本發(fā)明涉及圖像處理,更具體的說是涉及一種基于改進擴散模型的超聲圖像去噪方法及系統(tǒng)。
背景技術(shù):
1、在醫(yī)學影像學領(lǐng)域,超聲檢查作為一種無創(chuàng)、經(jīng)濟且高效的診斷手段,已被廣泛應用于臨床實踐中。其高組織穿透性和實時成像能力為醫(yī)生提供了豐富的診斷信息。然而,受限于成像環(huán)境和設(shè)備性能的多樣性,超聲圖像往往受到不同程度的噪聲干擾,尤其是散斑噪聲的普遍存在,顯著降低了圖像的對比度和清晰度,模糊了組織結(jié)構(gòu)的邊界,給醫(yī)生的準確診斷帶來了巨大挑戰(zhàn)。
2、傳統(tǒng)的圖像去噪方法,如中值濾波、均值濾波和高斯濾波等,雖然在一定程度上能夠抑制噪聲,但這些方法往往以犧牲圖像細節(jié)為代價,導致邊緣信息模糊,難以滿足醫(yī)學圖像分析對細節(jié)精度的要求。
3、近年來,隨著深度學習技術(shù)的飛速發(fā)展,特別是卷積神經(jīng)網(wǎng)絡(luò)(cnn)和生成對抗網(wǎng)絡(luò)(gan)的廣泛應用,為超聲圖像去噪提供了新的思路。例如,dscnn方法通過結(jié)合傳統(tǒng)散斑噪聲濾波器與深度學習技術(shù),實現(xiàn)了對超聲圖像的預處理和噪聲抑制,并通過引入結(jié)構(gòu)相似性度量作為損失函數(shù)的一部分,以保留圖像的重要細節(jié)。同時,基于gan的去噪方法,特別是采用全卷積u-net架構(gòu)的生成器模型,能夠更有效地傳輸淺層細節(jié)至深層網(wǎng)絡(luò),從而在抑制噪聲的同時保護組織結(jié)構(gòu)細節(jié)。
4、盡管如此,現(xiàn)有方法在處理大規(guī)模、復雜性噪聲時仍顯不足,去噪效果與保留邊緣信息的平衡問題亟待解決。而擴散模型(dm)作為深度學習領(lǐng)域的一項新興技術(shù),以其卓越的樣本生成質(zhì)量和訓練穩(wěn)定性,在圖像去噪領(lǐng)域展現(xiàn)出巨大潛力。然而,擴散模型的高計算成本和緩慢采樣速度限制了其在實際應用中的普及。
5、因此,開發(fā)一種既能高效去噪又能精準保留圖像細節(jié)的新型超聲圖像去噪方法及系統(tǒng)是本領(lǐng)域技術(shù)人員亟需解決的問題。
技術(shù)實現(xiàn)思路
1、有鑒于此,本發(fā)明提供了一種基于改進擴散模型的超聲圖像去噪方法及系統(tǒng),通過結(jié)合dm與gan的超聲圖像去噪模型,提高了模型的采樣速度,同時增加提取組織結(jié)構(gòu)特征的網(wǎng)絡(luò)模塊,使得模型更好的保留細節(jié)信息。
2、為了實現(xiàn)上述目的,本發(fā)明采用如下技術(shù)方案:
3、一種基于改進擴散模型的超聲圖像去噪方法,包括以下步驟:
4、獲取超聲原圖像,將所述超聲原圖像輸入改進的超聲圖像去噪模型進行去噪處理,得到去噪后的超聲圖像;
5、所述改進的超聲圖像去噪模型包括結(jié)合擴散模型和生成對抗網(wǎng)絡(luò)的超聲去噪模塊和結(jié)構(gòu)特征提取模塊。
6、可選的,利用所述改進的超聲圖像去噪模型進行去噪處理的具體過程包括:
7、所述超聲原圖像經(jīng)過擴散模型的前向加噪過程生成含噪圖像,并將所述含噪圖像輸入生成器生成去噪圖像;
8、對所述去噪圖像進行采樣,得到采樣圖像;
9、使用特征提取網(wǎng)絡(luò)提取所述超聲原圖像和所述去噪圖像的組織結(jié)構(gòu)特征;
10、將前向加噪過程中t-1時刻的圖像、同一時刻的采樣圖像以及組織結(jié)構(gòu)特征輸入到判別器進行判別,并輸出符合輸出要求的去噪圖像。
11、可選的,結(jié)合擴散模型和生成對抗網(wǎng)絡(luò)的超聲去噪模塊的建立過程包括:
12、對于擴散模型在訓練時,使用對抗損失匹配條件gan生成器pθ(xt-1|xt)和真實去噪分布q(xt-1|xt),通過最小化每個去噪步的散度dadv來定義:
13、
14、其中,xt為t時刻超聲圖像噪聲狀態(tài),θ為去噪模型的基本參數(shù),為數(shù)學期望;
15、為建立對抗訓練,將時間相關(guān)的判別器表示為其中,φ為基本參數(shù),以n維的xt-1和xt為輸入,并判斷xt-1是否是xt符合去噪要求的去噪版本;
16、所述判別器的訓練方式是:
17、
18、生成器和判別器的總通過最大化來訓練生成器;損失函數(shù)為:
19、
20、可選的,所述結(jié)構(gòu)特征提取模塊包括兩個vgg16網(wǎng)絡(luò),分別用來提取超聲原圖像的組織結(jié)構(gòu)特征和所述去噪圖像的組織結(jié)構(gòu)特征。
21、可選的,結(jié)構(gòu)特征提取模塊的損失函數(shù)為:
22、
23、其中,fvgg(·)是提取網(wǎng)絡(luò)的函數(shù),w表示網(wǎng)絡(luò)參數(shù),in表示超聲原圖像,fd(in)表示去噪圖像。
24、另一方面,本發(fā)明提供了一種基于改進擴散模型的超聲圖像去噪系統(tǒng),所述系統(tǒng)用于實現(xiàn)上述的一種基于改進擴散模型的超聲圖像去噪方法,包括:
25、超聲圖像采集模塊,用于獲取超聲原圖像;
26、超聲去噪模塊,用于對超聲原圖像進行加噪處理、降噪處理以及降噪判斷;
27、結(jié)構(gòu)特征提取模塊,用于分別提取所述超聲原圖像和含噪圖像的組織結(jié)構(gòu)特征。
28、可選的,所述超聲去噪模塊包括:
29、加噪單元,用于利用擴散模型對所述超聲原圖像進行前向加噪處理生成含噪圖像;
30、生成器,用于將所述含噪圖像生成去噪圖像;
31、采樣模塊,用于對所述去噪圖像進行采樣,得到采樣圖像;
32、判別器,用于對前向加噪過程中t-1時刻的圖像、同一時刻的采樣圖像以及組織結(jié)構(gòu)特征進行判別,得到去噪后的超聲圖像。
33、經(jīng)由上述的技術(shù)方案可知,與現(xiàn)有技術(shù)相比,本發(fā)明公開提供了一種基于改進擴散模型的超聲圖像去噪方法及系統(tǒng),通過結(jié)合改進dm的高效采樣與增強gan的穩(wěn)定去噪能力,本發(fā)明能夠更有效地去除超聲圖像中的噪聲,同時減少圖像模糊,保留更多細節(jié)信息,并且優(yōu)化后的dm采樣機制和gan訓練策略顯著提升了算法的處理速度和收斂穩(wěn)定性,使得該方法在實際應用中更加可靠和高效。進一步,本發(fā)明引入結(jié)構(gòu)特征提取模塊,確保在去噪過程中關(guān)鍵的組織結(jié)構(gòu)信息不被丟失或弱化,提高去噪后圖像的醫(yī)學診斷價值。
1.一種基于改進擴散模型的超聲圖像去噪方法,其特征在于,包括以下步驟:
2.根據(jù)權(quán)利要求1所述的一種基于改進擴散模型的超聲圖像去噪方法,其特征在于,利用所述改進的超聲圖像去噪模型進行去噪處理的具體過程包括:
3.根據(jù)權(quán)利要求2所述的一種基于改進擴散模型的超聲圖像去噪方法,其特征在于,結(jié)合擴散模型和生成對抗網(wǎng)絡(luò)的超聲去噪模塊的建立過程包括:
4.根據(jù)權(quán)利要求2所述的一種基于改進擴散模型的超聲圖像去噪方法,其特征在于,所述結(jié)構(gòu)特征提取模塊包括兩個vgg16網(wǎng)絡(luò),分別用來提取超聲原圖像的組織結(jié)構(gòu)特征和所述去噪圖像的組織結(jié)構(gòu)特征。
5.根據(jù)權(quán)利要求4所述的一種基于改進擴散模型的超聲圖像去噪方法,其特征在于,結(jié)構(gòu)特征提取模塊的損失函數(shù)為:
6.一種基于改進擴散模型的超聲圖像去噪系統(tǒng),其特征在于,所述系統(tǒng)用于實現(xiàn)如權(quán)利要求1-5任一項所述的一種基于改進擴散模型的超聲圖像去噪方法,包括:
7.根據(jù)權(quán)利要求6所述的一種基于改進擴散模型的超聲圖像去噪系統(tǒng),其特征在于,所述超聲去噪模塊包括: