一种基于深度学习的自适应医学超声图像去斑方法

发布时间：2021-07-11 17:43

　　针对传统医学超声图像去斑方法的不足,该文提出一种自适应多曝光融合框架和前馈卷积神经网络模型图像去斑方法。首先,制作超声图像训练数据集;然后,提出一种自适应增强因子的多曝光融合框架,增强图像进行有效特征提取;最后,通过网络训练去斑模型并获得去斑后的图像。实验结果表明,该文较已有的方法,能更有效地滤除医学超声图像中的斑点噪声并更多的保留图像细节。 

【文章来源】：电子与信息学报. 2020,42(07)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

残差网络的基本结构

根据残差网络原理，本文搭建一种深度卷积网络体系实现医学超声图像去斑。将自适应融合框架与深度学习相结合，以提高模型学习能力。并结合批量标准化与残差学习，以提高模型的学习准确性和训练速度。根据残差学习策略，假设H(i)为含斑点的医学超声图像，F(i)为斑点噪声图像，i为去斑图像。利用残差学习，F(i)=H(i)-i找到最优的恒等映射的斑点噪声输出。具体流程如图2所示。根据文献[21]，本文设计的模型架构具有15层深度。通过最小化方程式中的损失函数进行训练，本文的损失函数定义如式(9)所示

为了检验本文方法的有效性，分别对模拟斑点超声图像和含有真实斑点噪声的超声图像进行大量的实验。实验在MATLAB R2016a编程环境中进行仿真。同时使用MatConvNet包[23]训练数据。MatConvNet是一个开源的MATLAB工具箱，用于计算机视觉和多媒体应用的卷积神经网络训练数据。由于医学超声图像开源训练样本集较少，本文筛选由医院临床超声影像科的西门子Simens超声诊断系统ACUSON SC2000收集的成像质量较高、抑噪理想的图像用作训练样本。将收集的图像裁剪为180×180像素大小。并通过旋转、反转、平移、裁剪等数据扩充方法，将训练样本大小设置为400幅图像。测试数据集为不包括在训练数据集中图像。

【参考文献】：
期刊论文
[1]改进的三维块匹配去噪算法[J]. 肖佳,张俊华,梅礼晔.  计算机科学. 2019(06)
[2]基于深度卷积神经网络的低剂量CT肺部去噪[J]. 吕晓琪,吴凉,谷宇,张明,李菁.  电子与信息学报. 2018(06)
[3]基于局部熵的量子衍生医学超声图像去斑[J]. 付晓薇,代芸,陈黎,田菁,丁胜.  电子与信息学报. 2015(03)
[4]医用超声图像散斑去噪方法综述[J]. 沈民奋,陈婷婷,张琼,李德来.  中国医疗器械信息. 2013(03)



本文编号：3278554