[发明专利]一种超声图像去噪模型建立方法及超声图像去噪方法

说明书

本发明公开了一种超声图像去噪模型建立方法及超声图像去噪方法，属于图像去噪领域，包括：数据集预处理步骤：将自然图像数据集中的图像预处理为大小相等的图像块，添加斑点噪声后，由图像块及其对应的噪声图像构成训练样本，得到训练数据集；模型建立步骤：使用ResNet网络中的残差块为基本单元建立ResUNet网络，并引入注意力机制，得到待训练的初始去噪模型，用于抑制图像中的斑点噪声；模型训练步骤：利用训练数据集对初始去噪模型进行训练，在训练结束后，得到超声图像去噪模型。本发明在UNet网络的基础上，引入残差块和注意力机制，由此所建立的超声图像去噪模型，能够有效提升对超声图像的去噪效果。

技术领域

本发明属于图像去噪领域，更具体地，涉及一种超声图像模型建立方法及超声图像去噪方法。

背景技术

超声成像由于其无创、廉价和实时性的优点已经成为一种流行的医学成像技术。但是，超声成像的相干特性会导致超声图像中固有的斑点噪声，这些噪声导致了成像区域信息的不准确，进一步影响了医生对微小病变的判断。为此，对医学超声图像进行去噪处理就显得必不可少。

超声图像降噪方法包括频域降噪和空域降噪法两类，而空域降噪法中的代表性算法是非局部均值方法。该方法基本思想是：对当前像素点，计算图像中所有与其结构相似的像素点的灰度值的加权平均，得到对应的降噪结果。为了衡量两个结构相似的像素点，一般通过以这两个像素点为中心的图像块的灰度信息来确定。传统的非局部均值方法对于去除高斯噪声有很好的效果，但对于斑点噪声却不适合，这是由于斑点噪声与高斯噪声在噪声分布上有很大不同。为了将非局部均值方法应用到斑点噪声去除中，Coupe等提出了一种优化的贝叶斯非局部均值(OBNLM)方法。与传统的非局部均值方法不同，OBNLM使用基于贝叶斯框架得到的皮尔逊距离代替欧几里得距离，以准确度量两个图像块之间的相似性。此外，余后强等提出了一种基于PCANet的NLM方法，通过利用PCANet提取的图像固有特征而非像素灰度，以确定超声图像的非局部相似性。上述去斑点方法难以在充分抑制噪声的同时有效保护保留图像细节信息，特别是在当图像中斑点噪声污染较严重时上述缺点表现尤为明显。此外，由于涉及复杂运算操作，这些方法通常难以实现超声图像实时降噪。

作为机器学习领域中的一种流行算法，深度学习为实时有效的超声图像去斑提供了一种可能且有价值的解决方案，因为它可以自动从训练数据中学习内在特征，并可以促进高效的图像去噪。Chierchia等提出了一种使用残差学习策略来去除斑点噪声的卷积网络，该方法通过对数变换将乘性噪声转换为加性噪声，用于去除合成孔径雷达图像中的斑点噪声。王濮阳等提出了一种SAR图像去斑卷积网络，它同样使用了残差学习策略，将图像除以学习到的噪声残差来恢复图像。这两种方法都用于纯乘性噪声模型，并使用对数变换或者除法进行残差学习。然而，纯乘性噪声模型不能有效表征实际超声图像中斑点噪声的特性。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种超声图像去噪模型建立方法及超声图像去噪方法，其目的在于，提升对超声图像的去噪效果。

为实现上述目的，按照本发明的一个方面，提供了一种超声图像去噪模型建立方法，包括：

数据集预处理步骤：将自然图像数据集中的图像预处理为大小相等的图像块，添加斑点噪声后，由图像块及其对应的噪声图像构成训练样本，得到训练数据集；

模型建立步骤：将UNet网络首、尾两个卷积层以及下采样和上采样卷积层之外的全部或部分卷积层替换为ResNet网络的中的残差块，得到待训练的初始去噪模型，用于抑制图像中的斑点噪声；

模型训练步骤：利用训练数据集对初始去噪模型进行训练，在训练结束后，得到超声图像去噪模型。