本技術(shù)涉及醫(yī)學(xué)圖像處理，具體涉及一種醫(yī)學(xué)圖像去噪模型訓(xùn)練方法及裝置。

背景技術(shù)：

1、光學(xué)相干斷層掃描（optical?coherence?tomography，oct）是一種低相干光學(xué)成像方式，因其無(wú)創(chuàng)、無(wú)輻射、高分辨率、實(shí)時(shí)成像等特點(diǎn)，被廣泛應(yīng)用于眼科、皮膚科、心臟科以及胃腸道等臨床影像學(xué)。特別是在眼科領(lǐng)域，oct是診斷視網(wǎng)膜疾病、青光眼等多種眼病的有效工具。然而，由于oct的低相干光散射，固有的散斑噪聲降低了信噪比，影響了圖像質(zhì)量和準(zhǔn)確診斷。濾波法和非局部均值法等經(jīng)典算法可以有效地去除oct圖像中的散斑噪聲。然而，由于計(jì)算復(fù)雜度高，這些方法非常耗時(shí)。

2、隨著深度學(xué)習(xí)技術(shù)在圖像處理中的普及，許多經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)（convolutional?neural?network，cnn）架構(gòu)被用于oct圖像去噪，以追求產(chǎn)生高質(zhì)量的圖像，例如：u-net或resnet。然而，這類方法易出現(xiàn)oct圖像中組織邊界分層不明顯的情況。還有方法利用gan（generative?adversarial?network，對(duì)抗生成網(wǎng)絡(luò)）完成oct圖像散斑噪聲去除，例如：申請(qǐng)?zhí)枮?01910515611.2和202211149964.3的專利文獻(xiàn)，這類方法存在模型訓(xùn)練復(fù)雜度高、對(duì)大量數(shù)據(jù)依賴強(qiáng)以及在不同類型的oct圖像上泛化性不足的問(wèn)題；另外有的方法利用三維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行去噪，例如：申請(qǐng)?zhí)枮椋?02311293845.x的專利文獻(xiàn)，這類方法計(jì)算資源消耗較大，訓(xùn)練時(shí)間長(zhǎng)，以及在處理大尺度圖像時(shí)可能面臨內(nèi)存瓶頸，導(dǎo)致去噪性能差。

技術(shù)實(shí)現(xiàn)思路

1、為此，本技術(shù)提供一種醫(yī)學(xué)圖像去噪模型訓(xùn)練方法及裝置，以解決現(xiàn)有的oct圖像去噪方法易出現(xiàn)組織邊界分層不明顯、去噪性能差的問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，本技術(shù)提供如下技術(shù)方案：

3、第一方面，一種醫(yī)學(xué)圖像去噪模型訓(xùn)練方法，包括：

4、步驟1：獲取同一部位的醫(yī)學(xué)圖像；所述醫(yī)學(xué)圖像包括噪聲圖像和干凈圖像；

5、步驟2：調(diào)整所述噪聲圖像和所述干凈圖像的尺寸，并進(jìn)行歸一化處理，得到輸入圖像和標(biāo)簽圖像；

6、步驟3：將所述干凈圖像制作為掩碼圖像；

7、步驟4：將所述輸入圖像輸入至u-net網(wǎng)絡(luò)的編碼器中進(jìn)行特征提取，得到原始特征圖；

8、步驟5：計(jì)算所述原始特征圖的hessian矩陣，并計(jì)算所述hessian矩陣的矩陣特征值；

9、步驟6：根據(jù)所述矩陣特征值計(jì)算hessian響應(yīng)，并提取邊緣特征圖，得到深度hessian注意力特征圖；

10、步驟7：將所述原始特征圖和所述深度hessian注意力特征圖進(jìn)行拼接，并輸入至所述u-net網(wǎng)絡(luò)的解碼器中進(jìn)行特征融合，得到輸出圖像；

11、步驟8：根據(jù)所述掩碼圖像計(jì)算所述輸出圖像與所述標(biāo)簽圖像的之間的損失，并反向傳播更新權(quán)重，從而得到訓(xùn)練好的醫(yī)學(xué)圖像去噪模型。

12、作為優(yōu)選，所述步驟3具體包括：制作與所述干凈圖像尺寸相同的全0值圖像，在所述全0值圖像的目標(biāo)組織區(qū)域生成一個(gè)多邊形區(qū)域，并用1值填充，得到掩碼圖像。

13、作為優(yōu)選，所述步驟4中，所述u-net網(wǎng)絡(luò)為resunet網(wǎng)絡(luò)、attention?u-net網(wǎng)絡(luò)或者mamba-unet。

14、作為優(yōu)選，所述步驟5中，所述hessian矩陣計(jì)算公式為：

15、

16、其中，hi為hessian矩陣，表示偏微分，x表示橫向坐標(biāo)，y表示縱向坐標(biāo)，ei表示原始特征圖，表示ei在x方向上的二階偏微分導(dǎo)數(shù)，表示ei在y方向上的二階偏微分導(dǎo)數(shù)，表示ei在x、y方向上的混合偏微分導(dǎo)數(shù)。

17、作為優(yōu)選，所述步驟6中，計(jì)算hessian響應(yīng)時(shí)采用jerman方法、frangi方法或者erdt方法。

18、作為優(yōu)選，所述步驟7中，將所述原始特征圖和所述深度hessian注意力特征圖進(jìn)行拼接時(shí)，所述原始特征圖與所述深度hessian注意力特征圖的比例為1:2。

19、作為優(yōu)選，所述步驟8中，根據(jù)所述掩碼圖像計(jì)算所述輸出圖像與所述標(biāo)簽圖像的之間的損失時(shí)，損失函數(shù)為均方誤差損失、l1損失、psnr損失、ssim損失之間的任意組合。

20、作為優(yōu)選，所述損失函數(shù)為l1損失和ssim損失的組合時(shí)，所述損失函數(shù)計(jì)算公式為：

21、

22、其中，表示輸出圖像，b表示標(biāo)簽圖像，表示ssim損失，表示l1損失，imask表示掩碼圖像，和表示權(quán)重系數(shù)，表示使用3*3卷積核進(jìn)行銳化增強(qiáng)的過(guò)程。

23、作為優(yōu)選，所述步驟8中，所述標(biāo)簽圖像為銳化增強(qiáng)后的標(biāo)簽圖像。

24、第二方面，一種醫(yī)學(xué)圖像去噪模型訓(xùn)練裝置，包括：

25、醫(yī)學(xué)圖像獲取模塊：用于獲取同一部位的醫(yī)學(xué)圖像；所述醫(yī)學(xué)圖像包括噪聲圖像和干凈圖像；

26、數(shù)據(jù)預(yù)處理模塊，用于調(diào)整所述噪聲圖像和所述干凈圖像的尺寸，并進(jìn)行歸一化處理，得到輸入圖像和標(biāo)簽圖像；

27、掩碼圖像制作模塊，用于將所述干凈圖像制作為掩碼圖像；

28、原始特征圖提取模塊，用于將所述輸入圖像輸入至u-net網(wǎng)絡(luò)的編碼器中進(jìn)行特征提取，得到原始特征圖；

29、計(jì)算模塊，用于計(jì)算所述原始特征圖的hessian矩陣，并計(jì)算所述hessian矩陣的矩陣特征值；

30、深度hessian注意力特征圖提取模塊，用于根據(jù)所述矩陣特征值計(jì)算hessian響應(yīng)，并提取邊緣特征圖，得到深度hessian注意力特征圖；

31、特征融合模塊，用于將所述原始特征圖和所述深度hessian注意力特征圖進(jìn)行拼接，并輸入至所述u-net網(wǎng)絡(luò)的解碼器中進(jìn)行特征融合，得到輸出圖像；

32、訓(xùn)練模塊，用于根據(jù)所述掩碼圖像計(jì)算所述輸出圖像與所述標(biāo)簽圖像的之間的損失，并反向傳播更新權(quán)重，從而得到訓(xùn)練好的醫(yī)學(xué)圖像去噪模型。

33、相比現(xiàn)有技術(shù)，本技術(shù)至少具有以下有益效果：

34、本技術(shù)提供了一種醫(yī)學(xué)圖像去噪模型訓(xùn)練方法及裝置，通過(guò)獲取同一部位的噪聲圖像和干凈圖像，并進(jìn)行預(yù)處理，得到輸入圖像、標(biāo)簽圖像和掩碼圖像，將輸入圖像輸入至u-net網(wǎng)絡(luò)的編碼器中進(jìn)行特征提取，得到原始特征圖；計(jì)算原始特征圖的hessian矩陣，并計(jì)算hessian矩陣的矩陣特征值；根據(jù)矩陣特征值計(jì)算hessian響應(yīng)，并提取邊緣特征圖，得到深度hessian注意力特征圖；將原始特征圖和深度hessian注意力特征圖進(jìn)行拼接，并輸入至u-net網(wǎng)絡(luò)的解碼器中進(jìn)行特征融合，得到輸出圖像；根據(jù)掩碼圖像計(jì)算輸出圖像與標(biāo)簽圖像的之間的損失，并反向傳播更新權(quán)重，從而得到訓(xùn)練好的醫(yī)學(xué)圖像去噪模型。本技術(shù)通過(guò)結(jié)合深度hessian注意力特征，增強(qiáng)了u-net網(wǎng)絡(luò)對(duì)結(jié)構(gòu)細(xì)節(jié)的關(guān)注，能夠在去除醫(yī)學(xué)圖像固有散斑、重建醫(yī)學(xué)原有的組織結(jié)構(gòu)時(shí)，更加關(guān)注醫(yī)學(xué)圖像中的組織邊界信息及紋理細(xì)節(jié)，有助于組織分層，并且顯著提高了醫(yī)學(xué)圖像去噪后的圖像質(zhì)量，使得診斷結(jié)果更加準(zhǔn)確。