【技术实现步骤摘要】
本专利技术属于图像去噪领域，结合连续学习机制、医学图像去噪实现连续多任务医学图像去噪系统。
技术介绍
1、在深度学习的训练过程中，让机器模拟人的学习过程，需要不断的学习新的任务，会出现学习新知识时忘记旧知识的现象，这种现象通常会导致模型性能的下降，或则直接导致新知识完全覆盖已经学习过的知识，称为灾难性遗忘。当使用有效的连续学习机制，模型就可以不断学习新知识的同时能够保留以前学到知识，将这种不断学习的能力称为连续学习。
2、现有的医学图像去噪方法以及连续学习机制主要面临的几个挑战：1、大多数去噪方法通常是为单一的图像去噪任务设计的，并且在不断学习多个图像去噪任务时，会遭受灾难性的遗忘；2、已有的一种连续学习方法是检测每个任务的重要权重参数，并限制重要权重参数的变化，以有利于保留过去的知识。这一方法很大程度上取决于新任务数据以及与先前任务的相关性，已经学习到的任务的分布差错会逐渐累积到新任务中；4、参数隔离方法动态的对网络结构进行调整，使其适应新的任务，或者扩展网络结构来学习新的任务，使用更多的神经元或网络层。随着任务数量的不断增多，模型结构会不断变大，因此这样的方法无法应用到大规模数据中，影响其在实际场景中的使用。
技术实现思路
1、基于上述问题，本专利技术提出了一种基于网络协同的医学图像多任务去噪方法及系统，用于解决学习多个去噪任务产生的灾难性遗忘问题以及去噪不模态的医学图像。具体来说，利用三重神经网络之间互相协同更新，将两个有连续学习能力的去噪网络上的知识传递给主去噪
2、鉴于此，本专利技术采用的具体技术方案如下：
3、1)初始化主去噪网络θc、强化去噪网络θs、拓展去噪网络θe，存储空间为空集，x为带噪声的训练样本，y为干净的训练样本标签。
4、2)从当前任务流中得到当前批次的新数据(xk,yk)，经过数据预处理，即对每个图像对随机截取patch_size张w×w像素的图像对，得到训练的新数据(xc,yc)。
5、3)用新数据(xc,yc)去随机更新存储空间，再从存储空间m中随机取出minibatch_size个图像对(xm,ym)。
6、4)用带噪声图像xm输入到强化去噪网络θs中，将输出去噪后的图像与对应的标签计算均方差损失
7、
8、同时使用带噪声图像xm输入到拓展去噪网络θe中，将输出去噪后的图像与对应的标签计算均方差损失，即
9、
10、5)如果拓展去噪网络的损失le小于强化去噪网络的损失ls，则将知识拓展作为最佳去噪网络，否则，则将强化去噪网络作为最佳去噪网络，即选择损失更小的去噪网络，也就是选择出在旧数据上表现更好的网络，用最佳去噪网络在旧数据上去噪后的图像与主去噪网络在旧数据上去噪后的图像形成差异性损失，使主去噪网络尽可能靠近最佳去噪网络，学习到最佳去噪网络上的知识。差异性损失表示为
11、
12、6)为了保证新任务的学习与旧知识的保留，用新数据(xc,yc)联合旧数据(xm,ym)一起输入到主去噪网络θc中，将去噪后的图像与对应的标签组成连续损失。连续损失表示为
13、
14、7)差异性损失与连续损失构成总损失式
15、l＝ldif+λlcon
16、λ为权重参数。通过最小化总的损失来更新主去噪网络的参数，对主去噪网络进行优化，通过梯度下降法来进行学习，计算总损失对参数的偏导数为
17、
18、其中对差异性损失的偏导数为
19、
20、对连续损失的偏导数为
21、
22、lr为学习率，因此主去噪网络参数θc的更新公式：
23、
24、8)随机生成一个0到1的数a，如果这个随机数a大于强化去噪网络的阈值rs，则用主去噪网络更新强化去噪网络，α为衰减参数，β为权重参数，表示当前更新后的强化去噪网络参数和时间序列趋势的估计,分别为上一次更新后的强化去噪网络参数和趋势的估计，更新过程为
25、
26、
27、9)如果这个随机数a大于拓展去噪网络的阈值re，则用主去噪网络更新拓展去噪网络，表示当前更新后的拓展去噪网络参数和时间序列趋势的估计,分别为上一次更新后的拓展去噪网络参数和趋势的估计，更新过程为
28、
29、
30、一般情况下，会设置阈值rs大于阈值re，因为主去噪网络在经过三重神经网络协同构造的损失函数更新后，会拥有当前新数据的知识，因此需要使主去噪网络更新拓展去噪网络的可能性大于强化去噪网络的可能性，使拓展去噪网络拥有更好学习当前知识的能力，使强化去噪网络拥有更多过去知识的经验。
31、根据本专利技术的的方法，提供一种医学图像多任务去噪系统，包括：
32、1)模态选择：系统能够处理不同类型的医学图像，包括超声图像、ct图像、mri图像等，以满足不同医学影像设备的需求。
33、2)数据导入：选择需要去噪的医学图像选择需要去噪的医学图像。
34、3)数据处理：点击执行去噪按钮，系统加载图片和模型进行去噪模型推理。
35、4)结果显示：系统根据导入的医学图像在后台对图像进行去噪并获得去噪结果并显示。
36、5)结果保存：用户可根据去噪结果的主观图像择优保存去噪结果。
37、综上所述，本专利技术的优点及有益效果如下：
38、1、提出一种基于网络协同的医学图像多任务去噪方法及系统，可以有效解决超声图像、ct图像、mri图像的不同模态的医学图像去噪问题，该方法的网络模型由三个去噪网络、存储空间组成。
39、2、利用三重神经网络之间互相协同更新维护连续学习能力。构造差异性损失将强化去噪网络和拓展去噪网络上的知识传递给主去噪网络。设计了一种强化-拓展协同机制，将主去噪网络以不同阈值更新两个去噪网络来维护连续学习的记忆强化和知识拓展，有效克服灾难性遗忘。
本文档来自技高网...【技术保护点】
1.一种基于网络协同的医学图像多任务去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于网络协同的医学图像多任务去噪方法，其特征在于：步骤1)包含了三个图像去噪网络用于维护连续学习能力，其中主去噪网络用于损失更新，强化去噪网络用于巩固过去学习的知识，拓展去噪网络用于学习新任务。
3.根据权利要求1所述的一种基于网络协同的医学图像多任务去噪方法，其特征在于：步骤3)引入了一种差异性损失，具体可以表示为：
4.根据权利要求1所述的一种基于网络协同的医学图像多任务去噪方法，其特征在于：步骤5)随机生成一个0到1的数，如果这个随机数a大于强化去噪网络的阈值rs，则用主去噪网络更新强化去噪网络，更新过程为：
5.一种基于网络协同的医学图像多任务去噪系统，其特征在于，包括：
【技术特征摘要】
1.一种基于网络协同的医学图像多任务去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于网络协同的医学图像多任务去噪方法，其特征在于：步骤1)包含了三个图像去噪网络用于维护连续学习能力，其中主去噪网络用于损失更新，强化去噪网络用于巩固过去学习的知识，拓展去噪网络用于学习新任务。
3.根据权利要求1所述的一种基于网络协同的医学...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。