[發明專利]基于三維全卷積神經網絡的結構磁共振圖像去噪方法

有效

• 申請號: 201710689606.4
• 申請日: 2017-08-14
• 公開（公告）號: CN107633486B
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 劉昶;吳錫;周激流;郎方年;于曦;趙衛東
• 申請（專利權）人: 成都大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 成都智涌知識產權代理事務所(普通合伙) 51313
• 代理人: 周正輝

1.一種基于三維全卷積神經網絡的結構磁共振圖像去噪方法，其特征在于，所述方法包括：

步驟1：對無噪結構磁共振圖像和與其對應的含噪結構磁共振圖像進行預處理，并構建訓練數據集和標簽數據集；

步驟11：輸入標準格式的無噪結構磁共振圖像和含噪結構磁共振圖像，進行格式轉換；

步驟12：將轉換格式后的無噪結構磁共振圖像和含噪結構磁共振圖像移除頭骨部分，只保留腦區部分；

步驟13：對移除頭骨后的無噪結構磁共振圖像和含噪結構磁共振圖像進行歸一化處理，將其歸一化到[0-1]區間；

步驟14：對歸一化處理后的無噪結構磁共振圖像和含噪結構磁共振圖像采用滑動窗方式在三維空間上分別提取多個無噪三維圖像塊和含噪三維圖像塊，其中，由所述含噪三維圖像塊構成訓練數據集，由所述無噪三維圖像塊構成標簽數據集；

步驟2：構建多層三維全卷積神經網絡，所述多層三維全卷積神經網絡包括一個輸入層、至少五層三維卷積層和與所述三維卷積層一一對應的三維解卷積層以及一個融合層；

步驟21：所述輸入層用于接收所述訓練數據集；

步驟22：構建至少五層三維卷積層和三維解卷積層，每個三維卷積層由多個三維卷積核構成，其中，所述三維卷積層和所述三維解卷積層依次交替出現在輸入層和融合層之間，所述三維卷積層的數學表示為：

其中，表示第i層第j個的三維特征映射，f(x,0)表示ReLU激活函數，b_i,j表示偏置，表示第i層第k個三維卷積核，其尺寸為L₁×L₂×L₃；

步驟23：構建融合層，所述融合層為一個三維卷積核構成的三維卷積層；

步驟3：將所述訓練數據集輸入到步驟2構建的三維全卷積神經網絡中進行訓練，獲得學習后的多層三維全卷積神經網絡模型；

步驟31：將所述訓練數據集分成多批訓練數據，并初始化步驟2構建的三維全卷積神經網絡中所有的三維卷積層和三維解卷積層中的卷積核權重和偏置對損失函數導數為0，即：

△W^(l)＝0

△b^(l)＝0

其中，W表示卷積核權重，b表示偏置對損失函數，l表示第l層；

步驟32：每次輸入一批訓練數據到步驟2構建的多層三維全卷積神經網絡中的輸入層；

步驟33：將步驟32中獲得的訓練數據與后續的三維卷積層和三維解卷積層中各個節點參數進行計算，實現網絡訓練的前向傳播，最后通過融合層，獲得輸出數據；

步驟34：利用歐式距離，計算所述輸出數據和所述標簽數據集的誤差；

其中，I,J,K表示三維樣本的尺寸；

步驟35：基于步驟34計算的誤差，采用梯度下降法，反向計算卷積核權重和偏置對損失函數的倒數和并對其累加到△W^(l)和△b^(l)，即：

步驟36：重復步驟32至步驟35，直到所有批次的訓練數據處理完畢，完成一次迭代，根據上述△W^(l)和△b^(l)，采用批量梯度下降算法，得到更新后網絡參數，數學表示如下：

其中，m表示訓練樣本的批數，α為學習率，λ為動能；

步驟37：重復步驟32至步驟36，直到達到預設的迭代次數；

步驟4：將測試含噪結構磁共振圖像輸入到步驟3訓練好的多層三維全卷積神經網絡模型中，輸出去噪結構磁共振圖像；

步驟41：將測試含噪結構磁共振圖像輸入到步驟3訓練好的卷積神經網絡模型的輸入層；

步驟42：將步驟41接收的測試含噪結構磁共振圖像從前向后依次和多個卷積層和解卷積層進行運算，最后在融合層輸出去除噪聲后的去噪結構磁共振圖像。