[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

说明书

基于双重注意力和多尺度特征的CNN医学CT图像去噪算法，具体步骤如下：步骤1)创建医学CT图像模型；步骤2)构建噪声先验信息提取网络；步骤3)构建去噪网络；步骤4)数据集预处理；步骤5)训练去噪网络并更新参数；本发明具有以下优点：1)提出了使用双重注意力机制融入噪声先验网络对医学CT图像去噪，增强了对于噪声的提取效果。2)在去噪网络中使用多尺度的上下文模块，增强了网络对于图像的细节纹理保留效果。

技术领域

本发明涉及医学图像去噪领域，具体涉及一种CNN医学CT图像去噪方法。

技术背景

在医学领域中,医学图像处理技术越来越多的被用于治疗规划和疾病诊断中。目前被广泛应用于临床和诊断的医学影像技术主要有核磁共振(MRI)、计算机断层扫描(CT)等技术。虽然医学影像设备和图像采集设备非常先进,但是有时也会受到一些客观因素的影响,医学图像中不可避免的会产生噪声,这些噪声有可能会直接影响到医学图像的质量,从而影响医务人员的判断。因此,非常有必要对医学图像预处理中的去噪技术进行分析和研究。去噪是图像处理的基础和前提,也是图像预处理中不可缺少的步骤。目前用于自然图像预处理的去噪技术取得了明显的效果,但是对于医学图像预处理中的去噪技术的研究还存在一些问题。

许多早期的基于模型的方法先找到图像的先验信息然后再应用优化算法迭代求解模型，这样的方法十分耗时而且效果不佳。随着深度学习的兴起，CNN被广泛应用于去噪而且取得了不错的效果。如今已有多种方法能够在AWGN图像的去噪上取得很好的效果，但是却难以胜任真实世界图像的去噪工作，因为在相机系统中，噪声的来源是多样的(比如暗电流噪声(dark current noise)、short noise、thermal noise等)，还要进一步经过ISP过程(包括demosaicing、Gamma correction、compression等)，这样一来，真实世界图像的噪声就要比高斯噪声复杂得多了。此外，真实世界噪声图像的噪声水平是未知的，如果直接使用非盲AWGN的去噪方法就很容易消除细节或导致图像过于光滑，泛化能力较差。

发明内容

本发明要克服现有技术弊端，提供一种基于双重注意力和多尺度特征的CNN医学CT图像去噪方法

本发明的目的在于提高医学CT图像的去噪效果，在以往采用的基于噪声先验医学图像去噪方法中，往往是直接将单一噪声级图像或者多噪声级图像混合作为训练数据，使用常规的cnn网络提取噪声信息，使得到的去噪模型仅仅可以处理有限范围内的噪声图片，这会导致神经网络模型不能充分泛化到有更加宽泛噪声级的图像中，并且在模型训练时神经网络不能充分获取图片信息。为了提高网络的去噪能力，本发明在噪声提取网络中加入基于双重注意力即并联的空间注意力机制和通道注意力机制，实现提取噪声能力更强的噪声先验网络。将提取出来的数据与噪声图像串行连接作为去噪网络的输入，使用提取的信息和噪声图像来优化神经网络中的参数。

本发明的创新和优点在于：本发明在原有的噪声先验网络基础之上融合了新的双重注意力单元，在先验噪声提取方面达到了更好的效果。增强了对于真实世界噪声图像去噪的泛化能力。

为使本发明的目的、技术方案和优点更加清晰，下面就对本发明的技术方案进行详细的描述，基于双重注意力和多尺度特征的的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；