[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

说明书

本发明公开了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,包括如下步骤：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；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；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，构建深度卷积神经网络模型，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燥处理获得噪声图像与干净图像的差即残差图像。

技术领域

本发明涉及图像处理技术领域，尤其涉及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。

背景技术

目前，超声技术是检测胎儿心脏是否健康的重要手段，但是由于胎儿的特殊性，超声需要额外穿过胎儿母亲的腹部脂肪才能针对胚胎心脏进行成像，这就导致超声图像往往会存在比其他情况下更多的伪影与噪声。对于这种问题，目前的解决方法有以下几种：首先是依据医疗人员的经验，利用未处理的超声图像进行诊断，这种方法对医疗人员的技术水平要求非常高，会消耗大量时间和精力，并且容易造成误诊；第二个是利用传统滤波方式去除噪声，这种方法虽然有一定的去噪效果，但是由于算法未针对超声图像进行优化，导致了图像中一些关键信息的丢失，不利于医生诊断；第三个是利用改进的非局部均值方法进行去噪，这种方法得到的图像质量较好但是需要较长的时间才能得到结果；最后是传统机器学习方法，这种方法也可以得到较好的效果，但是需要有大量的图像作为训练集，目前的图像数量不能满足它的要求，并且训练速度也会很慢。

发明内容

根据现有技术存在的问题，本发明公开了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，包括如下步骤：

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；

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；

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采用上述方法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燥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，原始未去噪的图像与预测的残差图像做差，即可得到去噪后的图像。

进一步的，采用均方差MSE作为深度卷积神经网络模型的损失函数时，该损失函数是预测值与目标值之间的差值的平方和，采用如下方式表示：

其中n是目标值的个数，y_i是目标值，是对应的预测值。

进一步的，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，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，近似得到网络深度为d时，感受野大小为：