车 颖, 冯 皛, 郑宏亮

(1. 大连医科大学 附属第一医院, 辽宁 大连116011； 2. 辽宁师范大学 计算机与信息技术学院, 辽宁 大连 116029)

超声诊断是现代临床医学诊疗中的一种重要方法. 近年来, 其新技术超声造影检查(contrast-enhanced ultrasound, CEUS)已成为超声诊断的一项重要组成部分. 超声造影图像由于其成像原理不可避免地包含噪声, 降低了成像的清晰度和可见性, 从而严重影响病理诊断的准确性. 因此, 面向超声医学图像的去噪算法研究受到广泛关注.

图像去噪算法旨在有效地去除图像中的噪声, 提高图像的质量和清晰度, 是图像处理领域的重要研究方向. 传统去噪方法主要分为空域像素特征去噪和变换域去噪算法. 前者是直接在图像空间中进行处理, 而后者是间接地在图像变换域中进行处理, 主要算法包括非局部均值(non-local means, NLM)[1-2]、 块匹配过滤(block-matching 3D filtering, BM3D)[3-4]和加权核范数最小化(weighted nuclear norm minimization, WNNM)[5-6]. 目前, 由于深度学习(deep learning)在计算机视觉领域被成功应用, 因此使如何基于深度学习技术实现图像去噪受到广泛关注[7-11]. Burger等[9]首次提出了使用多层感知机(multi layer perception, MLP)实现图像去噪； Mao等[10]提出了一种基于深度自编码网络(deep auto-encoders, DAE)的图像去噪算法； Zhang等[11]提出了一种基于深层卷积神经网络(convolutional neural network, CNN)的图像去噪方法, 该方法通过拟合噪声避免深层网络导致的梯度弥散问题. 上述深度学习去噪方法, 相比于传统BM3D等方法可有效提升去噪效果, 但他们主要面向自然图像, 目前对面向超声造影图像深度学习去噪算法的研究报道较少, 去噪效果不理想.

针对……