【技术实现步骤摘要】
本申请涉及医学影像处理，尤其涉及一种多模态医学影像降噪优化系统及优化方法。
技术介绍
1、多模态医学影像数据指的是不同医学成像技术所获得的影像数据。医学图像降噪技术是指通过应用数字信号处理技术，从医学图像中去除噪声，以提高图像的质量和可读性。
2、目前，可以通过空间域滤波法对医学影像进行降噪，例如通过高斯滤波器，采用采用高斯函数对图像进行卷积，实现噪声的平滑。适用于高斯噪声，但可能导致图像模糊，导致医学影像的降噪效果较差。
技术实现思路
1、有鉴于此，本申请提供了一种多模态医学影像降噪优化系统及优化方法，用以提升医学影像的降噪效果。
2、第一方面，本申请提供了一种多模态医学影像降噪优化系统，所述系统包括：
3、数据预处理模块，用于接收并预处理多模态医学影像数据，得到预处理后的多模态医学影像数据；
4、cnn降噪模块，用于利用训练好的cnn模型对所述预处理后的多模态医学影像数据进行降噪处理，得到降噪处理后的多模态医学影像数据；所述cnn模型为利用带有噪声标签的多模态医学影像样本数据进行训练得到的；
5、后处理模块，用于对所述降噪处理后的多模态医学影像数据进行优化，得到优化后的多模态医学影像数据。
6、可选地，所述数据预处理模块包括：
7、数据收集子模块，用于收集多模态医学影像数据；
8、数据清洗子模块，用于去除所述多模态医学影像数据中的无关信息和噪声，得到清洗后的多模态医学影像数据；>
9、数据标准化子模块，用于将清洗后的多模态医学影像数据进行标准化处理，得到标准化处理后的多模态医学影像数据。
10、可选地，所述cnn降噪模块包括：
11、cnn模型构建子模块，用于构建用于多模态医学影像数据降噪的cnn模型；
12、训练数据准备子模块，用于准备训练cnn模型所需的训练数据；
13、模型训练子模块，用于利用训练数据对cnn模型进行训练，得到训练好的cnn降噪模型。
14、可选地，所述后处理模块包括：
15、后处理算法确定子模块，用于确定当前多模态医学影像数据对应的后处理算法；
16、后处理执行子模块，用于利用所述后处理算法对所述降噪处理后的多模态医学影像数据进行优化，得到优化后的多模态医学影像数据；
17、结果输出子模块，用于将所述优化后的多模态医学影像数据进行输出。
18、可选地，所述cnn模型为深度卷积神经网络模型，包括多个卷积层、池化层和全连接层，用于提取多模态医学影像数据中的特征并进行降噪处理。
19、可选地，所述训练数据包括带有噪声标签的多模态医学影像数据；
20、在对所述cnn模型的训练过程中，通过对比降噪后的医学影像数据与原始医学影像数据，计算损失函数，用以调整所述cnn模型的参数。
21、可选地，所述后处理算法包括直方图均衡化算法、中值滤波算法、边缘保持滤波算法中一种或多种。
22、第二方面，本申请提供了一种多模态医学影像降噪优化方法，所述方法应用于如第一方面所述的系统，所述方法包括：
23、获取待降噪多模态医学影像数据；
24、将所述待降噪多模态医学影像数据输入至cnn模型，得到降噪处理后的多模态医学影像数据；
25、对所述降噪处理后的多模态医学影像数据进行优化，得到优化后的多模态医学影像数据。
26、可选地，所述cnn模型的训练过程包括：
27、获取训练样本集，所述训练样本集包括带有噪声标签的多模态医学影像样本数据；
28、利用所述训练数据集，对所述cnn模型进行训练，并基于反向传播算法和梯度下降算法优化所述cnn模型的模型参数，直至达到模型收敛条件时，得到所述cnn模型。
29、可选地，在得到所述cnn模型之后，所述方法还包括：
30、利用测试数据集，对所述cnn模型进行测试。
31、第三方面，本申请实施例提供了一种电子设备，所述电子设备包括控制器，所述控制器包括存储器和处理器；
32、所述存储器，用于存储一个或多个程序；
33、所述处理器；当所述一个或多个程序被所述处理器执行时，实现如第二方面所述的多模态医学影像降噪优化方法。
34、第四方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质中存储有程序，当所述程序被处理器执行时，实现前述第二方面所述的多模态医学影像降噪优化方法。
35、上述技术方案具有如下有益效果：
36、本申请实施例提供了一种多模态医学影像降噪优化系统，该系统包括：数据预处理模块，用于接收并预处理多模态医学影像数据，得到预处理后的多模态医学影像数据；cnn降噪模块，用于利用训练好的cnn模型对所述预处理后的多模态医学影像数据进行降噪处理，得到降噪处理后的多模态医学影像数据；后处理模块，用于对所述降噪处理后的多模态医学影像数据进行优化，得到优化后的多模态医学影像数据。可见，本申请中的神经网络模型通过大量的样本数据进行训练得到，可以有效去除多模态医学影像数据中的噪声，提高医学影像的质量和清晰度，有助于医学影像的进一步分析和处理。并且通过后处理模块对所述降噪处理后的多模态医学影像数据进行进一步优化，进而提高降噪效果，使得降噪后的医学影像数据更加准确、清晰。
本文档来自技高网...【技术保护点】
1.一种多模态医学影像降噪优化系统，其特征在于，所述系统包括：
2.根据权利要求1所述的系统，其特征在于，所述数据预处理模块包括：
3.根据权利要求1所述的系统，其特征在于，所述CNN降噪模块包括：
4.根据权利要求1所述的系统，其特征在于，所述后处理模块包括：
5.根据权利要求1所述的系统，其特征在于，所述CNN模型为深度卷积神经网络模型，包括多个卷积层、池化层和全连接层，用于提取多模态医学影像数据中的特征并进行降噪处理。
6.根据权利要求1所述的系统，其特征在于，所述训练数据包括带有噪声标签的多模态医学影像数据；
7.根据权利要求4所述的系统，其特征在于，所述后处理算法包括直方图均衡化算法、中值滤波算法、边缘保持滤波算法中一种或多种。
8.一种多模态医学影像降噪优化方法，其特征在于，所述方法应用于如权利要求1-7任一项所述的系统，所述方法包括：
9.根据权利要求8所述的方法，其特征在于，所述CNN模型的训练过程包括：
10.根据权利要求9所述的方法，其特征在于，在得到所
...【技术特征摘要】
1.一种多模态医学影像降噪优化系统，其特征在于，所述系统包括：
2.根据权利要求1所述的系统，其特征在于，所述数据预处理模块包括：
3.根据权利要求1所述的系统，其特征在于，所述cnn降噪模块包括：
4.根据权利要求1所述的系统，其特征在于，所述后处理模块包括：
5.根据权利要求1所述的系统，其特征在于，所述cnn模型为深度卷积神经网络模型，包括多个卷积层、池化层和全连接层，用于提取多模态医学影像数据中的特征并进行降噪处理。
6.根据权利要求1所述的...
【专利技术属性】
技术研发人员：滕晓燕，胡伟国，朱立峰，
申请(专利权)人：上海交通大学医学院附属瑞金医院，
类型：发明
国别省市：
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。