[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

说明书

本发明公开了一种深度网络训练方法、内镜图像处理方法、计算机装置和存储介质，深度网络训练方法包括分别使用训练样本内镜图像对深度生成网络和深度去噪网络进行训练，分别将深度生成网络和深度去噪网络的网络参数作为保真项和约束项，通过半二次方分裂算法对深度生成网络和深度去噪网络的网络参数进行交替求解等步骤。深度网络训练方法无需依赖高分辨率的内镜图像进行训练，将深度生成网络和深度去噪网络的参数分别看作是保真项和约束项进行交替求解，从而引入了深度去噪网络的参数作为深度生成网络的学习过程中强有力的约束条件，使得深度生成网络的生成图像与原始图像之间差异小，提高所得图像的真实程度。本发明广泛应用于图像处理技术领域。

技术领域

本发明涉及图像处理技术领域，尤其是一种深度网络训练方法、内镜图像处理方法、计算机装置和存储介质。

背景技术

胶囊内镜检查是一种新兴的检查技术，相较于传统电子胃镜检查，胶囊内镜检查具有无创、安全且无交叉感染的特点，得到临床广泛应用。但是由于胶囊内镜图像的拍摄原理，拍摄所得的原始图像本身的分辨率就不高，胶囊内镜图像在尺寸和数据传输带宽方面受到限制，因此胶囊内镜图像普遍具有分辨率低、图像模糊等问题，影响医生的查阅诊断。

使用基于深度学习方法的超分辨率技术可以提高图像的分辨率。但是，目前的有监督学习方法要求使用高分辨率的样本对模型进行训练，但是胶囊内镜采集到的图像本身分辨率不高，因此目前的有监督学习方法不适用于对胶囊内镜图像进行超分辨率处理；目前的无监督学习方法生成的超分辨率图像与原始图像之间普遍存在较大的偏差。因此，目前的基于深度学习方法的超分辨率技术不适用于提高胶囊内镜图像的分辨率。

发明内容

针对目前的超分辨率技术不适用于提高胶囊内镜图像的分辨率，需要开发新的技术以提高胶囊内镜图像的分辨率等至少一个技术问题，本发明的目的在于提供一种深度网络训练方法、内镜图像处理方法、计算机装置和存储介质。

一方面，本发明实施例包括一种深度网络训练方法，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。

进一步地，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。

进一步地，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。