[发明专利]一种基于Gabor滤波的深度学习医学图像去噪方法

权利要求书

1.一种基于Gabor滤波的深度学习医学图像去噪方法，其特征在于：包括如下步骤：

步骤1，使用Pydicom库将CT图像像素数据从Dicom文件提取到NumPy数组，并对图像进行归一化处理；

步骤2，构建包含局部增强窗口transformer与Bayes Gabor的基础模块；

步骤3：对基础模块进行加工作为编码器与解码器，通过残差学习，对各个编码器和解码器进行跳层链接，完成BGFormer网络模型的构建；

步骤4：以CT低剂量图像为输入，对应的高剂量图像为标签，混合Total variationloss为损失函数对BGFormer网络模型进行训练，得到训练好的网络模型；

步骤5：将结构类似的需要重建的低剂量图像作为输入，经过网络输出得到重建的清晰图像。

2.根据权利要求1所述一种基于Gabor滤波的深度学习医学图像去噪方法，其特征在于：步骤1中对图像进行归一化处理包括将NumPy数组中的像素数据从0缩放到1，并将图像裁剪为128×128像素。

3.根据权利要求1所述一种基于Gabor滤波的深度学习医学图像去噪方法，其特征在于：步骤2中局部增强窗口transformer包括非重叠的基于窗口的多头自注意力和局部增强前馈网络，对应方程如下：

X′_l＝WMSA(LN(X_l-1))+X_l-1

X_l＝LeFF(LN(X′_l))+X′_l

其中X′_l和X_l分别是多头自注意力W-MSA模块和局部增强前馈网络LeFF模块的输出，LN表示层归一化；

第k个头的自注意表示为:

X＝{X¹,X²,…，X^N}，N＝NW/M²，

其中分别表示第k个头的查询，键值的投影矩阵，X_k是第k个头的输出，将所有头的输出串联到集合中{1,2,…,k},将其线性投影得到最终结果，并将相对位置编码应用到注意力模块中，注意力计算表示为：

其中B表示相对位置偏差。

4.根据权利要求1所述一种基于Gabor滤波的深度学习医学图像去噪方法，其特征在于：步骤3中在构建基础模块时将贝叶斯模型引入到Gabor滤波器中，使用边际似然来预测新像素x的输出y，边际似然是在Gabor参数θ上被边缘化的观测数据D的分布:

p(y|x,D)＝∫p(y|x,θ)p(θ|D)dθ

p(θ|D)为真实后验分布；

损耗函数L(ω,D)表示为：

q(θ|ω)为变分分布，N为小批次的数量，表示第i个小批量D_i的KL损失和负对数似然损失之间权衡的权重，p(θ)为先验分布，表示为：

其中θ_j为网络的第j个Gabor参数，μ(θ_j|0,σ_k²)为θ_j处第k个高斯分量的评估；第一组分的标准差σ₁＞1较大，尾部较正态分布重；而第二组分的标准差σ₂＜＜1，使先验紧密地集中在零附近；

Gabor参数的后验样本计算为:

其中代表点积。