[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

本發明涉及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，首先對無噪結構磁共振圖像和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，然后構建多層三維全卷積神經網絡，將訓練數據集輸入到構建的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，將測試含噪結構磁共振圖像輸入到學習后的多層三維全卷積神經網絡中，得到去噪結構磁共振圖像。本發明的去噪方法，沒有破壞圖像的空間結構，能夠充分利用磁共振圖像的多維結構化特征，保留了原始數據的三維空間信息，提高了去噪精度。同時本發明無需任何先驗知識，并且能夠實現任意尺寸、任意噪聲類型和濃度的三維結構化圖像去噪，應用范圍廣。

技術領域

本發明屬于圖像去噪領域，尤其涉及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。

背景技術

作為一類非侵入式高空間分辨率成像的技術手段，結構磁共振圖像已經被廣泛用于醫療診斷。然而，由于受到設備、技術和被試等方面的限制，尤其是在高分辨率和高速采集要求下，結構磁共振圖像通常遭受到嚴重隨機噪聲污染。從而影響圖像成像質量，為后續的醫學診斷帶來了一定的困難，并且將大大降低后續磁共振圖像分析，如配準，分割等的可靠程度。

目前，結構磁共振圖像去噪方法分為兩類：采集過程中圖像去噪和采集后圖像去噪。采集過程中圖像去噪主要是多次采集圖像并進行簡單平均達到提高信噪比的目的。簡單平均去噪方法較為簡單，但是數據采集需要耗費較多的時間。由于MRI圖像的噪聲分布通常滿足瑞利分布，采集后圖像去噪主要是指根據MRI圖像的噪聲特點，采用數字圖像增強方法對采集到的磁共振圖像進行去噪處理，從而達到提升圖像視覺質量的效果。采集后圖像去噪方法主要包基于濾波方法和基于學習方法。基于濾波的去噪方法主要利用噪聲是高頻信息的特點，在時域或者頻域對圖像進行濾波從而達到去噪的目的。基于學習的去噪方法假設無噪圖像和噪聲圖像之間存在某種通用的映射關系，從大量無噪樣本和對應的噪聲樣本中學習先驗知識和規則，即學習現有無噪圖像和噪聲圖像之間的映射關系，從而利用學習到的映射關系將噪聲圖像變換為無噪圖像，從而實現去噪。

最常見的濾波方法是低通高斯濾波，其基本思想是根據像素鄰接點的空間距離進行加權平均。然而它在移除噪聲的同時，容易模糊邊緣。為了保留圖像邊緣信息，大量基于梯度的濾波方法被提出，如各向異性擴散濾波、和非線性全變分算法,并用于磁共振圖像去噪。雖然基于梯度的濾波方法能夠保留邊緣，但是容易丟失細節信息。基于變換的濾波方法對磁共振圖像進行各類變換，如小波變換，離散余弦變換等，從而在頻率域實現圖像去噪。目前非局部去噪算法得到了極大的關注。最經典的非局部算法是非局部均值濾波。它在某個局部區域搜索相似局部模式，并根據其相似程度自適應權值，最后進行加權平均。盡管非局部均值濾波取得了一定的去噪效果，它通過在局部區域搜索和自身相似的模式從而達到去噪效果，而且在某些情況下，很難找到自相似模式。

為了高效利用自相似和模式的稀疏性，稀疏編碼被應用到圖像去噪，將圖像分成過完備圖像塊，采用字典學習方法從噪聲圖像或者高質量無噪圖像中學習字典。然而，基于稀疏編碼的去噪方法要求將圖像塊進行向量化，破壞了圖像的結構化空間信息，并且受限于字典尺寸，不能處理任意尺寸的圖像。

現有大部分去噪方法主要用于處理自然圖像，并且需要事先給定噪聲的類型和方差，或者假設噪聲滿足某種概率分布。然而在現實應用中，無法預知噪聲的類型和方差，而且實際噪聲也不滿足某種特定的概率分布，因此去噪效果難以令人滿意。更進一步，一些基于學習的去噪方法，如稀疏編碼等，從圖像中提取圖像塊，并將其向量化，從而用于訓練稀疏字典，嚴重破壞了圖像的空間結構。