基于双残差网络的低剂量CT牙齿图像去噪方法.pdf

(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CN111311506A(43)申请公布日2020.06.19(21)申请号202010068315.5(22)申请日2020.01.21(71)申请人辽宁师范大学地址116000辽宁省大连市沙河口区黄河路850号(72)发明人傅博王丽妍杜飞飞刘芳菲(74)专利代理机构大连非凡专利事务所21220代理人闪红霞(51)Int.Cl.G06T5/00(2006.01)G06T7/00(2017.01)权利要求书3页说明书6页附图2页(54)发明名称基于双残差网络的低剂量CT牙齿图像去噪方法(57)摘要本发明公开一种基于双残差网络的低剂量CT牙齿图像去噪方法，首先训练辅助网络，并保存模型；利用经过双残差网络提取的特征空间图之间的相似关系，计算损失函数值，通过合并去噪网络和双残差网络之间的损失函数值，进而更新参数以辅助去噪网络的训练。该方法主要包括数据加载模块、辅助网络训练模块、双残差网络去噪模块、测试模块。本发明对低剂量CT牙齿图像去噪有着显著的效果，能够保留图像的一些细节特征，具有重要的应用价值。CN111311506ACN111311506A权利要求书1/3页1.一种基于双残差网络的低剂量CT牙齿图像去噪方法，其特征在于按照如下步骤进行：01部分，取BSD500数据集的灰度图像，在进入网络模型之前进行预处理操作，具体步骤如下：步骤C011：导入BSD500数据集的灰度图像，分别为500张预处理图像和500张真实图像，各500张灰度图像中432张做训练集，68张做测试集，预处理图像数据集记为Pre_Image，用于验证的真实图像数据集记为Real_Image；500张预处理图像分别记为Pre_Image1，Pre_Image2，…，Pre_Image500；500张真实图像分别记为Real_Image1，Real_Image2，…，Real_Image500；步骤C012：将500张预处理图像和500张真实图像切块，块的大小为48*48像素，将预处理图像与真实图像所切的块分别记为预处理图像块Pre_P1，Pre_P2,…,Pre_Pn和真实图像块Real_P1，Real_P2,…,Real_Pn；步骤C013：将预处理图像块Pre_P1，Pre_P2,…,Pre_Pn分别加入σ值为50的高斯噪声，记为噪声图像块Noise_P1，Noise_P2,…,Noise_Pn；步骤C014：每次随机选取16000个噪声图像块和16000个真实图像块输入网络，其中噪声图像块记作Noise_Pi，真实图像块记作Real_Pi，1≤i≤16000；02部分，训练辅助网络20次，为双残差网络去噪提供数据，具体步骤如下：步骤C021：取单通道的真实图像块Real_Pi，输进网络；步骤C022：开始训练M＝16000对应的线性关系模型Model1，约定变量epoch_pro为辅助网络循环训练的次数，初始为0；所述模型Model1的目标函数定义为：式中为真实图像块Real_Pi，L(·)为损失函数，f(·|Φ)表示带有Φ参数化的辅助网络，λR(Φ)是一个带有参数Φ和λ的正则化项，所述λ>0；步骤C0221：进入浅层特征提取层，记为Conv_pro1层；Conv_pro1层由64个3*3大小的滤波器组成，真实图像块Real_Pi经过Conv_pro1层后，得到64个通道的浅层特征空间图，记为Real_proPi_fm1；步骤C0222：进入深层特征提取层，记为Deep_proRes2层；Deep_proRes2层中包含5个残差组和一个卷积层以及一个长跳跃连接；每一个残差组中包含10个带有通道注意机制的残差块和一个短跳连接；其中残差块是由两个卷积层和Relu激活层以及跳跃连接构成；浅层特征空间图Real_proPi_fm1经过Deep_proRes2层后，得到64个通道的深层特征空间图，记为Real_proPi_fm2；步骤C0223：进入重构层，记为Conv_pro3层；Conv_pro3层由1个3*3大小的滤波器组成，深层特征空间图Real_proPi_fm2经过Conv_pro3层后，得到重构特征空间图，记为Real_proPi_fm3；步骤C023：求重构特征空间图Real_proPi_fm3和真实灰度图像块Real_Pi之间的差异，通过L1Loss计算方法可得相应的损失函数值，记为loss_pro，置epoch_pro＝epoch_pro+1；若loss_pro值小于0.01或者训练次数epoch_pro达到20，网络停止训练，保存训练模型2CN111311506A权利要求书2/3页model_pro.pt文件；否则将loss_pro值反向传播，通过ADAM优化算法重新更新参