[发明专利]对抗神经网络去噪模型的建立方法及超声图像去噪方法

说明书

本发明公开了一种对抗神经网络去噪模型的建立方法及超声图像去噪方法，涉及计算机视觉技术领域，包括以下步骤：超声图像数据集处理：将采集的超声图像对划分为训练集和测试集；构建初始去噪模型：初始去噪模型包括生成器模型和判别器模型，生成器模型基于深度可分离卷积层和残差块结构建立，判别器模型基于PatchGAN网络建立；对初始去噪模型训练：将训练集作为输入数据，模型训练完成后得到对抗神经网络去噪模型，即可对测试集中的含噪声超声图像进行去噪处理。如此设置，引入深度可分离卷积层和残差块结构，能够有效地对超声图像去噪，所搭建的结构属于轻量化网络模型结构，能够减少运行的参数量，减少算法的运算时间。

技术领域

本发明涉及计算机视觉技术领域，更具体地说，涉及一种对抗神经网络去噪模型的建立方法及超声图像去噪方法。

背景技术

超声成像在医学领域中已得到广泛应用，其相干性会导致超声图像中存在斑点噪声，影响成像区域信息的准确度，通常需要对超声图像进行去噪处理。

现有技术中，超声图像的去噪方法基于Unet模型，经过成对的下采样和上采样结构实现图像去噪，对噪声的去除能力有限，模型的去噪效果仍有改进空间。而且，模型的算法结构较为复杂、运行过程的计算量较大，对运行设备的硬件要求较高，目前只应用于PC端，算法所需的计算性能不能被移动端设备满足，如手机、平板电脑等。

因此，如何解决现有技术中超声图像去噪模型的去噪能力有限、算法结构复杂、运行过程计算量大的问题，成为本领域技术人员所要解决的重要技术问题。

发明内容

本发明的目的在于提供一种对抗神经网络去噪模型的建立方法及超声图像去噪方法，以解决现有技术中超声图像去噪模型的去噪能力有限、算法结构复杂、运行过程计算量大的问题。本发明提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。

为实现上述目的，本发明提供了以下技术方案：

本发明提供了一种对抗神经网络去噪模型的建立方法，包括以下步骤：

超声图像数据集处理：采集多组含噪声和不含噪声的超声图像对，并将所述超声图像对划分为训练集和测试集；

构建初始去噪模型：所述初始去噪模型包括生成器模型和判别器模型，所述生成器模型基于深度可分离卷积层和残差块结构建立，所述判别器模型基于PatchGAN网络建立；

对所述初始去噪模型训练：将所述训练集作为所述初始去噪模型的输入数据进行模型训练，模型训练完成后得到对抗神经网络去噪模型，所述对抗神经网络去噪模型对所述测试集中的含噪声超声图像进行去噪处理以进行模型测试。

优选地，所述生成器模型包括两个普通卷积神经网络模块和设置在两个所述普通卷积神经网络模块之间的多个改进残差网络模块，所述改进残差网络模块基于所述深度可分离卷积层和所述残差块结构建立。

优选地，所述判别器模型包括依次设置的多个特征采样层，各个所述特征采样层均包括卷积层、池化层、归一化层以及激活函数层。

优选地，计所述特征采样层设有N个，对于第n个所述特征采样层，当n为奇数时，该所述特征采样层的所述池化层工作、以进行下采样，当n为偶数时，该所述特征采样层的所述池化层不工作，其中n＝1，2……(N-1)。

优选地，所述模型训练包括以下步骤：

将所述训练集的含噪声超声图像作为所述生成器模型的输入数据，得到去噪超声图像；

将所述去噪超声图像和所述训练集的不含噪声超声图像分别作为所述判别器模型的输入数据、得到两组特征数据，所述特征数据经过损失函数计算得到优化模型参数，将所述优化模型参数代入所述初始去噪模型进行模型优化，得到所述对抗神经网络去噪模型。

优选地，所述改进残差网络模块的计算过程包括以下步骤：