基于卷积神经网络的超声造影图像去噪方法

车 颖, 冯 皛, 郑宏亮

(1. 大连医科大学 附属第一医院, 辽宁 大连116011； 2. 辽宁师范大学 计算机与信息技术学院, 辽宁 大连 116029)

超声诊断是现代临床医学诊疗中的一种重要方法. 近年来, 其新技术超声造影检查(contrast-enhanced ultrasound, CEUS)已成为超声诊断的一项重要组成部分. 超声造影图像由于其成像原理不可避免地包含噪声, 降低了成像的清晰度和可见性, 从而严重影响病理诊断的准确性. 因此, 面向超声医学图像的去噪算法研究受到广泛关注.

图像去噪算法旨在有效地去除图像中的噪声, 提高图像的质量和清晰度, 是图像处理领域的重要研究方向. 传统去噪方法主要分为空域像素特征去噪和变换域去噪算法. 前者是直接在图像空间中进行处理, 而后者是间接地在图像变换域中进行处理, 主要算法包括非局部均值(non-local means, NLM)[1-2]、 块匹配过滤(block-matching 3D filtering, BM3D)[3-4]和加权核范数最小化(weighted nuclear norm minimization, WNNM)[5-6]. 目前, 由于深度学习(deep learning)在计算机视觉领域被成功应用, 因此使如何基于深度学习技术实现图像去噪受到广泛关注[7-11]. Burger等[9]首次提出了使用多层感知机(multi layer perception, MLP)实现图像去噪； Mao等[10]提出了一种基于深度自编码网络(deep auto-encoders, DAE)的图像去噪算法； Zhang等[11]提出了一种基于深层卷积神经网络(convolutional neural network, CNN)的图像去噪方法, 该方法通过拟合噪声避免深层网络导致的梯度弥散问题. 上述深度学习去噪方法, 相比于传统BM3D等方法可有效提升去噪效果, 但他们主要面向自然图像, 目前对面向超声造影图像深度学习去噪算法的研究报道较少, 去噪效果不理想.

针对上述问题, 本文提出一种基于卷积神经网络的超声造影图像去噪方法. 由于超声造影图像样本收集较困难, 因此本文首先使用图像平移、 翻转、 旋转等数据增强方法扩充样本数量, 然后对样本图像重叠切割为小图像块, 进一步扩充样本数量. 生成随机加性噪声, 从而得到加噪图像块作为训练样本, 以已知的加性噪声作为训练伪标签, 训练基于CNN网络的去噪模型. 为防止过拟合问题, 使用Dropout函数和BN(batch normalization)策略. 实验结果表明, 该去噪方法可有效提升超声造影图像的去噪效果.

1 算法设计

本文考虑加性图像噪声问题, 设x和n分别表示原图像和噪声,y=x+n表示噪声图像.图像去噪算法的目标是对于任意给定的观测图像y, 准确还原原图像x.

基于神经网络图像去噪方法的思路是将图像去噪转化为输入为噪声图像、 输出为去噪图像或预测噪声的多元输出回归问题, 主要包括以下过程： 1) 构建训练数据集; 2) 训练神经网络去噪模型; 3) 对陌生图像去噪预测.目前, 基于深度网络的去噪模型存在过拟合的问题, 相比于ground-truth会丢失很多细节. 针对该问题, 本文在神经网络隐藏层的输出上加入辅助监督信息作为正则化约束, 并提出增强卷积去噪算法(augmented convolutional denoising network, ACDN). 图1为算法框架示意图.

图1 ACDN算法框架示意图Fig.1 Schematic diagram of ACDN algorithm

1.1 算法描述

假设每个基网络f(·)包含L个隐藏层, 用Θ={θ1,θ2,…,θL}和Φ={φ1,φ2,…,φL}分别表示去噪通道和提议通道的网络参数, 用Θ1→j={θ1,θ2,…,θj}和Φ1→j={φ1,φ2,…,φj}分别表示第j层前的全部网络参数, 分别简记为Θj和Φj.

首先使用如下目标函数单独训练提议通道：

(1)

得到最优解Φ*; 然后根据下列损失函数训练去噪通道：

(2)

1.2 去噪模型训练

ACDN算法可使用基于梯度的方法进行优化, 对以上两个目标函数, 每层参数{φl,θl}, ∀l∈[L]的梯度分别为

(3)

(4)

1.3 去噪预测

2 实验结果与分析

为验证本文ACDN算法的有效性, 使用由大连医科大学附属第一医院提供的20张超声造影图像与WNNM,BM3D,MLP和DnCNN四种传统算法进行对比实验. 对比的标准为视觉对比和修复性能, 图像修复性能采用峰值信噪比(PSNR)作为衡量标准.

对于ACDN算法, 图像块的大小固定为16,32,64, 步长为3,5. 在低噪声情形下, 建议设定为大图像块、 大步长, 原因是较大、 较少的图像块可有效去噪且可提升效率； 在高噪声情形下, 建议设定为小图像块、 小步长, 原因是高噪声需要更多的训练图像块以充分训练去噪模型, 提升去噪性能. 表1列出了在不同噪声水平下不同算法的平均PSNR结果.

表1 峰值信噪比(dB)实验结果

由表1可见, ACDN算法在所有噪声强度下均可取得最佳的PSNR效果. 与基准算法WNNM,BM3D,MLP和DnCNN算法相比, ACDN算法有显著的峰值信噪比, 增益约0.3 dB. 在噪声水平中, 本文提出的ACDN算法性能比BM3D算法提升0.3 dB, 比DnCNN算法提升0.2 dB. 实验结果充分说明了ACDN算法的去噪有效性.

综上所述, 针对超声造影图像不可避免地包含噪声, 降低了成像的清晰度和可见性问题, 本文基于卷积神经网络结构, 提出了一种新的超声图像去噪方法. 由于超声造影图像的获取成本高, 图像样本数量较少, 因此本文使用图像平移、 翻转、 旋转等数据增强技术扩充图像样本数量. 通过重叠切割小图像块作为模型训练样本, 一是可统一模型输入层的维度； 二是可进一步扩充样本数量. 本文以图像块和人工噪声作为输入训练集, 训练基于卷积网络结构的去噪模型. 实验结果表明, 相比于BM3D和WNNM等传统去噪方法, 本文方法对于超声造影图像可获得更高的峰值信噪比, 去噪效果更明显, 进而提高超声造影图像的质量， 为临床提供更多诊断信息， 对疾病处理方式的选择具有指导意义.