神经网络的生成方法、去噪方法及其装置与流程

1.本发明涉及x射线图像技术领域，尤其涉及一种神经网络的生成方法、去噪方法及其装置。


背景技术：

2.学影像包括x射线、磁共振成像、计算机断层扫描、超声等，都容易受到噪声的影响。原因各不相同，从使用不同的图像采集技术到试图减少患者暴露在辐射下。但x射线成像随着辐射量和采集时间的减少，噪声会随之增加。过量的噪声会严重影响图像的视觉质量，从而导致医生难以观察到有用的细节信息，影响最终诊断。


技术实现要素：

3.有鉴于此，本发明的主要目的在于提供一种神经网络的生成方法、去噪方法及其装置。
4.为达到上述目的，本发明的技术方案是这样实现的：一种神经网络的生成方法，包括以下步骤：基于geant4模拟医学成像，得到n个x射线噪声图像i
α
，以及与n个x射线噪声图像i
α
一一对应的n个x射线清晰图像i
gt
，其中，n为自然数，且n≥2；创建u-net神经网络，所述u-net神经网络的损失函数为：net神经网络的损失函数为：其中，l1是l1损失函数，u是u-net神经网络，laplacian是拉普拉斯算子，用来提取边缘信息；使用n个x射线噪声图像i
α
和n个x射线清晰图像i
gt
、对所述u-net神经网络进行训练。
5.作为本发明实施例的一种改进，所述“基于geant4模拟医学成像，得到n个x射线噪声图像i
α”具体包括：基于geant4模拟医学成像，得到n个x射线噪声图像i
α
，其中，在进行模拟医学成像时，使用mdct和预设的ct数据生成ct模体。
6.作为本发明实施例的一种改进，在进行模拟医学成像时，对同一个三维ct模体得到num1个待处理噪声图像，将num2个待处理噪声图像进行叠加从而得到x射线清晰图像i
gt
，选择一个待处理噪声图像作为x射线噪声图像i
α
，从而得到一一对应的x射线噪声图像i
α
和x射线清晰图像i
gt
，其中，num1和num2均为自然数，且num2≤num1。
7.作为本发明实施例的一种改进，n个x射线清晰图像i
gt
所对应的剂量不全相同。
8.作为本发明实施例的一种改进，所述“使用n个x射线噪声图像i
α
和n个x射线清晰图像i
gt
、对所述u-net神经网络进行训练”具体包括：对每个x射线噪声图像i
α
均进行以下处理：其中，是卷积核大小为41的高斯滤波，是卷积核大小为41的高斯滤波，fb是双边滤波，是卷积操作，输入图像是卷积操作，输入图像之后，使用n个输入图像input和n个x射线清晰图像i
gt
、对所述u-net神经网络进行训练。
9.本发明实施例还提供了一种神经网络的生成装置，包括以下模块：第一数据获取模块，用于基于geant4模拟医学成像，得到n个x射线噪声图像i
α
，以及与n个x射线噪声图像i
α
一一对应的n个x射线清晰图像i
gt
，其中，n为自然数，且n≥2；第一神经网络创建模块，用于创建u-net神经网络，所述u-net神经网络的损失函数为：net神经网络的损失函数为：net神经网络的损失函数为：其中，l1是l1损失函数，u是u-net神经网络，laplacian是拉普拉斯算子，用来提取边缘信息；第一训练模块，用于使用n个x射线噪声图像i
α
和n个x射线清晰图像i
gt
、对所述u-net神经网络进行训练。
10.本发明实施例还提供了一种ct图像的去噪方法，包括以下步骤：执行上述的创建神经网络的生成方法，生成u-net神经网络；将待处理ct图像输入所述u-net神经网络，得到去噪之后的ct图像。
11.本发明实施例还提供了一种神经网络的生成方法，包括以下步骤：基于geant4模拟医学成像，得到m个x射线噪声视频v
α
，以及与m个x射线噪声视频v
α
一一对应的m个x射线清晰视频v
αgt
，其中，每个x射线噪声视频v
α
均包含有l个连续的x射线噪声视频帧均包含有l个连续的x射线噪声视频帧每个x射线噪声视频v
αgt
均包含有l个连续的x射线噪声视频帧，m和l为自然数，且m≥2，l≥2；创建u-net神经网络，所述u-net神经网络的损失函数为loss(u(input),v
αgt
)，)，其中，是卷积核大小为41的高斯滤波，是卷积核大小为41的高斯滤波，fb是双边滤波，是卷积操作，u是u-net神经网络；使用m个input和m个x射线清晰视频v
αgt
、对所述u-net神经网络进行训练。
12.本发明实施例还提供了一种神经网络的生成装置，包括以下模块：第二数据获取模块，用于基于geant4模拟医学成像，得到m个x射线噪声视频v
α
，以及与m个x射线噪声视频v
α
一一对应的m个x射线清晰视频v
αgt
，其中，每个x射线噪声视频v
α
均包含有l个连续的x射线噪声视频帧每个x射线噪声视频v
αgt
均包含有l个连续的x射线噪声视频帧，m和l为自然数，且m≥2，l≥2；第二神经网络创建模块，用于创建u-net神经网络，所述u-net神经网络的损失函数为loss(u(input),v
αgt
)，)，其中，是卷积核大小为41的高斯滤波，是卷积核大小为41的高斯滤波，fb是双边滤波，是卷积操作，u是u-net神经网络；第二训练模块，用于使用m个input和m个x射线清晰视频v
αgt
、对所述u-net神经网络进行训练。
13.本发明实施例还提供了一种ct视频的去噪方法，包括以下步骤：执行上述的创建神经网络的生成方法，生成u-net神经网络；将待处理ct视频输入所述u-net神经网络，得到去噪之后的ct视频。
14.本发明实施例所提供的药库具有以下优点：本发明实施例公开了一种神经网络的生成方法、去噪方法及其装置，该生成方法包括：基于geant4模拟医学成像，得到n个ct噪声图像，以及与n个ct噪声图像一一对应的n个ct清晰图像，其中，n为自然数，且n≥2；使用n个ct噪声图像和n个ct清晰图像、对所述u-net神经网络进行训练。从而生成能够对ct图像进行去噪的神经网络。
附图说明
15.图1为本发明实施例提供的神经网络的生成方法的流程示意图。
具体实施方式
16.以下将结合附图所示的实施方式对本发明进行详细描述。但该实施方式并不限制本发明，本领域的普通技术人员根据该实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
17.以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
18.本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本文和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
19.本发明实施例一提供了一种神经网络的生成方法，如图1所示，包括以下步骤：
20.步骤101：基于geant4模拟医学成像，得到n个ct(computed tomography，电子计算机断层扫描)噪声图像i
α
，以及与n个x射线噪声图像i
α
一一对应的n个x射线清晰图像i
gt
，其中，n为自然数，且n≥2；这里，geant4(geometry and tracking 4，几何和跟踪4)是由cern(european organization for nuclear research，欧洲核子研究组织)基于c 面向对象技术开发的蒙特卡罗应用软件包，用于模拟粒子在物质中输运的物理过程。
21.在基于geant4模拟医学成像时，需要在软件中，先设置好光源和探测器，然后将三维ct模体“放置”于光源和探测器之间，然后就可以模拟医学成像了，从而得到了n个噪声图
像i
α
，并获得与n个噪声图像i
α
一一对应的n个x射线清晰图像i
gt
，在模拟医学成像时，可以设置剂量(即模拟事例数)改变ct图像的清晰度，即剂量越大，则得到ct图像越清晰。于是，对于同一个三维ct模体而言，可以通过降低剂量，就可以得到x射线噪声图像i
α
，然后，在通过提高剂量，就可以得到x射线清晰图像i
gt
，可以理解的是，该x射线噪声图像i
α
和x射线清晰图像i
gt
是一一对应的关系。可选的，在进行模拟医学成像时，每个三维ct模体的剂量均为5亿。
22.可选的，该探测器是平板探测器，该三维ct模体是体素化的三维ct模体。
23.步骤102：创建u-net神经网络，所述u-net神经网络的损失函数为：net神经网络的损失函数为：net神经网络的损失函数为：其中，l1是l1损失函数，u是u-net神经网络，laplacian是拉普拉斯算子，用来提取边缘信息；
24.该损失函数主要包含两个部分，第一个是边缘损失(edgeloss)，以此让网络更加注重边缘信息，保留更多的边缘信息，减少边缘部分的模糊，可以让最终去噪后的图像视觉效果更好；考虑到真实x-ray图像像素值的动态范围较小，为了让更小的像素值，即亮度低的区域，也有良好的去噪效果。因此设计了第二个部分的标准化损失(normloss),可以提高像素值低的区域的响应。
25.步骤103：使用n个x射线噪声图像i
α
和n个x射线清晰图像i
gt
、对所述u-net神经网络进行训练。
26.这里，用基于真实物理过程的蒙特卡洛模拟产生不同程度的噪声图像和对应的高清图像。由此得到的噪声分布更加符合真实图像的噪声分布，从而能够更好的训练神经网络。
27.本实施例中，所述“基于geant4模拟医学成像，得到n个x射线噪声图像i
α”具体包括：基于geant4模拟医学成像，得到n个x射线噪声图像i
α
，其中，在进行模拟医学成像时，使用mdct(multi detector computed tomography，多探测器ct)和预设的ct数据生成ct模体。
28.本实施例中，在进行模拟医学成像时，对同一个三维ct模体得到num1个待处理噪声图像，将num2个待处理噪声图像进行叠加从而得到x射线清晰图像i
gt
，选择一个待处理噪声图像作为x射线噪声图像i
α
，从而得到一一对应的x射线噪声图像i
α
和x射线清晰图像i
gt
，其中，num1和num2均为自然数，且num2≤num1。
29.这里，在实际中，在模拟医学成像时，可以对同一个三维ct模体进行多次模拟成像，就可以得到多个待处理噪声图像，然后，从选择一些待处理噪声图像进行叠加处理，可以理解的是，叠加得到的图像的清晰度是大于待处理噪声图像的，因此，就可以将叠加得到的图像作为x射线清晰图像i
gt
，此外，该x射线清晰图像i
gt
与任一的待处理噪声图像之间是一一对应的。在神经网络的训练需要大量的配对数据，增加数据集就需要增加模拟过程，将会消耗巨大的计算与时间资源。而传统的数据增强方法，如上下左右翻转等，数据增强的倍数很有限，而且图像的噪声并没有改变，在本发明实施例中，不仅可以极大幅度增加训练数据，并且保证每个数据的噪声都不同。
30.本实施例中，n个x射线清晰图像i
gt
所对应的剂量不全相同。这里，在实际中，医学
图像的噪声水平复杂多变，因此使用不同的剂量(即噪声大小)的图片进行训练非常关键。
31.可选的，对同一个三维ct模体得到num1个待处理噪声图像，从num1个待处理噪声图像进行随机选取num2个待处理噪声图像并进行叠加处理，num3个待处理噪声图像并进行叠加处理，...，numq个待处理噪声图像并进行叠加处理，从而就得到了q-1个x射线清晰图像i
gt
，然后在选择q-1个x射线噪声图像i
α
，于是，就得到了q-1对相互一一对应的x射线清晰图像i
gt
和x射线噪声图像i
α
，其中，numi≠numj，2≤i,j小于等于q，i≠j。
32.例如，num2＝5，num3＝10，num4＝15，num5＝20。
33.本实施例中，所述“使用n个x射线噪声图像i
α
和n个x射线清晰图像i
gt
、对所述u-net神经网络进行训练”具体包括：对每个x射线噪声图像i
α
均进行以下处理：均进行以下处理：其中，是卷积核大小为41的高斯滤波，是卷积核大小为41的高斯滤波，fb是双边滤波，是卷积操作，输入图像之后，使用n个输入图像input和n个x射线清晰图像i
gt
、对所述u-net神经网络进行训练。
34.这里，由于u-net网络的输入包含不同的噪声水平，为了能够让u-net网络可以应对不同噪声大小的真实数据，本实施例中的生成方法会自动估计输入x-ray图像的噪声水平，然后再训练神经网络。
35.这里，先用双边滤波和高斯滤波先对x射线噪声图像i
α
去噪，然后和原x射线噪声图像i
α
做差值，得到估计的噪声大小，之后，再用一个窗口很大的高斯滤波核将差值图像的噪声模糊，即相邻像素的噪声估计趋于一致，降低整体噪声估计的偏差。
36.本发明实施例二提供了一种神经网络的生成装置，包括以下模块：
37.第一数据获取模块，用于基于geant4模拟医学成像，得到n个x射线噪声图像i
α
，以及与n个x射线噪声图像i
α
一一对应的n个x射线清晰图像i
gt
，其中，n为自然数，且n≥2；
38.第一神经网络创建模块，用于创建u-net神经网络，所述u-net神经网络的损失函数为：数为：其中，l1是l1损失函数，u是u-net神经网络，laplacian是拉普拉斯算子，用来提取边缘信息；
39.第一训练模块，用于使用n个x射线噪声图像i
α
和n个x射线清晰图像i
gt
、对所述u-net神经网络进行训练
40.本发明实施例三提供了一种ct图像的去噪方法，包括以下步骤：执行实施例一中的创建神经网络的生成方法，生成u-net神经网络；将待处理ct图像输入所述u-net神经网络，得到去噪之后的ct图像。
41.本发明实施例四提供了一种神经网络的生成方法，包括以下步骤：
42.步骤201：基于geant4模拟医学成像，得到m个x射线噪声视频v
α
，以及与m个x射线噪声视频v
α
一一对应的m个x射线清晰视频v
αgt
，其中，每个x射线噪声视频v
α
均包含有l个连续的x射线噪声视频帧每个x射线噪声视频v
αgt
均包含有l个连续的x射线噪声视频帧，m和l为自然数，且m≥2，l≥2；
43.步骤202：创建u-net神经网络，所述u-net神经网络的损失函数为loss(u(input),vαgt
)，)，其中，是卷积核大小为41的高斯滤波，是卷积核大小为41的高斯滤波，fb是双边滤波，是卷积操作，u是u-net神经网络；
44.步骤203：使用m个input和m个x射线清晰视频v
αgt
、对所述u-net神经网络进行训练。
45.本发明实施例五提供了一种神经网络的生成装置，包括以下模块：
46.第二数据获取模块，用于基于geant4模拟医学成像，得到m个x射线噪声视频v
α
，以及与m个x射线噪声视频v
α
一一对应的m个x射线清晰视频v
αgt
，其中，每个x射线噪声视频v
α
均包含有l个连续的x射线噪声视频帧每个x射线噪声视频v
αgt
均包含有l个连续的x射线噪声视频帧，m和l为自然数，且m≥2，l≥2；
47.第二神经网络创建模块，用于创建u-net神经网络，所述u-net神经网络的损失函数为loss(u(input),v
αgt
)，)，其中，是卷积核大小为41的高斯滤波，是卷积核大小为41的高斯滤波，fb是双边滤波，是卷积操作，u是u-net神经网络；
48.第二训练模块，用于使用m个input和m个x射线清晰视频v
αgt
、对所述u-net神经网络进行训练。
49.本发明实施例六提供了一种ct视频的去噪方法，包括以下步骤：执行实施例五中的创建神经网络的生成方法，生成u-net神经网络；将待处理ct视频输入所述u-net神经网络，得到去噪之后的ct视频。
50.应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
51.上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。