典型文献
基于卷积神经网络的超声图像散斑去噪算法
文献摘要：
为了提高超声图像质量,解决传统去噪算法在抑制散斑噪声和保留超声图像纹理特征方面的难题,提出一种基于卷积神经网络的超声图像散斑去噪算法DSCNN(De-speckling CNN).本文提出的算法利用卷积神经网络强大的拟合能力来学习从超声图像到其相应的高质量图像的复杂映射,同时,通过改进损失函数的方式来减少去噪过程中纹理信息的损失和细节的模糊.不同于以往简单地假设超声散斑噪声为乘性噪声,本文利用基于超声图像采集模型和散斑噪声形成模型的模拟超声成像技术为去噪模型生成更贴合真实超声图像的训练数据,解决深度学习方法训练数据匮乏以及在临床上无法获得与超声图像空间配准作为标签的无噪声图像的难题.通过与其他具有代表性的超声图像去噪算法比较,经DSCNN去噪后的超声图像无论在视觉效果还是图像质量评价指标上都取得了更好的结果,其中SSIM达到0.8569,在文中所有方法中最高.
文献关键词：
散斑噪声;卷积神经网络;纹理信息;模拟超声成像技术
中图分类号：
作者姓名：
廖丽丽;张东
作者机构：
武汉大学物理科学与技术学院,湖北武汉430072
文献出处：
引用格式：
[1]廖丽丽;张东-.基于卷积神经网络的超声图像散斑去噪算法)[J].中国医学物理学杂志,2022(01):32-37
A类：
DSCNN,speckling,模拟超声成像技术
B类：
像散,去噪算法,高超,超声图像质量,散斑噪声,图像纹理特征,De,法利,质量图,损失函数,纹理信息,乘性噪声,图像采集,采集模型,声形,成模,去噪模型,模型生成,贴合,训练数据,深度学习方法,方法训练,数据匮乏,图像空间,空间配准,噪声图像,图像去噪,算法比较,视觉效果,图像质量评价,质量评价指标,SSIM
AB值：
0.261434
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
