[发明专利]一种基于云平台的医学图像噪声伪影校正方法及系统

权利要求书

1.一种基于云平台的医学图像噪声伪影校正方法，其特征在于，所述方法包括：

按照待测医学图像所对应的不同身体部位，将所述待测医学图像分类上传至云平台中，所述医学图像包括CT图像；

利用深度学习网络对所述待测医学图像进行噪声伪影校正，获取校正后的医学图像；

在云平台上存储所述校正后的医学图像。

2.根据权利要求1所述的一种基于云平台的医学图像噪声伪影校正方法，其特征在于，所述利用深度学习网络对所述待测医学图像进行噪声伪影校正，获取校正后的医学图像，包括：

基于U-net网络构建深度学习网络；

根据不同身体部位历史医学图像的噪声特征，对所述深度学习网络进行预训练，生成不同身体部位医学图像的预训练模型；

利用所述预训练模型，对相应身体部位的待测医学图像进行噪声伪影校正，获取对应身体部位校正后的医学图像。

3.根据权利要求2所述的一种基于云平台的医学图像噪声伪影校正方法，其特征在于，所述基于U-net网络构建深度学习网络，包括：

在U-net网络的基础上，将编码器和解码器的卷积层均深化为九层卷积层；

设置编码器中不同卷积层的特征信道数量，使编码器前5层卷积层中的特征信道数量随着采样步骤翻倍，编码器后4层卷积层中的特征信道数量保存不变；

按照网络从底层到高层的顺序，利用所述编码器逐层抑制医学图像噪声，并根据噪声特征形成特征空间；

设置解码器中不同卷积层的特征信道数量，所述解码器采用上采样卷积层，上采样过程为2×2，使解码器前4层卷积层的特征通道数量保持不变，解码器后5层卷积层的特征信道数量随着上采样过程减半；

根据所述特征空间，利用解码器输出层的特征通道输出经过神经网络处理后的医学图像，所述解码器输出层的特征通道数为1，卷积层的大小为1×1。

4.根据权利要求2所述的一种基于云平台的医学图像噪声伪影校正方法，其特征在于，根据不同身体部位历史医学图像的噪声特征，对所述深度学习网络进行预训练，生成不同身体部位医学图像的预训练模型，包括：

根据不同身体部位，在不含噪声的历史医学图像中加入泊松噪声，生成相应身体部位带有噪声伪影的参考医学图像；

随机选择带有噪声伪影的参考医学图像，分别形成训练集和测试集。

5.根据权利要求4所述的一种基于云平台的医学图像噪声伪影校正方法，其特征在于，利用所述预训练模型，对相应身体部位的待测医学图像进行噪声伪影校正，获取对应身体部位校正后的医学图像，具体为：

利用参考医学图像形成的训练集合测试集，对相应身体部位的待测医学图像进行训练和测试，获取对应身体部位校正后的医学图像。

6.根据权利要求1所述的一种基于云平台的医学图像噪声伪影校正方法，其特征在于，利用深度学习网络对所述待测医学图像进行噪声伪影校正，获取校正后的医学图像之后，所述方法还包括：

利用混合损失函数L_mix＝λ₁L_SL+(1-λ₁)L₁，对噪声伪影校正效果进行校验，且所述混合损失函数越接近1，噪声伪影校正效果越好，所述混合损失函数包括：结构相似损失和绝对误差，其中，L_SL＝1-SSIM(x,y)，L_SL表示结构相似损失，L₁表示绝对误差，L_mix为混合损失函数，x表示含有噪声的医学图像，y表示不含噪声的医学图像，H和W分别表示医学图像的高度和宽度，μ_x和μ_y分别表示完成网络校正和不包含噪声伪影图像的平均值，σ_x²和σ_y²分别代表着完成网络校正和不包含噪声伪影图像的方差，σ_xy表示完成网络校正和不包含噪声伪影图像的协方差，c₁和c₂为计算中的辅助标量。