超声图像斑点噪声的深度学习网络去噪方法

工程科学与技术，国际期刊29（2022）101030完整文章使用五种不同的深度学习网络奥努尔·卡劳·克鲁a、哈桑·S、阿基尔·比尔格b、伊赫桑·乌鲁尔aa土耳其Karabuk，Karabuk大学电子电气工程系b土耳其安卡拉加齐大学电子电气工程系阿提奇莱因福奥文章历史记录：收到2020年2021年5月27日修订2021年6月16日接受在线预订2021年关键词：超声成像深度学习斑点噪声去噪图像增强A B S T R A C T图像增强方法被应用于医学图像以减少它们所包含的噪声。在文献中有许多使用经典图像增强方法的学术研究超声成像是用于疾病诊断的医学成像方法在这项研究中，在四个不同的噪声水平（r= 0.10，0.25，0.50，0.75）的瑞利分布的斑点噪声被添加到臂丛神经区域的超声图像五种不同的深度学习网络（扩展卷积自动编码器去噪网络/Di-Conv-AE-Net、去噪U形网络/D-U-Net、批重正化U-Net/Br-U-Net、生成对抗去噪网络/DGan-Net和CNN残差网络/DeRNet）用于降低超声图像的斑点噪声将深度网络的性能与块匹配和3D滤波（BM 3D）进行比较，这是最优选的经典图像增强算法之一;与经典滤波器（包括双边滤波器、Frost滤波器、Kuan滤波器、Lee滤波器、均值滤波器和中值滤波器）进行比较;与深度学习网络（包括具有用于图像去噪的更宽卷积的学习像素分布先验（WIN 5-RB）、用于图像恢复的去噪先验驱动的深度神经网络（DPDNN）以及使用基于M-网的卷积神经网络的指纹图像去噪和根据峰值信噪比（PSNR），结构相似性指数（SSIM）和运行时间标准评估网络性能，并显示所提出的深度学习网络优于其他网络。©2021 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍超声扫描仪根据回波成像原理获得超声图像由扫描仪产生的脉冲声波应用于身体组织[1，2]。出于许多原因，超声成像是优选的与计算机断层扫描和磁共振成像相比，它具有许多优点，例如更经济，紧凑，便携，同时提供实时操作和无电离辐射[2]。然而，由于数据采集方法的原因，超声图像中含有斑点噪声斑点噪声是超声图像的一个负面因素，因为它使医生对疾病的诊断变得已经开发了许多方法来解决这个问题[3]。例如，在他们的研究中，Gautam和Bharti介绍了用于增强超声图像的双边滤波方法[1]。Chauhan和Kaushik提出了一种各向异性扩散滤波器[4]。Magud等人使用了改进的中值滤波器[5]。Gokilavani等人比较了Gabor和同态滤波器的性能，电子邮件地址：onurkaraoglu88@gmail.com（O. KaraogZellu），bilge@gazi.edu.tr（H. S，akirBilge），ihsanuluer@gmail.com（I_. 乌鲁尔）[6].在该研究中，Gabor滤波器显示出比其他滤波器更好的结果。Shanthi 和 Renuga[7] 介 绍 了 小 波 滤 波 方 法 。 Vanithamani 和Umamaheswari[8]使用双边滤波器与NeighShrink混合的算法来改善超声图像。 Sahu等人根据性能指标比较了冲击滤波器、对比度受限自适应直方图均衡和空间滤波器[9]。Hafizah和Supriyanto介绍了空域滤波、频域滤波、直方图处理、形态滤波和小波滤波方法。根据性能指标评价这些过滤器[10]。与传统方法相比，还使用深度学习方法对超声图像进行研究。例如，在Perdios等人进行的研究为了降低超声图像的噪声，引入了一种堆叠的去噪自动编码器网络，并表明所提出的网络优于压缩感知方法[11]。在Kokil和Sudharson[12]进行的研究中，使用预训练的残差学习网络进行去斑，并得出结论，该网络优于经典的去斑滤波器。在这项研究中，峰值信噪比（PSNR）和结构https://doi.org/10.1016/j.jestch.2021.06.0102215-0986/©2021 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchO. KaraogRaglu，HasanS，akirBilge和I_.乌卢埃工程科学与技术，国际期刊29（2022）1010302XXFig. 1. 扩展卷积自动编码器去噪网络模式。含噪图像和推荐方法图像的相似性指数（SSIM）值与其他研究不同，Mishra等人引入了生成对抗网络[13]。该研究旨在减少斑点噪声而不破坏图像的结构特征。提出的深度学习网络非常成功地与其他过滤器兼容。在从身体的臂丛区域获得的超声图像中添加具有瑞利分布的斑点噪声，其标准差为sigma = 0.10、0.25、0.50、0.75。斑点噪声模型遵循瑞利分布[14]。本研究旨在通过使用五种不同的深度学习网络（扩张卷积自动编码器去噪网络/Di-Conv-AE-Net、去噪U形网络/D-U-Net、BatchRenormalization U-Net/Br-U-Net、生成对抗去噪网络/DGan-Net和CNN残差网络/DeR-Net）来减少超声图像的斑点噪声。块匹配和3D滤波（BM3D）的参数是从以前的工作中获得的[15]。在本文中，我们提出了五种深度学习网络，它们利用不同的网络结构来减少超声图像的斑点噪声内容。这里提出的网络如下：一个基于CNN的自动编码器网络，由膨胀卷积层组成，通过批量归一化和批量重新归一化层修改的U形网络，一个基于残差连接的去噪网络，以及一个用于去噪的修改的生成对抗网络。超声图像数据集的散斑噪声是乘性噪声，散斑噪声的分布是瑞利分布。特别是，所提出的网络可以处理范围广泛的噪声水平。为了研究去噪问题的网络结构和超参数的效率，将所提出的深度学习网络的去噪性能相互比较，并与文献中具有类似网络结构的其他研究结果我们的模型被发现优于其他方法，包括类似的网络结构。我们的贡献可归纳如下：我们提出了五种不同的网络结构，可以处理各种程度的瑞利分布的斑点噪声。将所提出的深度学习网络的去噪性能相互比较，并与文献中具有类似网络结构的其他研究进行比较，以证明超参数和网络结构的影响。我们的方法可以应用于现实世界的噪声图像，也表现出出色的性能相比，其他方法。在本文的第二部分中，解释了深度学习网络结构。瑞利分布噪声模型，每-第3节中给出了测试评估指标和测试结果。第4节和第5节分别提供了讨论和结论2. 方法在本节中，给出了有关所提出的去噪深度学习网络的信息。这些网络结构是从最流行的深度学习架构中2.1. 扩张卷积自动编码器去噪网络（Di-Conv-AE- Net）F：Z2！ R;Xr1/2-r;r]2\Z2;k：Xr！R如果滤波器大小为（2r +1）2，则卷积由以下等式[16]定义：Fωk最新动态我们可以如下扩展等式（1）并引入扩展因子Fωlk我不得到的方程称为扩张卷积。扩张卷积旨在扩大图像的大小以防止数据丢失。扩张卷积过程用于避免最大池化/下采样。在基于CNN的网络中，使用图像内容的子采样层来执行处理虽然下采样层允许感受野扩展，但它们忽略了图像分辨率。池化层作为一种下采样层，也会导致图像分辨率的降低，尽管它们用于保持不变性，控制过拟合和执行特征提取。然而，通过对层进行降采样，网络各层的特征分辨率会逐渐丢失。由此产生的粗糙特征可能会忽略小对象的细节，即使使用涉及跳过连接或其他技术的努力也难以恢复这些细节。用于恢复图像的上采样层无法成功修复分辨率[17]。然而，分辨率是图像去噪应用的一个非常重要的因素。在扩张的卷积中，通过使用孔来扩大。因此，确保图像被降噪而不损失分辨率。此外，在扩张卷积中，虽然滤波器大小增加了滤波器参数的数量，但每个位置的操作数量保持不变[18]。●●●O. KaraogRaglu，HasanS，akirBilge和I_.乌卢埃工程科学与技术，国际期刊29（2022）1010303图二. 去噪U形网网络模式。因此，扩张卷积是使用孔过滤器来代替池化和卷积层的替代方法[19]。在[18，19]中，将由膨胀卷积层组成的网络与由池化和卷积层组成的另一个网络进行了比较。从这些研究中可以理解，从具有扩张卷积的网络获得的输出图像的分辨率更好。图1所示的扩张卷积网络由两部分组成：编码器和解码器。编码器层分别在级别1、2和3处包含三个扩张卷积层，而解码器层分别在级别3、2和1处具有三个扩张卷积层。在这种网络结构中，最大池化层仅使用一次。2.2. 去噪U形网（D-U-Net）在文献中，Ronneberger等人提出了U形网络模型。[20]。这个网络有两个部分：收缩和扩张（图2）。在网络缩小后的图像在网络右侧的扩展部分网络的膨胀和收缩部分造成短路收缩，彼此之间的联系。在我们的研究中，使用了一个U形的49层深度学习网络。与[20]中提出的工作相反，除了在我们的D-U-Net网络中使用批归一化和丢弃层之外，还使用转置卷积层代替网络扩展区域中的上采样层。众所周知，卷积层用于深度学习网络中的特征提取操作。作为该处理的结果，图像尺寸根据卷积窗口变窄。转置卷积过程是卷积过程的逆过程，并且以最小的失真恢复该层中收缩图像大小的结构特性。另一方面，上采样层通过对缩小图像进行配对来恢复缩小图像的尺寸，但在恢复过程中图像会发生结构性失真。2.3. 批重正化U网（Br-U-Net）该网络架构与U形网络的架构相同。Br-U-Net和D-U-Net之间的主要区别在于，该网络中的批量归一化层已被批量重正化层取代（图3）。它们之间的另一个区别是Br-U-Net中使用的泄漏ReLU层的O. KaraogRaglu，HasanS，akirBilge和I_.乌卢埃工程科学与技术，国际期刊29（2022）1010304图3.第三章。批量重整U-Net网络架构。Tian等人提出了批重正化层，用于执行涡卷和尺度操作以解决内部变量移位问题[21]。 在批处理重整化过程中，伽马参数（c）和β参数（b）被固定为1和0。2.4. 生成对抗去噪网络（DGAN-Net）在这项研究中，提出了一种生成对抗去噪深度学习网络。这种深度学习网络由Goodfellow等人于2014年首次引入[22]。它由两部分组成：发电机和发电机。认为生成器是伪造者。在去噪GAN网络中，作为生成器输入。去噪后的图像由生成器生成，而消噪器则区分图像是真的还是假的（图4）[23]。发电机网络模型呈U形，有15层。卷积网络也包含15层，它在卷积层的帮助下执行鉴别过程。2.5. CNN残差网络（DeRNet）提出了一种残差深度学习网络来防止消失梯度问题[24]。通过减少渐变，在层之间创建快捷连接。因此，避免了梯度消失的问题，并且网络继续学习。在我们提出的CNN残差网络中，层的大小是相同的，层数是25（图1）。 5）。3. 实验结果3.1. 实验平台所有实验都在Google Colaboratory浏览器中进行[25]。在这个平台上，谷歌向用户提供免费的Nvidia Tesla K80 GPU在设计深度学习网络结构时使用了Python编程语言，还使用了Keras和TensorFlow库。O. KaraogRaglu，HasanS，akirBilge和I_.乌卢埃工程科学与技术，国际期刊29（2022）1010305×见图4。 生成对抗去噪网络模式。图五. CNN-残差网络模式。3.2. 数据集对于实验研究，选择了Kaggle网站上的“超声神经分割”竞赛[26]和“胎儿头围自动测量”竞赛[27]中使用的数据集第一个数据集中的噪声训练图像的数量为2000，清晰比较图像的数量为2000。是2000，并且在4个不同的r水平下的测试图像的数量是声音图像具有r = 0.75标准偏差（图6）。数据集的像素大小为128× 128。3.3. 向数据集散斑噪声的一般数学模型表示如下[28]：100.与其他研究不同的是，在本研究中，训练数据集图像被调整为在所有噪声水平下都相等，而不是在fx;ygx;ygmx;y单一噪音水平。2000幅噪声超声图像中的第一500幅具有r= 0.10标准偏差，2000幅噪声超声图像中的第二500幅具有r= 0.25标准偏差，2000幅噪声超声图像中的第三500幅具有r= 0.50标准偏差，并且2000幅噪声超声波图像中的第四500幅具有r = 0.25标准偏差。在等式（3）中，干净图像被表示为g（x，y）; f（x，y）表示有噪声图像，并且乘性噪声和加性噪声分别为gm（x，y）和ga（x，y）和y是变量的空间位置。一般来说，加性噪声被忽略。反向散射回波的射频和包络信号可以是O. KaraogRaglu，HasanS，akirBilge和I_.乌卢埃工程科学与技术，国际期刊29（2022）1010306SSIM公司简介yx; yXyXy图六、从第一个数据集中抽取测试图像样本使用标准随机信号理论进行分析[29]。完全随机散射的散斑图用瑞利分布表征。假设等式（3）中的表达式gm（x，y）具有瑞利分布，则gm（x，y）的概率密度函数为：表示如下：f f2pfjuur2exp-2u2r2gP0 4参数r表示噪声强度，u表示无噪声图像，并且f是添加噪声的图像。3.4. 绩效评价两个定量指标被用来评估实验研究的性能。第一个是峰值信噪比（ PSNR ） ， 它 考 虑 了 干 净 图 像 和 去 噪 图 像 之 间 的 均 方 根 误 差（RMSE）。第二个是结构相似性指数测度（SSIM），它衡量干净图像和去噪图像之间的相似性。PSNR和SSIM度量的等式如下[30，31]：见图7。深度学习网络的损失函数图，不包括DGAN-Net。2552峰值信噪比（PSNR）：10 log10MSE≤ 5 ms这里，MSE表示真实图像和预测图像之间的均方误差。2llc12rxyC2Þ ¼ðl2þl2þc1Þðr2þr2þc2Þð6Þ这里，lx、ly和rx、ry分别是输入图像和去噪图像的平均值和标准差。图像的互协方差表示为rxy。当PSNR值较高且SSIM值接近于1时，该方法图7中的曲线展示了四种拟议的深度学习网络的损失函数。在该图中，验证损失函数由虚线表示。DGAN-Net的生成器和损失函数也在图8中给出。从图7中可以看出，除了判别器损失之外，所有损失函数都在少量时期之后减小并平衡。图图8显示了DGAN-Net中生成器和鉴别器网络的误差函数。图9中的曲线展示了四种深度学习网络的准确性。在此图中，验证精度由虚线表示。图10显示了DGAN-Net中发电机和网络的精度。图8.第八条。DGAN-Net的损失函数图O. KaraogRaglu，HasanS，akirBilge和I_.乌卢埃工程科学与技术，国际期刊29（2022）1010307--见图9。深度学习网络的准确性图形，不包括DGAN-Net。见图10。DGAN-Net的精确图形3.5. 五种深度学习网络和其他去噪方法的比较在本节中，将所提出的五种深度学习网络与BM 3D、经典滤波方法（Bilateral[32]、Frost[33]、Kuan[34]、Lee[35]、Mean和MedianFilters）以及其他深度学习网络（使用更宽卷积的像素分布先验学习图像去噪（WIN 5-RB）[36]、去噪先验驱动的深度神经网络图像恢复（DPDNN）[37]以及使用基于M网的指纹图像去噪和修复）卷积神经网络(FPD-M Net））[38]。基于PSNR和SSIM度量将结果彼此进行比较。还显示了所选深度学习网络的超参数值。 研究了超参数对网络结果的影响。使用[38]中给出的推荐参数值确定用于比较的经典滤波器参数。在我们的研究中，四个不同的标准差（r= 0.10，0.25，0.50，0.75）的斑点噪声水平，以证明与其他图像去噪方法相比，改进的深度学习方法的优越性。表1列出了用于拟议深度学习网络的超参数。超参数会影响深度学习网络的性能，设计人员会调整它们。如果超参数发生变化，网络性能也会发生变化。在我们的研究中，我们比较了超参数，因为它们可以显示深度学习网络之间的显著差异。深度学习网络和其他方法根据PSNR和SSIM指标的平均结果如表2所示。对0.1、0.25、0.50和0.75的标准偏差值进行比较。可以将标准偏差值作为较宽间隔或较窄间隔的标准在本研究中，使用这些标准差水平是因为它们的PSNR和SSIM值明显不同。如表2所示，在标准偏差值σ = 0.1、0.25、0.50和0.75处，噪声图像的PSNR值分别为16.62、13.22、11.45和10.81，SSIM值分别为87.74%、69.90%、53.33%和45.90%。从表2可以看出：在0.10标准差下给出最佳PSNR值的网络是DGAN-Net，为34.32dB，而U-Net的最佳SSIM值为98.69%。在0.25标准差下给出最佳PSNR值的网络是具有32.33 dB的Di-Conv-AE-Net，并且使用D-U-Net的最佳SSIM值为96.66%。在0.50标准差下给出最佳PSNR值的网络是Di-Conv-AE-Net，其值为31.45 dB，而D-U-Net的最佳SSIM值为95.07%。在0.75标准差下给出最佳PSNR值的网络是Di-Conv-AE-Net，其值为29.96 dB，而D-U-Net的最佳SSIM值为93.84%。表1深度学习网络超参数。超参数Di-Conv-AE-NetDGAN-NETD-U-NETBr-U-NETDeRNet发生器鉴别器优化器阿达麦亚当亚当阿达麦阿达麦阿达麦验证率百分之十––百分之十百分之十百分之十辍学率百分之二十百分之五十–百分之十百分之十–扩张卷积使用–––––最大池化层数1––4––激活函数TanhTanhLeaky ReLU乙状乙状乙状层数213411574724学习率0.00010.00010.00010.00010.00010.0001小批量大小202020322032●●●●O. KaraogRaglu，HasanS，akirBilge和I_.乌卢埃工程科学与技术，国际期刊29（2022）101030表88----根据PSNR和SSIM标准对深度学习网络和其他去噪算法的第一个测试数据集结果进行去噪方法峰值信噪比（dB）SSIM每个时期的时间（秒）0.1 0.250.50.750.10.250.50.75噪声图像16.62 13.2211.4510.8187.74%69.90%53.33%45.90%双边18.31 15.3513.9212.2273.76%64.20%57.96%47.21%0.02霜14.7413.5412.0262.34%56.40%52.19%44.20%1.40Kuan19.1至16.0114.9812.6780.77%74.96%百分之七十点七五百分之六十点九五1.65李19.22 16.0714.5412.781.65%75.88%71.62%61.77%0.65是说15.77 13.9813.3411.9653.04%47.67%44.00%38.05%0.20中值16.62 13.2212.8711.5853.04%47.71%43.27%36.93%0.49BM3d21.71 16.7914.6713.0664.07%63.49%58.47%50.66%31.17WIN5-RB32.16 26.7826.5525.71百分之九十七点零八百分之九十四点三一百分之九十二点五91.17%21DPDNN33 29.2627.5326.43百分之九十八点三六百分之九十六点零九百分之九十三点七二92.20%127FDP-M-Net30.41 28.6526.5825.47百分之九十七点三一百分之九十五点二七91.46%89.41%10Di-Conv-AE-Net33.33 32.3331.4529.96百分之九十六点六百分之九十五点六三百分之九十四点二六百分之九十三点一三8DGAN-Net34.32 28.2029.2727.30百分之九十七点八七百分之九十五点零七92.66%百分之九十点六七3.93D-U-NET33.02 27.6727.4526.7百分之九十八点六九96.66%百分之九十五点零七百分之九十三点八四9Br-U-NET31.88 26.526.8325.88百分之九十八点五四百分之九十六点五一百分之九十四点九三百分之九十三点五四15DeRNet31.42 27.5927.327.36百分之九十六点七六百分之九十四点九五百分之九十四点一六百分之九十三点四13其他去噪方法的效果不如修改后的深度学习算法。随着标准差水平的增加，扩张卷积自编码器具有比其他提出的网络和去噪方法更好的性能。在经典滤波器中，Lee滤波器在0.10、0.25和0.75噪声水平下给出最佳PSNR结果，Kuan滤波器在0.50噪声水平下给出最佳PSNR结果根据SSIM，Lee滤波器在所有sigma水平下均给出了最佳结果，这是无可争议的然而，Lee过滤器的性能低于BM 3D、其他深度学习网络以及本研究中训练的修改后的深度学习方法。虽然BM3D算法是最优选的经典滤波方法之一，但与深度学习网络的性能相比，其性能较差。还使用文献中的深度学习网络（DPDNN，WIN 5-RB和FDP-MNet）来比较结果。这些用于比较结果的网络具有不同的深度学习网络架构。WIN 5-RB深度学习架构是一种改进的残差网络架构，它在第一层和最后一层之间有一个跳跃连接。因此，在此将该网络与最类似于WIN 5-RB架构的DeRNet网络结构在PSNR和SSIM方面进行比较。可以看出，即使WIN 5-RB网络在0.10 sigma水平上优于DeRNet网络，随着噪声的sigma水平的增加，DeRNet网络也会提供更好的性能。DPDNN深度学习架构是一种改进的卷积神经网络自动编码器架构。因此，该网络和Di-Conv-AE-Net网络结构，是最相似的DPDNN架构，在这里进行比较的PSNR和SSIM。据观察，Di-Conv-AE-Net根据PSNR度量在所有sigma水平下给出最佳结果。根据SSIM指标，Di-Conv-AE-Net给出了最好的结果，除了0.1和0.25 sigma水平。FDP-M Net深度学习架构是一种改进的U型深度学习架构。因此，该网络与D-U-Net和Br-U-Net的网络结构最为相似，Net体系结构，根据PSNR和SSIM度量结果。如表2所示，与该网络相比，U-Net和Br-U-Net网络给出了更好的PSNR结果，除了在sigma = 0.50处。根据SSIM指标，U-Net和Br-U-Net网络优于FDP-所有sigma水平的M净。表2中还比较了深度学习网络和BM 3D算法的运行时间。与其他网络相比，DGAN-Net网络具有最快的运行时间图8示出了使用深度学习网络和其他去噪方法在标准偏差σ = 0.75处获得的噪声降低的超声图像。在该图中，提供了噪声图像和原始图像以更好地说明它们之间的如图8所示，深度学习方法减少了图像中的斑点噪声，并提供了最接近真实图像的去噪图像，而不会破坏图像的结构形式 图图8通过提供原始图像和斑点噪声示出了这些图像增强方法的有效性。可以看出，用BM 3D算法和经典滤波器获得的图像在结构上与原始图像不太相似这给医生诊断疾病造成了困难如表3所示，在标准偏差值σ = 0.1、0.25、0.50和0.75时，噪声图像的PSNR 值 分别 为 23.52、 19.79 、 17.82 和16.94 ， SSIM 值 分别 为91.84%、79.75%、67.95%和61.02%。从表3可以看出：在0.10标准差下给出最佳PSNR值的网络是DGAN-Net，具有35.88dB，而DeRNet的最佳SSIM值为97.17%。在0.25标准差下给出最佳PSNR值的网络是DGAN-Net，具有33.90dB，并且最佳SSIM值是Br-U-Net的94.36%。在0.50标准差下给出最佳PSNR值的网络是DGAN-Net，其值为30.79 dB，而Br-U-Net的最佳SSIM值为91.64%。在0.75标准差下给出最佳PSNR值的网络是Di-Conv-AE-Net，其值为29.39 dB，而Br-U-Net的最佳SSIM值为88.07%。4. 讨论4.1. 拟议网络之间的比较从标准偏差可以看出，当图像的噪声比高时，PSNR值对于扩张的卷积自动编码器网络（Di-Conv-AE-Net）是最高的。主要原因是，与其他网络不同，这里使用的是扩张卷积。更好的性能是通过使用扩张卷积而不是减小图像的大小来提供图像大小的最小减小来实现的因此，在不牺牲图像质量的情况下实现最佳结果。●●●●O. KaraogRaglu，HasanS，akirBilge和I_.乌卢埃工程科学与技术，国际期刊29（2022）1010309×---表3根据PSNR和SSIM标准，对深度学习网络和其他去噪算法的第二个测试数据集结果进行去噪方法峰值信噪比（dB）SSIM每个时期的时间（秒）0.1 0.250.50.750.10.250.50.75噪声图像23.52 19.7917.8216.9491.84%百分之七十九点七五百分之六十七点九五61.02%双边25.12 20.5120.0419.4184.81%73.96%72.39%69.49%0.03霜23.47 20.0219.6319.06百分之八十三点八五73.07%71.32%68.34%1.55Kuan27.51 21.5520.9820.1892.10%81.94%百分之八十点二七76.35%1.68李27.77 21.6321.0320.20百分之九十二点四三82.29%80.46%76.41%0.70是说22.5 19.2718.7918.2276.79%69.34%百分之六十七点九八65.65%0.25中值22.19 19.2718.7918.2277.59%67.44%64.80%61.38%0.75BM3d21.71 16.7914.6713.0664.07%63.49%58.47%50.66%39,80WIN5-RB29.42 27.1725.423.3796.74%百分之九十三点六七90.44%87.22%14DPDNN30.22 26.1423.6522.06百分之九十六点七五百分之九十二点二五86.99%82.93%45FDP-M-Net26.46 25.824.7322.72百分之八十八点九九85.86%82.70%79.73%4Di-Conv-AE-Net33.77 32.2230.7829.39百分之九十三点九七91.88%88.98%86.04%5DGAN-Net35.88 33.9030.7928.92百分之九十五点七九百分之九十三点二九89.32%85.90%3.50D-U-NET28.02 28.6627.9725.4493.80%百分之九十二点五百分之九十点二二87.27%3Br-U-NET29.42 28.2127.5324.98百分之九十六点一二百分之九十四点三六91.64%88.07%6DeRNet31.08 27.4524.6222.49百分之九十七点一七百分之九十三点七八百分之八十九点二五84.68%10.4DGAN-Net深度学习网络在0.10水平下给出了最佳的PSNR结果，其中噪声最小。生成对抗网络是一种深度学习网络，可以在不看到原始图像的情况下预测图像。在这项研究中，最初假设DGAN-Net在标准偏差值为0.1或更低时表现更好，因为其他网络的PSNR值会随着噪声水平的降低而降低。对于SSIM度量，可以看出，U-Net网络在噪声图像的所有标准偏差值下给出了最佳结果当从这个角度考虑D-U-Net网络时，它给出了与真实图像最相似的结果。例如，当扩张卷积网络在0.75西格玛噪声水平处的PSNR值为29.96时，在0.10西格玛噪声水平处的噪声水平为33.33。随着噪声水平的降低，该网络的PSNR值的增加量也会降低。然而，DGAN-Net的PSNR值在0.10的水平上增加，并达到34.32分贝。根据表1，增加网络的层数并不总是对网络的成功产生积极其原因是增加的层数会导致渐变消失的问题。除了视觉质量之外，图像去噪方法的另一个重要方面是网络的运行时间。表2和3显示了所提出的网络的运行时性能。在这些表中，运行时间显示为深度学习网络每个时期的运行时间。虽然从表2中可以看出，DGAN-Net是每个epoch最快的深度学习网络，但考虑到网络达到预期结果的epoch总数，Di-Conv-AE-Net是最快的训练网络。Br-U-Net的训练时间最长，是一个没有使用最大池层的U形网络;因此，与其他网络相比，它的训练时间最慢，因为它包含更多的参数。虽然从表3中可以看出，D-U-Net是每个epoch最快的深度学习网络，但考虑到网络达到预期结果的epoch总数，D-GAN-Net是最快的训练网络DeRNet的训练时间最长，与其他网络相比，它的训练时间最慢。4.2. 文献中提出的网络和其他深度学习方法的比较在表2中，我们研究中推荐的网络与其他深度学习网络方法相似，这些方法根据PSNR、SSIM和运行时标准具有不同的网络架构。放免法进行比较的同时确保被比较的网络具有相似的网络架构。从表2和表3可以理解，当将具有残余网络结构的WIN 5-RB与DeRNet网络进行比较时，随着噪声水平的增加，DeRNet网络在PSNR和SSIM度量RNet也是比较深度学习网络性能的重要标准，尽管DeRNet网络比WIN 5-RB有更多的层，但在训练速度方面似乎优于WIN 5-RB网络。这是因为卷积过程是在WIN 5-RB网络中使用7 × 7卷积窗口进行的。比较DPDNN和Di-Conv-AE-Net网络，它们都具有卷积神经网络自动编码器架构，从表2和表3可以理解，我们研究中推荐的Di-Conv-AE-Net网络在以下方面表现最佳：PSNR和SSIM度量方面的所有噪声水平。它也优于形式的DPDNN网络在其运行时间。除了具有34层之外，DPDNN网络具有非常慢的训练速率，因为网络中使用的参数的数量大约是Di-Conv-AE-Net网络的两倍。从表2和表3可以理解，与FDP-M Net相比，我们研究中推荐的D-U-Net和Br-U- Net网络在几乎所有噪声水平下根据PSNR和SSIM表现更好，所有网络都具有U形网络结构。在运行时间方面，D-U-Net这是因为FDP-M Net由81层组成Br-U-Net的运行时性能比其他网络慢的主要原因是，该网络的参数数量是其他两个网络的两倍，这是因为该网络从未使用过最大池层。总之，我们研究中推荐的网络在PSNR、SSIM和运行时间标准方面优于文献中先前提出的具有类似网络架构的这种优越性的主要原因是使用足够少的层来最小化消失梯度问题的网络的创建，在所提出的网络中使用合理水平的池化层来最小化图像损失，以及设计用于提高推荐网络的去噪性能的超参数设置。4.3. 建议的网络与经典滤波器的比较在我们的研究中推荐的网络也与经典滤波方法和表2和表3中指定的BM 3D算法相一致。在PSNR和SSIM方面，O. KaraogRaglu，HasanS，akirBilge和I_.乌卢埃工程科学与技术，国际期刊29（2022）10103010图十一岁所提出的深度学习网络和其他去噪方法在sigma = 0.75时对标准测试图像的有效性指标，很明显，推荐的网络显示出优于传统方法的性能。从表2和表3可以看出，推荐的网络在运行时间方面比BM3D更快地提供结果由于经典滤波器用于降低图像中噪声的过程数量小于深度学习方法的数量，建议在我们的研究中，我们提出的网络需要更多的时间来训练相比，经典的过滤器。因此，在降噪性能，运行时间，过程和参数的数量方面，我们在这项研究中推荐的网络比具有类似结构的文献和经典滤波方法O. KaraogRaglu，HasanS，akirBilge和I_.乌卢埃工程科学与技术，国际期刊29（2022）10103011图12个。所提出的深度学习网络和其他去噪方法在sigma = 0.75时对标准测试图像的有效性我们在图11中示出了表2的视觉结果，在图12中示出了表3的视觉结果。从图中可以清楚地看出。图11和图12表明，所提出的深度学习网络能够从图像中去除斑点噪声并提高图像分辨率。特别是经典的方法和BM3D方法在去除图像中的斑点噪声的同时对图像进行了有必要指出这项研究的一些局限性首先，散斑噪声已被添加到数据集，因为在当前条件下不可能获得干净的超声图像。其次，深度学习网络在使用高分辨率图像训练时表现更好然而，不应忘记，深度学习网络中高分辨率图像的处理O. KaraogRaglu，HasanS，akirBilge和I_.乌卢埃工程科学与技术，国际期刊29（2022）10103012-只有在高计算能力的情况下才有可能第三，所提出的网络仅被设计用于2维B模式超声图像;因此，不存在用于彩色或3D图像的数据。5. 结论超声成像在疾病诊断中起着至关重要的作用。为了使医生正确诊断疾病，必须从超声图像中消除斑点噪声。迄今为止，已经开发了许多过滤器和方法来实现该目标。随着计算机处理器容量的增加，对机器学习的一个子分支深度学习的研究已经加速。随着计算机技术的发展，深度学习网络的应用范围越来越广，本文将其应用于超声图像斑点噪声的抑制。在这项工作中，使用最受欢迎的经典图像增强算法之一BM 3D，以及经典滤波器（包括Bilateral，Frost，Kuan，Lee，Mean和MedianFilters）和深度学习网络（包括WIN 5-RB，DPDNN和FPD-MNet），比较了具有五种不同架构的深度学习网络的斑点噪声降低性能。为本研究创建的深度学习网络的性能在PSNR和SSIM指标方面，与BM 3D和经典滤波器的性能相比，当深度学习网络在它们之间进行评估时，使用扩张卷积自动编码器网络在0.25、0.50和0.75噪声水平下实现了最佳PSNR值。生成对抗网络在0.10噪声水平下具有最佳PSNR性能。D-U-Net网络在所有噪声水平下都具有最佳SSIM值。这项研究表明，所提出的深度学习网络是去除超声图像噪声的理想方法。通过对我们研究中使用的去噪深度学习网络和选择用于计算的深度学习网络的评估，发现本研究中提出的网络符合除第3.5所述的例外情况外，该研究还表明，创建具有四种不同噪声水平的数据集对网络性能有积极影响。在未来的研究中，将检查以不同速率分布噪声水平的效果，而不是利用平均分布竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用[1] Gautam，Rekha，和Rupali Bharti女士‘‘Liver Ultrasound Image EnhancementUsing Bilateral Filter” International Journal of Engineering and TechnicalResearch[2] Kamran Binaee，Reza PR Hasanzadeh，一种基于局部梯度模糊相似性的超声图像增强方法，Biomed。信号处理。对照卷：13（2014）89-101。[3] 内六Ortiz，T.赵博士Fox，超声图像增强：综述，Biomed。信号处理。 对照7（2012）419-428。[4] Poonam Chauhan* 和Vikas Kaushik，International Journal of Current Engineering and Technology，（2018），.8，3[5] Ognjen Magud，Eva Tuba，Nebojsa