[发明专利]一种基于深度卷积神经网络的胸部X光片去噪方法

权利要求书

1.一种基于深度卷积神经网络的胸部X光片去噪方法，包括以下步骤：

(1)收集胸部X光片数据，并进行数据格式的转化、预处理后得到训练用的原始图像块，在原始图像块中加入高斯噪声后生成含噪图像块，将成对的原始图像块和含噪图像块作为训练数据集；

(2)构建去除胸部X光片噪声的卷积神经网络模型，所述卷积神经网络模型包括深度卷积神经网络和残差网络；

(3)将步骤(1)中成对的原始图像块和含噪图像块作为输入，对构建的卷积神经网络进行训练，在训练过程中，所述卷积神经网络对含噪图像块中的噪声进行学习，调整参数直至卷积神经网络模型收敛，得到训练完成后的去除胸部X光片噪声的卷积神经网络模型X-ReCNN；

(4)将待去除噪声的胸部X光片数据进行格式的转化和预处理后，作为卷积神经网络模型X-ReCNN的输入特征图，去除噪声，输出预测的去噪后的胸部X光片。

2.根据权利要求1所述的基于深度卷积神经网络的胸部X光片去噪方法，其特征在于，在步骤(1)中，所述预处理的方法为依次进行数据增强和归一化像素值，所述数据增强的方法为缩放和旋转。

3.根据权利要求1所述的基于深度卷积神经网络的胸部X光片去噪方法，其特征在于，在步骤(2)中，所述卷积神经网络模型包括：

第一噪声提取模块，包括卷积层和激活层，用于提取输入的含噪图像块的噪声特征，输出第一特征图至第二噪声提取模块；

第二噪声提取模块，包括深度卷积神经网络模块，所述深度卷积神经网络模块包括DW卷积操作和PW卷积操作，用于进一步提取第一特征图的噪声特征，生成第二特征图，并输出至重建输出模块；

重建输出模块，包括卷积层和激活层，用于进一步提取第二特征图的噪声分布，输出第三特征图至残差模块，所述第三特征图与原始输入的胸部X光片在尺寸上保持一致；

残差模块，直连第一噪声提取模块和重建输出模块，将第一噪声提取模块、第二噪声提取模块和重建输出模块构成一个残差单元，输出去噪后的胸部X光片。

4.根据权利要求3所述的基于深度卷积神经网络的胸部X光片去噪方法，其特征在于，所述第二噪声提取模块包括14个深度卷积神经网络模块，每个深度卷积神经网络模块中依次连接有DW卷积、PW卷积、批量正则化层和激活层。

5.根据权利要求3或4所述的基于深度卷积神经网络的胸部X光片去噪方法，其特征在于，所述激活层为ReLU函数，所述ReLU函数公式为：

ReLU(X)＝Max(0,X)

其中，X指输出层的权重大小。

6.根据权利要求4所述的基于深度卷积神经网络的胸部X光片去噪方法，其特征在于，所述卷积神经网络模型包括：

第一噪声提取模块，包括依次连接的1个卷积层和1个激活层，所述卷积层的卷积核大小为3×3、步长为1、输出通道数为48；

第二噪声提取模块，包括依次连接的14个深度卷积神经网络模块，所述深度卷积神经网络模块包括依次连接的有DW卷积、PW卷积、批量正则化层和激活层，所述DW卷积的卷积核大小为3×3、步长为1、输出通道数为48，所述PW卷积的卷积核大小为1×1、步长为1、输出通道数为48；

重建输出模块，包括依次连接的1个卷积层和1个激活层，所述卷积层的卷积核大小为3×3、步长为1、输出通道数为1；

残差模块，直连第一噪声提取模块和重建输出模块，将第一噪声提取模块、第二噪声提取模块和重建输出模块构成一个残差单元。

7.根据权利要求3所述的基于深度卷积神经网络的胸部X光片去噪方法，其特征在于，在步骤(3)中，所述含噪图像块为加入固定高斯噪声水平或不固定高斯噪声水平的含噪图像块，训练完成后的卷积神经网络模型为去除固定高斯噪声水平的模型X-ReCNN-S或高斯盲去噪的模型X-ReCNN-B。