基于双重注意力和多尺度特征的CNN医学CT图像去噪方法与流程

技术特征：
connection来防止信息阻塞；decoder部分：右半部分为上采样层，与encoder部分对称，由4个结构相同的上采样层组成；每个上采样卷积层与左半部分相同，由两个conv relu层构成，卷积核设置为3
×
3，步长为1，padding为1；每层之间通过2
×
2大小up-conv层连接进行特征的上采样，每上采样一次通道数减半；在网络的encoder-decoder之间使用跳跃连接，每一个encoder层的输出的feature map与对应的decoder层的上采样结果相加，加强网络对图像细节纹理的还原保证网络训练的收敛；步骤4)数据集预处理：在数据集预处理阶段将数据集划分为训练集，验证集与测试集；对于训练集和验证集的图片进行裁剪使图片尺寸统一，并使用高斯加性白噪声替代医学ct图像中的噪声，对原始干净图像分别添加均值为0，标准差为5、10、15、20、25、30、35、40、45、50的高斯白噪声，得到去噪网络训练数据；步骤5)训练去噪网络并更新参数：噪声先验网络首先随机初始化权重，然后将输入的噪声图像数据x经过特征提取德到噪声估计数据noise_est，最后将原始输入x与noise_est进行拼接，作为去噪网络的输入；去噪网络随即初始化权重，根据噪声先验网络的输入训练网络得到输出；损失函数中将原始图片，加噪图片，噪声估计以及真实噪声等级作为输入，使用均值方差来计算总体损失，最后使用adam优化器来更新网络权重参数。2.如权利要求1所述的基于双重注意力和多尺度特征的cnn医学ct图像去噪方法，其特征在于：步骤(2)中，为了进一步获得全局依赖关系的特征，将两个模块的输出结果进行相加融合，获得最终的特征用于像素点的分类。

技术总结
基于双重注意力和多尺度特征的CNN医学CT图像去噪算法，具体步骤如下：步骤1)创建医学CT图像模型；步骤2)构建噪声先验信息提取网络；步骤3)构建去噪网络；步骤4)数据集预处理；步骤5)训练去噪网络并更新参数；本发明具有以下优点：1)提出了使用双重注意力机制融入噪声先验网络对医学CT图像去噪，增强了对于噪声的提取效果。2)在去噪网络中使用多尺度的上下文模块，增强了网络对于图像的细节纹理保留效果。果。果。


技术研发人员：张聚 上官之博 姚信威 马栋 牛彦 施超 潘玮栋 陈德臣
受保护的技术使用者：浙江工业大学
技术研发日：2021.10.27
技术公布日：2022/3/21