[發明專利]基于深度學習的快速X射線動態實時成像去噪方法

在審

• 申請號: 202011563657.0
• 申請日: 2020-12-25
• 公開（公告）號: CN112801887A
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 龔南杰;王嘉宸
• 申請（專利權）人: 蘇州深透智能科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/00;G06N3/04;G06N3/08
• 代理公司: 深圳新創友知識產權代理有限公司 44223
• 代理人: 江耀純

1.一種基于深度學習的快速X射線動態實時成像去噪方法，其特征在于，包括如下步驟：

S1、對臨床采集的X射線動態實時視頻數據進行預處理得到數據集；

S2、構建包含至少一個去噪模塊的深度學習模型，其中，所述至少一個去噪模塊形成一層網絡或者級聯的兩層網絡；

S3、使用所述數據集訓練所述深度學習模型；

S4、將低輻射劑量的X射線動態實時視頻的連續若干幀輸入到經步驟S3訓練好的深度學習模型中，輸出所述連續若干幀的中間幀的去噪結果。

2.如權利要求1所述的基于深度學習的快速X射線動態實時成像去噪方法，其特征在于，步驟S1包括：

S11、獲取正常輻射劑量下的X射線動態實時視頻數據，記為B1；

S12、對B1進行精細去噪處理，獲得仿真的無噪聲數據，記為B2；

S13、將B1與B2相減獲得仿真的正常輻射劑量噪聲，記為C1；

S14、確定用以表征低輻射劑量噪聲與正常輻射劑量噪聲之間倍數關系的常數因子c，將C1與常數因子c相乘，獲得仿真的低輻射劑量噪聲，記為C2；其中，c＞1；

S15、將C2與B2相加，獲得仿真的低輻射劑量視頻數據，記為B3；

S16、將B3中的若干連續視頻幀作為訓練時網絡的輸入、B2中對應若干連續視頻幀中的中間幀作為訓練時網絡的期望輸出，構成數據對，多個所述數據對構成所述數據集。

3.如權利要求2所述的基于深度學習的快速X射線動態實時成像去噪方法，其特征在于，步驟S12中所述的精細去噪處理包括：首先對B1做時域平均化處理，即對一個鄰域的相鄰幀在像素尺度上做均一化，其中對于包含運動的視頻區間，縮小鄰域范圍；然后，通過VBM4D算法進行去噪處理，得到B2。

4.如權利要求1所述的基于深度學習的快速X射線動態實時成像去噪方法，其特征在于，所述去噪模塊是使用了殘差學習的U-Net多層級網絡；且所述去噪模塊可接收連續若干幀輸入，并估計出所述連續若干幀的中間幀的去噪結果。

5.如權利要求4所述的基于深度學習的快速X射線動態實時成像去噪方法，其特征在于，所述去噪模塊的網絡結構從輸入端到輸出端依次為第一編碼模塊、第二編碼模塊、瓶頸模塊、第一解碼模塊和第二解碼模塊：

第一編碼模塊作為輸入端口，可接收連續若干幀輸入，同時，所述連續若干幀的中間幀還直接送至第二解碼模塊的輸出，以與所述第二解碼模塊的輸出進行像素級別的相加操作，相加結果作為所述去噪模塊的最終輸出幀；

第一編碼模塊的輸出作為第二編碼模塊的輸入，同時，所述第一編碼模塊的輸出還直接連接到第一解碼模塊的輸出，以與所述第一解碼模塊的輸出進行像素級別的相加操作；

第二編碼模塊的輸出作為所述瓶頸模塊的輸入，同時，所述第二編碼模塊的輸出還直接連接到所述瓶頸模塊的輸出，以與所述瓶頸模塊的輸出進行像素級別的相加操作；

所述第二編碼模塊的輸出與所述瓶頸模塊的輸出進行像素級別的相加操作所得到的結果作為第一解碼模塊的輸入，所述第一編碼模塊的輸出與所述第一解碼模塊的輸出進行像素級別的相加操作所得到的結果作為第二解碼模塊的輸入。

6.如權利要求5所述的基于深度學習的快速X射線動態實時成像去噪方法，其特征在于，所述去噪模塊的網絡結構中包含四種卷積網絡，分別為：卷積層、BN歸一化操作和ReLU激勵操作依次串聯形成的第一卷積網絡；卷積層、BN歸一化操作和ReLU激勵操作依次串聯形成且步長為2的第二卷積網絡；卷積層之后串聯上采樣操作的第三卷積網絡；僅卷積層且輸出通道數為1的第四卷積網絡；

其中：

所述第一編碼模塊由2個所述第一卷積網絡依次串聯而成，其中在前的第一卷積網絡可接收若干連續幀輸入，且輸出通道數為3；

所述第二編碼模塊由1個所述第二卷積網絡和2個所述第一卷積網絡依次串聯而成；

所述瓶頸模塊由1個所述第二卷積網絡、4個所述第一卷積網絡和1個所述第三卷積網絡依次串聯而成；

所述第一解碼模塊由2個所述第一卷積網絡和1個所述第三卷積網絡依次串聯而成；

所述第二解碼模塊由1個所述第一卷積網絡和1個所述第四卷積網絡依次串聯而成。