[發明專利]一種基于云平臺的醫學圖像噪聲偽影校正方法及系統

在審

• 申請號: 202211412012.6
• 申請日: 2022-11-11
• 公開（公告）號: CN115689938A
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 亢冠宇
• 申請（專利權）人: 濟南浪潮數據技術有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/0455;G06N3/0464;G06N3/08;G06V10/774;G06V10/764
• 代理公司: 濟南誠智商標專利事務所有限公司 37105
• 代理人: 李修杰

1.一種基于云平臺的醫學圖像噪聲偽影校正方法，其特征在于，所述方法包括：

按照待測醫學圖像所對應的不同身體部位，將所述待測醫學圖像分類上傳至云平臺中，所述醫學圖像包括CT圖像；

利用深度學習網絡對所述待測醫學圖像進行噪聲偽影校正，獲取校正后的醫學圖像；

在云平臺上存儲所述校正后的醫學圖像。

2.根據權利要求1所述的一種基于云平臺的醫學圖像噪聲偽影校正方法，其特征在于，所述利用深度學習網絡對所述待測醫學圖像進行噪聲偽影校正，獲取校正后的醫學圖像，包括：

基于U-net網絡構建深度學習網絡；

根據不同身體部位歷史醫學圖像的噪聲特征，對所述深度學習網絡進行預訓練，生成不同身體部位醫學圖像的預訓練模型；

利用所述預訓練模型，對相應身體部位的待測醫學圖像進行噪聲偽影校正，獲取對應身體部位校正后的醫學圖像。

3.根據權利要求2所述的一種基于云平臺的醫學圖像噪聲偽影校正方法，其特征在于，所述基于U-net網絡構建深度學習網絡，包括：

在U-net網絡的基礎上，將編碼器和解碼器的卷積層均深化為九層卷積層；

設置編碼器中不同卷積層的特征信道數量，使編碼器前5層卷積層中的特征信道數量隨著采樣步驟翻倍，編碼器后4層卷積層中的特征信道數量保存不變；

按照網絡從底層到高層的順序，利用所述編碼器逐層抑制醫學圖像噪聲，并根據噪聲特征形成特征空間；

設置解碼器中不同卷積層的特征信道數量，所述解碼器采用上采樣卷積層，上采樣過程為2×2，使解碼器前4層卷積層的特征通道數量保持不變，解碼器后5層卷積層的特征信道數量隨著上采樣過程減半；

根據所述特征空間，利用解碼器輸出層的特征通道輸出經過神經網絡處理后的醫學圖像，所述解碼器輸出層的特征通道數為1，卷積層的大小為1×1。

4.根據權利要求2所述的一種基于云平臺的醫學圖像噪聲偽影校正方法，其特征在于，根據不同身體部位歷史醫學圖像的噪聲特征，對所述深度學習網絡進行預訓練，生成不同身體部位醫學圖像的預訓練模型，包括：

根據不同身體部位，在不含噪聲的歷史醫學圖像中加入泊松噪聲，生成相應身體部位帶有噪聲偽影的參考醫學圖像；

隨機選擇帶有噪聲偽影的參考醫學圖像，分別形成訓練集和測試集。

5.根據權利要求4所述的一種基于云平臺的醫學圖像噪聲偽影校正方法，其特征在于，利用所述預訓練模型，對相應身體部位的待測醫學圖像進行噪聲偽影校正，獲取對應身體部位校正后的醫學圖像，具體為：

利用參考醫學圖像形成的訓練集合測試集，對相應身體部位的待測醫學圖像進行訓練和測試，獲取對應身體部位校正后的醫學圖像。

6.根據權利要求1所述的一種基于云平臺的醫學圖像噪聲偽影校正方法，其特征在于，利用深度學習網絡對所述待測醫學圖像進行噪聲偽影校正，獲取校正后的醫學圖像之后，所述方法還包括：

利用混合損失函數L_mix＝λ₁L_SL+(1-λ₁)L₁，對噪聲偽影校正效果進行校驗，且所述混合損失函數越接近1，噪聲偽影校正效果越好，所述混合損失函數包括：結構相似損失和絕對誤差，其中，L_SL＝1-SSIM(x,y)，L_SL表示結構相似損失，L₁表示絕對誤差，L_mix為混合損失函數，x表示含有噪聲的醫學圖像，y表示不含噪聲的醫學圖像，H和W分別表示醫學圖像的高度和寬度，μ_x和μ_y分別表示完成網絡校正和不包含噪聲偽影圖像的平均值，σ_x²和σ_y²分別代表著完成網絡校正和不包含噪聲偽影圖像的方差，σ_xy表示完成網絡校正和不包含噪聲偽影圖像的協方差，c₁和c₂為計算中的輔助標量。