[发明专利]深度网络训练方法、内镜图像处理方法、装置和存储介质

权利要求书

1.一种深度网络训练方法，其特征在于，所述深度网络训练方法包括：

获取训练样本内镜图像；

获取深度生成网络和深度去噪网络；

使用所述训练样本内镜图像对所述深度生成网络进行训练；

使用所述训练样本内镜图像对所述深度去噪网络进行训练；

将经过训练的所述深度生成网络的网络参数作为半二次方分裂算法中的保真项，将经过训练的所述深度去噪网络的网络参数作为所述半二次方分裂算法中的约束项，通过所述半二次方分裂算法对所述深度生成网络的网络参数以及所述深度去噪网络的网络参数进行交替求解。

2.根据权利要求1所述的深度网络训练方法，其特征在于，所述使用所述训练样本内镜图像对所述深度生成网络进行训练，包括：

对所述训练样本内镜图像进行退化处理，得到第一图像；

对所述第一图像进行插值处理，得到第二图像；

从所述第二图像中裁剪出图像块，将所述图像块输入到深度生成网络，获取所述深度生成网络的输出结果；

根据所述训练样本内镜图像与所述深度生成网络的输出结果之间的分辨率损失，更新所述深度生成网络的参数。

3.根据权利要求1或2所述的深度网络训练方法，其特征在于，所述使用所述训练样本内镜图像对所述深度去噪网络进行训练，包括：

对所述训练样本内镜图像进行噪声添加处理，得到带噪声的第三图像；

生成所述第三图像对应的噪声水平图；

将所述第三图像和所述噪声水平图输入到深度去噪网络，获取所述深度去噪网络的输出结果；

根据所述训练样本内镜图像与所述深度去噪网络的输出结果之间的分辨率损失，更新所述深度去噪网络的参数。

4.根据权利要求3所述的深度网络训练方法，其特征在于，所述对所述训练样本内镜图像进行噪声添加处理，得到带噪声的第三图像，包括：

向所述训练样本内镜图像添加加性高斯白噪声，得到所述第三图像；所述加性高斯白噪声的噪声水平在一定范围内随机波动。

5.一种内镜图像处理方法，其特征在于，所述内镜图像处理方法包括：

获取待处理内镜图像；

获取深度生成网络和深度去噪网络；所述深度生成网络的网络参数以及所述深度去噪网络的网络参数，由权利要求1-4任一项所述的深度网络训练方法求解得到；

执行多次迭代过程；

在每次所述迭代过程中，将目标图像输入到所述深度生成网络中进行处理，得到相应一个处理图像，获取所述处理图像相应的噪声水平图，将所述处理图像和相应的噪声水平图输入到所述深度去噪网络中进行处理，得到相应一个去噪图像，所述去噪图像为本次所述迭代过程的超分辨率图像；

其中，在第一次所述迭代过程中，所述目标图像为所述待处理内镜图像；在除第一次所述迭代过程之外的其他所述迭代过程中，所述目标图像为上一次所述迭代过程处理所得的所述超分辨率图像。

6.一种内镜图像处理方法，其特征在于，所述内镜图像处理方法包括：

获取待处理内镜图像；

获取深度生成网络和深度去噪网络；所述深度生成网络的网络参数以及所述深度去噪网络的网络参数，由权利要求1-4任一项所述的深度网络训练方法求解得到；

执行多次迭代过程；

在每次所述迭代过程中，对目标图像分别进行多次不同变换参数的几何变换，每次几何变换得到一个变换图像，将各所述变换图像分别输入到所述深度生成网络中进行处理，所述深度生成网络每对一个所述变换图像进行处理得到相应一个处理图像，获取所述处理图像相应的噪声水平图，将各所述处理图像和相应的噪声水平图分别输入到所述深度去噪网络中进行处理，所述深度去噪网络每对一个所述处理图像和相应的噪声水平图进行处理得到相应一个去噪图像，对各所述去噪图像进行加权求和，得到本次所述迭代过程的超分辨率图像；

其中，在第一次所述迭代过程中，所述目标图像为所述待处理内镜图像；在除第一次所述迭代过程之外的其他所述迭代过程中，所述目标图像为上一次所述迭代过程处理所得的所述超分辨率图像。