[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

本發明公開了一種基于深度學習的快速X射線動態實時成像去噪方法，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若干連續幀輸入到經步驟S3訓練好的深度學習模型中，輸出若干連續幀的中間幀的去噪結果。本發明所提出的基于深度學習的快速X射線動態實時成像視頻去噪的方法使得在保證去噪效果的基礎上，去噪時間大大縮短，可以應用于以往方法無法達到的手術視頻實時去噪處理。

技術領域

本發明涉及視頻質量增強技術領域，具體涉及一種基于深度學習的手術過程中快速X射線動態實時成像視頻去噪的方法。

背景技術

X射線動態實時成像引導的透視系統用于在外科醫生進行解剖的過程中指導手術器械的使用。這些透視系統所提供的實時反饋能捕捉到外科醫生的精確動作，并將其顯示在手術室的顯示器中。因此，由于可以在減少入侵性的同時使得外科醫生對手術有著更多的控制性，進而減少組織的創傷和干擾，這種X射線動態實時成像已經成為許多外科手術的標準。

然而，這些透視系統均需要足夠的輻射劑量以獲得足夠組織對比度的高質量視頻，這種輻射暴露對患者和外科醫生都有損害的：可導致患者的DNA損傷、加速老化、脫發、燒傷和組織壞死等；外科醫生暴露于輻射會導致更高的患癌風險。對于應對方法，除了使用防護設備外，也要在保證X射線動態實時成像系統的功能下采取盡可能低的輻射劑量。然而現實是在較低劑量的輻射強度下產生的透視視頻具有極高的噪聲，并不適合臨床使用。因此，一種合適的視頻去噪手段顯得尤為關鍵。

目前在視頻去噪領域，其處理方式主要分為兩類：一類是基于補丁的算法，如VBM4D和VNLB；另一類是基于深度學習的算法，如DVDnet。但這兩類去噪算法都存在著由于處理時間較長，無法應用于實時視頻處理的問題。另一方面，對于基于深度學習的算法，由于安全的輻射劑量無法產生近似無噪聲的真實數據，因此X射線動態實時視頻很難制作出用于訓練的數據集。

發明內容

本發明的主要目的在于克服現有技術的不足，提出一種基于深度學習的快速X射線動態實時成像去噪方法，以解決低劑量輻射強度下產生的X射線透視視頻具有極高的噪聲而無法用于臨床指導手術的問題。

本發明為達上述目的而提出的技術方案如下：

一種基于深度學習的快速X射線動態實時成像去噪方法，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。

更進一步地，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。

更進一步地，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。