(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111605830.3 (22)申请日 2021.12.25 (71)申请人 宁波凯德科技 服务有限公司 地址 315000 浙江省宁波市杭州湾新区滨 海四路262号20 5室 (72)发明人 田玉铢　王帅　王金鹤　孟凡云　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 5/00(2006.01) (54)发明名称 一种基于高斯噪声全变分数据增广的图像 处理方法 (57)摘要 本发明涉及一种基于高斯噪声全变分数据 增广的图像处理方法， 所述方法基于全变分正则 化模型进行数据增广， 并对数据增广后的数据集 运用神经网络技术， 实现医疗PET/CT图像的中的 肿瘤分割的方法， 利用变分模型进行数据增广的 深度学习图像 分区方法。 该方法对增广后的数据 集采用神经网络的方法， 实现医疗PET/CT图像的 中的肿瘤分割， 本发明学习到的抽象特征对噪声 更加具有鲁棒 性。 权利要求书2页 说明书5页 附图2页 CN 114299005 A 2022.04.08 CN 114299005 A 1.一种基于高斯噪声全变分数据增广的图像处理方法， 其特征是： 所述方法基于全变 分正则化模型进行数据增广， 并对数据增广后的数据集运用神经网络技术， 实现医疗PET/ CT图像的中的肿瘤分割的方法， 包括如下步骤： 步骤1： 获取数据集中的样本图像信息， 设图像Ω中的像素点(x,y)处的像素值为I(x, y)， 整幅图像 像素值为映射I， 该图像对应的标签图像为 L； 步骤2： 对图像信息加入均值 为0， 方差为σ 的高斯噪声n， 得到噪声图像f， 即， f＝I+n； 步骤3： 利用全变分正则化图像去噪模型进行去除噪声处 理， 得到去噪后的结果图像； 步骤3.1： 构建适用于特定噪声的全变分图像去噪模型； 其中 ， 符号minu表示函数关于希望得到的 去噪 后图 像像素值u取极小 ， 表示图像像素值的分布导数， 其分量分别为关于横向x、 纵向y的偏 导数， 旨在控制图像的像素值u具有分片取常值的特点， || ·||1和||·||2分别表示1 ‑范数、 2‑范 数， λ>0为模型中的正则化 参数， 第二项 ||u‑f||2旨在控制u， 使其 不会过度偏离获取的f， 步骤3.2： 对图像去噪模型利用一个spl it‑Bregman算法进行求 解： 分割方法的关键在 于“解耦”技术， 设 结合图像的离散形式将 上述问题调整成下述约束优化问题， 为了解决上面这种含有约束的问题， 本发明采用经典的罚函数法将其转化为无约束优 化问题， 其中bx、 by可以通过Bregman迭代得到， 因此 可将该算法写成下述形式， 权　利　要　求　书 1/2 页 2 CN 114299005 A 2步骤3.3： 选择不同的精度要求， 得到该要求下的图像去噪结果； 在算法迭代的每一步计算误差 分别取不同程度 的误差容忍度tol， (例如可以分别取to l＝10‑2， 10‑3， 10‑4， 10‑5)， 输出对应的样本去噪图像 步骤4： 将噪声图像f与去噪结果图像 分别与样本对应的标记图像L做对应， 得到扩充 后的图像数据集， 由于加入的高斯噪声 具有不同的方差， 因此噪声图像有多个， 其在不同误 差容忍度下得到的去噪结果也有多个， 他们所对应的标记图像依旧是L， 因此实现了从唯一 对应关系(I,L)的扩充， 形成一个数据增广集 合。 2.根据权利要求1所述的基于 高斯噪声全变分数据增广的图像处理方法， 其特征是： 利 用所述的数据增广集 合， 搭建神经网络模型， 进行训练和预测， 步骤为： 步骤5.1： 搭建端到端的所述全卷积神经网络模型， 其宏观架构为V ‑net网络， 所述V ‑ net网络的参数包括卷积网络的层数、 卷积核的大小、 步长、 训练轮数、 优化器和学习率； 步骤5.2： 将增广数据集 合作为输入带入所述V ‑net网络进行训练； 步骤5.3： 训练完成后， 将进行分割的PET/CT图像分别代入所述V ‑net网络得到最终的 分割结果。权　利　要　求　书 2/2 页 3 CN 114299005 A 3