【CN109978778A】基于残差学习的卷积神经网络医学CT图像去噪方法【专利】
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910166558.X
(22)申请日 2019.03.06
(71)申请人 浙江工业大学
地址 310014 浙江省杭州市下城区潮王路
18号
(72)发明人 张聚 周海林 吕金城 陈坚
(74)专利代理机构 杭州天正专利事务所有限公
司 33201
代理人 王兵 黄美娟
(51)Int.Cl.
G06T 5/00(2006.01)
(54)发明名称
基于残差学习的卷积神经网络医学CT图像
去噪方法
(57)摘要
基于残差学习的卷积神经网络医学CT图像
去噪,具体步骤如下:步骤1)构建医学CT图像模
型;步骤2)构建神经网络模型;步骤3)训练网络;
步骤4)更新参数;步骤5)医学CT图像去噪,向构
建好的网络模型中输入含噪声的医学CT图像,网
络输出去除噪声后的医学CT图像。本发明具有以
下优点:提出了结合深度学习中卷积神经网络方
面的知识进行医学CT图像去噪;采用残差学习的
方式来近似学习图像中的噪声,具有很好的针对
性,同时提升神经网络的训练效率;采用卷积神
经网络和残差学习的方法,能够更好的学习图像
中的特征信息,在图像去噪的过程中保留更多的
局部图像信息。
同时图像去噪能力也得到提升。权利要求书2页 说明书6页 附图4页CN 109978778 A 2019.07.05
C N 109978778
A
1.基于残差学习的卷积神经网络医学CT图像去噪,具体步骤如下:
步骤1)构建医学CT图像模型;
CT图像的模型主要由两部分组成,既有效的人体组织反射信号和无效的噪声信号,而噪声信号则包括乘性噪声和加性噪声,其中加性噪声相对于乘性噪声来说对CT图像的影响非常微小;由于考虑乘性噪声,CT电信号的通用模型s(x,y)表示为:
s(x,y)=r(x,y)n(x,y) (1)
其中,(x,y)分别代表图像的横纵坐标,r(x,y)表示无噪声信号,n(x,y)表示相乘噪声;步骤2)构建神经网络模型;
1.构建神经网络:
大量节点相互联接构成网络层,节点即神经元,神经元分成不同的层次,每个神经元与相邻层的其它神经元相连;每一层神经元都有输入和输出,每一层神经元的输入为前一层神经元输出;
在神经网络中每个突触有一个权重,每个神经元的输出值为前一个相邻网络神经元的输入加权并通过激活函数输出,卷积神经网络中使用的是ReLU函数,ReLU激活函数的公式
如下:
f(x)代表为输入的ReLU函数,x是输入值;
2.构建卷积神经网络:
构建三个网络层,输入层、隐藏层、输出层;
输入层是图像的输入;隐藏层中运用卷积、批归一化、激活函数;即为:Conv+BN+ReLU;训练中输入的图像均为灰度图像;网络模型中卷积滤波器的尺寸大小设置为3×3;
网络的深度d设置为20;
隐藏层中第一层采用卷积和批归一化(Conv+BN),使用64个卷积过滤器尺寸为3×3×c 来生成64个特征图;c表示为图像通道的数量,因为此模型采用的是灰度图像训练,所以c即为1;在隐藏层第2层到第(d -1)层中,使用64个尺寸大小为3×3的卷积滤波器;并且在每一层的卷积和ReLU激活函数之间添加批归一化,在网络训练的过程中某个batch数据是{x1,x2,...xn},batch数据是批块数据;这个数据可以是输入也可以是网络中间的某一层输出;将每批输入数据进行运算处理,使其分布等于全部训练数据的数据分布;对batch数据进行归一化处理公式如下:
上一层输出数据的均值μβ,
m为训练样本batch大小、x i
为输入的数据:
上一层输出数据的标准差归一化处理得到输出数据其中ε为任意接近于0的值:
权 利 要 求 书1/2页2CN 109978778 A