CN114663310B 一种基于多注意力融合的超声图像去噪方法 （深圳恒远志达信息科技有限公司）_第1页
CN114663310B 一种基于多注意力融合的超声图像去噪方法 （深圳恒远志达信息科技有限公司）_第2页
CN114663310B 一种基于多注意力融合的超声图像去噪方法 （深圳恒远志达信息科技有限公司）_第3页
CN114663310B 一种基于多注意力融合的超声图像去噪方法 （深圳恒远志达信息科技有限公司）_第4页
CN114663310B 一种基于多注意力融合的超声图像去噪方法 （深圳恒远志达信息科技有限公司）_第5页
已阅读5页，还剩19页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

道横朗社区华兴路13号智云产业园Aencoder-decodernetworkb一种基于多注意力融合的超声图像去噪方法本发明请求保护一种基于多注意力融合的力机制融合的残差编解码网络RED-MAM中，所述残差编解码网络RED-MAM包括编码器和多注意力码重建模块，还引入了多注意力机制融合模块MAM，每个编码块或解码块后分别对应一个ReLU过ReLU激活函数将多注意力机制融合注意力块2获取原始超声图像，将原始超声图像输入到构建的多所述解码器中，通过利用空间域及通道域上的相关特征图来学习权3导致超声图像质量变差甚至可能会引起关键信息的丢失，特别是超声图像中的斑点噪声，融合的超声图像去噪模型。它通过从多个域上关注超声图像中纹理结构信息的重要程度，4建网络是由5个反卷积拼接而成，多注意力融合解码器是由反卷积和多注意力融合注意力5[0024]图1是本发明提供优选实施例基于多注意力融合的超声图像去噪模型结构图示意[0034]针对基于残差编解码器的通道自适应的超声图像去噪算法只关注到了通道域上模型能克服类间噪声干扰和已有去噪模型无法关注到超声图像多个域的特征信息而影响6解码块后分别对应一个ReLU激活函数，如图2所示。在解码块的第一个和第三个反卷积之信息上而忽视不重要的信息。空间域注意力机制将图片中的空间域信息作对应的空间变提出的多注意力融合注意力块是一种可以使网络根据不同的任务自适应地强化关键信息θ的通道注意力块输出特征M1，同时输出一个残差块M1，然后再次经过一个常规的空间注意7[0044]在FH、GS和CAMUS三个超声图像数据集上进行了实验，同样地采用了峰值信噪比(PeakSignal-to-NoiseRatio,PSNR)、结构相似性(StructuralSimilarity,SSIM)和均方根误差(RootMeanSquareError,RMSE)三种评价指标来对比RED-MAM方法与其他几种上述3个超声图像数据集添加加性高斯白噪声来模拟超声图像中的加性噪声，不仅能模拟超声图像中的部分噪声，同时也能通过控制所添加的噪声量来区别超声图像中的噪声程斑点噪声的图像中按7:3的比例随机划分出上述3个数据集的训练集和测试8在噪声程度为25时，RED-MAM相较于指标排名第二的方法在三个评价指标上分别提升了9[0055]其次，在HC18超声数据集上进行实验得到的结果如表6所RED-MAM相较于RED-CNN方法，在不同的噪声程度上，PSNR至少提高了1.79，最多提高了的去噪结果观察到，方法(c)和方法(d)去除后的结果图像明显变得更加平滑了。而方法纹理细节上的恢复。下面将针对胎儿心脏数据集上各种方法的去噪结果进行可视化分析，

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论