[发明专利]基于深度卷积神经网络的人类胚胎心脏超声图像的去噪方法

权利要求书

1.一种基于深度卷积神经网络的人类胚胎心脏超声图像的去噪方法，其特征在于包括：

S1:获取具有时间序列和空间序列特征的超声图像数据集并选取中心图像、确定该中心图像的相邻图像；

S2:计算中心图像中心像素与相邻图像对应搜索域中每个像素的相似度：设置中心像素对应的搜索域、计算搜索域对应累计方差、平均累计方差、搜索域中每个像素的邻域方差、搜索域中每个像素的邻域平均欧氏距离以及搜索域中每个像素与中心像素的相似度，具体采用如下方式：

S21:确定搜索域与邻域：在中心图像当中选择一点作为中心像素，将其在4张相邻图像当中相同位置的像素称为目标像素，对于一个目标像素，以它为中心m×m像素范围的区域称为搜索域，对于每一个搜索域当中的每一个像素，以它为中心的n×n像素范围定义为邻域；对于一个搜索域中的一个像素，以它为中心的n×n像素范围定义为邻域，搜索域中的每一个像素都对应一个邻域；

S22:计算累计方差：对于第k张相邻图像对应的搜索域中的一个像素P，P的灰度值表示为s，P对应的邻域中所有像素的灰度值分别表示为t_i,i∈[1,n²]，由此计算P在这一搜索域上的累计方差为：

S23:计算平均累计方差：对其他的搜索域，均按照步骤S22采用的方法计算累计方差，则该像素对应的平均累计方差为：

S24:遍历整个搜索域，对搜索域中的每一个像素都按照步骤S23采用的方法计算平均累计方差；

S25:计算每个像素的邻域方差：对于一个搜索域的一个像素P，由步骤S23计算出其平均累计方差e，则像素P对应的邻域方差为：

计算邻域方差对应的高斯加权权重：设σ为高斯标准差，h为滤波系数，此时像素P对应的高斯加权权重表示为：

遍历整个搜索域，对于该搜索域当中的每一个像素，都按照计算每个像素的邻域方差的方法计算出高斯加权权重，对于该搜索域当中的第j个像素，它所对应的高斯加权权重记为W_Gj,j∈[1,m²]；

计算归一化系数：其中归一化系数表示为一个搜索域中所有像素对应的高斯加权权重的和，搜索域中第j个像素对应的高斯加权权重为W_Gj，则归一化系数表示为：

计算相似度：采用欧式距离来表示相似度，则中心像素和一个搜索域中的第j个像素的相似度表示为：

根据相似度信息计算相邻图像对应的中心像素灰度值并对该中心像素灰度值进行取平均值操作得到中心像素的最终灰度值，对中心图像的每一个像素均计算对应的最终灰度值，遍历整张中心图像后即获得去噪后的清晰图像，并将去噪后的清晰图像裁剪成设定尺寸的图像作为训练集；

构建深度卷积神经网络模型、该模型包括带有ReLU激活函数的卷积层、多个带有ReLU激活函数的卷积层以及普通卷积层，采用均方差MSE作为该模型的损失函数，获取神经网络的具体层数和学习率，将训练集输入至深度卷积神经网络模型中进行训练、并保存训练后的模型；

将未去噪的超声图像输入至完成训练的深度卷积神经网络模型中进行去噪处理获得噪声图像与干净图像的差即残差图像，在去噪过程中，将原始未去噪图像与预测的残差图像做差获得去噪后的干净图像。

2.根据权利要求1所述的方法，其特征还在于：根据深度卷积神经网络模型每一层的步长计算感受野的大小从而确定该深度卷积神经网络模型的层数，步长是指在进行卷积核滑动操作的时候，向左或者向下滑动的行数或列数，其中对应每一层步长采用如下公式获取：

即每一层的步长都是之前所有层步长的乘积，采用如下方式获取：

r(i)＝(r(i+1)-1)×stride(i)+c(i)

其中stride(i)表示第i层的步长，c(i)表示第i层卷积层的卷积核大小，根据上述两个公式，得到网络深度为d时，感受野大小为：

r(d)＝(2d+1)×(2d+1)

即根据最后一层的感受野大小获取神经网络应有的层数。

3.根据权利要求2所述的方法，其特征还在于：设置深度卷积神经网络模型的学习率，在训练该深度卷积神经网络模型的过程中每一次迭代都将学习率降低一部分，迭代的公式如下：

dlr＝lr×dr^(gs/ds)

其中dlr是衰减后的学习率，lr是当前学习率，ds是衰减步长，用来控制衰减速度，dr是衰减系数，满足0＜dr＜1，gs是总迭代次数，

所述衰减步长采用如下方式获取：

其中it是当前的迭代次数，m是由用户设置的常数，满足m＞0，即衰减步长的值是当前迭代次数的m倍，但最大不超过总迭代次数的一半。