申请/专利权人：澳门理工大学

申请日：2023-09-12

公开（公告）日：2024-06-25

公开（公告）号：CN117115452B

主分类号：G06V10/30

分类号：G06V10/30;G06T7/00;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2023.12.12#实质审查的生效;2023.11.24#公开

摘要：本发明公开了可控的医学超声图像去噪方法、系统及计算机存储介质，该方法通过模拟噪声超声图像数据集的生成，模拟噪声超声图像的预处理，去噪模型的建立，去噪模型的训练，联合损失函数的构建等步骤建立可控的医学超声图像去噪模型，然后先对待去噪的真实医学超声图像进行下采样，将真实医学超声图像下采样的子图与2个取值为设定值的特征参数输入训练好的去噪模型，由去噪模型对真实医学超声图像进行自适应去噪，并灵活调节去噪强度，最后输出经不同去噪强度去噪后的医学超声图像。本发明能够适应更加广泛的去噪范围，能够自适应去噪，可以灵活调节去噪强度，可以有效去除医学超声图像的噪声，同时保留医学超声图像的细节信息。

主权项：1.一种可控的医学超声图像去噪模型建立方法，其特征在于，包括以下步骤：步骤1）模拟噪声超声图像数据集的生成：以大量干净自然图像为参考，使用对应的仿真软件和不同的成像参数组，生成具有不同噪声水平的模拟噪声超声图像，并划分成用于模型训练、验证和测试的模拟噪声超声图像数据集；步骤2）模拟噪声超声图像的预处理：对所述模拟噪声超声图像数据集中的模拟噪声超声图像进行下采样，在真实值与设定值之间对2个特征参数的取值进行随机选择，2个所述特征参数分别为该模拟噪声超声图像的成像参数中2个与噪声水平有关的参数fc和pitch，将下采样后的子图与2个特征参数连接在一起，形成新输入图像数据集；步骤3）去噪模型的建立：采用多级剩余阿特鲁空间金字塔池化模块、非线性映射卷积神经网络模块、自适应噪声水平和可变去噪强度模块构建初始去噪模型；所述多级剩余阿特鲁空间金字塔池化模块基于残差结构、阿特鲁空间金字塔池化和矩阵加法连接建立，负责对所述新输入图像数据集中的新输入图像提取特征；所述非线性映射卷积神经网络模块基于CNN的卷积层建立，负责对所述多级剩余阿特鲁空间金字塔池化模块的输出提取深层次特征，最终生成特征图像；所述自适应噪声水平和可变去噪强度模块基于分叉的上采样、全连接层和联合损失函数建立，一方面负责对已知2个特征参数真实值的所述特征图像进行噪声预测，并通过设置不同的去噪强度，得到采用不同去噪强度预测出的噪声预测图像，最后用模拟超声图像分别减去这些噪声预测图像就得到经不同去噪强度去噪后的图像；另一方面负责对未知2个特征参数真实值的所述特征图像进行特征参数预测，并获得2个特征参数的预测值；步骤4）去噪模型的训练：利用模拟噪声超声图像数据集对去噪模型进行训练，对于输入去噪模型时随机选择2个特征参数为真实值的模拟噪声超声图像，则去噪模型直接利用2个特征参数的真实值得到不同去噪强度去噪后的图像；对于输入去噪模型时随机选择2个特征参数为设定值的模拟噪声超声图像，则去噪模型先预测出2个特征参数的预测值，然后将该模拟噪声超声图像下采样后的子图连同这2个特征参数的预测值再次输入去噪模型，去噪模型利用2个特征参数的预测值得到经不同去噪强度去噪后的图像；训练过程中，利用去噪模型的联合损失函数，调整去噪模型预测噪声水平和2个特征参数时的参数，最终得到训练好的可控的医学超声图像去噪模型，该可控的医学超声图像去噪模型能够自适应去噪，并可以灵活调节去噪强度，能够在有效去除超声图像的噪声，同时保留图像的细节信息。

全文数据：

权利要求：

百度查询： 澳门理工大学 可控的医学超声图像去噪方法、系统及计算机存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD