基于深度学习的医学图像去噪研究

作     者：程文 

作者单位：临沂大学 

学位级别：硕士

导师姓名：刘兆栋;姚峰

授予年度：2023年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1002[医学-临床医学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 080203[工学-机械设计及理论] 0802[工学-机械工程] 10[医学] 

主      题：深度学习 医学图像去噪 Unet Transfomer 

摘      要：随着现代诊断医疗技术快速发展,核磁共振成像、电子计算机断层扫描等医学成像技术成为医疗诊断的重要手段。核磁共振成像通过在体外成像获取软组织图像,探测体内病灶部位,是辅助临床医学诊疗的重要依据。然而,核磁共振成像受到检测设备和人体活动等不可控因素影响,造成噪声和伪影等图像质量退化问题,影响疾病诊断。针对医学图像的噪声与伪影等质量退化问题,提出了一种基于深度学习的医学图像去噪方法,主要研究内容如下:(1)针对噪声和棋盘伪影干扰问题,本文提出一种改进的U-Net架构。首先,改进UNet架构中下采样模块,使用块合并代替最大池化,解决图像信息损失问题。其次,改进U-Net架构中上采样模块,引入双上采样(双线性采样和亚像素卷积),避免转置卷积出现块效应造成的棋盘伪影问题。最后,使用残差连接加深网络结构,提高网络的表达能力,同时获取上下文信息和位置信息,解决病灶定位难题。(2)针对高分辨率特征图的计算复杂度高和去噪图像边缘模糊问题,本文提出一种Swin-Conv-UNet(SCU-Net)方法,将具有强大全局建模能力的Swin-Transformer和具有捕获局部特征的卷积神经网络结合在一起,并嵌入上述改进的Unet架构中。首先,构造浅层特征提取模块,通过单个3×3的卷积层来获取输入图像的颜色或纹理等低频信息。其次,构造了Unet特征提取模块,将浅层特征送入Unet来提取高层和多尺度的深层特征,防止图像细节信息丢失。最后,构造重建模块,通过聚合浅层与深层特征进行高质量图像重建。实验结果表明,基于Swin-Transformer改进的深度学习医学图像去噪模型具有较高的去噪精度和较快的运行速度,满足多种场景下的医学图像去噪任务,为医生医疗诊断提供强有力的技术支持与服务。