CN114119391B 对抗神经网络去噪模型的建立方法及超声图像去噪方法 （深圳市智佐生物科技有限公司）

对抗神经网络去噪模型的建立方法及超声本发明公开了一种对抗神经网络去噪模型理：将采集的超声图像对划分为训练集和测试离卷积层和残差块结构建立，判别器模型基于2超声图像数据集处理：采集多组含噪声和不含噪声的超声图像对构建初始去噪模型：所述初始去噪模型包括生成器模型对所述初始去噪模型训练：将所述训练集作为所述初始去噪模型的输试集中的含噪声超声图像进行去噪处理以进所述判别器模型包括依次设置的多个特征采样层，各个所述特征采样层均包括卷积型包括两个普通卷积神经网络模块和设置在两个所述普通卷积神经网络模块之间的多个将所述训练集的含噪声超声图像作为所述生成器模型的输入数据，得到去噪超声图将所述去噪超声图像和所述训练集的不含噪声超声图像分别作为所述判别器模型的输入数据经过卷积核尺寸为3*3的深度可分离卷积层计算，然后依次经过归一化层计算和LeakyRelu激活函数运算，再依次进行卷积核尺寸为1*1的卷积运算和归一化层计算，λ232＝2*K3)^2将含噪声超声图像作为对抗神经网络去噪模型的输入数据、得对抗神经网络去噪模型为如权利要求1-6任一项所述的对抗神经网络处理器执行以实现如权利要求1-6任一项所述的对抗神经网络去噪模型的建立方法，和/4[0005]本发明的目的在于提供一种对抗神经网络去噪模型的建立方法及超声图像去噪器模型基于深度可分离卷积层和残差块结构建立，所述判别器模型基于PatchGAN网络建述测试集中的含噪声超声图像进行去噪处理以进5[0016]将所述去噪超声图像和所述训练集的不含噪声超声图像分别作为所述判别器模所述优化模型参数代入所述初始去噪模型进行模型优化，得到所述对抗神经网络去噪模[0018]输入数据经过卷积核尺寸为3*3的深度可分离卷积层计算，然后依次经过归一化λ26[0036]将含噪声超声图像作为对抗神经网络去噪模型的输入数所述对抗神经网络去噪模型为上述的对抗神经网络[0051]下面结合附图1-图8，对本发明提供的对抗神经网络去噪模型的建立方法进行具7每一个超声图像对均包括一个含噪声超声图像和一个[0054]具体地，生成器模型包括两个普通卷积神经网络模块(commomconvolutionblock)和设置在两个普通卷积神经网络模块之间的多个改进残差网络模块(res-模型输入的含噪声超声图像的大小为506*256*3，输出的去噪超声图像的大小为506*256*采用LeakyReLU激活函数层，设置在各个激活函数层后端的普通卷积神经网络模块采用[0056]普通卷积神经网络模块的计算过程为：输入数据先进行卷积核尺寸为1*1的卷积[0059]改进残差网络模块的计算过程为：输入数据经过卷积核尺寸为3*3的深度可分离将残差神经网络中的普通神经网络模块换成了更适合实时运算的mobilenet层，得到改进残差网络模块(res-mobilenetblock)，res-mobilenetblock作为一种轻量化网络使用，8LeakyRelu激活函数具有Relu激活函数的优点的同时也解决了Relu的神经元死亡问题，在普通N个通道为M的卷积拆分成1个通道为M的卷积(这个卷积进行单通道滤波操作，区别于[0067]S03：对初始去噪模型训练：将训练集作为初始去噪模型的输入数据进行模型训9λ2神经网络去噪模型的建立方法以及超声图像去噪方法所带来的有益效果的推导过程大体