[发明专利]一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法

说明书

本发明公开了一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，步骤包括：采集高噪全身扫描3D图像和低噪全身扫描3D图像并分类存放，对所述高噪全身扫描图像和低噪全身扫描图像进行预处理，使得上述数据能够直接用于模型训练；采用处理后的数据训练基于3D卷积反卷积和生成对抗网络的卷积神经网络；利用训练后的卷积神经网络对高噪图像降噪，得到高质量图像。本发明利用相关图像通过3D卷积和反卷积提取图像的空间信息，学习相邻切片的特征和关系，对图像进行精确降噪。

技术领域

本发明涉及正电子发射计算机断层图像处理，具体而言，尤其涉及一种基于深度卷积神经网络模型、3D立体卷积反卷积和生成对抗网络的图像降噪方法。

背景技术

正电子发射断层扫描(PET)属于核医学成像的一种，是目前最为先进的医学成像技术之一。PET成像利用的是特定的放射性示踪剂进入人体后，会同人体组织内的负电子发生湮灭现象，进而释放出一对儿能量相等、飞行方向相反的正电子，探测器检测到电子后，经过一系列的重建过程，获得最终的PET图像。PET在临床中有着非常多的应用。由于肿瘤对放射性示踪剂有着更强的吸收能力，因此PET常被用于肿瘤诊断之中。此外，PET作为一种功能性成像模式，PET在心脑血管疾病、神经性疾病等领域内也有着卓越的性能。放射性示踪剂的剂量的较少会导致图像中出现噪声、伪影，这会极大的影响医生的诊断。传统的PET图像的降噪方法包括正弦域滤波和迭代重建及其变种。

2D卷积采用的平面的卷积核进行卷积，卷积过程中只涉及到平面内的相关信息，而不包括连续图像中提供的空间信息。

发明内容

鉴于现有技术中存在的图像细节易丢失、成像速度慢等问题，本发明提供了一种基于生成对抗网络和3D残差编码解码的医学图像降噪方法，利用3D图像作为训练数据结合生成对抗网络对模型进行训练，对断层图像进行准确、快速的降噪。

本发明的技术方案如下：

一种基于3D卷积反卷积和生成对抗网络的医学图像降噪方法，步骤包括：

S100、采集高噪全身扫描3D图像和低噪全身扫描3D图像并分类存放，对所述高噪全身扫描图像和低噪全身扫描图像进行预处理，使得上述数据能够直接用于模型训练；

S200、采用处理后的数据训练基于3D卷积反卷积和生成对抗网络的卷积神经网络，包括：设置生成器各层卷积参数以及鉴别器各层卷积参数，以及将预处理后的低质量图像作为网络的训练输入、高质量图像作为网络训练标签，对模型进行训练；

S300、利用训练后的网络对高噪图像降噪，得到高质量图像。

进一步地，步骤S100所述对采集的训练数据进行预处理，包括：

S110、分类收集训练数据，所述训练数据包括低质量图像和高质量图像；

S120、对收集的分类数据进行格式转化，便于后续直接处理；

S130、对可处理的分类数据进行扩充，以满足训练要求。

进一步地，步骤S130所述对可处理的分类数据进行扩充，包括：对数据进行随机水平翻转、随机像素平移、随机旋转和裁剪的方法来扩充数据集。

本发明还提供了一种存储介质，其包括存储的程序，其中，所述程序执行上述任意一项所述的降噪方法。

本发明还提供了一种处理器，其用于运行程序，其中，所述程序执行上述任意一项所述的降噪方法。

较现有技术相比，本发明具有以下优点：

1、本发明在网络训练图像时采用3D图像进行训练，区别于常见的针对2D图像而言的方法，并非单纯某一张图像进行处理，而是利用相关图像通过3D卷积和反卷积提取图像的空间信息，学习相邻切片的特征和关系，对图像进行精确降噪。