基于CNN的显微光学切片断层成像图像去噪方法研究

发布时间：2020-05-27 05:03

【摘要】：在脑科学研究中,神经元解剖学结构至关重要。传统的生物医学成像系统,在获取神经元结构方面,无法在实现大范围的高分辨成像的同时满足构建精细的神经环路的研究需求。显微光学切片断层成像系统拥有提供全脑三维高分辨数据集的能力,进而解决了这一难题。然而,受到成像环境和成像传感器状态的影响,显微光学切片断层成像图像数据在鼠脑轮廓区域内不可避免的存在图像噪声。此外,受到样本包埋剂的影响,显微光学切片断层成像图像数据在鼠脑轮廓区域外同样存在噪声。图像噪声的存在会干扰微弱的神经纤维信号的识别,进而阻碍神经科学相关研究的进行。传统的图像去噪方法,对于显微光学切片断层成像图像数据而言,无法在实现高效的去除噪声的同时,保留微弱的有效信号。相较于只能提取预定义的低层次图像特征的传统方法,卷积神经网络作为一种有监督的学习方法,能直接从图像数据中自发地学习深层次的图像特征,也因此具有更强的图像特征提取能力并在图像处理中得到广泛的应用并取得了不错的效果。本文针对显微光学切片断层成像图像数据中存在的图像噪声,设计了一套图像去噪方法。根据噪声所处位置,显微光学切片断层成像图像数据中的噪声可以分为鼠脑轮廓区域之外的噪声和鼠脑轮廓区域之内的噪声。对于存在于鼠脑轮廓之内的噪声,使用U-Net模型,以实现对处于鼠脑轮廓之内的噪声的去除。所设计的U-Net模型使用残差单元,将神经网络对图像特征的学习变为对噪声特征的学习。对照数据集和训练数据集的制作方面,使用噪声模型叠加自然图像的方式人工合成图像,解决了去噪研究中无法获得无噪声对照图像生成的问题以及卷积神经网络模型的训练集生成问题。对于存在于鼠脑轮廓之外的噪声,设计了一个拥有局部图像特征提取能力的神经网络,实现对鼠脑轮廓的分割,以去除鼠脑轮廓之外的噪声。综上,本文设计了一套用于显微光学切片断层成像图像数据的图像去噪方法。所设计的方法能够在高效去除图像噪声的同时,保留图像数据中微弱的有效信号,相比较传统图像去噪方法具有更好的去噪结果和信号保留能力。该方法有望推广到其他类型的生物医学图像数据的相关应用之中。
【图文】：

去除方法,图像数据,噪声,图像去噪

图2.1 MOST图像数据噪声的分类及相应的去除方法。Figure 2.1 The classification of the noise in MOST image data and the corresponding removamethod..2 脑轮廓内去噪方法选择对于位于脑轮廓内的噪声，，由于图像噪声和有效信号重叠在一起，无法通过图割直接将噪声部分去除。因此，需要选择合适的图像去噪方法。表2.1 不同图像去噪方法对比。Table 1.1 Comparison of different image segmentation methods.方法去噪能力适用噪声计算效率均值滤波弱所有噪声高高斯滤波弱高斯噪声高中值滤波弱椒盐噪声高

二维图像,噪声图像,均方差

15华中科技大学硕士学位论文图2.3 具有相同均方差的不同含噪声图像。Figure 2.3 Different noisy images with the same mean square error.基于结构相似度的评价方法的思想是将相似性测量任务分为亮度、对比度和结构这三个方面的比较，这三个组成部分的计算相互独立。对于结构相似度，首先计算出图像在x轴方向和y轴方向上图像的平均亮度值μx和μy，随后通过μx和μy计算出亮度比较函数l(x,y)，其数学表达式如式(2-4)所示。其中，C1为一个常数，其作用是为了避免出现μx和μy同时趋近于零而导致亮度比较函数出现的不稳定情况。 ( , ) =2 1 2 2 1(2-4)如果把二维图像看作一个二维信号，那么可以使用分别计算x轴和y轴方向像素的无偏估计作为图像在x轴方向和y轴方向上的像素对比度σx和σy。随后，通过σx和σy计算出对比度函数c(x,y)
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R318;TP391.41

【相似文献】