[發明專利]基于密集連接和生成對抗網絡的OCT圖像去噪方法

有效

• 申請號: 201910665387.5
• 申請日: 2019-07-23
• 公開（公告）號: CN110390650B
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 陳再良;曾梓洋;沈海瀾;鄭賢先;戴培山;歐陽平波
• 申請（專利權）人: 中南大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T11/00
• 代理公司: 長沙永星專利商標事務所(普通合伙) 43001
• 代理人: 何方

1.基于密集連接和生成對抗網絡的OCT圖像去噪方法，其特征在于，包括以下步驟：

S1.重復采集圖像空間上相距很近的B掃描OCT圖像，以某一單幀噪聲圖像為目標配準多幀圖像，合成為平均圖像，根據視網膜上下邊界的像素強度，閾值化平均圖像的背景區域，獲得無噪聲圖像，并將所述無噪聲圖像作為參考圖像；

S2.根據原始噪聲圖像的灰度概率分布，利用噪聲模型提取噪聲的特征，生成與真實噪聲非常接近的噪聲圖像，并添加至參考圖像中；

S3.訓練基于密集連接和對抗生成策略的降噪網絡，隱式的學習噪聲圖像和參考圖像之間的映射關系；采用生成對抗網絡GAN作為去噪模型的訓練方式，GAN由生成模型和判別模型兩部分組成；

所述生成模型的目標是以參考圖像為模板，對噪聲圖像進行去噪和還原；

所述判別模型的目標是判斷生成模型生成的圖像和參考圖像之間的差異；

兩種模型共同訓練，模型收斂的目標是生成模型生成細節信息足夠真實且無噪聲的OCT圖像，判別模型無法區分參考圖像和生成圖像的差別；

所述生成模型通過對多尺度卷積層輸出的密集融合，以較少的參數保持了較高性能，該生成模型包含4個密集連接模塊，每一個密集連接模塊中包含4個卷積層；每一個密集連接模塊內的卷積層通過特征合并層將每一個卷積層的輸出和前面所有層的輸出相連接，密集連接模塊之間也是同樣的操作，不同的是在每一個特征合并層后加了一個限制模塊來融合特征圖，減少特征圖的數量，使不同的密集連接模塊的輸入維度相同；

給每一個限制模塊后添加了一個上下文編碼加權模塊，將有利于圖像重建的特征圖賦予較高權重，相比較而言，不是那么重要的特征圖賦予較低權值，使得輸入密集模塊的特征圖更加合理、有側重性，加強了有用特征的高效傳遞；

具體實施時，為了提升重建圖像的感知質量，設計感知損失和內容損失；內容損失包括兩個部分，基于圖像空間域的絕對誤差損失loss_spatial，基于圖像頻率域的絕對誤差損失loss_frequency，兩種損失表示為：

H和W表示圖像的高和寬，x和y表示像素點的坐標，I和f分別表示目標無噪聲圖像塊和生成圖像塊的空間域和頻率域；另一方面，感知損失來自于判別模型提供的判別損失loss_adv，利用JS散度來衡量數據分布之間的差異性，表示為：

x_HR為噪聲圖像塊；總體的損失函數表述為：

loss＝αoss_spatial+βloss_frequency+γloss_adv (4)

α，β，和γ為加權系數，用于平衡三種不同損失的大小；上述三種損失的加權和作為訓練網絡的損失函數；通過GAN的對抗訓練，添加基于感知的對抗損失，從流形空間的角度上增加感知相似性；

S4.利用已訓練好的生成網絡對帶有噪聲的OCT圖像進行預測，即可得到具有高質量和高清晰度的圖像。

2.根據權利要求1所述的基于密集連接和生成對抗網絡的OCT圖像去噪方法，其特征在于，所述步驟S1中，具體為：

通過重復采集多幀圖像空間上相距很近的B掃描OCT圖像，并利用多尺度的特征金字塔和插值模型，以某一幀圖像為模板進行特征匹配和多幀對齊，平均后即可得到參考圖像，根據有效區域的像素值，對參考圖像的背景區域進行閾值化，去除殘留噪聲，得到無噪聲圖像。

3.根據權利要求1所述的基于密集連接和生成對抗網絡的OCT圖像去噪方法，其特征在于，所述步驟S2中，具體為：

根據原始噪聲的大小和強度概率分布生成隨機矩陣，再利用低通高斯濾波器和多尺度平均池化運算對該矩陣進行平滑處理，既提高了合成噪聲的隨機性，又保證了和原始噪聲的相似性；將合成的噪聲圖像添加至參考圖像中，可以產生新的數據樣本；將數據集進行切塊操作，組成訓練集。

4.根據權利要求1所述的基于密集連接和生成對抗網絡的OCT圖像去噪方法，其特征在于，所述步驟S4中，不需要對帶噪聲圖像OCT進行任何預處理步驟，將該OCT圖像通過訓練好的生成模型進行預測，即可得到高質量和清晰度的圖像。