改进的基于CycleGAN的超声图像散斑噪声降噪方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115760612A(43)申请公布日2023.03.07(21)申请号202211423280.8(22)申请日2022.11.15(71)申请人上海大学地址200444上海市宝山区上大路99号(72)发明人张麒刘洁怡(74)专利代理机构上海交达专利事务所31201专利代理师王毓理王锡麟(51)Int.Cl.G06T5/00(2006.01)G06N3/044(2023.01)G06N3/0464(2023.01)G06N3/08(2023.01)权利要求书3页说明书4页附图2页(54)发明名称改进的基于CycleGAN的超声图像散斑噪声降噪方法(57)摘要一种改进的基于循环生成对抗网络的超声图像散斑噪声降噪方法，获取医学超声图像数据集的GAD降噪图像；使用提出的ENR降噪图形质量评价指标对GAD降噪图像进行评分，并筛选出用作训练集和测试集的图像；引入循环一致性结构，搭建用于降噪的循环生成对抗网络模型CycleGAN，使用两套生成器和鉴别器进行双向训练。使用训练集进行训练，根据checkpoint以及降噪结果确定合适的CycleGAN模型；在在线阶段通过训练后的CycleGAN模型，对测试集图像进行降噪，并使用ENR评价图像降噪质量。本发明针对被散斑噪声污染的医学超声图像能够获得优秀的降噪效果。CN115760612ACN115760612A权利要求书1/3页1.一种基于CycleGAN的超声图像散斑噪声降噪方法，其特征在于，在离线阶段通过对采集到的超声图像使用GAD算法降噪并使用ENR对降噪图像进行评分和筛选后，经预处理生成训练数据集对构建得到的CycleGAN网络进行训练；在在线阶段采用训练后的CycleGAN网络，根据输入的含噪原始图像输出去噪后的结果图像。2.根据权利要求1所述的基于CycleGAN的超声图像散斑噪声降噪方法，其特征是，包括：步骤1)获取医学超声图像数据集，将超声图像进行处理；步骤2)获取GAD降噪图像；步骤3)使用提出的ENR降噪图形质量评价指标对GAD降噪图像进行评分，并筛选出用作训练集和测试集的图像；步骤4)制作数据集，并对数据集进行预处理，目的就是划分训练集和测试集，训练集用于训练网络模型，而测试集则用于检验模型的性能；步骤5)搭建网络模型：引入循环一致性结构，搭建用于降噪的循环生成对抗网络模型CycleGAN，使用两套生成器和鉴别器进行双向训练；所述的双向训练是指：对于去噪任务，在从X域，即有噪图像域到Y域，即无噪图像域的正向映射过程中，使用生成器G和鉴别器将X域的有噪图像映射到Y域的无噪图像；在从Y域，即无噪图像域到X域，即有噪图像域的反向映射过程中，使用生成器F和鉴别器将Y域的无噪图像映射到X域的有噪图像，同时在两个映射方向上进行训练，以获得对应于X域的有噪声图像和Y域的无噪声图像的双向映射；步骤6)使用训练集进行训练，根据checkpoint以及降噪结果确定合适的CycleGAN模型；步骤7)使用训练好的CycleGAN模型，对测试集图像进行降噪，并使用ENR评价图像降噪质量。3.根据权利要求1或2所述的基于CycleGAN的超声图像散斑噪声降噪方法，其特征是，所述的GAD算法具体操作包括：将超声图像输入GAD算法，GAD使用Gabor变换捕获边缘方向性，从而导出一个基于Gabor的鲁棒边缘检测器,然后将基于Gaborb的边缘检测器嵌入到AD中，以指导扩散过程，在GAD进行循环降噪时，每轮计算降噪后图像与上一轮图像的绝对值误差，当循环轮次大于等于设定轮次并且绝对值误差小于等于设定阈值时循环结束。4.根据权利要求1或2所述的基于CycleGAN的超声图像散斑噪声降噪方法，其特征是，所述的ENR降噪图像质量评价指标其中：σe为图像中边缘区域的标准偏差，σi为图像中目标区域的标准偏差，σb为图像中背景区域的标准偏差,依次选取目标区域、背景区域以及边缘区域，自动计算出ENR评分。5.根据权利要求1所述的基于CycleGAN的超声图像散斑噪声降噪方法，其特征是，所述的制作数据集，包括选取评分较高的60张图像，将其带噪超声图像和GAD降噪图像分别进行分别旋转90°、180°和270°，以及镜像翻转的处理，处理后的带噪超声图像和GAD降噪图像分别用作训练集X和训练集Y；选取评分较低的10张带噪超声图像用作测试集。6.根据权利要求1或2所述的基于CycleGAN的超声图像散斑噪声降噪方法，其特征是，所述的循环生成对抗网络模型包括：生成器和鉴别器，其中：生成器对输入图像进行反射填2CN115760612A权利要求书2/3页充，然后进行三次卷积层、激活函数层、实例归一化层的下采样提取特征后进入残差神经网络模块，鉴别器将输入图像压缩为30*30