文摘

为了提高磁共振(MR)图像的分辨率和减少噪声的干扰,multifeature提取去噪算法提出了基于深残余网络。首先,构造特征提取层通过结合三个不同大小的卷积核,用于获得多个浅特性融合,增加网络的多尺度感知能力。然后,它结合了批规范化和残余学习技术来加速和优化网络,同时解决内部问题的协变量传递深度学习。最后,联合损失函数被定义为结合知觉丧失和传统的均方误差损失。训练网络时,它不仅可以在像素级相比,但也学会了在一个更高层次的语义特征来生成一个更清晰的目标图像。基于MATLAB仿真平台,TCGA-GBM CH-GBM数据集用于实验证明该算法。结果表明,设置图像大小的时候出现 亚当和优化算法,该算法的性能是最好的,和它的去噪效果明显好于其他比较算法。尤其是高强度噪音水平下,去噪的优势更加突出。

1。介绍

信息技术的迅速发展和计算机视觉,不同的数码影像技术不断出现。一个图像已经成为现代生活中最常见的信息传播载体。到目前为止,医学成像研究已经取得了一些进展和成就1]。例如,正电子发射断层扫描(PET)等方法,计算机断层扫描(CT)、磁共振成像(MRI)和功能性磁共振成像(FMRI)已被使用。他们已经成为主要的技术手段获取医学图像。他们已经成功地应用于临床医学诊断2]。这些成像技术可以丰富临床症状的解剖图像,可以更清楚地观察人体的各种病变。它有利于图像后处理,为临床研究提供了重要的参考。图像数字成像技术是基于计算机;收集、显示、存储和传输图像数字化图像信息;和每个部分单独优化。电子信息、计算机技术(3),和数字图像处理方法的基础上面的成像技术。使用成像技术能够有效地补充图像信息可以实现轻松获取医学图像信息的影响。它是通过图像诊断有助于临床医生制定治疗计划收购,以加速医学研究的快速发展,新的医疗技术4]。

在许多医学成像技术,核磁共振是一种高分辨率的医学成像技术对人体组织和器官。它可以形象的各个部分人体在多个角度和四面八方,可以获得相对完整的医学图像信息(5]。为一个完整的图像信息处理系统,它主要包括模块如信息采集、信息处理、信息传输和接收信息。然而,在这些链接,图片可能会污染Rician分布的随机噪声。这些声音降低图像的信噪比,这使得医生很难区分病变的细节和背景(6]。此外,嘈杂的图像将不仅影响到视觉效果,而且影响后续的图像分析,如图像分割、目标识别、边缘检测。因此,它是非常必要的去除图像中的噪声。由于缺少相关研究领域的去噪、图像的后处理是严重影响,成像的准确性和有效性降低。因此,图像去噪处理是特别重要的7]。

图像去噪算法能有效地滤除图像噪声,同时增强图像的有用信息(8]。而消除图像噪声,保留图像的细节尽可能多。图像细节信息选择性加强,镇压,和突出显示的图像的边缘,从而改善图像的视觉效果(9]。当传统的图像去噪方法过滤医学图像噪声,先生很容易失去图像的边缘信息,很难保存图片的详细信息,这是远未满足医学诊断的需要(10]。因此,人们迫切需要新的研究方法和手段来解决这个问题。

2。相关研究

图像去噪是图像处理领域的一个难题。为了获得一个清晰的形象,有效地去除图像生成的过程中引入的噪声,国内外许多研究人员做了大量的研究,提出了很多非常聪明的去噪算法。一些传统的图像去噪方法已经提出了很长一段时间和广泛使用。然而,大多数算法去噪时必然会破坏原来的有用的信息。和许多算法需要改进去噪性能和模型的复杂性11]。如何剔除噪声,实现良好的去噪效果即使在高强度噪声的研究带来了新的挑战现有的去噪算法。医学核磁共振去噪算法,更常见的是传统的图像去噪算法,dual-domain滤波图像去噪算法,和深度学习图像去噪算法12]。

根据传统的去噪图像去噪算法在不同的领域,这些方法分为空间域和变换域图像去噪算法。在空间域的图像去噪算法,常用的空间域滤波方法主要包括均值滤波,中值滤波,维纳滤波(13]。均值滤波器是一个线性平滑滤波器,可以有效地处理图像的加性高斯白噪声。在文献[14),提出了一种有效的图像去噪方法受到椒盐噪声的图像。修改后的均值滤波(MMF)用于恢复图像的处理值。严重的噪音损害,噪声像素值的加权平均值取代MMF和。受损像素的变化可以最小化凸优化,和两个模糊系统是用于确定的重量平均价值实现去噪。均值滤波器相当于一个低通滤波器。虽然操作简单,计算速度快,均值滤波器将失去在去噪过程中细节,使图像模糊的(15]。中值滤波是一种非线性处理技术用于分析时间序列和后来被用来去除椒盐噪声。维纳滤波可以更好地过滤掉盐和胡椒噪声通过图像的局部统计特性根据最小均方误差。在文献[16),提出了一种改进的维纳滤波方法消除干扰的卫星图像。不同的噪音和过滤技术进行了研究,结果表明,该滤波器的去噪效果取决于图像中出现的噪声的类型。与现有的线性和非线性滤波方法相比,提出的改进的维纳滤波器的性能在大多数噪声模型相对更好。但维纳滤波器需要原始信号和噪声的频谱信息,和它只能实现好的结果足够平滑信号时(17]。空间域去噪算法直接对图像的像素执行相应的处理。根据类型的过滤器,它可以分为线性滤波器和非线性滤波器。图像通常有这样一个属性:在任何位置的像素值在图像中的像素值密切相关邻域像素的位置,如空间相关或相似的像素值(18]。

变换域图像去噪算法,图像首先转化为其他领域,然后,系数是在变换域处理的属性。最后,使用逆变换重构系数获得(去噪图像19]。有很多方法将图像从空间域变换域,如傅里叶变换、余弦变换,Walsh-Hadamard变换。其中最常用的是小波变换。小波域空间自适应冷杉维纳滤波方法(20.在每个规模)只执行维纳滤波。虽然它可以快速去除噪声,处理不同类型的噪声需要加强(21]。

除了传统的空间和频率域图像去噪算法,文献[22]提出dual-domain图像去噪(公布优胜者)算法,使用的概念结合空间域和频域,结合双边过滤和短时傅里叶变换降噪图像分层次。算法去噪后的图像能更大程度上保留原始图像的细节,获得更好的视觉效果。公布优胜者算法将噪声图像划分为基础层和细节层分开处理,实现了图像细节增强具有良好的效果。因此,算法以来,它已广泛应用于图像去噪。然而,在多模图像的边界信息不能有效抑制消极的振铃效应,和细节保护需要改进23]。

近年来,深入学习算法迅速发展,和卷积神经网络(CNN)方法提出了使用一层初始化方法的训练过程中克服困难的问题。CNN已广泛应用于计算机视觉领域,对解决图像分类具有重要的影响,目标检测和图像识别问题(24]。与研究的需要,神经网络结构不断深化构建更高和更精确的深度学习网络。因为CNN可以直接输入原始图像,它简单易用,被学术界广泛认可,并已成功应用于图像去噪领域。文献[25]全面研究最先进的图像去噪方法采用CNN。提出了一种去噪前驱动的网络(PDNN)取消固定汇率水平高斯噪声。在bsd - 68和Set-12数据集,PDNN显示良好的去噪效果的PSNR。在某些情况下,神经网络与传统方法相结合可以达到更好的效果。例如,文献[26)使用神经网络强大的非线性拟合能力结合神经网络和小波的方法。使用神经网络来找到最优伽柏小波系数,和神经网络可以自适应地选择小波参数;的组合RBF网络和小波是训练有素的。这种方法有很好的声音信号检测领域的影响,和图像去噪的理论效果需要进一步实践验证。

因为图像常被噪音和污染变得模糊,图像通过上述算法仍有问题的模糊图像和不令人满意的效果。因此,multifeature提取算法基于残余深度网络提出了医学图像去噪先生。该方法的创新如下:(1)为了提高图像去噪算法的学习能力和减少模型的时间培训,multifeature提取技术的采用。三个不同大小不一的卷积核是用来从输入图像中提取特征,中心位置不变,同步获取更丰富的图像功能,达到更好的去噪效果(2)由于大量的层深的神经网络反向传播很容易导致梯度的消失,使培训效果差。该算法引入了剩余的学习和学习基于函数的图像噪声残差映射,从而实现图像去噪和加速和优化网络。尤其是高强度噪音水平下,去噪的优势更加突出

3所示。去噪的网络

3.1。Multifeature提取残余网络去噪框架

由于图像去噪是一个典型的恢复问题,提出了去噪网络模型使用一个完全卷积层网络,消除了池层在一个传统的网络。降维的功能和参数减少是通过学习剩余的映射。multifeature提取残余网络去噪框架如图1。

第一层使用多个特征提取层提取不同的特征信息和输入图像从图像空间映射到特征空间。之后,一系列的残余部队串联连接,形成一个链结构,然后剩余的图像仅包含噪声产生的信息最后卷积层重建。最后,最终的去噪结果计算全球跳过连接。损失函数的培训、联合损失函数相结合的传统和知觉损失均方误差的损失。知觉损失由pretrained定义和计算网络(27]。

3.2。剩余的学习

为广大卷积神经网络、图像去噪问题采用学习清廉形象的方式。图像网络计算的结果与标准图像相比,成本函数最小化这个错误。公式如下: 在哪里代表的标准形象,代表了图像在网络计算和代表图像的数量。为整个网络,通过学习获得的成本函数是由噪声图像 。

对整个模型,剩余的学习是一个非常重要的技术。许多网络模型预测没有污染的清廉形象通过学习映射函数(28]。剩余的学习,它是基于 函数映射学习图像噪声残留,然后实现图像去噪。最后,通过使用预计残值和估计噪声残值卷积计算的网络,得到了均方误差,获得整个网络的成本函数。公式如下: 在哪里代表了参数和训练代表了图像块划分为整个输入图像。在网络模型中,这剩余选择学习策略,因为它更容易被卷积神经网络优化,可以很好地应用于网络。深层网络面临许多困难,他们通常是非常困难的训练。主要反映在层数增加时,落后的传播容易导致梯度消失,使培训结果很差。这深神经网络结构中的残余网络解决了这个问题,所以网络非常深,梯度不会消失。当噪音水平相对较低,功能映射 学习的干净的图像比特性接近最初的身份映射地图 剩余的学习。它相当于映射关系 深度网络训练时,这将使梯度更容易消失。因此,剩余培训将更有利于深的加速和优化网络。

3.3。批正常化

批正常化(BN)是一种自适应重参数方法,主要是用来解决内部问题的协变量(ICS)在深度学习的转变。模型如图2。

BN模型选择输入,因为整个大约是相同的分布,和获得了作为一个整体投入批量训练神经网络。这批处理方法非常有利于深入学习,使该模型简单,和解决困难问题的训练后的网络层数变得更深。

ICS的问题出现在深网络培训、条件概率是一致的,边际概率是不一致的。对所有 ,条件概率之间的关系和边际概率是

之前的输入向量神经元,应该注意的是,这里不仅指的是输入的输入层,还指的是网络中任何输入层或隐藏层。也可以理解为一个小批量激活函数的某层需要标准化。翻译和规模,这样的分布成为一个标准的规范化在固定时间间隔分布。一般改变框架,如下: 在哪里是翻译参数,比例因子,重译参数,是重新调节参数。通过缩放和平移变换和 ,我们得到以下结果:

满足标准获得的数据分布均值为0,方差为1。用公式(5)到公式(4),更容易得到进一步的转换:

最后,一个分布满足的意思和方差是获得。

这对单个神经元BN的正常化。训练网络时,火车一个小批总体数据,然后计算神经元的均值和方差作为 在哪里是小批量的大小是一个非常小的积极价值。

3.4。多个特征提取

在神经网络模型中,通常在第一层连接,多个相同的卷积核通常用于提取浅的特征图像。有更多的常用的卷积核,如 , , , ,和 。这些卷积内核都是奇怪的卷积核,因为这种卷积内核有一个共同特征。他们都有一个中心点,偶数卷积内核没有这个属性。在浅特征提取,通常更大的卷积内核可以学到丰富的特征信息。但成本是一旦卷积内核增加时,它将影响深层网络的训练效率和速度29日]。

该算法集成了几个大小不一的卷积核,及其原理如图3。使用multifeature扫描输入图像块提取技术。因为不同的卷积核可以与不同的信息,提取图像特征的一个最大的卷积内核用作移动参考同步运动。通过这种方式,将获得各种不同的特征信息,这个输出的大小也是一样的。在第一层,该特性信息连接在系列。因为获得更多的特征信息,这multifeature萃取技术大大提高了训练速度模型在实际训练,大大提高了模型的收敛速度。

在网络的第一层,三个大小不一的卷积核, , ,和 ,和这三个卷积核的数量是12日20日分别和32。顺序,因为增加数量 卷积内核可以学习相对丰富的特性。总共有64卷积三个不同大小的内核。的三个卷积核 , ,和 用于扫描向右滑步的7的中心位置是叠加的。根据这一规则,三个映射特性映射具有相同的大小应该获得(30.]。该算法通过第一层,获得64相同大小的特征图谱。在一级特征提取,这样的设计可以提取多个特征提取更丰富的图像特征,从而大大提高了网络的收敛速度和训练速度模型。

3.5。激活函数

目前,大多数深层神经网络使用修正的线性单元(ReLU)激活函数加快网络的收敛。ReLU激活函数不是对称函数,和序列的平均响应ReLU将小于0。此外,即使输入或体重遵循对称分布,响应分布仍是不对称的。这些属性将直接影响网络的收敛性和性能。因此,一种改进的激活函数参数线性单元(PReLU)整流器。PReLU函数定义如下:

在哪里是输入的非线性激活函数在th通道和控制消极的部分的斜率。当= 0时,它就变成了ReLU激活函数。

3.6。共同的损失

像素损失通常是作为损失函数,并输出图像之间的像素之间的差异和计算输入图像为最小化目标获得更高的信噪比指标。然而,输出图像使用比较的方法逐个像素的区别在于容易过度平滑和边缘模糊等问题。为了应对这个问题,目前有许多研究显示,比较语义特征的感知损失程度与图像质量被人眼显示了良好的一致性。更多的边缘纹理细节真实图像可以重建,从而提高像素的方法的一些问题。然而,简单地使用这个损失也可能导致问题,如轻微颜色工件由于像素空间不均匀覆盖。因此,通过结合两个损失获得更好的结果,联合损失提出了为 在哪里和 ,分别代表了均方误差(MSE)的函数逐像素比较和丢失的知觉特性的比较。

3.6.1。MSE损失函数

像素损失函数使用传统的MSE方法计算MSE的目标和预测目标。通过比较每个像素学习两者的区别,最优解。公式如下: 在哪里训练样本的总数,是噪声输入,是一个干净的真正的标签,然后呢是训练后获得的最优映射函数。

操作。知觉损失函数

实现感知损失需要有效地提取图像中丰富的和抽象的语义特征信息。pretrained分类网络视觉几何组(VGG)连接在系列损失网络提取所需的特征映射的定义 。网络确定损失后,损失比较学习方法可以输入输出真正的无噪声的品牌形象通过前端的初始处理multifeature提取残余网络到VGG网络。提取特征的图像卷积的两个从一个层次并计算语义特征之间的欧几里得距离的两个公式。公式如下: 在哪里是PReLU函数后卷积层在失去网络。它是用来提取特征图谱,利用丰富的边缘纹理特征和语义信息的比较。联合应用感知算法如图4。

联合感知损失,首先输入噪声的图像处理通过MSE VGG构建和训练网络损失。比较学习预测结果之间的差异和真正的标签从像素级地图。此时,网络已经完全消除了图像输出的噪声点,但是边缘信息是模糊31日]。模糊去噪的结果和标签是通过pretrained VGG。特征图的两个是来自特定的卷积后的激活函数层进行比较。减少知觉损失作为网络训练的培养目标,使输出图像包含更多的边缘信息功能。可以恢复最初模糊的区域在重建,获得更清晰和更清晰的图像边缘,并获得清晰图像去噪结果。

4所示。网络参数设置

在神经网络训练的过程中,有必要学习一组最优参数以减少损失函数的结果,所以需要添加合适的优化算法。到目前为止,常用的神经网络优化算法是梯度下降算法,用于发现的最小损失函数的参数。在培训过程中,误差逐渐减小和函数的局部最小值。区分损失函数来获得一个给定的点的梯度(32]。积极和消极的梯度值表示的价值的增加或减少损失函数。选择方向,减少了成本函数值,也就是说,负梯度方向,用更新的学习速率的参数计算,并更新参数。

单步的重量和偏见更新如下:

梯度下降算法的主要问题是,如果不合理地选择初始点的位置,网络很容易陷入局部最优,而且很难找到全局最优。此外,如果单步的步长过小,计算量太大,如果太大的迭代次数,步长可能太大跳过的最佳解决方案。和梯度下降算法不够快的数据量很大。因此,随机梯度下降法(SGD)算法用于计算梯度使用单一样本加快计算速度。然而,SGD方法使用个人代表整体变化趋势并不能确保每个迭代趋于全局最优的解决方案,也不能保证每个迭代将减少损失函数的结果。因此,一个自适应的时刻估计(亚当)优化算法来取代SGD算法(33]。SGD算法维护单一的学习速率,更新权重,在培训过程中保持学习速率不变。和亚当迭代更新计算一阶矩估计的神经网络权值和梯度的二阶矩估计。每个参数的自适应学习速率的计算方法是解决高强度噪声的问题或稀疏的梯度34]。亚当优化算法的基本步骤如下:

步骤1。假设是噪音目标函数,它是一个随机的标量函数可微的参数 。

步骤2。更新指数移动平均线和的平方梯度的梯度。移动平均线是估计使用一阶矩和二阶原始梯度的时刻,和步长合理地选择。

步骤3。初始化偏差修正项获得随机目标函数的梯度 。然后,使用的指数移动平均线和衰减率估计二阶最初的时刻。也就是说,消除 : 在哪里是指数衰减速率二次矩估计的,是时间步, 在时间步长梯度序列。为了了解期望值点球在时间步的指数移动平均线与真正的二次矩,这两个量之间的偏差修正,如下: 如果第二个时刻是静态的,然后 。

此外,对于参数设置在培训,网络的输入是随机裁剪 图像块的训练集图像。第一层的网络由多个大小的卷积核。其中,有12卷积核 ,20卷积核的 ,32卷积核的 ,共有64个频道。的卷积层剩余模块后,64的卷积核 统一使用。最后重建层使用卷积核的 ( 对于灰度图像, 彩色图像)。该算法优化回归目标使用亚当的方法,和动量参数是0.9。训练函数联合损失时,训练批大小小于18岁和4最初的学习速率是打败。每次学习速率减半 迭代。

在批处理使用规范化,充分对比实验是minibatch的设置参数。在对比实验中,minibatch大小设置为32,64年和128年,分别和模型收敛速度和最终的去噪效果实现这些参数下进行了比较。从实验结果发现,图像去噪的总体效果是最好的,当minibatch值是64。因此,去噪模型的训练过程中,价值的batch-normalized minibatch设置为64。

5。实验方案和结果讨论

为了评估算法,我们必须先有一个评价标准和做不同的实验不同的测试数据集,完全与其他优秀的图像去噪算法,最后得出结论。

5.1。实验数据集

因为使用深层残留网络算法需要大量的训练图像数据,选择的实验数据算法使用国际出版多形性胶质母细胞瘤(GBM)多通道图像数据集TCGA先生。其中,外国人口GBM实验测试库(TCGA-GBM)和中国人口GBM实验测试库(CH-GBM)成立。一些图像数据集的例子如图5。

在实验中,227个图像被随机选择从TCGA-GBM数据集,其中200被用作训练图像和剩下的27被用作测试图像。设置图像大小 和 。115图像被随机选中CH-GBM数据集,100被用作训练图像,其余15人作为测试图像。设置图像大小 和 。图像块大小设置为 ,和图像块步长是10。总共约86000培训可以获得图像块。然后,测试图像评估使用峰值信号噪声比(PSNR)和结构相似度(SSIM)指数。

在该算法中,训练集的大小是人为地增加了图像翻译和翻转等方法。因为在培训过程中,当数据量很小,这将导致模型overfit,所以,训练误差很小,测试误差很大。因此,过度拟合的出现可以有效地抑制成本函数后通过添加正则项。

5.2。去噪效果的评价标准

该算法主要使用两个客观评价指标:PSNR和SSIM。给定一个参考图像,它是由 ,和测试图像是由 。这两个图片的大小 ;然后,图像之间的PSNR值被定义为

当MSE趋于0,PSNR趋于无穷时的价值。这意味着更高的PSNR值,图像质量越好。PSNR值越小,两幅图像之间的差异就越大。

SSIM是一种高质量的评价模型,该模型考虑了亮度失真,图像的对比度失真和相关损失。它被定义为 在哪里 是亮度比较函数,用于计算的平均亮度的相似吗和的两个图像。当 , 最大值。 是对比比较函数。测量的对比两个图像的相似性。对比测量的标准偏差和 。只有当=那 有一个最大值为1。 是一个结构比较函数,用于表示之间的关系和像素的两个图像。之间的协方差和 ,和SSIM的值范围是[0,1]。的值为0意味着没有两幅图像之间的相关性,值为1时表示等于 。常量 , ,和是用来避免分母为零的现象。

5.3。网络分析的迭代算法

提出了网络训练迭代都是50。图像去噪时,学习速率太小会导致收敛速度慢,和长期缓慢特性学习将导致弱噪声参数更新过程,这将影响去噪图像的质量。然而,当学习速率很大,网络系统会不稳定。考虑全面,提出的网络模型的学习速率是0.01。MatConvNet工具包用于训练网络模型。因为每个模型的训练时间是不同的,该培训模式运行了两天平均在添加不同的声音时。

为了有效地获得图像的空间信息,15-layer网络设置,包括卷积层,激活函数,池层和BN层。条件下,实验的基本参数保持不变,两种优化算法的影响上的亚当和SGD去噪效果进行了研究。以7%添加图像噪声时,平均PSNR值测试图像去噪后的使用由亚当和SGD模型优化算法如图6。

从图可以看出6提出的网络模型使用亚当算法优化模型来消除噪声先生在医学图像比SGD算法优化模型。平均PSNR值增加了约1 dB,和去噪的结果是相对稳定的。当迭代的数量是20,平均PSNR值趋于稳定。因此,在提出的网络模型、优化算法使用亚当。

5.4。定性的比较去噪效果

为了比较医学图像大小先生的影响去噪效果,同一TCGA-GBM数据集大小的图片 和 在实验中选择。培训通过手动添加7%的嘈杂的图像去噪算法。最后,四个不同的图像被选为测试图像先生获得最终的去噪图像。图7显示了去噪后的平均PSNR值曲线测试两种不同尺寸的图片。

从图可以看出7图像训练模型不同的像素有一个相对较大的影响去噪效果。当训练模型与更大的像素,图像去噪图像的PSNR值明显高于与较小的像素的图像。当像素小,平均PSNR训练模型的去噪后图像相对较低,整个过程不稳定,收敛速度缓慢。当像素小,这相当于减少训练图像数据。这将导致过度拟合的模型,使训练误差小和测试误差较大。因此,当训练模型,选择一个更大的数据量将有助于改善算法的去噪性能。通过分析上述的影响选择网络参数对图像去噪性能,验证该算法的实验,选择训练图像和测试图像的大小 ,优化算法是亚当。

为了进一步直观地说明了算法的去噪效果和TCGA-GBM CH-GBM数据集,比较它与文献[14,20.,26]。结果如图8。

从图可以看出8与其他三种去噪算法相比,算法去噪后的图像的更彻底和边缘保护效果更好。相比之下,图像去噪的算法在文献[14,20.显然有一些残留噪声,噪声去除不是很彻底。在文献[14去噪后的图像边缘模糊,使用改进的MMF算法比较大。特别是模糊残余噪声可以清楚地看到大脑的边缘图像。原始图像的平滑部分,去噪后的图像变得不平滑的,和模糊噪声块不同程度出现。然而,在文献[20.),自适应冷杉算法降噪两次,去噪图像和过滤的现象就会出现。但Rician噪音先生在医学图像去噪图像产生模糊,这使得图像噪声去除不完整。主要表现是有噪声图像的边缘点,但这是改进改进MMF算法相比。在文献[26),结合神经网络和小波方法,显著提高去噪后的图像与前两种方法。然而,该方法消除了图像的细节,特别是大脑的轮廓区域形象,和过度过滤现象的发生,从而失去有用的信息细节。该算法有较好的去除噪声影响先生在医学图像,避免了不完整的前两种去噪方法的去噪问题,而且还可以减少oversmoothing。与三个比较算法相比,它有一个更好的整体影响噪声去除。

5.5。定量的比较去噪效果

针对先生医学图像的去噪问题,分析不同的去噪算法的去噪效果明显。该算法和算法在文献[14,20.,26)是定量评价两个指标:平均PSNR和SSIM。其中,四种去噪算法去噪后的平均SSIM先生医学图像具有不同噪声强度如表所示1。

从表可以看出1,该算法的SSIM价值显著高于算法(14,20.),和去噪效果与主观的观察结果是一致的。比较该算法的算法(26),都有改善。特别是当噪声强度相对较弱,该算法的SSIM价值已经大大提高,展示一个非常明显的优势。因此,有用的信息的比例在该算法的去噪图像更接近于原始无噪声的图像。当添加1%的噪音,SSIM去噪后可以达到0.9941。与其他算法相比,该值提高,并得到更满意的结果,减少信息损失。

在TCGA-GBM CH-GBM数据集,该算法对不同的噪声水平,是定量与算法的图像去噪效果[先生14,20.,26]。获得的平均PSNR和SSIM曲线如图9和10。

从数据可以看出9(一个)和10 ()不同噪声强度下,平均使用该算法去噪后图像的PSNR值明显高于其他去噪图像的处理算法。去噪的图像噪点弱时,该算法的平均PSNR和其他对比算法相对较小。在强噪声去噪的情况下,平均PSNR截然不同,这表明该算法具有更好的影响消除强噪声图像先生。有很高的相似性去噪图像的原始无噪声图像。

与此同时,它可以从数据9 (b)和10 (b)四种去噪算法几乎没有差异图像去噪后的平均SSIM噪声强度弱。当噪声强度高时,该算法去噪后的平均SSIM显示了明显的优势。的结构相似性,它更接近于原始图像。

总之,该算法比其他三个先生在去噪模拟医学图像去噪算法。特别是在强烈的噪音,它可以有效地去除噪声的模拟医学先生的形象。

6。结论

目前,医学图像信息可以通过多种技术手段,其中MRI是一种相对常见的医学图像采集技术。先生将由随机噪声干扰图像在采集过程中,这样可以减少图像的有用信息。降低成像的准确性和有效性将直接影响临床医生的正确诊断和治疗。因此,基于multifeature先生去噪算法的医学图像提取基于深残余网络提出了。特征提取层由三个大小不一的卷积核相结合获得多个浅特性融合并结合批量标准化和剩余技术加速和优化深度网络学习。此外,联合损失函数被定义为结合知觉丧失和传统的均方误差损失来生成一个更清晰的目标图像。基于MATLAB仿真平台,TCGA-GBM CH-GBM数据集用于实验证明该算法。结果表明,该算法的性能是最好的图像大小设置的时候出现 和亚当选择优化算法。和PSNR和SSIM的两个索引算法明显高于其他比较算法。随着噪声的增加,之间的差异值变大,这表明,适用于加工高强度噪声,图像。

不管它是否在分类或去噪深层残留学习,深层网络的参数调整一直是一个关键步骤,它是更加困难。因此,进一步的研究是必要的。此外,深残余网络可以实现更好的结果当训练数据量大。但当数据量很小,需要改进的去噪效果。同时,慢的数据量很大,这是比传统的算法。因此,需要进一步提高网络的训练速度,同时保证去噪的效果。

数据可用性

本文中包含的数据是可用的,没有任何限制。

的利益冲突

作者宣称他们没有利益冲突的报告对于本研究。

确认

这项工作是支持的指导项目的湖北省教育部门(No.B2018251)和湖北理工大学教学改革研究项目(No.2018C19)。