的去噪方法，没有破坏图像的空间结构，能够充分利用磁共振图像的多维结构化特征，保留了原始数据的三维空间信息，提高了去噪精度。同时本发明无需任何先验知识，并且能够实现任意尺寸、任意噪声类型和浓度的三维结构化图像去噪，应用范围广。

主权项

一种基于三维全卷积神经网络的结构磁共振图像去噪方法，其特征在于，所述方法包括：步骤1：对无噪结构磁共振图像和与其对应的含噪结构磁共振图像进行预处理，并构建训练数据集和标签数据集；步骤11：输入标准格式的无噪结构磁共振图像和含噪结构磁共振图像，进行格式转换；步骤12：将转换格式后的无噪结构磁共振图像和含噪结构磁共振图像移除头骨部分，只保留脑区部分；步骤13：对移除头骨后的无噪结构磁共振图像和含噪结构磁共振图像进行归一化处理，将其归一化到[0‑1]区间；步骤14：对归一化处理后的无噪结构磁共振图像和含噪结构磁共振图像采用滑动窗方式在三维空间上分别提取多个无噪三维图像块和含噪三维图像块，其中，由所述含噪三维图像块构成训练数据集，由所述无噪三维图像块构成标签数据集；步骤2：构建多层三维全卷积神经网络，所述多层三维全卷积神经网络包括一个输入层、至少五层三维卷积层和与所述三维卷积层一一对应的三维解卷积层以及一个融合层；步骤21：所述输入层用于接收所述训练数据集；步骤22：构建至少五层三维卷积层和三维解卷积层，每个三维卷积层由多个三维卷积核构成，其中，所述三维卷积层和所述三维解卷积层依次交替出现在输入层和融合层之间，所述三维卷积层的数学表示为：fpi,jxyz=f(bi,j+ΣkKΣl1=0L1Σl2=0L2Σl3=0L3wijkl1l2l3fpi-1,k(x+l1)(y+l2)(z+l3),0)]]>其中，表示第i层第j个的三维特征映射，f(x,0)表示ReLU激活函数，bi,j表示偏置，表示第i层第k个三维卷积核，其尺寸为L1×L2×L3；步骤23：构建融合层，所述融合层为一个三维卷积核构成的三维卷积层；步骤3：将所述训练数据集输入到步骤2构建的三维全卷积神经网络中进行训练，获得学习后的多层三维全卷积神经网络模型；步骤31：将所述训练数据集分成多批训练数据，并初始化步骤2构建的三维全卷积神经网络中所有的三维卷积层和三维解卷积层中的卷积核权重和偏置对损失函数导数为0，即：△W(l)＝0△b(l)＝0其中，W表示卷积核权重，b表示偏置对损失函数，l表示第l层；步骤32：每次输入一批训练数据到步骤2构建的多层三维全卷积神经网络中的输入层；步骤33：将步骤32中获得的训练数据与后续的三维卷积层和三维解卷积层中各个节点参数进行计算，实现网络训练的前向传播，最后通过融合层，获得输出数据；步骤34：利用欧式距离，计算所述输出数据和所述标签数据集的误差；E=Σi,j,k=0I,J,K||Xijk-X‾ijk||2]]>其中，I,J,K表示三维样本的尺寸；步骤35：基于步骤34计算的误差，采用梯度下降法，反向计算卷积核权重和偏置对损失函数的倒数和并对其累加到△W(l)和△b(l)，即：ΔW(l)=ΔW(l)+▿W(l)J(W,b;x,y)]]>Δb(l)=Δb(l)+▿b(l)J(W,b;x,y)]]>步骤36：重复步骤32至步骤35，直到所有批次的训练数据处理完毕，完成一次迭代，根据上述△W(l)和△b(l)，采用批量梯度下降算法，得到更新后网络参数，数学表示如下：W(l)=W(l)-α[(1mΔW(l))+λW(l)]]]>b(l)=b(l)-α[1mΔb(l)]]]>其中，m表示训练样本的批数，α为学习率，λ为动能；步骤37：重复步骤32至步骤36，直到达到预设的迭代次数；步骤4：将测试含噪结构磁共振图像输入到步骤3训练好的多层三维全卷积神经网络模型中，输出去噪结构磁共振图像；步骤41：将测试含噪结构磁共振图像输入到步骤3训练好的卷积神经网络模型的输入层；步骤42：将步骤41接收的测试含噪结构磁共振图像从前向后依次和多个卷积层和解卷积层进行运算，最后在融合层输出去除噪声后的去噪结构磁共振图像。