[發明專利]對抗神經網絡去噪模型的建立方法及超聲圖像去噪方法

在審

• 申請號: 202111300920.1
• 申請日: 2021-11-04
• 公開（公告）號: CN114119391A
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 于鵬;楊旭
• 申請（專利權）人: 深圳市智佐生物科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 無錫嘉馳知識產權代理事務所(普通合伙) 32388
• 代理人: 張華偉

本發明公開了一種對抗神經網絡去噪模型的建立方法及超聲圖像去噪方法，涉及計算機視覺技術領域，包括以下步驟：超聲圖像數據集處理：將采集的超聲圖像對劃分為訓練集和測試集；構建初始去噪模型：初始去噪模型包括生成器模型和判別器模型，生成器模型基于深度可分離卷積層和殘差塊結構建立，判別器模型基于PatchGAN網絡建立；對初始去噪模型訓練：將訓練集作為輸入數據，模型訓練完成后得到對抗神經網絡去噪模型，即可對測試集中的含噪聲超聲圖像進行去噪處理。如此設置，引入深度可分離卷積層和殘差塊結構，能夠有效地對超聲圖像去噪，所搭建的結構屬于輕量化網絡模型結構，能夠減少運行的參數量，減少算法的運算時間。

技術領域

本發明涉及計算機視覺技術領域，更具體地說，涉及一種對抗神經網絡去噪模型的建立方法及超聲圖像去噪方法。

背景技術

超聲成像在醫學領域中已得到廣泛應用，其相干性會導致超聲圖像中存在斑點噪聲，影響成像區域信息的準確度，通常需要對超聲圖像進行去噪處理。

現有技術中，超聲圖像的去噪方法基于Unet模型，經過成對的下采樣和上采樣結構實現圖像去噪，對噪聲的去除能力有限，模型的去噪效果仍有改進空間。而且，模型的算法結構較為復雜、運行過程的計算量較大，對運行設備的硬件要求較高，目前只應用于PC端，算法所需的計算性能不能被移動端設備滿足，如手機、平板電腦等。

因此，如何解決現有技術中超聲圖像去噪模型的去噪能力有限、算法結構復雜、運行過程計算量大的問題，成為本領域技術人員所要解決的重要技術問題。

發明內容

本發明的目的在于提供一種對抗神經網絡去噪模型的建立方法及超聲圖像去噪方法，以解決現有技術中超聲圖像去噪模型的去噪能力有限、算法結構復雜、運行過程計算量大的問題。本發明提供的諸多技術方案中的優選技術方案所能產生的諸多技術效果詳見下文闡述。

為實現上述目的，本發明提供了以下技術方案：

本發明提供了一種對抗神經網絡去噪模型的建立方法，包括以下步驟：

超聲圖像數據集處理：采集多組含噪聲和不含噪聲的超聲圖像對，并將所述超聲圖像對劃分為訓練集和測試集；

構建初始去噪模型：所述初始去噪模型包括生成器模型和判別器模型，所述生成器模型基于深度可分離卷積層和殘差塊結構建立，所述判別器模型基于PatchGAN網絡建立；

對所述初始去噪模型訓練：將所述訓練集作為所述初始去噪模型的輸入數據進行模型訓練，模型訓練完成后得到對抗神經網絡去噪模型，所述對抗神經網絡去噪模型對所述測試集中的含噪聲超聲圖像進行去噪處理以進行模型測試。

優選地，所述生成器模型包括兩個普通卷積神經網絡模塊和設置在兩個所述普通卷積神經網絡模塊之間的多個改進殘差網絡模塊，所述改進殘差網絡模塊基于所述深度可分離卷積層和所述殘差塊結構建立。

優選地，所述判別器模型包括依次設置的多個特征采樣層，各個所述特征采樣層均包括卷積層、池化層、歸一化層以及激活函數層。

優選地，計所述特征采樣層設有N個，對于第n個所述特征采樣層，當n為奇數時，該所述特征采樣層的所述池化層工作、以進行下采樣，當n為偶數時，該所述特征采樣層的所述池化層不工作，其中n＝1，2……(N-1)。

優選地，所述模型訓練包括以下步驟：

將所述訓練集的含噪聲超聲圖像作為所述生成器模型的輸入數據，得到去噪超聲圖像；

將所述去噪超聲圖像和所述訓練集的不含噪聲超聲圖像分別作為所述判別器模型的輸入數據、得到兩組特征數據，所述特征數據經過損失函數計算得到優化模型參數，將所述優化模型參數代入所述初始去噪模型進行模型優化，得到所述對抗神經網絡去噪模型。

優選地，所述改進殘差網絡模塊的計算過程包括以下步驟：