[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

说明书

本发明公开了一种基于深度卷积神经网络的胸部X光片去噪方法，包括：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，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；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；将成对的原始图像块和含噪图像块作为输入，进行训练，得到训练完成后的卷积神经网络模型X‑ReCNN；将待去除噪声的胸部X光片数据作为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。该方法可以轻量化、速度快、高精度的去除胸部X光片中的噪声，而且大幅度地降低了网络结构的参数，缩短了网络训练时间。

技术领域

本发明属于图像去噪技术领域，具体涉及一种基于深度卷积神经网络的胸部X光片去噪方法。

背景技术

胸部X光片(Chest X-ray)是一种价格低廉，并且快速易得的医学影像技术。相较于计算机断层扫描技术(Computed Tomography，CT)，传统的胸部X光片不仅价格便宜，并且辐射量更低，现在医学研究表明，有1.5％～2％的肿瘤可能是由于CT的高辐射剂量导致。特别是在诸如肺炎、气胸、间质性肺病、心力衰竭、骨折、裂孔疝等疾病的早期诊断上，X射线都有较为广泛的应用。此外，胸部X光检查是2014年全国3亿多人体检的标准检查方法。这个数字仍在增加，导致每年都会产生数以亿计的胸部X光片。

虽然胸部X光片在医疗检查中起到越来越重要的作用，但是胸部X光片在生成过程中，不仅会受到各种类型和程度的噪声影响，并且还存在条状伪影。这会降低上述各种疾病被筛查出来的概率，并且在一定程度上干扰医生对疾病的诊断、分析和治疗。因此对胸部X光片进行去噪和复原就具有十分重要的意义。此外，去噪过程会在一定程度上干扰原始图像的质量，这可能会导致人或机器做出错误的决策。因此，医学图像的去噪过程中，应该尽可能地考虑去噪的准确性。

近些年来，随着深度学习的快速发展，深度卷积神经网络在图像去噪领域上的应用也愈加的广泛。如公开号为CN106204468A的中国专利文献公开了一种基于ReLU卷积神经网络的图像去噪方法，包括以下步骤：搭建ReLU卷积神经网络模型，所述ReLU卷积神经网络模型包括多个卷积层和每个所述卷积层后的激活层，所述激活层为ReLU函数；选取训练集，并设置所述ReLU卷积神经网络模型的训练参数；根据所述ReLU卷积神经网络模型及其训练参数，以最小化损失函数为目标训练所述ReLU卷积神经网络模型形成图像去噪神经网络模型；将待处理的图像输入到所述图像去噪神经网络模型，输出去噪后的图像。如公开号为CN106408522A的中国专利文献公开了一种基于卷积对神经网络的图像去噪方法，包括以下步骤：搭建卷积对神经网络模型，所述卷积对神经网络模型包括多个卷积对和相应的激活层；选取训练集，并设置所述卷积对神经网络模型的训练参数；根据所述卷积对神经网络模型及其训练参数，以最小化损失函数为目标训练所述卷积对神经网络模型形成图像去噪神经网络模型；将待处理的图像输入到所述图像去噪神经网络模型，输出去噪后的图像。

去噪自编码器和卷积去噪自编码器(CNN DAE)是经典自编码器的扩展，这两个模型都试图通过构建模型，直接学习到干净的去噪后图片，但是模型的稳健性和泛化能力不够好，实际的表现效果没有训练时表现得出色。

发明内容

本发明的目的在于提供一种基于深度卷积神经网络的胸部X光片去噪方法，可以轻量化、速度快、高精度的去除胸部X光片中的噪声，而且大幅度地降低了网络结构的参数，缩短了网络训练时间。

本发明解决其技术问题所采用的技术方案是：

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、预处理后得到原始图像块，在原始图像块中加入高斯噪声后生成含噪图片，将成对的原始图像块和含噪图像块作为训练数据集；