[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113808025A - 图像降噪方法及装置 - Google Patents

图像降噪方法及装置 Download PDF

Info

Publication number
CN113808025A
CN113808025A CN202010531261.1A CN202010531261A CN113808025A CN 113808025 A CN113808025 A CN 113808025A CN 202010531261 A CN202010531261 A CN 202010531261A CN 113808025 A CN113808025 A CN 113808025A
Authority
CN
China
Prior art keywords
image
noise
sample
image set
noise ratio
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010531261.1A
Other languages
English (en)
Inventor
任嘉梁
赵周社
张陈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Priority to CN202010531261.1A priority Critical patent/CN113808025A/zh
Priority to US17/343,585 priority patent/US11941786B2/en
Publication of CN113808025A publication Critical patent/CN113808025A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种图像降噪方法及装置，成像系统以及非暂态计算机可读存储介质。所述图像降噪方法包括基于第一深度学习网络，对原始扫描对象图像进行处理，以获取原始扫描对象图像对应的噪音图像，以及基于原始扫描对象图像和噪音图像获取降噪图像，其中，所述第一深度学习网络基于低信噪比图像和高信噪比图像训练得到。

Description

图像降噪方法及装置
技术领域
本发明涉及图像处理，尤其涉及一种图像降噪方法及装置，成像系统，以及非暂态计算机可读存储介质。
背景技术
在计算机断层扫描(Computed Tomography,CT)的过程中，使用检测器来采集通过被检测对象后的X射线的数据，之后再对这些采集到的X射线数据进行处理以得到投影数据。可利用这些投影数据来重建CT图像。完整的投影数据可重建准确的CT图像以用于诊断。
通常地，当采用高剂量进行扫描时所获得的CT图像没较多噪音，具有相对较高的图像质量，而采用低剂量进行扫描所获得的CT图像会较多噪音，图像质量相对较差。对于某些需要对同一被检测对象进行多次扫描的情况，如果多次对其进行高剂量的扫描，会使得病人承受较大的辐射，而如果采用低剂量进行扫描，获取到的CT图像会存在很多噪音。
通常地，在对CT图像进行后处理的阶段，会采用滤波技术对噪音进行滤除，然而在这个过程中，对于不同种类的噪音滤除效果也是不尽相同的。
发明内容
本发明提供一种图像降噪方法及装置，成像系统，以及非暂态计算机可读存储介质。
本发明的示例性实施例提供了一种图像降噪方法，所述方法包括基于第一深度学习网络，对原始扫描对象图像进行处理，以获取所述原始扫描对象图像对应的噪音图像，以及基于所述原始扫描对象图像和所述噪音图像获取降噪图像，其中，所述第一深度学习网络基于低信噪比图像和高信噪比图像训练得到。
具体地，所述训练包括获取低信噪比图像作为所述样本原始图像集，以及与所述低信噪比图像相同位置的高信噪比图像作为样本参考图像集，基于所述样本原始图像集以及所述样本参考图像集，得到所述样本噪音图像集，将所述样本原始图像集作为输入，所述样本噪音图像集作为输出，训练神经网络，以得到所述第一深度学习网络。
进一步地，所述低信噪比图像包括在多个不同的低剂量下获取的CT图像。
进一步地，所述样本原始图像集包括低信噪比图像中的多个区块，所述样本参考图像集包括高信噪比图像中的多个区块。更进一步地，所述样本原始图像集包括低信噪比图像中的每个区块以及对所述每个区块进行变换处理后获得的至少一个变换区块，所述样本参考图像集包括高信噪比图像中的每个区块以及对所述区块进行变换处理后获得的至少一个变换区块。再进一步地，所述变换处理包括旋转至少一个角度以及镜像翻转中的至少一个。
进一步地，所述样本原始图像集包括多个基于体模扫描获取的低信噪比图像，所述样本噪音图像集包括基于所述多个低信噪比图像与所述样本参考图像集生成的样本实际噪音图像集。更进一步地，所述样本噪音图像集进一步包括基于第二深度学习网络生成的样本虚拟噪音图像集。再进一步地，所述样本虚拟噪音图像集包括基于第二深度学习网络生成的至少一个虚拟噪音图像，且所述至少一个虚拟噪音图像与所述样本实际噪音图像集中的一个具有预设相似性的。更进一步地，所述样本原始图像集进一步包括基于所述样本参考图像集和所述样本虚拟噪音图像集获取的样本虚拟原始图像集。
本发明的示例性实施例还提供了一种非暂态计算机可读存储介质，其用于存储计算机程序，所述计算机程序由计算机执行时使计算机执行上述的用于图像降噪方法的指令。
本发明的示例性实施例还提供了一种图像降噪装置，所述图像降噪装置包括噪音图像生成模块和降噪图像合成模块。所述噪音图像生成模块用于基于所述第一深度学习网络，对原始扫描对象图像进行处理，以获取所述原始扫描对象图像对应的噪音图像，其中，所述第一深度学习网络基于低信噪比图像和高信噪比图像训练得到，所述降噪图像合成模块用于基于所述原始扫描对象图像和所述噪音图像获取降噪图像。
具体地，所述图像降噪装置进一步包括用于获取所述第一深度学习网络的第一训练模块，所述第一训练模块进一步用于获取低信噪比图像作为样本原始图像集，以及与所述低信噪比图像相同位置的高信噪比图像作为样本参考图像集，基于所述样本原始图像集以及所述样本参考图像集，获取样本噪音图像集，将所述样本原始图像集作为输入，所述样本噪音图像集作为输出，训练神经网络，以得到所述第一深度学习网络。
进一步地，所述低信噪比图像包括在多个不同的低剂量下获取的CT图像。
进一步地，所述样本原始图像集包括低信噪比图像中的多个区块，所述样本参考图像集包括高信噪比图像中的多个区块。更进一步地，所述样本原始图像集包括低信噪比图像中的每个区块以及对所述每个区块进行变换处理后获得的至少一个变换区块，所述样本参考图像集包括高信噪比图像中的每个区块以及对所述区块进行变换处理后获得的至少一个变换区块。再进一步地，所述变换处理包括旋转至少一个角度以及镜像翻转中的至少一个。
进一步地，所述样本原始图像集包括多个基于体模扫描获取的低信噪比图像，所述样本噪音图像集包括基于所述多个低信噪比图像与所述样本参考图像集生成的样本实际噪音图像集。更进一步地，所述图像降噪装置进一步包括第二训练模块，其用于基于所述样本实际噪音图像集生成样本虚拟噪音图像集的第二深度学习网络。再进一步地，所述样本虚拟噪音图像集包括基于第二深度学习网络生成的至少一个虚拟噪音图像，且所述至少一个虚拟噪音图像与所述样本实际噪音图像集中的一个具有预设相似性。更进一步地，所述样本原始图像集进一步包括基于所述样本参考图像集和所述样本虚拟噪音图像集获取的样本虚拟原始图像集。
本发明的示例性实施例还提供了一种成像系统，所述系统包括上述的图像降噪装置。
通过下面的详细描述、附图以及权利要求，其他特征和方面会变得清楚。
附图说明
通过结合附图对于本发明的示例性实施例进行描述，可以更好地理解本发明，在附图中：
图1是根据本发明一些实施例的CT系统的示意图；
图2是根据本发明一些实施例的图像降噪装置的示意图；
图3是根据本发明一些实施例的第一深度学习网络训练的示意图；
图4是根据本发明一些实施例的第一深度学习网络的示意图；
图5是根据本发明一些实施例的第二深度学习网络的示意图；
图6是根据本发明一些实施例的图像降噪方法的流程图；以及
图7是根据图6所示的图像降噪方法中的第一深度学习网络训练方法的流程图。
具体实施方式
以下将描述本发明的具体实施方式，需要指出的是，在这些实施方式的具体描述过程中，为了进行简明扼要的描述，本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是，在任意一种实施方式的实际实施过程中，正如在任意一个工程项目或者设计项目的过程中，为了实现开发者的具体目标，为了满足系统相关的或者商业相关的限制，常常会做出各种各样的具体决策，而这也会从一种实施方式到另一种实施方式之间发生改变。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本公开揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本公开的内容不充分。
除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，也不限于是直接的还是间接的连接。
如本发明中所使用，术语“被检测对象”可包括任何被成像的物体。
需要指出的是，从本领域或者相关领域普通技术人员的角度来看，这样的描述不应当理解为只将本发明限制在CT系统中，实际上，这里描述的图像降噪方法和装置可以被合理地应用于与医疗领域和非医疗领域中的其他成像领域，例如，X射线系统、PET系统、SPECT系统、MR系统或其任何组合。
图1示出了根据本发明一些实施例的CT系统10的示意图。如图1所示，系统10包括机架12，机架12上相对设置有X射线源14和探测器阵列18，探测器阵列18由多个检测器20和数据采集系统(DAS)26构成，DAS26用于对多个检测器20接收的模拟衰减数据进行将采样的模拟数据转化为数字信号以用于后续处理。在一些实施例中，系统10用于在不同的角度采集被检测对象的投影数据，因此，机架12上的部件用于绕旋转中心24旋转以采集投影数据。在旋转过程中，X射线辐射源14用于朝向探测器阵列18投射穿透被检测对象的X射线16，该衰减的X射线束数据经预处理后作为对象的目标体积的投影数据，基于该投影数据可以重建被检测对象的图像，重建的图像可以显示被检测对象的内部特征，这些特征包括，例如，身体组织结构的病变、尺寸、形状等。机架的旋转中心24也定义了扫描域80的中心。
系统10进一步包括图像重建模块50，如上所述，DAS 26采样并数字化多个检测器20采集的投影数据。接着，图像重建模块50基于上述经过采样和数字化的投影数据来进行高速图像重建。在一些实施例中，图像重建模块50将重建的图像存储在存储设备或大容量存储器46中。或者，图像重建模块50将重建图像传输到计算机40，以生成用于诊断、评估的患者信息。
尽管图1中将图像重建模块50图示为单独实体，但是在某些实施例中，图像重建模块50可以形成计算机40的一部分。或者，图像重建模块50可以不存在于系统10中，或者，计算机40可以执行图像重建模块50的一个或多个功能。此外，图像重建模块50可以位于本地或远程位置，并且可以使用有线或无线通讯网络连接到系统10。在一些实施例中，云通讯网络集中的计算资源可用于图像重建模块50。
在一些实施例中，系统10包括控制机构30。控制机构30可以包括X射线控制器34，其用于向X射线辐射源14提供功率和定时信号。控制机构30还可以包括机架控制器32，其用于基于成像要求控制机架12的旋转速度和/或位置。控制机构30还可以包括承载床控制器36，其用于驱动承载床28移动到合适的位置以将被检测对象定位在机架12中，以采集被检测对象的目标体积的投影数据。进一步地，承载床28包括驱动装置，承载床控制器36可以通过控制驱动装置以控制承载床28。
在一些实施例中，系统10进一步包括计算机40，由DAS 26采样和数字化的数据和/或图像重建模块50重建得到的图像传输到计算机或计算机40进行处理。在一些实施例中，计算机40将数据和/或图像存储在例如大容量存储器46的存储设备中。该大容量存储器46可以包括硬盘驱动器、软盘驱动器、光盘读/写(CD-R/W)驱动器、数字通用磁盘(DVD)驱动器、闪存驱动器和/或固态存储装置等。在一些实施例中，计算机40将重建的图像和/或其他信息传输到显示器42，显示器42与计算机40和/或图像重建模块50通信地连接。在一些实施例中，计算机40可以连接本地或远程的显示器、打印机、工作站和/或类似的设备，例如，可以连接医疗机构或医院的这类设备，或者通过一个或多个配置的电线或者诸如因特网和/或虚拟专用通讯网络等无线通讯网络连接远程设备。
此外，计算机40可以基于用户提供的和/或系统定义的以向DAS 26、以及控制机构30(包括机架控制器32，X射线控制器34和承载床控制器36)等提供命令和参数，以控制系统操作，例如数据采集和/或处理。在一些实施例中，计算机40基于用户输入控制系统操作，例如，计算机40可以通过连接其的操作者控制台48接收用户输入，包括命令、扫描协议和/或扫描参数。操作者控制台48可以包括键盘(未示出)和/或触摸屏以允许用户输入/选择命令、扫描协议和/或扫描参数。虽然图1仅示例性示出了一个操作者控制台48，但是计算机40可以连接更多的操作台，例如，用于输入或输出系统参数、请求医学检查和/或查看图像。
在一些实施例中，系统10可以包括或连接图像存储与传输系统(PACS)(图中未示出)。在一些实施例中，PACS进一步连接至例如放射科信息系统、医院信息系统和/或内部或外部通讯网络(未示出)等远程系统，以允许位于不同地点的操作者提供命令和参数，和/或访问图像数据。
下文进一步描述的方法或过程可以作为可执行的指令存储系统10的计算设备上的非易失性存储器中。例如，计算机40可以包括非易失性存储器中的可执行指令，并且可以应用本文所述的方法自动执行扫描流程的部分或全部，例如选择合适的协议、确定合适的参数等，又如，图像重建模块50可以包括非易失性存储器中的可执行指令，并且可以应用本文所述的方法执行图像重建任务。
计算机40可以被设置和/或布置成以不同的方式使用。例如，在一些实现中，可以使用单个计算机40；在其他实现中，多个计算机40被配置成一起(例如，基于分布式处理配置)或单独地工作，每个计算机40被配置成处理特定方面和/或功能，和/或处理用于生成仅用于特定的医学成像系统10的模型的数据。在一些实现中，计算机40可以是本地的(例如，与一个或多个医学成像系统10在同一位置，例如在同一设施和/或同一局部通讯网络内)；在其他实现中，计算机40可以是远程的，因此只能经由远程连接(例如，经由因特网或其他可用的远程访问技术)来访问。
图2示出了根据本发明一些实施例的图像降噪装置100。如图2所示，图像降噪装置100包括噪音图像生成模块110以及降噪图像合成模块120。
噪音图像生成模块110用于基于第一深度学习网络105，对原始扫描对象图像101进行处理，以获取原始扫描对象图像101对应的噪音图像102，其中，第一深度学习网络105基于低信噪比图像和高信噪比图像训练得到。降噪图像合成模块120用于基于原始扫描对象图像101和噪音图像102获取降噪图像103。
噪音图像生成模块110在基于第一深度学习网络105对原始扫描对象图像101进行处理之前，先对原始扫描对象图像101进行预处理，该预处理包括将原始扫描对象图像101分割成与训练图像中的区块相同大小(例如，40*40)的区块，并基于第一深度学习网络105对分割好后的每一个区块进行处理，得到每一个区块对应的噪音图像。
在一些实施例中，降噪图像合成模块120可以先基于原始扫描对象图像101中的每一个区块与该区块对应的噪音图像，得到每一个区块对应的降噪后的降噪图像，然后将所有区块对应的降噪图像进行拼接，以得到完整的降噪图像。在另一些实施例中，降噪图像合成模块120可以先将原始扫描对象图像101中的每一个区块对应的噪音图像进行拼接，得到完整的噪音图像，然后基于原始扫描对象图像101以及完整的噪音图像获取降噪后的降噪图像。在一些实施例中，降噪图像合成模块120可以通过将原始扫描对象图像101和噪音图像102相减获取去燥图像103。
图像降噪装置100进一步包括用于获取第一深度学习网络105的第一训练模块130。在一些实施例中，第一训练模块130可以将低信噪比图像和高信噪比图像分别分割成多个区块，例如，40*40大小的区块，并将对应同一位置的低信噪比图像区块和高信噪比图像区块分别作为目标输入和期望输出对深度学习网络进行训练。
第一深度学习网络105可以通过训练数据的准备，网络模型的选择和构建，网络的训练、测试以及优化完成。在一些实施例中，训练数据集(包括低信噪比图像和高信噪比图像)存储在CT系统的存储装置(例如图1所示的大容量存储器46)中，第一训练模块130可以通过获取训练数据集以对网络进行训练和/或更新。
图3示出了根据本发明一些实施例的第一深度学习网络训练的示意图。如图3所示，在一些实施例中，训练模块130进一步被配置用于实现如下功能：
第一，训练模块130进一步被配置用于获取低信噪比图像211作为样本原始图像集231，以及与所述低信噪比图像211相同位置的高信噪比图像213作为样本参考图像集233。
在一些实施例中，在CT扫描过程中，球管电压包括80kV，90kV，100kV，110kV，120kV，140kV，而球管电流包括30mA，60mA，90mA，120mA，150mA，180mA，101mA，240mA，270mA，300mA，通常的，高剂量是指球管所产生的X射线辐射强度较高的剂量，在该剂量下对扫描对象进行扫描所得到的CT图像为不包含噪音或者基本无噪音的参考图像，例如球管工作在120kV/300mA或是140kV/300mA等电压/电流工作时所产生的剂量。低剂量是指球管所产生的X射线辐射强度较低的剂量，在该剂量下，对扫描对象进行扫描所获得的CT图像包含较多噪音。亦即在本实施例中，样本原始图像集231包括对扫描对象进行扫描得到信噪比较低的医学图像，即该图像中包含噪音，通常地，样本原始图像集231包括在低剂量下获取得到的医学图像。样本参考图像集233包括对扫描对象进行扫描得到的信噪比较高的医学图像，即该图像基本上不包含噪音，通常地，样本原始图像集231包括在高剂量下获取得到的医学图像。在一些实施例中，样本原始图像集231和样本参考图像集233是对体模进行扫描获取的。
术语“基本无噪音”是指图像中的噪音大致可以忽略，对于图像质量、判断病灶没有影响。
具体地，低信噪比图像211包括在多个不同的低剂量下获取的CT图像，亦即，样本原始图像集231包括多个不同低剂量下得到的CT图像。
此外，低信噪比图像211也可以包括基于磁共振成像(MRI)系统获取的低信噪比的磁共振图像。
在一些实施例中，样本原始图像集231和样本参考图像集233除了可以直接从医学成像系统(例如，CT系统、MRI系统、PET系统、PET-CT系统等)中获取，还可以是从工作站或PACS中获取。
在一些实施例中，样本原始图像集231包括低信噪比图像211中的多个区块，样本参考图像集233包括高信噪比图像213中的多个区块。具体地，将CT图像都分割成多个区块，例如，40*40大小的区块，然后对每个区块分别进行训练，通过将每幅CT图像划分为多个区块，可以提高深度学习网络训练的精准度，以获得更为精准的降噪图像。
在一些实施例中，样本原始图像集231包括低信噪比图像211中的每个区块以及对每个区块进行变换处理后获得的至少一个变换区块，样本参考图像集233包括高信噪比图像231中的每个区块以及对区块进行变换处理后获得的至少一个变换区块。具体地，所述变换处理包括旋转至少一个角度以及镜像翻转中的至少一个，例如，对每个区块进行旋转90度，旋转180度，旋转270或者镜面翻转中的一个或多个。通过对多个区块进行不同的处理，可以得到更多的训练数据，更好地训练深度学习网络，避免出现由于不同的拍摄角度而导致深度学习网络无法识别或无法降噪的情况。
第二，训练模块130进一步被配置用于基于样本原始图像集231以及样本参考图像集233，获取样本噪音图像集235。
在一些实施例中，所述样本原始图像集231包括多个基于体模扫描获取的低信噪比图像211。所述样本噪音图像集235包括基于所述多个低信噪比图像211与样本参考图像集233生成的样本实际噪音图像集215。具体地，由于高剂量CT图像为基本无噪音的参考图像，通过将较多噪音的原始图像(低信噪比图像)与基本无噪音的参考图像(高信噪比图像)相减，就可以获取到基于体模扫描实际得到的噪音图像。样本噪音图像集235包括多个所述的实际得到的噪音图像。
在另一些实施例中，样本噪音图像集235进一步包括样本虚拟噪音图像集225，样本虚拟噪音图像集225是基于第二训练模块230生成的。样本原始图像集231进一步包括基于样本参考图像集233和样本虚拟噪音图像集225获取的样本虚拟原始图像集221。
第二训练模块230用于基于样本实际噪音图像集215中的每一个生成具有预设相似性的样本虚拟噪音图像集225的第二深度学习网络205。
样本虚拟噪音图像集225是指基于第二深度学习网络205生成的与样本实际噪音图像集215相似的图像，但是并非是通过低信噪比图像211和高信噪比图像213相减得到的样本实际噪音图像集215。
样本虚拟原始图像集221是指样本虚拟噪音图像集225与样本参考图像集233相加所得到的包含较多噪音的图像。
为了增大深度学习网络的训练数据量，本发明基于深度学习生成更多的虚拟噪音图像，以使得第一深度学习网络可以包括更多的噪音种类，更有利于降噪的精准度。具体地，第二训练模块230可以基于样本实际噪音图像集215中的任一样本实际噪音图像(或该图像中的任一区块)，生成与样本实际噪音图像215相似的至少一个样本虚拟噪音图像225(或该图像中的任一区块)，该样本虚拟噪音图像225并不是基于低信噪比图像211和高信噪比图像213相减得到的，而是基于深度学习生成的。在一些实施例中，对于一幅样本实际噪音图像215，可以得到多个样本虚拟噪音图像225，例如，3幅，以获得尽可能多的噪音图像。
因此，样本原始图像集231包括多个基于体模扫描获取的低信噪比图像211和样本虚拟原始图像221，样本噪音图像集235包括样本实际噪音图像集215和基于第二深度学习网络205生成的样本虚拟噪音图像225，其中，样本虚拟原始图像集221是将样本虚拟噪音图像集225与样本参考图像集233相加得到的。
在一些实施例中，第二深度学习网络205是基于GAN(Generative AdversarialNetworks，生成式对抗网络)或其他公知的模型进行训练得到的。GAN模型包括生成模块(Generative Model)和判别模块(Discriminative Model)，通过将样本实际噪音图像作为参考图像输入到判别模块中，判别模块可以判断生成模块生成的图像与参考图像之间的相似性，当达到预设相似性时，第二深度学习网络205可以输出相应的样本虚拟噪音图像，亦即，对于一个样本实际噪音图像，可以输出一个或多个相应的样本虚拟噪音图像。通过第二深度学习网络生成更多的噪音图像实际上也是一种数据扩增的方法，基于样本实际噪音图像可以生成更多相似的样本虚拟噪音图像，并将这些噪音图像的集合(包括样本虚拟噪音图像集和样本实际噪音图像集)输入到第一深度学习网络中，也相应的提高了第一深度学习网络的降噪能力。关于第二深度学习网络的具体模型，将在之后进行详细描述。术语“预设相似性”是指在GAN网络中生成的图像与预设的参考图像之间的相似程度，例如，90％，优选地，95％，更优选地，98％。
第三，训练模块130进一步被配置用于将样本原始图像集231作为输入，样本噪音图像集235作为输出，训练神经网络，以得到第一深度学习网络105。具体地，样本原始图像集231包括用在不同的剂量下的低剂量对体模进行扫描得到的低信噪比图像211和样本虚拟原始图像集221，样本噪音图像集235包括样本实际噪音图像集215，以及基于第二深度学习网络205生成的样本虚拟噪音图像集225。
在一些实施例中，第一深度学习网络是基于DNCNN(Residual Learning of DeepCNN for Image Denoising，前馈降噪卷积神经网络)或其他公知的模型进行训练得到的。图4示出了根据本发明一些实施例的第一深度学习网络300的示意图。如图4所示，第一深度学习网络300包括输入层310、输出层320以及处理层(或称为隐藏层)330。
在一些实施例中，输入层310用于对输入的数据或图像进行预处理，例如，去均值、归一化或降维等。
在一些实施例中，处理层330包括第一处理层331，第二处理层332以及第三处理层333，其中，第一处理层331包括卷积层以及激励层(或激活层)，第二处理层332包括卷积层、批量归一化层以及激励层，第三处理层333包括卷积层。处理层330可以包括一个或多个第二处理层332。
具体地，卷积层使用3*3的卷积核，以用于进行特征提取。激励层实际上是对卷积层的输出结果做一次非线性映射，这样可以引入非线性因素，解决线性模型所不能解决的问题，具体地，第一深度学习网络使用的激励函数为线性修正函数(Rectified LinearUnit,ReLU)以加快迭代速度。通过在每个第二处理层332均设置批量归一化可以把每层神经网络任意神经元的输入值的分布强行拉回到均值为0方差为1的标准正态分布，使得每一层之间的偏差不会太大，可以不仅可以加快和稳定训练过程，还可以提高降噪性能。
每个卷积层都包括若干个神经元，且每个层中的神经元的数量可以相同，也可以根据需要进行不同的设置。基于样本原始图像集(已知输入)和样本噪音图像集(期望输出)，通过设置网络中处理层的数量和每个处理层中神经元的数量，并估计(或调整或校准)网络的权重和/或偏差，以识别出已知输入和期望输出之间的数学关系和/或识别和表征每层的输入和输出之间的数学关系。
具体地，当其中一层的神经元数量为n，且该n个神经元中对应的值为X1,X2,…Xn，与所述其中一层连接的下一层的神经元数量为m，且该m个神经元中对应的值为Y1,Y2,…Ym，则所述相邻的两层之间可以表示为：
Figure BDA0002535302690000121
其中，Xi表示前一层的第i个神经元所对应的值，Yj表示后一层的第j个神经元所对应的值，Wji表示权重，Bj表示偏差。在一些实施例中，函数f为修正线性函数。
因此，通过调整权重Wji和/或偏差Bj，即可识别出每层的输入和输出之间的数学关系，使得损失函数(Loss Function)收敛，以训练所述网络。在一些实施例中，第一深度学习网络中使用的损失函数为均方误差(Mean Squared Error)。
当网络创建或训练好时，只要将包括噪音的原始扫描对象图像输入到网络中，就可以获取降噪之后的降噪图像。
图5示出了第二深度学习网络400的示意图。如图5所示，第二深度学习网络400包括输入层410、输出层420以及处理层(或称为隐藏层)430。
在一些实施例中，输入层410用于对输入的随机的数据(例如随机的噪音)进行归一化处理并对其进行投影及转换以得到一个随机图像。
在一些实施例中，处理层430包括生成模块层(431～434)以及判别模块层(436～438)，生成模块层用于基于输入的随机图像生成一个噪音图像435，而判别模块层用于判断该噪音图像435是否是真实图片(参考图像，即样本实际噪音图像集)。
具体地，生成模块层包括批量归一化层以及激励层431、一个或多个反卷积层、批量归一化层以及激励层432、反卷积层433以及双曲正切层434。判别模块层包括卷积层以及激励层436，一个或多个卷积层、批量归一化层以及激励层437以及逻辑回归(LogisticsRegression)层438。
具体地，反卷积层用于提高图像的大小，例如，从64*64变大到128*128，卷积层用于进行特征提取。激励层实际上是对卷积层的输出结果做一次非线性映射，这样可以引入非线性因素，解决线性模型所不能解决的问题，具体地，生成模块层中使用的激励函数为线性修正函数(Rectified Linear Unit,ReLU)，判别模块层中使用的激励函数为带泄露线性修正函数(Leaky ReLU)。双曲正切(Hyperbolic Tangent)是激励函数中的一种，其输出在-1～1之间，均值为0，更方便下一层网络的学习。逻辑回归用于分类归类。
通过设置多个批量归一化可以把每层神经网络任意神经元的输入值的分布强行拉回到均值为0方差为1的标准正态分布，使得每一层之间的偏差不会太大，可以不仅可以加快和稳定训练过程，还可以提高降噪性能。
在一些实施例中，第二深度学习网络中生成模块层的损失函数为最大似然(Maximina Likelihood)，判别模块层的使用函数为交叉熵(Cross Entropy)。
在一个实施例中，虽然深度学习网络的配置将由估计问题的先验知识、输入、输出等的维度引导，依赖于或者专门根据输入数据实现所需输出数据的最佳近似。在各种替代实施方式中，可以利用数据，成像几何，重建算法等的某些方面和/或特征来为深度学习网络中的某些数据表示赋予明确的含义，这可以有助于加速训练。因为这创建了在深度学习网络中单独训练(或预训练)或定义某些层的机会。
在一些实施例中，上述的训练的网络是基于外部载体(例如，医学成像系统之外的设备)上的训练模块训练得到的。在一些实施例中，训练模块基于样本原始图像集和样本噪音图像集，基于DNCNN或其他公知的模型，训练所述网络。在一些实施例中，训练系统可以包括用于存储训练数据集的第一模块，用于基于模型进行训练和/或更新的第二模块，以及用于连接第一模块和第二模块的通讯网络。在一些实施例中，第一模块包括第一处理单元和第一存储单元，其中第一存储单元用于存储训练数据集，第一处理单元用于接收相关的指令(例如，获取训练数据集)并根据指令发送训练数据集，此外，第二模块包括第二处理单元和第二存储单元，其中第二存储单元用于存储训练模型，第二处理单元用于接收相关的指令、进行网络的训练和/或更新等，在另一些实施例中，还可以将训练数据集存储在第二模块的第二存储单元中，训练系统可以不包括第一模块。在一些实施例中，通讯网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
一旦数据(例如，训练的网络)被生成和/或配置，数据就可以被复制和/或加载到医学成像系统10中，这可以以不同的方式完成。例如，可以通过医学成像系统10和计算机40之间的定向连接或链路加载模型。就这一点而言，可以使用可用的有线和/或无线连接和/或根据任何合适的通信(和/或网络)标准或协议来完成不同元件之间的通信。备选地或另外地，数据可以间接地加载到医学成像系统10中。例如，数据可以存储到合适的机器可读介质(例如，闪存卡等)中，然后使用该介质将数据加载到医学成像系统10(现场，诸如由系统的用户或授权人员)，或者数据可以下载到能够本地通信的电子设备(例如，笔记本电脑等)中，然后在现场使用(例如，由系统的用户或授权人员)该设备以将该数据经由直接连接(例如，USB连接器等)上传到医学成像系统10中。
如本文所讨论的，深度学习技术(又被称为深度机器学习、分层学习或深度结构化学习等)采用用于学习的人工神经网络。深度学习方法的特征在于使用一个或多个网络架构来提取或模拟感兴趣数据。深度学习方法可以使用一个或多个处理层(例如，输入层、输出层、卷积层、归一化层、采样层等等，按照不同的深度网络模型可以具有不同数量和功能的处理层)来完成，其中层的配置和数量允许深度网络处理复杂的信息提取和建模任务。通常通过所谓的学习过程(或训练过程)来估计网络的特定参数(又可以称为“权重”或“偏差”)。被学习或训练的参数通常会导致(或输出)一个对应于不同级别层的网络，因此提取或模拟初始数据的不同方面或前一层的输出通常可以表示层的层次结构或级联。在图像处理或重建的过程中，这可以表征为相对于数据中的不同特征级别的不同层。因此，处理可以分层进行，即，较早或较高级别的层可以对应于从输入数据中提取“简单”特征，接着是将这些简单特征组合成表现出更高复杂度的特征的层。实际上，每层(或者更具体地，每层中的每个“神经元”)可以采用一个或多个线性和/或非线性变换(所谓的激活函数)来将输入数据处理为输出数据表示。多个“神经元”的数量可以是在多个层之间恒定的，或者可以从层到层变化。
如本文所讨论的，作为解决特定问题的深度学习过程的初始训练的一部分，训练数据集包括已知输入值(例如，样本图像或图像进行坐标变换的像素矩阵)以及深度学习过程的最终输出的期望(目标)输出值(例如，图像或识别判断结果)。以这种方式，深度学习算法可以(以监督或引导的方式或以无监督或非指导的方式)处理该训练数据集，直到识别出已知输入和期望输出之间的数学关系和/或识别和表征每层的输入和输出之间的数学关系。学习过程通常利用(部分)输入数据，并为该输入数据创建网络输出，然后将创建的网络输出与该数据集的期望输出进行比较，然后使用创建的和期望的输出之间的差异来迭代地更新网络的参数(权重和/或偏差)。通常可以使用随机梯度下降(Stochastic gradientdescent,SGD)方法来更新网络的参数，然而本领域技术人员应当理解也可以使用本领域中已知的其他方法来更新网络参数。类似地，可以采用单独的验证数据集以对所训练的网络进行验证，其中已知输入和期望输出都是已知的，通过将已知输入提供给所训练的网络可以得到网络输出，然后将该网络输出与(已知的)期望输出进行比较以验证先前的培训和/或防止过度培训。
图6示出了根据本发明一些实施例的图像降噪方法500的流程图。如图6所示，图像降噪方法500包括步骤510和步骤520。
在步骤510中，基于第一深度学习网络，对原始扫描对象图像进行处理，以获取原始扫描对象图像对应的噪音图像，其中，所述第一深度学习网络基于低信噪比图像和高信噪比图像训练得到。在一些实施例中，第一深度学习网络是基于DNCNN模型进行训练得到的，关于第一深度学习网络的训练的数据准备将在之后结合图7进一步描述。
在步骤520中，基于原始扫描对象图像和噪音图像获取降噪图像。
图7示出了根据本发明一些实施例的第一深度学习网络训练方法600的流程图。如图7所示，第一深度学习网络的训练方法600包括步骤610，步骤620以及步骤630。
在步骤610中，获取低信噪比图像作为所述样本原始图像集，以及与低信噪比图像相同位置的高信噪比图像作为样本参考图像集。在一些实施例中，样本原始图像集和样本参考图像集是对体模进行扫描获取的。
在一些实施例中，低信噪比图像包括在多个不同的剂量下获取的CT图像。
在一些实施例中，样本原始图像集包括低信噪比图像中的多个区块，样本参考图像集包括高信噪比图像中的多个区块。具体地，将每幅CT图像都分割成多个区块，例如，40*40大小的区块，然后对每个区块分别进行训练，通过将每幅CT图像划分为多个区块，可以提高深度学习网络训练的精准度，以获得更为精准的降噪图像。
具体地，样本原始图像集包括低信噪比图像中的每个区块以及对所述每个区块进行变换处理后获得的至少一个变换区块，样本参考图像集包括高信噪比图像中的每个区块以及对所述区块进行变换处理后获得的至少一个变换区块。所述变换处理包括旋转至少一个角度以及镜像翻转中的至少一个，例如，对每个区块进行旋转90度，旋转180度，旋转270或者镜面翻转中的一个或多个，通过对多个区块进行不同的处理，可以得到更多的训练数据，更好的训练深度学习网络，避免出现由于不同的拍摄角度出现深度学习网络无法进行降噪的情况
在步骤620中，基于样本原始图像集以及样本参考图像集，获取样本噪音图像集。
在一些实施例中，所述样本原始图像集包括多个基于体模扫描获取的低信噪比图像，所述样本噪音图像集包括基于多个低信噪比图像与样本参考图像集生成的样本实际噪音图像集。具体地，由于高剂量CT图像为基本无噪音的参考图像，通过将基本无噪音的参考图像与较多噪音的实际图像相减，就可以获取到实际的噪音图像。
在另一些实施例中，样本噪音图像集进一步包括基于第二深度学习网络生成的样本虚拟噪音图像集。样本虚拟噪音图像集包括基于第二深度学习网络生成的与样本实际噪音图像集中的每一个具有预设相似性的至少一个虚拟噪音图像。样本原始图像集进一步包括基于样本参考图像集和样本虚拟噪音图像集获取的样本虚拟原始图像集。
在一些实施例中，第二深度学习网络是基于GAN或其他公知的模型进行训练得到的。通过将样本实际噪音图像作为参考图像输入到判别模块中，判别模块可以判断生成模块生成的图像与参考图像之间的相似性，当达到预设相似性时，第二深度学习网络可以输出相应的虚拟噪音图像，亦即，对于一个实际噪音图像，可以输出多个相应的虚拟噪音图像。通过第二深度学习网络生成更多的噪音图像实际上也是一种数据扩增的方法，基于参考噪音图像可以生成更多相似的噪音图像，并将这些噪音图像输入到第一深度学习网络中，也相应的提高了第一深度学习网络的降噪能力。
在步骤630中，将样本原始图像集作为输入，样本噪音图像集作为输出，训练神经网络，以得到第一深度学习网络。具体地，样本原始图像包括用在不同的剂量下的低剂量对体模进行扫描得到的实际CT图像，以及基于第二深度学习网络生成的虚拟噪音图像和用高剂量扫描得到的基本无噪音参考图像合成的虚拟CT图像，样本噪音图像集包括基于低剂量CT图像和高剂量CT图像相减所得的实际噪音图像，以及基于第二深度学习网络生成的虚拟噪音图像
本发明提出的基于人工智能的图像降噪的方法，可以更精准地对低剂量扫描获取的图像进行降噪，在尽可能减少对病人辐射的前提下，提高图像的质量。通过基于深度学习网络获取噪音图像，再在原始扫描对象图像中减去噪音图像，可以使得到的降噪图像更加精准。通过在深度学习网络的训练中进行数据扩增(图像区块的旋转和/或翻转，以及产生更多相似的噪音图像)，可以增加深度学习网络的处理精度，获取尽可能精准的图像。通过对体模分别进行低剂量和高剂量的扫描，不仅不违反人伦道德，还可以获得基本无噪音的参考图像，以及较多噪音的原始图像和基本无噪音的参考图像的精准配对。
本发明还可以提供一种非暂态计算机可读存储介质，其用于存储指令集和/或计算机程序，该指令集和/或计算机程序由计算机执行时使计算机执行上述的图像降噪方法，执行该指令集和/或计算机程序的计算机可以为医学成像系统的计算机，也可以为医学成像系统的其它装置/模块，在一种实施例中，该指令集和/或计算机程序可以编制于计算机的处理器/控制器中。
具体地，该指令集和/或计算机程序由计算机执行时使计算机：
基于第一深度学习网络，对原始扫描对象图像进行处理，以获取原始扫描对象图像对应的噪音图像；以及
基于原始扫描对象图像和噪音图像获取降噪图像
如上所述的指令可以被合并为一个指令执行，任一指令也可以被拆分成多个指令以执行，此外，也并不限于按照上述的指令执行顺序。
如本文使用的，术语“计算机”可包括任何基于处理器或基于微处理器的系统，其包括使用微控制器、精简指令集计算机(RISC)、专用集成电路(ASIC)、逻辑电路和能够执行本文描述的功能的任何其它电路或处理器的系统。上文的示例只是示范性的，并且从而不意在采用任何方式限制术语“计算机”的定义和/或含义。
指令集可包括各种命令，其指示作为处理机的计算机或处理器执行特定的操作，例如各种实施例的方法和过程。指令集可采用软件程序的形式，该软件程序可形成一个或多个有形的非暂时性计算机可读介质的一部分。该软件可采用例如系统软件或应用软件的各种形式。此外，该软件可采用独立程序或模块的集合、在更大程序内的程序模块或程序模块的一部分的形式。该软件还可包括采用面向对象编程的形式的模块化编程。输入数据由处理机的处理可响应于操作者命令，或响应于先前的处理结果，或响应于由另外一个处理机作出的请求。
上面已经描述了一些示例性实施例，然而，应该理解的是，可以做出各种修改。例如，如果所描述的技术以不同的顺序执行和/或如果所描述的系统、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充，则可以实现合适的结果。相应地，其他实施方式也落入权利要求的保护范围内。

Claims (22)

1.一种图像降噪方法，其包括：
基于第一深度学习网络，对原始扫描对象图像进行处理，以获取所述原始扫描对象图像对应的噪音图像；以及
基于所述原始扫描对象图像和所述噪音图像获取降噪图像；
其中，所述第一深度学习网络基于低信噪比图像和高信噪比图像训练得到。
2.如权利要求1所述的图像降噪方法，其中，所述训练包括：
获取低信噪比图像作为样本原始图像集，以及与所述低信噪比图像相同位置的高信噪比图像作为样本参考图像集；
基于所述样本原始图像集以及所述样本参考图像集，得到样本噪音图像集；以及
将所述样本原始图像集作为输入，所述样本噪音图像集作为输出，训练神经网络，以得到所述第一深度学习网络。
3.如权利要求2所述的图像降噪方法，其中，所述低信噪比图像包括在多个不同的低剂量下获取的CT图像。
4.如权利要求2所述的图像降噪方法，其中，所述样本原始图像集包括低信噪比图像中的多个区块，所述样本参考图像集包括高信噪比图像中的多个区块。
5.如权利要求4所述的图像降噪方法，其中，所述样本原始图像集包括低信噪比图像中的每个区块以及对所述每个区块进行变换处理后获得的至少一个变换区块，所述样本参考图像集包括高信噪比图像中的每个区块以及对所述区块进行变换处理后获得的至少一个变换区块。
6.如权利要求5所述的图像降噪方法，其中，所述变换处理包括旋转至少一个角度以及镜像翻转中的至少一个。
7.如权利要求2所述的图像降噪方法，其中，所述样本原始图像集包括多个基于体模扫描获取的低信噪比图像，所述样本噪音图像集包括基于所述多个低信噪比图像与所述样本参考图像集生成的样本实际噪音图像集。
8.如权利要求7所述的图像降噪方法，其中，所述样本噪音图像集进一步包括基于第二深度学习网络生成的样本虚拟噪音图像集。
9.如权利要求8所述的图像降噪方法，其中，所述样本虚拟噪音图像集包括基于第二深度学习网络生成的至少一个虚拟噪音图像，且所述至少一个虚拟噪音图像与所述样本实际噪音图像集中的一个具有预设相似性。
10.如权利要求9所述的图像降噪方法，其中，所述样本原始图像集进一步包括基于所述样本参考图像集和所述样本虚拟噪音图像集获取的样本虚拟原始图像集。
11.一种非暂态计算机可读存储介质，其用于存储计算机程序，所述计算机程序由计算机执行时使计算机执行权利要求1-10任一项所述的图像降噪方法。
12.一种图像降噪装置，其包括：
噪音图像生成模块，其用于基于第一深度学习网络，对原始扫描对象图像进行处理，以获取所述原始扫描对象图像对应的噪音图像，其中，所述第一深度学习网络基于低信噪比图像和高信噪比图像训练得到；以及
降噪图像合成模块，其用于基于所述原始扫描对象图像和所述噪音图像获取降噪图像。
13.如权利要求12所述的图像降噪装置，其中，进一步包括用于获取所述第一深度学习网络的第一训练模块，所述第一训练模块进一步用于：
获取低信噪比图像作为样本原始图像集，以及与所述低信噪比图像相同位置的高信噪比图像作为样本参考图像集；
基于所述样本原始图像集以及所述样本参考图像集，获取样本噪音图像集；以及
将所述样本原始图像集作为输入，所述样本噪音图像集作为输出，训练神经网络，以得到所述第一深度学习网络。
14.如权利要求13所述的图像降噪装置，其中，所述低信噪比图像包括在多个不同的低剂量下获取的CT图像。
15.如权利要求13所述的图像降噪装置，其中，所述样本原始图像集包括低信噪比图像中的多个区块，所述样本参考图像集包括高信噪比图像中的多个区块。
16.如权利要求15所述的图像降噪装置，其中，所述样本原始图像集包括低信噪比图像中的每个区块以及对所述每个区块进行变换处理后获得的至少一个变换区块，所述样本参考图像集包括高信噪比图像中的每个区块以及对所述区块进行变换处理后获得的至少一个变换区块。
17.如权利要求16所述的图像降噪装置，其中，所述变换处理包括旋转至少一个角度以及镜像翻转中的至少一个。
18.如权利要求13所述的图像降噪装置，其中，所述样本原始图像集包括多个基于体模扫描获取的低信噪比图像，所述样本噪音图像集包括基于所述多个低信噪比图像与所述样本参考图像集生成的样本实际噪音图像集。
19.如权利要求18所述的图像降噪装置，其中，进一步包括：
第二训练模块，其用于基于所述样本实际噪音图像集生成样本虚拟噪音图像集的第二深度学习网络。
20.如权利要求19所述的图像降噪装置，其中，所述样本虚拟噪音图像集包括基于第二深度学习网络生成的至少一个虚拟噪音图像，且所述至少一个虚拟噪音图像与所述样本实际噪音图像集中的一个具有预设相似性。
21.如权利要求19所述的图像降噪装置，其中，所述样本原始图像集进一步包括基于所述样本参考图像集和所述样本虚拟噪音图像集获取的样本虚拟原始图像集。
22.一种成像系统，其包括如权利要求12-21中任一项所述的图像降噪装置。
CN202010531261.1A 2020-06-11 2020-06-11 图像降噪方法及装置 Pending CN113808025A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010531261.1A CN113808025A (zh) 2020-06-11 2020-06-11 图像降噪方法及装置
US17/343,585 US11941786B2 (en) 2020-06-11 2021-06-09 Image noise reduction method and device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010531261.1A CN113808025A (zh) 2020-06-11 2020-06-11 图像降噪方法及装置

Publications (1)

Publication Number Publication Date
CN113808025A true CN113808025A (zh) 2021-12-17

Family

ID=78825680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010531261.1A Pending CN113808025A (zh) 2020-06-11 2020-06-11 图像降噪方法及装置

Country Status (2)

Country Link
US (1) US11941786B2 (zh)
CN (1) CN113808025A (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7458857B2 (ja) * 2020-04-01 2024-04-01 キヤノン株式会社 画像処理装置、画像処理方法及びプログラム
US20220292339A1 (en) * 2021-03-09 2022-09-15 Optum Services (Ireland) Limited Machine learning techniques for predictive conformance determination
KR102540320B1 (ko) * 2021-07-20 2023-06-07 연세대학교 산학협력단 적응적 샘플링 기반 cbct 영상 획득 방법 및 장치
CN114331902B (zh) * 2021-12-31 2022-09-16 英特灵达信息技术(深圳)有限公司 一种降噪方法、装置、电子设备及介质
CN114841878A (zh) * 2022-04-27 2022-08-02 广东博迈医疗科技股份有限公司 光学相干层析图像散斑去噪方法、装置及电子设备
CN114864055A (zh) * 2022-05-31 2022-08-05 上海联影医疗科技股份有限公司 组织的扫描分析方法、系统和电子装置
CN114936979B (zh) * 2022-06-07 2023-05-30 中南大学 一种模型训练方法、图像去噪方法、装置、设备及存储介质
CN116055895B (zh) * 2023-03-29 2023-08-22 荣耀终端有限公司 图像处理方法及其装置、芯片系统和存储介质
CN116721030B (zh) * 2023-06-14 2024-09-06 上海为旌科技有限公司 一种基于深度学习的高增益场景降噪方法和系统
CN116894796B (zh) * 2023-09-11 2023-12-26 归芯科技(深圳)有限公司 图像降噪和畸变矫正联合处理方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170372193A1 (en) * 2016-06-23 2017-12-28 Siemens Healthcare Gmbh Image Correction Using A Deep Generative Machine-Learning Model
US20200034948A1 (en) * 2018-07-27 2020-01-30 Washington University Ml-based methods for pseudo-ct and hr mr image estimation
CN111047524A (zh) * 2019-11-13 2020-04-21 浙江工业大学 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法
US20200286214A1 (en) * 2019-03-07 2020-09-10 Hitachi, Ltd. Medical imaging apparatus, medical image processing device, and medical image processing program

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600568B (zh) 2017-01-19 2019-10-11 东软医疗系统股份有限公司 一种低剂量ct图像去噪方法及装置
CN107403419A (zh) 2017-08-04 2017-11-28 深圳市唯特视科技有限公司 一种基于级联卷积神经网络的低剂量x射线图像去噪方法
US10891762B2 (en) * 2017-11-20 2021-01-12 ClariPI Inc. Apparatus and method for medical image denoising based on deep learning
CN108492268A (zh) 2018-03-20 2018-09-04 哈尔滨理工大学 基于小波系数融合的低照度图像增强算法
CN108564553A (zh) 2018-05-07 2018-09-21 南方医科大学 基于卷积神经网络的低剂量ct图像噪声抑制方法
US10915990B2 (en) * 2018-10-18 2021-02-09 General Electric Company Systems and methods for denoising medical images with deep learning network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170372193A1 (en) * 2016-06-23 2017-12-28 Siemens Healthcare Gmbh Image Correction Using A Deep Generative Machine-Learning Model
US20200034948A1 (en) * 2018-07-27 2020-01-30 Washington University Ml-based methods for pseudo-ct and hr mr image estimation
US20200286214A1 (en) * 2019-03-07 2020-09-10 Hitachi, Ltd. Medical imaging apparatus, medical image processing device, and medical image processing program
CN111047524A (zh) * 2019-11-13 2020-04-21 浙江工业大学 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHUL KYUN AHN等: "A Deep Learning-Enabled Iterative Reconstruction of Ultra-Low-Dose CT: Use of Synthetic Sinogram-based Noise Simulation Technique", 《MEDICAL IMAGING :PHYSICS OF MEDICAL IMAGING》, 9 March 2018 (2018-03-09), pages 2 *
徐曾春;叶超;杜振龙;李晓丽;: "基于改进型WGAN的低剂量CT图像去噪方法", 光学与光电技术, no. 03, 10 June 2019 (2019-06-10), pages 105 - 111 *
高净植等: "改进深度残差卷积神经网络的LDCT图像估计", 《计算机工程与应用》, 4 June 2019 (2019-06-04), pages 2 *

Also Published As

Publication number Publication date
US20210390668A1 (en) 2021-12-16
US11941786B2 (en) 2024-03-26

Similar Documents

Publication Publication Date Title
US11941786B2 (en) Image noise reduction method and device
AU2019257675B2 (en) Image enhancement using generative adversarial networks
AU2019449137B2 (en) sCT image generation using cyclegan with deformable layers
EP3525171B1 (en) Method and system for 3d reconstruction of x-ray ct volume and segmentation mask from a few x-ray radiographs
US11380026B2 (en) Method and device for obtaining predicted image of truncated portion
US20220198667A1 (en) Method and device for extracting blood vessel wall
US11461940B2 (en) Imaging method and device
US20240029415A1 (en) Simulating pathology images based on anatomy data
US11672498B2 (en) Information processing method, medical image diagnostic apparatus, and information processing system
CN115205107A (zh) 医用图像处理方法、医用图像处理装置、存储介质
CN114140487A (zh) 脑部图像分割方法及装置
US20220378383A1 (en) Target area determination method and medical imaging system
CN112102423A (zh) 医学成像方法及系统
US20240144441A1 (en) System and Method for Employing Residual Noise in Deep Learning Denoising for X-Ray Imaging
US20240108302A1 (en) Method for identifying interventional object, imaging system, and non-transitory computer-readable medium
CN117974821A (zh) 用于以改进的图像质量从ct/dbt扫描中恢复投影数据的系统和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination