一种泊松扩散模型降噪方法及系统技术方案

本发明专利技术适用于医学图像降噪技术领域，提供了一种泊松扩散模型降噪方法及系统

【技术实现步骤摘要】
一种泊松扩散模型降噪方法及系统


[0001]本专利技术适用于医学图像降噪
，尤其涉及一种泊松扩散模型降噪方法及系统
。

技术介绍

[0002]医学影像成像过程通常有两种投影成像模式：投射成像和发射成像
。
其中，
CT
是
X
射线穿过目标，获取成像物体对
X
射线光子吸收后的投影，
SPECT
和
PET
都是通过采集目标物体内部发出的
γ
光子来获取成像
。
投影成像即光子由成像目标的三维空间分布到探测数据的过程，由于光子的粒子性和不确定性，光源发射和
CMOS
之间可能存在一些因素导致部分光子没有被
CMOS
接收到，而这个过程服从泊松分布的规律
。
泊松分布是一种均值等于方差的分布，尽管光强越大，图像的波动也越大，但图像信噪比会随着捕获光子数的平方根增长
。
然而受限于临床上剂量与采集时长的要求，投影图像必然伴随着很大噪声，且投影图像的降噪效果也成为最终重建后的医学图像质量的重要影像因素
。
[0003]近年来深度学习扩散模型是研究的热点，目前主要应用在图像生成领域，也开始逐步应用于各下游任务以及医学领域
。
扩散模型的优点在于其灵活性，对不同程度的噪声可以通过同一个模型进行恢复
。
扩散模型前向过程主要通过逐步加入的少量高斯噪声逐步损失图像的可辨识特征，再通过反向扩散过程逐步从噪声重建图像
。
然而至今还没有应用在医学影像成像中的降噪过程，原因如下：高斯噪声是一种加性噪声，而泊松噪声是一种信号依赖的噪声；医学图像降噪应受到控制，不应生成新的图像特征，影响医生判断
。
当前基于高斯噪声的扩散模型的主要应用方式为直接在原始图像上添加高斯噪声，但由于高斯噪声与泊松噪声的差别很大，高斯噪声在信号较低的区域依然能表现较大的噪声，这与医学图像的噪声特性不符
。
[0004]因此需要一种能满足医学影像常见的泊松分布，并结合扩散模型优点的降噪方法
。

技术实现思路

[0005]本专利技术提供一种泊松扩散模型降噪方法及系统，旨在通过扩散模型解决医学影像成像过程中的泊松噪声的降噪问题
。
[0006]第一方面，本专利技术提供一种泊松扩散模型降噪方法，所述泊松扩散模型降噪方法包括以下步骤：
[0007]获取多个待降噪图像；
[0008]对每一所述待降噪图像的噪声水平根据预设评估方法进行评估，得到对应的时序参数；
[0009]对所述待降噪图像根据所述时序参数的大小进行不同处理方式，得到多个近似高斯分布图像；
[0010]将多个所述近似高斯分布图像和对应的时序参数作为训练好的降噪扩散概率模
型的输入，得到高斯分布图像；其中，所述降噪扩散概率模型设置有
T
个时间步，每一所述时间步都有对应的所述时序参数；
[0011]对所述高斯分布图像进行
anscombe
逆变换，得到泊松分布图像，并将所述泊松分布图像作为最终的结果输出
。
[0012]优选的，所述预设评估方法包括以下步骤：
[0013]根据所述待降噪图像的宽和高，将所述待降噪图像划分为
N
个矩形区域；
[0014]分别计算
N
个所述矩形区域的光子计数的方差，所述光子计数为0的位置不计入计算；
[0015]统计
N
个所述矩形区域中方差的最大值和最小值；
[0016]根据所述方差的最大值除以所述方差的最小值，评估当前所述待降噪图像的所述噪声水平；
[0017]根据当前所述待降噪图像的所述噪声水平通过预设的噪声水平数值范围与所述时序参数的对应关系，得到对应的所述时序参数
。
[0018]优选的，在所述对所述待降噪图像根据所述时序参数的大小进行不同处理方式，得到多个近似高斯分布图像的步骤中，所述近似高斯分布图像包括第一近似高斯分布图像
、
第二近似高斯分布图像以及第三近似高斯分布图像，处理方式具体为：
[0019]定义所述时序参数为
t
，且有
0≤t≤T
；
[0020]当
t
＝0时，表示所述待降噪图像的噪声为零，对所述待降噪图像进行
anscombe
转换，得到所述第一近似高斯分布图像；
[0021]当
t
＝
T
时，表示所述待降噪图像的噪声为最大值，根据预设的表示最低图像质量的平均光子计数水平生成与之对应的泊松分布采样数据，对所述泊松分布采样数据进行
anscombe
转换，得到所述第二近似高斯分布图像；
[0022]当
t
＝
1,2,3
，
…
，
T
‑1时，通过所述第一近似高斯分布图像和所述第二近似高斯分布图像的线性加权得到所述第三近似高斯分布图像
。
[0023]优选的，所述第一近似高斯分布图像的计算公式如下：
[0024][0025]其中，
x0表示无噪声的所述待降噪图像，
y0表示所述第一近似高斯分布图像
。
[0026]优选的，所述第三近似高斯分布图像的计算公式如下：
[0027][0028]其中，
α
t
表示在
(0,1)
区间的常数且随着所述时序参数
t
的增长而增长，
y
t
表示所述时序参数为
t
的所述第三近似高斯分布图像，
p
～
P(x0*)
表示
p
服从均值和方差均为
x0*
的泊松分布，
p
表示所述最低图像质量对应的图像
。
[0029]第二方面，本专利技术还提供一种泊松扩散模型降噪系统，获取模块，用于获取多个待降噪图像；
[0030]评估模块，用于对每一所述待降噪图像的噪声水平根据预设评估方法进行评估，
得到对应的时序参数；
[0031]处理模块，用于对所述待降噪图像根据所述时序参数的大小进行不同处理方式，得到多个近似高斯分布图像；
[0032]输入模块，将多个所述近似高斯分布图像和对应的时序参数作为训练好的降噪扩散概率模型的输入，得到高斯分布图像；其中，所述降噪扩散概率模型设置有
T
个时间步，每一所述时间步都有对应的所述时序参数；
[0033]逆转变模块，对所述高斯分布图像进行
anscombe
逆变换，得到泊松分布图像，并将所述泊松分布图像作为最终的结果输出
。
[0034]优选的，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种泊松扩散模型降噪方法，其特征在于，所述泊松扩散模型降噪方法包括以下步骤：获取多个待降噪图像；对每一所述待降噪图像的噪声水平根据预设评估方法进行评估，得到对应的时序参数；对所述待降噪图像根据所述时序参数的大小进行不同处理方式，得到多个近似高斯分布图像；将多个所述近似高斯分布图像和对应的时序参数作为训练好的降噪扩散概率模型的输入，得到高斯分布图像；其中，所述降噪扩散概率模型设置有
T
个时间步，每一所述时间步都有对应的所述时序参数；对所述高斯分布图像进行
anscombe
逆变换，得到泊松分布图像，并将所述泊松分布图像作为最终的结果输出
。2.
如权利要求1所述的泊松扩散模型降噪方法，其特征在于，所述预设评估方法包括以下步骤：根据所述待降噪图像的宽和高，将所述待降噪图像划分为
N
个矩形区域；分别计算
N
个所述矩形区域的光子计数的方差，所述光子计数为0的位置不计入计算；统计
N
个所述矩形区域中方差的最大值和最小值；根据所述方差的最大值除以所述方差的最小值，评估当前所述待降噪图像的所述噪声水平；根据当前所述待降噪图像的所述噪声水平通过预设的噪声水平数值范围与所述时序参数的对应关系，得到对应的所述时序参数
。3.
如权利要求1所述的泊松扩散模型降噪方法，其特征在于，在所述对所述待降噪图像根据所述时序参数的大小进行不同处理方式，得到多个近似高斯分布图像的步骤中，所述近似高斯分布图像包括第一近似高斯分布图像
、
第二近似高斯分布图像以及第三近似高斯分布图像，处理方式具体为：定义所述时序参数为
t
，且有
0≤t≤T
；当
t
＝0时，表示所述待降噪图像的噪声为零，对所述待降噪图像进行
anscombe
转换，得到所述第一近似高斯分布图像；当
t
＝
T
时，表示所述待降噪图像的噪声为最大值，根据预设的表示最低图像质量的平均光子计数水平生成与之对应的泊松分布采样数据，对所述泊松分布采样数据进行
anscombe
转换，得到所述第二近似高斯分布图像；当
t
＝
1,2,3
，
…
，
T
‑1时，通过所述第一近似高斯分布图像和所述第二近似高斯分布图像的线性加权得到所述第三近似高斯分布图像
。4.
如权利要求3所述的泊松扩散模型降噪方法，其特征在于，所述第一近似高斯分布图像的计算公式如下：其中，
x0表示无噪声的所述待降噪图像，
y0表示所述第一近似高斯分布图像
。
5.
如权利要求4所述的泊松扩散模型降噪方法，其特征在于，所述第三近似高斯分布图像的计算公式如下：其中，
α
t
表示在
(0,1)
区间的常数且随着所述时序参数
t
的增...

【专利技术属性】
技术研发人员：陈海欣，杨雪松，邓晓，邝凯毅，
申请(专利权)人：京心禾北京医疗科技有限公司，
类型：发明
国别省市：