[发明专利]基于残差学习的卷积神经网络医学CT图像去噪方法

摘要

基于残差学习的卷积神经网络医学CT图像去噪，具体步骤如下：步骤1)构建医学CT图像模型；步骤2)构建神经网络模型；步骤3)训练网络；步骤4)更新参数；步骤5)医学CT图像去噪，向构建好的网络模型中输入含噪声的医学CT图像，网络输出去除噪声后的医学CT图像。本发明具有以下优点：提出了结合深度学习中卷积神经网络方面的知识进行医学CT图像去噪；采用残差学习的方式来近似学习图像中的噪声，具有很好的针对性，同时提升神经网络的训练效率；采用卷积神经网络和残差学习的方法，能够更好的学习图像中的特征信息，在图像去噪的过程中保留更多的局部图像信息。同时图像去噪能力也得到提升。

主权项

1.基于残差学习的卷积神经网络医学CT图像去噪，具体步骤如下：步骤1)构建医学CT图像模型；CT图像的模型主要由两部分组成，既有效的人体组织反射信号和无效的噪声信号，而噪声信号则包括乘性噪声和加性噪声，其中加性噪声相对于乘性噪声来说对CT图像的影响非常微小；由于考虑乘性噪声，CT电信号的通用模型s(x，y)表示为：s(x，y)＝r(x，y)n(x，y)   (1)其中，(x，y)分别代表图像的横纵坐标，r(x，y)表示无噪声信号，n(x，y)表示相乘噪声；步骤2)构建神经网络模型；1.构建神经网络：大量节点相互联接构成网络层，节点即神经元，神经元分成不同的层次，每个神经元与相邻层的其它神经元相连；每一层神经元都有输入和输出，每一层神经元的输入为前一层神经元输出；在神经网络中每个突触有一个权重，每个神经元的输出值为前一个相邻网络神经元的输入加权并通过激活函数输出，卷积神经网络中使用的是ReLU函数，ReLU激活函数的公式如下：f(x)代表为输入的ReLU函数，x是输入值；2.构建卷积神经网络：构建三个网络层，输入层、隐藏层、输出层；输入层是图像的输入；隐藏层中运用卷积、批归一化、激活函数；即为：Conv+BN+ReLU；训练中输入的图像均为灰度图像；网络模型中卷积滤波器的尺寸大小设置为3×3；网络的深度d设置为20；隐藏层中第一层采用卷积和批归一化(Conv+BN)，使用64个卷积过滤器尺寸为3×3×c来生成64个特征图；c表示为图像通道的数量，因为此模型采用的是灰度图像训练，所以c即为1；在隐藏层第2层到第(d‑1)层中，使用64个尺寸大小为3×3的卷积滤波器；并且在每一层的卷积和ReLU激活函数之间添加批归一化，在网络训练的过程中某个batch数据是{x1，x2，...xn}，batch数据是批块数据；这个数据可以是输入也可以是网络中间的某一层输出；将每批输入数据进行运算处理，使其分布等于全部训练数据的数据分布；对batch数据进行归一化处理公式如下：上一层输出数据的均值μ_β，m为训练样本batch大小、x_i为输入的数据：上一层输出数据的标准差归一化处理得到输出数据其中ε为任意接近于0的值：对归一化处理数据后重构，得到y_i：γ和β是网络中学习的参数值，在网络训练中学习得到，并不断更新；最后一层输出层使用1个大小为3×3×64的滤波器实现图像重建输出；神经网络模型中针对噪声的学习采用残差R(v)来近似；步骤3)训练网络；训练数据集中图像添加的噪声均为高斯噪声；最初的原始数据训练集为400张大小为180×180的灰度图像，然后对这些图片进行裁剪；裁剪后的图像大小为50×50；裁剪的图像块为128×3000个用来训练网络；在网络训练的过程中噪声水平σ设置在训练后获得的网络模型具有图像盲去噪的性能；训练过程中网络的深度设置为20，采用随机梯度下降优化算法，学习率设置为0.0001；步骤4)更新参数；41)网络中残差学习与批归一化结合；通过残差映射R(v)对图像中噪声v直接进行预测；42)网络模型中参数更新和优化；网络模型每次训练迭代分为正向传播和反向传播过程；正向传播过程中，输入的图像信息通过输入层进入隐藏层，逐层处理并向输出层输出；通过将输出值与期望值的误差进行平方和作为损失函数；反向传播过程中，逐层求出损失函数对各神经元权值的偏导数，构成损失函数对权值向量的梯量，作为修改权值的依据，网络模型通过多次的训练迭代完成参数修改；最终使误差达到所期望达到的值；训练过程中，损失函数L(Θ)公式为：其中Θ代表的是训练参数，N为训练数据集中图片总数量，yi表示为训练数据集中一张含有噪声的图片，x_i代表的是不含有噪声的干净图片，图片中实际噪声为(y_i‑x_i)；所以损失函数的期望值计算通过估计的噪声残差R(y_i；Θ)与图片中实际噪声的平方误差；训练数据集是带有标签的数据集；步骤5)医学CT图像去噪；向构建好的网络模型中输入含噪声的医学CT图像，网络输出去除噪声后的医学CT图像。