一种数据降噪方法及系统与流程

本发明涉及医疗技术领域，特别涉及一种数据降噪方法及系统。

背景技术：

近年来，神经网络模型在语音和图像的识别、分析和合成领域获得了许多成就。神经网络模型的训练方式是通过向它输入大量的训练样本，然后逐渐对网络参数进行调整，直至它能够反馈出令人满意的结果。

医学图像由于采集源及探测器参数和环境等因素往往会受到噪声的干扰。例如，医学图像中通常存在大量的高斯噪声和/或椒盐噪声，这些噪声可能会给器官病变区域的识别和划分造成影响，进一步影响医生的诊断，容易导致诊断结果的不准确或遗漏。

数据降噪的方法多种多样，比如均值滤波、中值滤波、低通滤波，以及近些年逐渐成熟的小波变换和全变分(tv)等方法。不管哪种方法，降噪的关键在于获得噪声分布，将信号按照不同特征进行分解，找到噪声的特征并进行抑制。信号的分解和噪声特征的提取往往涉及到复杂的数学运算，也决定了噪声抑制的效果。

传统的降噪处理需要依赖专人经验、耗费大量时间和精力，也容易出现降噪水平不稳定的问题。基于神经网络模型对医学图像进行降噪，可以通过对大量数据样本的学习构建出合适的学习网络模型，提取相应降噪参数，从而快速准确地完成医学图像的降噪处理。

技术实现要素：

针对现有技术在医学影像系统降噪处理中依赖专人经验、耗费大量时间和精力以及容易出现降噪水平不稳定的情况，本发明所要解决的问题是：利用神经网络模型得到投影数据的噪声估计，进而抑制投影数据中的噪声，提高信噪比。此外，基于神经网络模型的投影数据降噪方法，可以降低降噪难度、提高分析效率、形成标准化处理。

为达到上述发明目的，本发明提供的技术方案如下：

一种数据降噪方法，所述方法包括：

获取待降噪的投影数据；

获取第一模型，所述第一模型为训练后的神经网络模型；

基于所述第一模型获取所述待降噪的投影数据的降噪参数；

基于所述降噪参数对所述待降噪的投影数据进行降噪处理。

在本发明中，基于训练用数据对神经网络模型进行训练，获取所述训练后的神经网络模型。

在本发明中，所述训练用数据包括训练用投影数据，所述训练用投影数据为已知噪声分布的投影数据。

在本发明中，所述训练用投影数据通过低噪声投影数据加上已知分布的模拟噪声数据得到。

在本发明中，所述降噪参数是构造频域滤波器所需的噪声的频谱分布。

在本发明中，所述噪声的频谱分布包括截止频率和带宽。

在本发明中，所述降噪参数是对数据或信号进行多层小波分解时，每一层对应的高频系数的阈值。

在本发明中，所述降噪参数是最小化数据的全变分所需的正则项系数。

在本发明中，一种数据降噪系统，包括：

一种计算机可读的存储媒介，被配置为存储可执行模块，包括：

投影数据获取模块，用来获取待降噪的投影数据；

降噪参数获取模块，用来获取第一模型，并基于所述第一模型获取所述待降噪的投影数据的降噪参数，所述第一模型为训练后的神经网络模型；

降噪处理模块，用来基于所述降噪参数对所述待降噪的投影数据进行降噪处理。

在本发明中，所述数据降噪系统，进一步包括：

训练数据获取模块，用来获取训练用数据；

模型训练模块，用来构建神经网络模型，并基于所述训练用数据对所述神经网络模型进行训练，获取所述第一模型。

与现有技术相比，本发明的有益效果表现如下：

一、针对医学影像系统降噪处理的逻辑复杂、依赖专人经验、耗费时间和精力、容易出现降噪水平不稳定的问题，采用自动化的神经网络模型训练方法，将噪声特征的提取通过神经网络算法来实现，通过神经网络模型算法的训练，可以精确的获得噪声的特征，从而实现较好的投影数据噪声抑制。

二、从大量数据样本中学习噪声特征和降噪参数特征，是一种普适的方法，可以用于各种投影数据降噪，简化噪声特征的提取并提供更准确的结果。

附图说明

图1是本发明的用于医学影像系统的应用场景图；

图2是本发明的用于医学影像系统的服务器的模块图；

图3是本发明的用于医学影像系统的降噪处理平台的模块图；

图4是本发明的训练神经网络模型的流程示例图；

图5是本发明的投影数据降噪方法的流程示例图；

图6是本发明的神经网络的一个结构示意图；

图7是本发明的神经网络的另一个结构示意图；

图8是本发明的神经网络的另一个结构示意图；

图1标记：100为医学影像系统，110为影像设备，120为服务器，130为投影数据训练库，140为网络，150为降噪处理平台；

图2标记：210为训练数据获取单元，220为模型训练单元；

图3标记：310为投影数据获取单元，320为降噪参数获取单元，330为降噪处理单元；

图6标记：610为输入端，620为节点，630为输出端；

图7标记：710为输入端，720为节点，730为输出端；

图8标记：810为输入端，820为节点，830为输出端。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图和实施例对本发明的具体实施方式做详细的说明。

为了完整地了解本发明，请参考图1，表示本发明以较佳实施方式的用于医学影像系统的应用场景图。医学影像系统100包括但不限于影像设备110、服务器120、投影数据训练库130、网络140和降噪处理平台150。

影像设备110是用来获取影像的医学影像采集系统，其包括但不限于至少一个数字化成像设备。例如，数字化成像设备可以是计算x线摄影仪(cr)、数字化x线摄影仪(dr)、计算机断层扫描仪(ct)、核磁共振成像扫描仪(mri)、数字减影血管造影扫描仪(dsa)、发射型计算机断层扫描仪(ect)中的一种或多种，或其他类似的成像设备。影像设备110可以通过网络140与服务器120进行通讯，将其获得的影像数据存储在服务器120以便用户进行查阅和分析。可选地，影像设备110也可以与降噪处理平台150进行直接通讯，降噪处理平台150可以访问影像设备110的投影数据，对投影数据进行降噪处理。所述投影数据可以用于生成医学图像。

服务器120是用来存储和处理数据的影像存储管理系统。可选的，服务器120包括训练数据获取单元210和模型训练单元220。服务器120通过网络140与影像设备110、投影数据训练库130、降噪处理平台150进行数据传输，既可以存储和处理影像设备110和投影数据训练库130产生的数据，也可以存储降噪处理平台150产生的数据。投影数据训练库130中的训练用投影数据通过网络140发送至服务器120时，服务器120可以利用训练用投影数据对神经网络模型进行训练和测试，还可以将训练和测试中的产生的中间结果和/或最终结果存储在服务器120中。

训练用投影数据可以用于生成医学图像，该投影数据可以包括带噪声的投影数据和数据标签。噪声是指在数据采集过程和/或数据传输过程中周围各种干扰对数据产生的影响。例如，在ct系统中，相同条件下球管电流的下降会导致投影数据的信噪比的下降。噪声可以与时间信号相关，例如不同时间点的电磁干扰是一种噪声。噪声也可以与空间信息相关，例如在某一探测角度时，由于不同通道的探测器由于探测角度相对不同，因此采集到的投影数据具有一定的空间分布规律，从而使投影数据的噪声具有空间分布规律。噪声可以是高斯噪声、白噪声、椒盐噪声等一种或多种的组合。数据标签可以是所述投影数据的噪声分布的频谱参数、小波分解的阈值、全变分算法的正则项系数等一种或多种的组合。影像设备110中部分或全部投影数据通过网络120发送至服务器120时，服务器120可以对投影数据进行降噪处理，还可以将降噪处理完的数据存储在服务器120中，或通过网络140发送至影像设备110。

投影数据训练库130，用来提供用于训练神经网络模型的训练用投影数据。投影数据训练库130可以通过网络140与影像设备110、服务器120进行直接或间接通讯。可选地，服务器可以访问投影数据训练库130的训练用投影数据，以用于训练神经网络模型。投影数据训练库130包含训练用投影数据的噪声分布信息。该训练用投影数据可以是低噪声投影数据加上已知分布的模拟噪声数据。因此，可以将训练用投影数据看成是带噪声的投影数据，并且，投影数据训练库130或其他外部设备可以根据已知分布的模拟噪声数据计算出该投影数据的数据标签。投影数据训练库130包括训练用投影数据的数据标签。该训练用投影数据可以用于生成头部的医学图像、颈部的医学图像、胸腹部的医学图像等一种或多种的组合。基于训练用投影数据对神经网络模型进行训练，所述训练用投影数据可以用于生成人体不同部位的医学图像，可以增强模型的普适性，有利于实现对用于生成人体不同部位的医学图像的投影数据的降噪处理。

降噪处理平台150可以用来读取并分析医学影像系统100中的待降噪的投影数据。可选地，降噪处理平台150包括投影数据获取单元310、降噪参数获取单元320和降噪处理单元330。降噪处理平台150既可以自动访问医学影像系统100中待处理设备或系统(例如影像设备110和/或服务器120)中的投影数据，也可以通过用户手动加载某一待处理设备或系统的投影数据到所述分析平台150。

图2为用于医学影像系统的服务器的模块图。

训练数据获取单元210可以获取投影数据训练库130中的训练用投影数据和相应的数据标签。

模型训练单元220可以基于投影数据训练库130中的训练用投影数据和数据标签对神经网络模型进行训练。训练过程中，模型训练单元220根据损失函数不断调整模型参数的值，当损失函数达到最小时，获取第一模型。所述模型参数可以是神经元的参数，包括可学习的权重和偏置常量。权重用于衡量两个神经元中靠近输入层的神经元对远离输入层的神经元的影响，偏置常量是初始化随机生成的，避免神经元输出恒为零。

图3为本发明的用于医学影像系统的降噪处理平台的模块图。

投影数据获取单元310可以获取影像设备110和/或服务器120的待降噪投影数据。在一些实施例中，投影数据是指来自于检测设备或系统的未经处理的数据，该数据包含噪声。投影数据获取单元310通过访问待检测设备，提取待降噪投影数据。

降噪参数获取单元320可以用来分析上述投影数据获取单元310所获取到的待降噪投影数据。可选的，该待降噪投影数据可以用于生成头部的医学图像。可选的，该待降噪投影数据可以用于生成颈部的医学图像。可选的，该待降噪投影数据可以用于生成胸腹部的医学图像。可选的，该待降噪投影数据可以用于生成四肢的医学图像。

降噪参数获取单元320可以基于第一模型提取待降噪投影数据的降噪参数，所述待降噪投影数据可以来自影像设备110和/或服务器120。降噪参数是指在降噪处理过程中所需要用到的参数。例如，当在降噪处理单元330使用低通滤波器对待降噪投影数据进行降噪处理时，所述降噪参数是指待降噪投影数据的噪声分布的频谱参数。频谱参数可以包括截止频率和带宽。又例如，当在降噪处理单元330使用小波分解算法对待降噪投影数据进行降噪处理时，所述降噪参数是指待降噪投影数据的噪声分布的小波阈值。再例如，当在降噪处理单元330使用全变分算法对待降噪投影数据进行降噪处理时，所述降噪参数是指待降噪投影数据的噪声分布的正则项系数。

降噪处理单元330可以基于降噪参数获取单元320获取的降噪参数对相应的待降噪投影数据进行降噪处理。在一些实施例中，降噪处理可以通过利用均值滤波器对待降噪投影数据进行滤波来实现。在一些实施例中，降噪处理可以通过利用低通滤波器对待降噪投影数据进行滤波来实现。在一些实施例中，降噪处理可以通过利用自适应维纳滤波器对待降噪投影数据进行滤波来实现。在一些实施例中，降噪处理可以通过对待降噪投影数据进行小波分解来实现。在一些实施例中，降噪处理可以通过对待降噪投影数据进行全变分去噪来实现。

图4为本发明的训练神经网络模型的流程示例图。

在步骤410，训练数据获取单元210可以获取投影数据训练库130中的训练用投影数据。

在步骤420，模型训练单元220可以基于训练用投影数据对神经网络模型进行训练。

训练是指从投影数据训练库130中抽取训练用投影数据作为训练样本输入神经网络模型，训练的目的是让神经网络模型的损失函数达到最小值，即使输出结果尽量接近期望输出值。本发明披露中，每个训练样本可以有一个期望输出值。该期望输出值可以来自于数据标签。期望输出值指的是与训练用投影数据噪声分布相关的一个或多个参数。在一些实施例中，损失函数可以是min‖{xi}-{xi}0‖。其中，其中{xi}0是训练用投影数据的期望输出值，{xi}为当前模型输出值。在一些实施例中，{xi}和{xi}0可以用向量表示，例如，{xi}可以表示为[x1,x2,…xn]，{xi}0可以表示为[x01,x02,…x0n]，其中x1可以是当前模型输出的低通滤波器的截止频率，或者小波分解的第一层的阈值，或者全变分算法的第一正则项系数，x01可以是表示低通滤波器的截止频率，或者小波分解的第一层的阈值，或者全变分算法的第一正则项系数的数据标签。min‖{xi}-{xi}0‖表示求取{xi}-{xi}0的l2范数的最小值。‖{xi}-{xi}0‖表示{xi}和{xi}0的差值。在一些实施例中，‖{xi}-{xi}0‖可以由以下公式给出：

例如，当在降噪处理单元330使用低通滤波器对投影数据进行降噪处理时，输入模型训练单元220的期望输出值是指训练用投影数据的噪声分布的频谱参数，所述损失函数为所述训练用投影数据的噪声分布对应频谱与训练后的模型的输出值的差值，训练的目的是获取min‖{fi}-{fi}0‖，其中{fi}0是训练用投影数据的期望输出值，{fi}为当前模型输出值，即基于当前模型得出的训练用投影数据的噪声频谱参数。

又例如，当在降噪处理单元330使用小波分解算法对投影数据进行降噪处理时，输入模型训练单元220的期望输出值是指训练用投影数据的噪声分布的小波阈值，损失函数为所述训练用投影数据的噪声分布对应的小波阈值与训练后的模型的输出值的差值，训练的目的是获取min‖{thi}-{thi}0‖，其中{thi}0是训练用投影数据的期望输出值，{thi}为当前模型输出值，即基于当前模型得出的训练用投影数据的小波阈值。

再例如，当在降噪处理单元330使用全变分算法对投影数据进行降噪处理时，输入模型训练单元220的期望输出值是指训练用投影数据的噪声分布的正则项系数，损失函数为训练用投影数据的噪声分布对应的正则项参数与训练后的模型的输出值的差值，训练的目的是获取min‖{coefi}-{coefi}0‖，其中{coefi}0是训练用投影数据的期望输出值，{coefi}为当前模型输出值，即基于当前模型得出的训练用投影数据的正则项系数。

训练过程中，模型训练单元220根据损失函数的值不断调节模型参数，直到损失函数达到最小值。在一些实施例中，训练时，模型训练单元220可以通过在损失函数中加入惩罚项加速模型的收敛，减少过拟合现象。过拟合是指训练好的模型获取了过多细节特征，包括某些非共同特征，导致模型在训练数据识别上表现良好，但在实际使用中却表现不佳。惩罚项又可以称为正则项，正则项可以是l1范式正则化函数，可以是l2范式正则化函数，也可以是其他的正则函数。

在步骤430，模型训练单元220响应于损失函数达到最小，获取第一模型。在一些实施例中，可以对训练后的模型进行测试，测试过程中不改变模型的参数值。测试样本可以从投影数据训练库130中抽取，该测试样本可以与上述使用过的训练用投影数据不同。测试确认损失函数达到最小后，可以认为模型训练完成。训练完成的模型可以称为第一模型。

图5为本发明的降噪处理方法的流程示例图。

在步骤510，投影数据获取单元310可以获取影像设备110和/或服务器120中的待降噪投影数据。

在步骤520，降噪参数获取单元320可以基于第一模型分析上述投影数据获取单元310所获取的待降噪投影数据。可选地，降噪参数获取单元320可以分析和计算出待降噪投影数据的噪声分布的频谱参数。可选地，降噪参数获取单元320可以分析和计算出待降噪投影数据的噪声分布的小波阈值。可选地，降噪参数获取单元320可以分析和计算出待降噪投影数据的噪声分布的正则项系数。

在一些实施例中，降噪参数获取单元320可以基于第一模型提取待降噪投影数据的噪声频谱参数。例如，噪声的频谱分布可以由如下公式给出：

[fc,fb]＝f1(dataraw,dataair,dataoffset)(2)

其中dataraw为待降噪的投影数据，dataair为扫描空气时的探测器响应数据，dataoffset为探测器的静态漂移。fc和fb分别是噪声的截止频率和带宽，即噪声的频谱分布参数。在一些实施例中，模型输入值还可以包括探测器型号、环境信息、探测参数等一种或多种的组合。函数f1是第一模型，其结构如图6所示。其中，610为f1的输入端，620为神经元节点，630为输出端。第一模型可以是卷积神经网络模型，模型的每一层包含多个卷积神经元，用于提取数据特征。

在一些实施例中，降噪参数获取单元320可以基于第一模型提取待降噪投影数据的小波分解每一层的阈值。例如，小波分解每一层的阈值可以由如下公式给出：

[th1,th2,……,thn]＝f2(dataraw,dataair,dataoffset)(3)

其中dataraw为待降噪的投影数据，dataair为扫描空气时的探测器响应数据，dataoffset为探测器的静态漂移。thn是小波分解每一层的阈值。在一些实施例中，模型输入值还可以包括探测器型号、环境信息、探测参数等一种或多种的组合。函数f2是第一模型，其结构如图7所示。其中，710为f2的输入端，720为神经元节点，730为输出端。第一模型可以是卷积神经网络模型，模型的每一层包含多个卷积神经元，用于提取数据特征。

在一些实施例中，降噪参数获取单元320可以基于第一模型提取待降噪投影数据的全变分正则项系数。例如，正则项系数可以由如下公式给出：

[coef1,coef2,……,coefn]＝f3(dataraw,dataair,dataoffset)(4)

其中dataraw为待降噪的投影数据，dataair为扫描空气时的探测器响应数据，dataoffset为探测器的静态漂移。coefn是正则项系数。在一些实施例中，模型输入值还可以包括探测器型号、环境信息、探测参数等一种或多种的组合。函数f3是第一模型，其结构如图8所示。其中，810为f3的输入端，820为神经元节点，830为输出端。第一模型可以是卷积神经网络模型，模型的每一层包含多个卷积神经元，用于提取数据特征。

在步骤530，降噪处理单元330可以基于降噪参数获取单元320获取的降噪参数对相应的待降噪投影数据进行降噪处理。可选地，可以通过低通滤波器对待降噪投影数据进行降噪处理。可选地，可以通过小波分解对待降噪投影数据进行降噪处理。可选地，可以通过全变分对待降噪投影数据进行降噪处理。

在一些实施例中，降噪处理单元330可以通过低通滤波器对待降噪投影数据进行降噪处理。对待降噪投影数据进行低通滤波是指，允许低频信号通过，但减弱(或减少)频率高于截止频率的信号的通过，由于噪声通常为高频信号，因此可以实现待降噪投影数据的降噪。在一些实施例中，降噪参数获取单元320可以基于待降噪投影数据的噪声频谱参数确定截止频率，所述噪声频谱参数可以包括截止频率和带宽。

在一些实施例中，可以通过小波变换对待降噪投影数据进行降噪处理。对待降噪投影数据进行n层小波分解。n层小波分解是指，先对待降噪投影数据进行第一层小波分解，得到三个第一层高频分量和一个第一层低频分量；对第一层低频分量进行第二层小波分解，得到三个第二层高频分量和一个第二层低频分量，对第二层低频分量进行第三层小波分解，……，以此类推，对第n-1层低频分量进行第n层小波分解，得到三个第n层高频分量和一个第n层低频分量。其中，每一层的三个高频分量分别对应于水平方向、竖直方向和对角线方向。

对每一个高频分量进行处理。所述处理是指选择阈值进行阈值量化处理，阈值量化处理可以包括硬阈值量化和软阈值量化。硬阈值量化是指当小波分解高频分量大于选定阈值时，将这一部分高频分量直接作为量化处理后的高频分量。软阈值量化是指当小波分解高频分量大于选定阈值时，将这一部分高频分量按某一个固定量向零收缩，作为量化处理后的高频分量。该固定量可以人工设定。所述选定阈值可以是来自降噪参数获取单元320中计算得到的小波分解每一层的阈值。根据每层的低频分量和量化处理后的高频分量进行小波重构，从而获得降噪的投影数据。

在一些实施例中，降噪处理单元330可以通过全变分对待降噪投影数据进行降噪处理。全变分可以通过对能量函数最小化达到降噪的目的。可以根据降噪参数获取单元320中计算得到的正则项系数构造正则项，从而求解全变分最小化函数。例如，待降噪投影数据的能量函数方程可以由如下公式给出：

其中，tv[u(x,y)]为全变分待降噪投影数据，为待降噪投影数据梯度的模，ω为待降噪投影数据区域。

全变分去噪能量泛函可以由如下公式给出：

其中，λ为第一正则项系数，它是一个正的实数，其目的是在投影数据的去噪与平滑中起到平衡作用。

为了使得能量函数最小，其欧拉-拉格朗日方程可以由如下公式给出：

其中，t为时间尺度因子，梯度算子正则项β为第二正则项系数。

在一些实施例中，coef1为λ，coef2为β，根据降噪参数获取单元320中计算得到的正则项系数，可以构造出正则项并进一步基于欧拉-拉格朗日方程求得全变分能量函数的最小值。当全变分能量函数达到最小值时，可以认为该待降噪投影数据的降噪处理完成。

以上所述仅为本发明的优选实施而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。