【技术实现步骤摘要】
本专利技术涉及x射线成像，特别涉及一种x射线高分辨图像降噪方法、电子设备及存储介质。
技术介绍
1、大尺寸高分辨率的平板探测器主要应用于数字减影血管造影(dsa)、骨骼显微ct及牙科ct等x射线成像探测，而宽体探测器主要用于高端螺旋ct的x射线成像。前者由于采用小像素探测单元(100μm～200μm)的设计，通常在常规曝光条件下，其探测数据中存在显著的噪声，在低剂量观测条件下，噪声问题会进一步加剧，严重影响成像质量。相比之下，宽体探测器采用毫米级的像素设计，在常规曝光条件下，其探测数据噪声较低。然而，在低剂量采集条件下(低于50mas)，数据采集过程通常会引入大量噪声，进而降低图像质量。因此，研究x射线图像降噪方法已成为射线成像领域的关键技术之一。
2、目前，深度学习的降噪方法主要在仿真数据上采用全监督的训练策略。然而，在真实的临床环境中，由于患者的呼吸运动及辐射剂量的限制，获取成对的训练数据极为困难，这导致其在临床应用中的适用性较差。尽管扩散模型能够避免使用成对数据进行网络训练，并且在降噪效果上达到了与全监督方法相媲美的水平，但它无法对像素矩阵大于256×256的图像进行采样。例如，3030尺寸的cmos平板探测器的像素单元矩阵为≥3000×3000，这使得现有的扩散模型无法直接应用。因此，迫切需要开发不依赖于标签训练数据的无监督降噪方法，以满足大尺寸、高分辨率探测器对高质量成像的需求。
技术实现思路
1、为了实现本专利技术的上述目的和其他优点，本专利技术的第一目的是
2、通过保留扩散模型的前若干步，获得局域扩散模型；
3、基于所述局域扩散模型构建迭代局域扩散框架；
4、加载高分辨的待处理退化图像数据集和预训练的局域扩散模型；
5、迭代执行正向噪声添加和逆向过程，输出最终的降噪结果。
6、进一步地，所述扩散模型的任意时间步长t＝1:t处的潜在状态是初始状态x0的直接抽样，得到:
7、
8、其中，αt＝1-βt，βt为噪声方差；
9、通过最大化证据下限优化所述扩散模型，其隐变量解码器的转移分布参数化为:
10、
11、其中，∈θ是由神经网络近似的噪声预测器，用以在每个时间步t中从xt预测∈；
12、使用重参数化技巧，从pθ(xt-1|xt)采样的公式为:
13、
14、进一步地，所述局域扩散模型表示为其只训练和使用时间步长1到k，所述局域扩散模型的迭代形式记为迭代局域扩散模型；其中，t为总时间步长，k为局域时间步长。
15、进一步地，所述基于所述局域扩散模型构建迭代局域扩散框架步骤包括：
16、将退化图像表示为原始图像x0与退化分量sn之和的形式：
17、
18、定义表示正向加噪过程，表示反向去噪过程；
19、假设在标准图像数据集上训练了一个局域扩散模型将其建模的分布表示为pθ(x0)，该标准图像数据集的分布表示为q(x0)；
20、使用正向加噪过程将一个样本x0～q(x0)生成中间状态xk，公式为：
21、
22、使用反向去噪过程将中间状态xk映射回原始图像x0，公式为：
23、
24、对退化图像执行相同的噪声添加策略，退化图像正向加噪公式为：
25、
26、结合退化图像的表示形式，得到：
27、
28、其中，表示近似中间状态；
29、对近似中间状态进行反向去噪处理，使sn的系数趋近于0，迭代公式表示为:
30、
31、其中，qi∈(0,1)为第i次迭代中sn的衰减系数，m为总迭代次数，为m迭代后的结果，随着m的增大，退化项减小到零。
32、进一步地，所述局域扩散模型的预训练包括：
33、定义总时间步长t和局域时间步长k，并随机初始化噪声预测器∈θ；
34、依次执行采样x0～q(xnd)，采样t～uniform(1,…,k)，采样执行梯度下降训练网络直至收敛，获得最终的局域扩散模型。
35、进一步地，还包括步骤：
36、构建引导条件实现高质量图像生成，引导条件公式为：
37、
38、其中，表示引导采样估计，表示最终的噪声预测器估计。
39、进一步地，还包括步骤：
40、构建基于的噪声强度依赖的非线性衰减策略，具体如下：
41、
42、其中，sn(i,j)表示估计的噪声，f(·)表示噪声强度映射函数；
43、一次性应用默认的去噪参数，并将结果从噪声图像中减去，以获得sn，并使用四阶多项式函数来近似非线性映射f(·)，噪声估计公式及噪声强度映射函数公式为：
44、
45、
46、其中，am为多项式系数。
47、进一步地，所述迭代执行正向噪声添加和逆向过程，输出最终的降噪结果步骤包括：
48、按所述退化图像正向加噪公式执行正向噪声添加；
49、联合所述引导条件公式和所述噪声强度映射函数公式执行逆向过程
50、重复执行所述按所述退化图像正向加噪公式执行正向噪声添加步骤及所述联合所述引导条件公式和所述噪声强度映射函数公式执行逆向过程步骤m次，并输出最终的降噪结果
51、本专利技术的第二目的是提供一种电子设备，包括：存储器，其上存储有程序代码；处理器，其与所述存储器连接，并且当所述程序代码被所述处理器执行时，实现上述的方法。
52、本专利技术的第三目的是提供一种计算机可读存储介质，其上存储有程序指令，所述程序指令被执行时实现上述的方法。
53、与现有技术相比，本专利技术的有益效果是：
54、本专利技术提供一种x射线高分辨图像降噪方法、电子设备及存储介质，能够满足大尺寸、高分辨率探测器数据的降噪需求，从而提升x射线成像的质量；本专利技术从理论上推导出一种迭代局域扩散框架，利用极小的模型资源实现复杂数据的表征，从而开发出不依赖于标签训练数据的无监督降噪方法；本专利技术提出的迭代局域扩散降噪框架能够在减少患者75％以上辐射剂量损害的情况下，重建出病灶和组织的细节。
55、上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。本专利技术的具体实施方式由以下实施例及其附图详细给出。
本文档来自技高网...【技术保护点】
1.一种X射线高分辨图像降噪方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种X射线高分辨图像降噪方法，其特征在于：所述扩散模型的任意时间步长t＝1:T处的潜在状态是初始状态x0的直接抽样，得到:
3.如权利要求1所述的一种X射线高分辨图像降噪方法，其特征在于：所述局域扩散模型表示为其只训练和使用时间步长1到K，所述局域扩散模型的迭代形式记为迭代局域扩散模型；其中，T为总时间步长，K为局域时间步长。
4.如权利要求3所述的一种X射线高分辨图像降噪方法，其特征在于：所述基于所述局域扩散模型构建迭代局域扩散框架步骤包括：
5.如权利要求4所述的一种X射线高分辨图像降噪方法，其特征在于：所述局域扩散模型的预训练包括：
6.如权利要求4所述的一种X射线高分辨图像降噪方法，其特征在于，还包括步骤：
7.如权利要求6所述的一种X射线高分辨图像降噪方法，其特征在于，还包括步骤：
8.如权利要求7所述的一种X射线高分辨图像降噪方法，其特征在于，所述迭代执行正向噪声添加和逆向过程，输出最终的降噪结果步骤包
9.一种电子设备，其特征在于，包括：存储器，其上存储有程序代码；处理器，其与所述存储器连接，并且当所述程序代码被所述处理器执行时，实现如权利要求1～8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序指令，所述程序指令被执行时实现如权利要求1～8任一项所述的方法。
...【技术特征摘要】
1.一种x射线高分辨图像降噪方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种x射线高分辨图像降噪方法，其特征在于：所述扩散模型的任意时间步长t＝1:t处的潜在状态是初始状态x0的直接抽样，得到:
3.如权利要求1所述的一种x射线高分辨图像降噪方法，其特征在于：所述局域扩散模型表示为其只训练和使用时间步长1到k，所述局域扩散模型的迭代形式记为迭代局域扩散模型；其中，t为总时间步长，k为局域时间步长。
4.如权利要求3所述的一种x射线高分辨图像降噪方法，其特征在于：所述基于所述局域扩散模型构建迭代局域扩散框架步骤包括：
5.如权利要求4所述的一种x射线高分辨图像降噪方法，其特征在于：所述局域扩散...
【专利技术属性】
技术研发人员：李铭，廖飞扬，杜强，袁刚，郑健，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
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。