基于多尺度并行深度可拆分的CNN新冠肺炎CT图像去噪方法

摘要

目前新冠肺炎(COVID-19)在全球蔓延,为了对新冠肺炎进行早期诊断,同时减轻医护人员的工作压力,使用深度学习对患者胸部电子计算机断层扫描(CT)图像进行分析变得越来越重要.针对肺炎图像中纹理细节较为丰富、边缘结构模糊、极易干扰机器及医生诊断的问题,本文提出一种基于多尺度并行深度可拆分卷积神经网络(MSP-ReC-NN),对新冠肺炎CT图像进行去噪处理,提升肺炎图像质量.多尺度特征提取模块从不同尺度提取肺炎图像中的纹理特征细节,采用深浅通道并行方式,分别提取肺炎图像中的高维度以及低维度的特征.为进一步优化网络模型,提出一种拆分卷积方式,可将特征图拆分为两类,一类为主要关注特征,另一类为次要关注特征.使用复杂度高的计算方式从主要关注特征中提取关键信息,对于次要关注特征,则采取复杂度低的计算方式提取补偿信息.通过与非局部均值(NLM)去噪算法、收缩卷积神经网络(SCNN)深度模型、去噪卷积神经网络(DnCNN)深度模型对比,以及网络消融实验,可以看出本文提出的模型能有效去除肺炎图像中的噪声,并且可以更好地保留原始图像中的纹理结构细节,为机器以及医生提供更可靠的辅助诊断.