[发明专利]一种基于可训练联合双边滤波器的数字X射线图像去噪方法

说明书

本发明公开了一种即插即用的，可训练的联合双边滤波处理方法，用于低剂量数字X射线成像。首先通过深度神经网络，生成联合双边滤波器的引导图像，然后用得到的引导图像和原噪声图像共同训练联合双边滤波器，最终得到去噪后的图像。通过本发明能够实现在大幅降低X射线剂量的情况下，快速的生成出高质量图像，为低剂量数字X射线图像提供了一种有效的去噪方法。

技术领域

本发明涉及一种基于可训练联合双边滤波器的数字X射线图像去噪方法，属于计算机图像处理领域。

背景技术

数字X射线成像(DR)是计算机数字图像处理技术与X射线放射技术相结合而形成的一种先进的X线摄影技术。X射线属于电离辐射，它的过度或不恰当的使用也存在损伤正常器官的可能性。X射线成像的使用的合理化和相关辐射剂量的优化对于保护患者的健康至关重要。然而，成像质量与辐射剂量之间呈明显的正相关，辐射剂量的减少通常会引入噪声和伪影，降低成像质量；此外，这些噪声还会影响DR图像的后续处理，比如图像的分割、识别等。

常用的DR图像去噪方法，如最小二乘滤波、均值滤波和双边滤波等，虽然能够在低剂量条件下保持图像的整体质量，但对于局部的外观、纹理等细节难以起到实质性的改观。

近期随着深度学习技术在各领域都显示出了强大的特征学习能力，本发明针对现有问题，将传统的联合双边滤波与深度学习相结合，提出一种基于可训练联合双边滤波器的数字X射线图像去噪方法，在快速滤波的同时，能够恢复低剂量DR图像丰富的纹理和边缘。

发明内容

本发明的目的在于提供一种基于可训练联合双边滤波器的数字X射线图像去噪方法，用于低剂量条件下的DR图像去噪。

本发明为解决上述问题采用以下技术方案：

本发明提供一种基于可训练联合双边滤波器的数字X射线图像去噪方法，具体步骤如下：

步骤1，随机读取128×128大小的低剂量DR图像作为卷积神经网络EDCNN的输入，对应的正常剂量图像作为标签，共同训练EDCNN网络；

步骤2，使用训练好的EDCNN网络去除低剂量图像中的噪声，得到较为清晰的图像，即联合双边滤波器的引导图；

具体地，EDCNN网络由1个边缘增强模块和8个卷积块组成，如图2所示。其中，卷积块由“1*1卷积+LeakyReLU激活层+3*3卷积+LeakyReLU激活层”的顺序组成，如图3所示。边缘增强模块由4个Sobel算子组成，包括垂直、水平和2个对角方向，即:

EDCNN网络通过下列损失函数来优化参数：

其中，F(x_i,θ)为EDCNN模型的运算操作；x_i为当前低剂量图像第i个位置的像素；θ为当该模型可训练的参数；y_i为对应正常剂量标签的第i个位置的像素；N为该图像上的像素总数。

步骤3，将得到的引导图像和原低剂量图像作为所述可训练联合双边滤波器的输入，正常剂量图像作为标签，共同训练联合双边滤波器。

具体地，所提出的可训练联合双边滤波器包括灰度域核、可训练的空间域核和传统双边滤波器。空间域核为3*3的矩阵，初始值为1；灰度域核为常数，值为0.8。联合双边滤波器的计算方式为：

其中，I_n为原低剂量图像；I_f为联合双边滤波器过滤后的图像；x为当前图像的像素点；N(x)是在过滤操作中考虑到的x的邻域点；I_g为引导图像；F(·)是用于整个邻域范围内的滤波函数；G(·)是用于计算空间域核的函数，W_g为G(·)的权重。