[发明专利]基于双重注意力和多尺度特征的CNN医学CT图像去噪方法

权利要求书

1.基于双重注意力和多尺度特征的CNN医学CT图像去噪方法，具体步骤如下：

步骤1)创建医学CT图像模型：

创建医学CT图像模型：

采用高斯噪声模型，其数学表达式为：

Y＝X+V (1)

其中X是为不含噪声的干净图像，Y为实际含噪声图像，V为噪声；V的噪声分布服从高斯分布，高斯噪声是指它的概率密度函数服从高斯分布(即正态分布)的一类噪声，即为高斯随机变量z概率密度函数，其数学表达式为：

其中μ表示为数学期望，σ表示为标准差；

步骤2)构建噪声先验信息提取网络：

这个阶段关注从噪声图像中提取特征，使用了简单的五层全卷积子网络，不进行pooling和batch normalization，每一个Conv层后进行ReLU激活；在每个卷积层，特征通道被设置为32(最后一层设置为1)，卷积核大小为3×3；

在最后一层之前，插入一个Dual attention module来有效抓取特征的全局依赖关系；Dual attention module由并联的空间注意力模块和通道注意力模块组成；

空间注意力模块旨在利用任意两点特征之间的关联，来相互增强各自特征的表达；具体来说，首先计算出任意两点特征之间关联强度矩阵，即原始特征A经过卷积降维获得特征B和特征C，然后改变特征维度B为((HxW)xC′)和C为(C′x(HxW))然后矩阵乘积获得任意两点特征之间的关联强度矩((HxW)x(HxW))；然后经过softmax操作归一化获得每个位置对其他位置的attention图S,其中越相似的两点特征之间，其响应值越大；接着将attention图中响应值作为加权对特征D进行加权融合，这样对于各个位置的点，其通过attention图在全局空间中的融合相似特征；

通道注意力模块旨在通过建模通道之间的关联，增强通道下特定语义响应能力；具体过程与位置注意力模块相似，不同的是在获得特征注意力图X时，是将任意两个通道特征进行维度变换和矩阵乘积，获得任意两个通道的关联强度，然后同样经过softmax操作获得的通道间的attention图；最后通过通道之间的attention图加权进行融合，使得各个通道之间能产生全局的关联，获得更强的语义响应的特征；

步骤3)构建去噪网络：

去噪网络主体为带有跳跃连接的UNet结构，分为encoder—decoder左右两部分，中间使用带有4个不同扩张率的空洞卷积的context block模块连接：

Encoder部分：左半部分为下采样层，由4个结构相同的卷积层组成；每个卷积层由两个conv+ReLU层构成，卷积核设置为3×3，步长为1，padding为1；第一层卷积通道数为128，第二层为256，第三层为512，第四层为1024；每次下采样中使用2×2大小的maxpool层连接，每经过一次下采样，通道数翻倍；

Context block模块:移除了BN层，仅使用了设置为1、2、3、4的dilation rates，为了进一步简化操作缩短时间，首先使用1×1Conv来压缩特征通道；compression ratio设置为4，在融合(fusion)部分使用1×1卷积，类似地，在输入和输出特征之间使用local skipconnection来防止信息阻塞；

Decoder部分：右半部分为上采样层，与encoder部分对称，由4个结构相同的上采样层组成；每个上采样卷积层与左半部分相同，由两个conv+ReLU层构成，卷积核设置为3×3，步长为1，padding为1；每层之间通过2×2大小up-conv层连接进行特征的上采样，每上采样一次通道数减半；

在网络的encoder-decoder之间使用跳跃连接，每一个encoder层的输出的featuremap与对应的decoder层的上采样结果相加，加强网络对图像细节纹理的还原保证网络训练的收敛；

步骤4)数据集预处理：

在数据集预处理阶段将数据集划分为训练集，验证集与测试集；对于训练集和验证集的图片进行裁剪使图片尺寸统一，并使用高斯加性白噪声替代医学CT图像中的噪声，对原始干净图像分别添加均值为0，标准差为5、10、15、20、25、30、35、40、45、50的高斯白噪声，得到去噪网络训练数据；

步骤5)训练去噪网络并更新参数：

噪声先验网络首先随机初始化权重，然后将输入的噪声图像数据x经过特征提取德到噪声估计数据noise_est，最后将原始输入x与noise_est进行拼接，作为去噪网络的输入；去噪网络随即初始化权重，根据噪声先验网络的输入训练网络得到输出；损失函数中将原始图片，加噪图片，噪声估计以及真实噪声等级作为输入，使用均值方差来计算总体损失，最后使用Adam优化器来更新网络权重参数。

2.如权利要求1所述的基于双重注意力和多尺度特征的CNN医学CT图像去噪方法，其特征在于：步骤(2)中，为了进一步获得全局依赖关系的特征，将两个模块的输出结果进行相加融合，获得最终的特征用于像素点的分类。