摘要
生物医学图像在采集的过程中极易被噪声或伪影污染，从而影响图像质量，甚至可能影响医生对疾病的正确诊断。生物医学图像复原是图像处理领域的一个重要研究内容，包括医学图像去噪、伪影去除、图像重建等任务，在实际生物医学成像中具有很高的应用价值。 本文主要涉及三种生物医学图像，包括血管内超声图像，电子计算机断层扫描(CT)图像以及荧光显微图像，其中，血管内超声图像和CT图像属于医学成像，荧光显微图像属于生物学图像。每种生物医学图像有着不同的退化模型(伪影和噪声原理)，对于血管内超声图像来说，导丝伪影是一种常见的图像退化模型，是由成像系统中的金属导丝遮挡超声波产生。对于CT图像来说，低剂量CT图像被用于在减少病人辐射伤害，由于辐射剂量的减少，引起在图像采集过程中的量子噪声，这种量子噪声呈现泊松分布。而针对荧光显微图像，其噪声分布为泊松.高斯噪声。本文涉及的生物医学图像复原任务包括血管内超声导丝伪影去除、低剂量CT图像及荧光显微图像去噪。 随着深度学习技术的快速发展，基于卷积神经网络的模型成为了目前生物医学图像复原的主流方法，这些深度学习模型的训练需要两个重要条件:(1)庞大的数据量;(2)有噪数据必须有其对应的无噪数据，才能计算损失函数。这种有监督深度学习模型很难应用到实际的生物医学环境中，这是因为:(1)成对的有噪声和无噪声生物医学图像很难获取;(2)生物医学图像获取成本较高;(3)生物医学图像的数据量一般较小。为了解决当前深度学习算法不足，本文提出两种无监督深度学习算法，分别应用于血管内超声导丝伪影去除、低剂量CT图像及荧光显微图像去噪任务。 针对血管内超声去除伪影任务，本文开发了一种无监督深度学习方法，基于图像转换网络CcyleGAN，结合注意力机制，促使网络只关注于伪影区域，保持正常成像区域不变，这种方法不需要有伪影.无伪影的成对数据就可以进行训练和测试。其主要创新点是:(1)提出了利用注意力机制使模型在训练中只关注导丝伪影区域，而保持其他正常成像区域不变;(2)利用帧间相关性来提升伪影去除效果。 针对低剂量CT图像和显微图像去噪，本文提出了一种可以利用像素之间自然相关性的方法，这种方法属于自监督学习方法，可以实现只利用有噪图像即可实现训练。这种方法只需要有噪声图像即可训练，同时，这种方法可以在单个图像上进行训练和测试，无需构建训练集，克服了上述有监督深度学习方法的不足，在生物医学图像去噪方面具有很高的实际应用价值。
NETL