[发明专利]一种超声图像去噪模型建立方法及超声图像去噪方法

权利要求书

1.一种超声图像去噪模型建立方法，其特征在于，包括：

数据集预处理步骤：将自然图像数据集中的图像预处理为大小相等的图像块，添加斑点噪声后，由图像块及其对应的噪声图像构成训练样本，得到训练数据集；

模型建立步骤：将UNet网络首、尾两个卷积层以及下采样和上采样卷积层之外的全部或部分卷积层替换为ResNet网络的中的残差块，在所述UNet网络的编码结构中任意两个卷积层之间插入混合注意力模块，得到待训练的初始去噪模型，用于抑制图像中的斑点噪声；

模型训练步骤：利用所述训练数据集对所述初始去噪模型进行训练，在训练结束后，得到超声图像去噪模型；

其中，所述混合注意力模块用于从通道域和空间域，根据相关性对像素值进行加权，以抑制噪声并增强特征；所述混合注意力模块包括：通道注意力模块、空间注意力模块和噪声抑制模块；

所述通道注意力模块，用于基于非局部思想，对输入特征图中每个通道的特征图求其全局上下文，使用softmax函数将所述全局上下文转换为通道注意力的权值Mc；

所述空间注意力模块，用于基于所述通道注意力的权值Mc计算所有通道的加权平均，并使用softmax函数转换为空间注意力的权值Ms；

所述噪声抑制模块，用于将所述输入特征图与所述通道注意力的权值Mc和所述空间注意力的权值Ms进行逐点相乘，并通过残差连接将逐点相乘后得到的特征图与所述输入特征图进行逐点相加，得到噪声抑制后的特征图。

2.如权利要求1所述的超声图像去噪模型建立方法，其特征在于，在所述模型建立步骤中，在将UNet网络中的卷积层替换为ResNet网络的中的残差块之前，还包括：

删除所述UNet网络中通道数为512和1024的卷积层，使所述UNet网络中的下采样和上采样的次数均减少为2次。

3.如权利要求1所述的超声图像去噪模型建立方法，其特征在于，所述残差块包括两个BN-LeakyReLU-Conv单元和一个残差连接；

所述BN-LeakyReLU-Conv单元包括依次连接的批量归一化层、LeakyReLU激活函数层和卷积层。

4.如权利要求1所述的超声图像去噪模型建立方法，其特征在于，在所述模型训练步骤中，利用所述训练数据集对所述初始去噪模型进行训练时，所使用的损失函数为：

其中，L表示损失函数，v表示标签，v＇表示所述超声图像去噪模型的输出，λ_TV表示正则项系数，和分别表示水平方向和垂直方向的梯度，||·||₂表示矩阵L2范数。

5.如权利要求1-4任一项所述超声图像去噪模型建立方法，其特征在于，还包括：获得用于添加斑点噪声的噪声模型中噪声项的标准差分布范围，对所述分布范围进行划分，得到多个噪声水平；

在所述数据集预处理步骤中，在为图像块添加斑点噪声时，对于同一个图像块，按照不同的噪声水平添加噪声，得到多个噪声图像；

在所述模型训练步骤中，利用所述训练数据集对所述初始去噪模型进行训练时，利用不同噪声水平所对应的训练样本分别对所述初始去噪模型进行训练，从而得到各噪声水平所对应的超声图像去噪模型。

6.一种超声图像去噪方法，其特征在于，包括：

对超声图像进行预处理，使其适于输入由权利要求1-4任一项所述的超声图像去噪模型建立方法得到的超声图像去噪模型，并将预处理后的超声图像输入所述超声图像去噪模型，以对所述超声图像进行去噪。