針對傳統(tǒng)醫(yī)學(xué)超聲圖像去斑方法的不足,該文提出一種自適應(yīng)多曝光融合框架和前饋卷積神經(jīng)網(wǎng)絡(luò)模型圖像去斑方法。首先,制作超聲圖像訓(xùn)練數(shù)據(jù)集;然后,提出一種自適應(yīng)增強(qiáng)因子的多曝光融合框架,增強(qiáng)圖像進(jìn)行有效特征提取;最后,通過網(wǎng)絡(luò)訓(xùn)練去斑模型并獲得去斑后的圖像。實(shí)驗(yàn)結(jié)果表明,該文較已有的方法,能更有效地濾除醫(yī)學(xué)超聲圖像中的斑點(diǎn)噪聲并更多的保留圖像細(xì)節(jié)。 

【文章來源】：電子與信息學(xué)報(bào). 2020,42(07)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

殘差網(wǎng)絡(luò)的基本結(jié)構(gòu)

根據(jù)殘差網(wǎng)絡(luò)原理，本文搭建一種深度卷積網(wǎng)絡(luò)體系實(shí)現(xiàn)醫(yī)學(xué)超聲圖像去斑。將自適應(yīng)融合框架與深度學(xué)習(xí)相結(jié)合，以提高模型學(xué)習(xí)能力。并結(jié)合批量標(biāo)準(zhǔn)化與殘差學(xué)習(xí)，以提高模型的學(xué)習(xí)準(zhǔn)確性和訓(xùn)練速度。根據(jù)殘差學(xué)習(xí)策略，假設(shè)H(i)為含斑點(diǎn)的醫(yī)學(xué)超聲圖像，F(xiàn)(i)為斑點(diǎn)噪聲圖像，i為去斑圖像。利用殘差學(xué)習(xí)，F(xiàn)(i)=H(i)-i找到最優(yōu)的恒等映射的斑點(diǎn)噪聲輸出。具體流程如圖2所示。根據(jù)文獻(xiàn)[21]，本文設(shè)計(jì)的模型架構(gòu)具有15層深度。通過最小化方程式中的損失函數(shù)進(jìn)行訓(xùn)練，本文的損失函數(shù)定義如式(9)所示

為了檢驗(yàn)本文方法的有效性，分別對模擬斑點(diǎn)超聲圖像和含有真實(shí)斑點(diǎn)噪聲的超聲圖像進(jìn)行大量的實(shí)驗(yàn)。實(shí)驗(yàn)在MATLAB R2016a編程環(huán)境中進(jìn)行仿真。同時(shí)使用MatConvNet包[23]訓(xùn)練數(shù)據(jù)。MatConvNet是一個(gè)開源的MATLAB工具箱，用于計(jì)算機(jī)視覺和多媒體應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)。由于醫(yī)學(xué)超聲圖像開源訓(xùn)練樣本集較少，本文篩選由醫(yī)院臨床超聲影像科的西門子Simens超聲診斷系統(tǒng)ACUSON SC2000收集的成像質(zhì)量較高、抑噪理想的圖像用作訓(xùn)練樣本。將收集的圖像裁剪為180×180像素大小。并通過旋轉(zhuǎn)、反轉(zhuǎn)、平移、裁剪等數(shù)據(jù)擴(kuò)充方法，將訓(xùn)練樣本大小設(shè)置為400幅圖像。測試數(shù)據(jù)集為不包括在訓(xùn)練數(shù)據(jù)集中圖像。

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)的三維塊匹配去噪算法[J]. 肖佳,張俊華,梅禮曄.  計(jì)算機(jī)科學(xué). 2019(06)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的低劑量CT肺部去噪[J]. 呂曉琪,吳涼,谷宇,張明,李菁.  電子與信息學(xué)報(bào). 2018(06)
[3]基于局部熵的量子衍生醫(yī)學(xué)超聲圖像去斑[J]. 付曉薇,代蕓,陳黎,田菁,丁勝.  電子與信息學(xué)報(bào). 2015(03)
[4]醫(yī)用超聲圖像散斑去噪方法綜述[J]. 沈民奮,陳婷婷,張瓊,李德來.  中國醫(yī)療器械信息. 2013(03)



本文編號：3278554