• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于多尺度并行深度可拆分的CNN 新冠肺炎CT 圖像去噪方法①

    2021-02-11 05:01:24余世明
    高技術(shù)通訊 2021年11期
    關(guān)鍵詞:紋理卷積噪聲

    張 碩 余世明

    (浙江工業(yè)大學(xué)信息工程學(xué)院 杭州310023)

    0 引言

    新冠肺炎(COVID-19)已經(jīng)成為全球大流行病,對全球經(jīng)濟(jì)和人類健康都產(chǎn)生了極其不利的影響。截至2020 年8 月1 日,全球累計確診病例已經(jīng)超過600 萬例。醫(yī)生需要對患者不同進(jìn)展期進(jìn)行多次電子計算機(jī)斷層掃描技術(shù)(computed tomography,CT)影像檢查隨訪對比,以便對患者的病情發(fā)展和治療效果進(jìn)行精準(zhǔn)評估。隨著確診人數(shù)不斷攀升,采用傳統(tǒng)的人工檢測肺炎CT 圖像不僅工作量巨大[1],而且也難以保證評測準(zhǔn)確性。

    隨著深度學(xué)習(xí)[2-4]不斷發(fā)展進(jìn)步,依靠大數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)學(xué)習(xí),已經(jīng)廣泛應(yīng)用在醫(yī)學(xué)影像分析領(lǐng)域,并取得了良好成效[5-6]。因此使用深度學(xué)習(xí)對患者胸部肺炎CT 圖像進(jìn)行分析,從而緩解醫(yī)療資源緊張以及醫(yī)生超負(fù)荷工作等一系列問題顯得尤為重要。但是肺炎圖像中的紋理細(xì)節(jié)比較復(fù)雜,邊緣結(jié)構(gòu)也較為模糊,因此極易干擾機(jī)器以及醫(yī)生的診斷[7]。為此,本文提出一種基于多尺度并行深度可拆分卷積神經(jīng)網(wǎng)絡(luò)(multi-scale parallel deep split convolution neural network,MSP-ReCNN),對新冠肺炎CT 圖像進(jìn)行去噪處理,提升肺炎CT 圖像質(zhì)量。

    本文借鑒了目標(biāo)檢測[8]中多尺度[9]提取信息的思想,在網(wǎng)絡(luò)開始訓(xùn)練階段,使用不同尺寸大小的卷積核對輸入圖像進(jìn)行卷積操作,再將提取出的特征進(jìn)行融合。接著將融合后的特征圖分別放入深通道和淺通道中進(jìn)行學(xué)習(xí)。為進(jìn)一步優(yōu)化網(wǎng)絡(luò)模型,提出了拆分卷積操作,將特征圖分為兩類,即主要關(guān)注特征和次要關(guān)注特征。

    在新冠肺炎CT 圖像去噪研究中,本文主要工作如下。

    (1)使用多尺度特征提取模塊,從不同尺度提取圖像特征信息。

    (2)提出深、淺通道并行方式,分別提取肺炎CT 圖像中的高維和低維特征。

    (3)提出一種拆分卷積操作,進(jìn)一步降低網(wǎng)絡(luò)參數(shù)量,加速模型推理速度,提升網(wǎng)絡(luò)的去噪精度。

    1 相關(guān)工作

    醫(yī)學(xué)圖像去噪因其具有較高的實(shí)用價值,在過去很長一段時間均得到廣泛研究。目前醫(yī)學(xué)圖像去噪主要分為兩類方法,一類是基于傳統(tǒng)技術(shù)的圖像去噪方法,另一類是基于人工智能的去噪方法。在傳統(tǒng)圖像去噪方法中,文獻(xiàn)[10]提出一種基于隨機(jī)微分的經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)圖像去噪算法,該方法利用隨機(jī)微分濾波策略計算出各層濾波結(jié)果,最后將結(jié)果重組得到去噪圖。文獻(xiàn)[11]和文獻(xiàn)[12]分別將離散小波技術(shù)[13]用于醫(yī)學(xué)圖像去噪,該方法計算簡單,運(yùn)行速度也較快,但對醫(yī)學(xué)圖像中存在的高斯白噪聲去除效果不好。文獻(xiàn)[14] 提出一種非局部均值(non-local mean,NLM)圖像去噪算法,該方法通過對圖像中每個像素點(diǎn)設(shè)置鄰域窗口和搜索窗口,對搜索窗口中所有像素值進(jìn)行加權(quán)平均處理,并替換原始含噪圖像中的像素值,使目標(biāo)像素值更接近周圍鄰域范圍內(nèi)的像素值。文獻(xiàn)[15]將像素離群度與NLM 相結(jié)合,提出一種CT 圖像去噪方法,可以有效地去除CT圖像中的噪聲。

    傳統(tǒng)醫(yī)學(xué)圖像去噪算法雖然可以在一定程度上提升醫(yī)學(xué)圖像質(zhì)量,但是往往無法有效抑制醫(yī)學(xué)圖像中的噪聲偽影,并且在紋理細(xì)節(jié)保留情況上也做的不夠理想[16]。近些年來,深度卷積網(wǎng)絡(luò)模型被廣泛應(yīng)用在醫(yī)學(xué)圖像去噪領(lǐng)域,該模型不僅關(guān)注去噪能力,而且更關(guān)注醫(yī)學(xué)圖像紋理細(xì)節(jié)的保留情況。文獻(xiàn)[17]提出使用彈性收縮閾值作為激活函數(shù)的收縮卷積神經(jīng)網(wǎng)絡(luò)(shrinkage convolutional neural network,SCNN)模型,進(jìn)行圖像去噪。文獻(xiàn)[18]提出一種針對高斯白噪聲的去噪卷積神經(jīng)網(wǎng)絡(luò)(denosing convolutional neural network,DnCNN)模型,將殘差網(wǎng)絡(luò)和批量正則化(batch normalization,BN)技術(shù)相結(jié)合,可以有效地去除圖像中廣泛存在的高斯噪聲。文獻(xiàn)[19]借鑒了DnCNN 模型中殘差網(wǎng)絡(luò)的設(shè)計思想,使用池化層,進(jìn)一步降低了網(wǎng)絡(luò)參數(shù)量,在低劑量CT 圖像去噪問題上取得了不錯的效果。文獻(xiàn)[20,21]提出一種殘差編碼器-解碼器卷積神經(jīng)網(wǎng)絡(luò)(residual encoder-decoder convolutional neural network,RED-CNN)模型,將卷積網(wǎng)絡(luò)應(yīng)用到低劑量CT 圖像去噪問題上,與傳統(tǒng)去噪算法進(jìn)行對比,在主觀和客觀評價方面都有所提升。但是新冠肺炎圖像紋理細(xì)節(jié)較為豐富,邊緣輪廓也較為模糊,對去噪精度與準(zhǔn)確度都有非常高的要求,因此本文針對這一問題,提出了MSP-ReCNN 模型,通過多尺度和深淺通道并行的方式可以有效提取網(wǎng)絡(luò)中細(xì)節(jié)特征,提升模型去噪精度。同時使用拆分卷積方式,進(jìn)一步優(yōu)化網(wǎng)絡(luò)模型、加快模型訓(xùn)練速度、縮短去噪時間。

    2 新冠肺炎CT 圖像去噪方法

    本節(jié)首先闡述新冠肺炎CT 圖像的去噪過程,接著,詳細(xì)介紹模型MSP-ReCNN 中重要組成模塊,最后引出模型整體結(jié)構(gòu)。

    2.1 問題描述

    假設(shè)含噪肺炎CT 圖像為X,干凈的CT 圖像設(shè)為Y,CT 圖像中的噪聲圖像為V,可以得到式(1)如下。

    在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中,將含噪肺炎CT 圖像X作為網(wǎng)絡(luò)輸入,通過訓(xùn)練模型,直接學(xué)習(xí)從X到Y(jié)的映射模型式(2)。但是這樣直接學(xué)習(xí)網(wǎng)絡(luò)映射的方式,其模型訓(xùn)練起來十分困難,并且去噪精度也不高,為此本文使用殘差學(xué)習(xí)策略來降低網(wǎng)絡(luò)學(xué)習(xí)難度。將網(wǎng)絡(luò)的輸出與輸入構(gòu)成一個大的殘差單元,讓網(wǎng)絡(luò)實(shí)際學(xué)習(xí)到的映射如式(3)所示,即網(wǎng)絡(luò)學(xué)習(xí)的是圖像中噪聲分布圖像V。

    通過殘差學(xué)習(xí)方式,可以將直接學(xué)習(xí)得到的干凈圖像映射、轉(zhuǎn)化為學(xué)習(xí)含噪肺炎圖像中的噪聲分布,降低了網(wǎng)絡(luò)學(xué)習(xí)難度,并且提升了模型去噪精度。

    2.2 多尺度特征提取模塊

    在卷積神經(jīng)網(wǎng)絡(luò)中,感受野是卷積神經(jīng)網(wǎng)絡(luò)中每一層輸出圖片對應(yīng)輸入圖片上的映射區(qū)域。感受野越大,關(guān)注的輸入圖片的區(qū)域也就越大。本文在圖像輸入階段,分別使用3 種不同尺度的卷積核(1 ×1、3 ×3、5 ×5)進(jìn)行特征提取工作,大的卷積核對應(yīng)的感受野也就越大,可以提取大范圍內(nèi)的特征,小的卷積核則可以提取小范圍的細(xì)節(jié)特征。

    使用并行疊加的特征融合方式[22],將所有特征圖融合在一起,作為深淺通道的輸入。如圖1 所示,其中ReLU 層是激活函數(shù)層,目的是用來提高模型的非線性,如式(4)所示。

    圖1 多尺度特征提取圖

    在實(shí)際模型訓(xùn)練中,使用空洞步長為2 的5 ×5卷積核,在擴(kuò)大感受野的同時,保持模型參數(shù)量不變。

    2.3 深淺通道并行方法

    本文使用深淺通道并行的方式來提取新冠肺炎圖像中不同維度的特征信息。其中淺層通道由6 層神經(jīng)網(wǎng)絡(luò)構(gòu)成,主要用于提取低維度的特征信息。深層通道則由16 層神經(jīng)網(wǎng)絡(luò)構(gòu)成,用于提取高維度的特征信息。使用并行疊加的特征融合方式[23],將深淺通道信息進(jìn)行合并處理。

    2.4 拆分卷積操作

    為進(jìn)一步優(yōu)化網(wǎng)絡(luò)模型,提出了拆分卷積操作如圖2 所示。從圖像中提出的同一層的特征圖往往會存在相似的結(jié)果,出現(xiàn)特征冗余的情況。為此,本文按照二等分的原則,將每層特征圖拆分為兩部分,進(jìn)行獨(dú)立卷積操作。使用卷積核大小為3 ×3、組數(shù)為2 的分組卷積對部分特征圖進(jìn)行分組卷積操作,得到主要關(guān)注特征。同時,對剩下的特征圖使用卷積核大小為1 ×1 的點(diǎn)卷積操作,得到次要關(guān)注特征。接著利用式(5)在特征圖UC上進(jìn)行全局平均池化操作,生成每個通道的權(quán)重初始值[24-25],分別得到S1和S2,其中H和W分別代表特征圖的高和寬。

    圖2 拆分卷積操作

    為了能動態(tài)地調(diào)整每個通道的權(quán)重,將生成的S1和S2堆疊一起,傳給全連接層。再使用Softmax函數(shù),重新生成主要和次要關(guān)注特征各個通道的權(quán)重α和β,如式(6)所示。

    經(jīng)過拆分卷積處理后的網(wǎng)絡(luò)輸出為

    2.5 MSP-ReCNN 模型整體結(jié)構(gòu)

    如圖3 所示,模型MSP-ReCNN 的整體框架由4部分構(gòu)成。在網(wǎng)絡(luò)初始階段使用了多特征提取模塊,使用不同尺寸的卷積核多尺度地提取肺炎CT圖像中的細(xì)節(jié)特征。模型的上半部分是Sconv Block 模塊,其中Sconv 是可拆分卷積操作,BN 是批量正則化。淺通道模塊一共由6 層網(wǎng)絡(luò)構(gòu)成,每次可拆分卷積操作之后,都會跟著一個BN 和ReLU。深通道模塊一共由16 層網(wǎng)絡(luò)構(gòu)成,為降低網(wǎng)絡(luò)學(xué)習(xí)難度,首先使用殘差網(wǎng)絡(luò),將第1 層可拆分卷積處理之后的特征直接傳給第5、9、13 層。接著使用并行疊加的特征融合模塊,將深淺通道提取出的信息進(jìn)行合并。最后再使用一層卷積操作,將特征圖轉(zhuǎn)化為一層的輸出圖像。為了降低整個網(wǎng)絡(luò)的學(xué)習(xí)難度,將整個網(wǎng)絡(luò)構(gòu)成一個大的殘差單元,輸入與輸出構(gòu)成一個相減操作,這樣就使得網(wǎng)絡(luò)直接學(xué)習(xí)肺炎圖像中的噪聲分布,而不是直接學(xué)習(xí)得到干凈的去噪圖像。

    圖3 MSP-ReCNN 模型

    本文使用均方誤差作為模型的損失函數(shù),如式(8)所示,其中R(Xi) 代表網(wǎng)絡(luò)學(xué)習(xí)得到的殘差圖像塊,Xi -Yi代表實(shí)際殘差圖像塊,也就是標(biāo)簽。

    模型MSP-ReCNN 每一層卷積核大小及輸出通道數(shù)如表1 所示。其中第1 層是多特征提取層,一共由48 個1 ×1 的卷積核、64 個3 ×3 的卷積核以及32 個5 ×5(空洞步長為2)的卷積核構(gòu)成。深淺通道中,首先使用可拆分的卷積操作,其中主要關(guān)注特征采用組數(shù)為2、38 個大小為3 ×3 的卷積操作,次要關(guān)注特征使用26 個1 ×1 大小的卷積核進(jìn)行特征補(bǔ)全操作。接著將深淺通道的各64 個特征層并行疊加在一起,經(jīng)過最后一層1 輸出通道的卷積層,得到殘差圖像塊。

    表1 模型MSP-ReCNN 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

    3 實(shí)驗(yàn)結(jié)果分析

    為進(jìn)一步驗(yàn)證模型MSP-ReCNN 在新冠肺炎CT圖像中的去噪效果,本文與傳統(tǒng)去噪算法NLM 以及基于神經(jīng)網(wǎng)絡(luò)的去噪模型SCNN、DnCNN 的去噪結(jié)果進(jìn)行了對比分析。同時,本文還使用模型消融實(shí)驗(yàn),探究了各個方法對去噪結(jié)果的影響。

    本實(shí)驗(yàn)的配置環(huán)境為:硬件配置為Intel(R)Core(TM) i7-7700HQ,CPU 主頻為2.80 GHz,GPU配置為Nvidia GeForce GTX 1050;軟件環(huán)境為64 位Windows 操作系統(tǒng),使用Pytorch 深度學(xué)習(xí)框架,在Pycharm 平臺下進(jìn)行訓(xùn)練和測試。

    3.1 實(shí)驗(yàn)數(shù)據(jù)及訓(xùn)練過程

    本文使用COVID-CT 數(shù)據(jù)集[26],其中包含349張COVID-19 檢測呈陽性的CT 圖像,還有397 張檢測呈陰性的CT 圖像。如圖4 所示,其中圖4(a)是陽性的CT 圖像,圖4(b)是陰性的CT 圖像。該數(shù)據(jù)中肺部CT 圖像大部分都有明顯的斑片狀陰影以及毛玻璃狀的渾濁。為了能更明顯地顯示圖片中的紋理細(xì)節(jié),從數(shù)據(jù)集中剔除分辨率小于300 ×300 dpi的CT圖像,共計得到350 張圖像。本文從陽性和陰性CT 圖像中各取出15 張CT 圖像作為測試集,剩下320 張作為模型訓(xùn)練數(shù)據(jù)。同時為豐富訓(xùn)練數(shù)據(jù)及降低訓(xùn)練時間,本文對原始數(shù)據(jù)進(jìn)行切片處理,采樣圖像塊大小為100 ×100 dpi,采樣間隔為25 dpi,共計得到212 224 個圖像塊,作為干凈的原始圖像。

    圖4 COVID-CT 數(shù)據(jù)集圖像

    3.2 實(shí)驗(yàn)結(jié)果對比

    本文采用主觀以及客觀兩種評價方法對各個算法去噪后的CT 圖像進(jìn)行對比分析。其中主觀評價方法主要是通過分析去噪后圖像的整體視覺效果,以及局部紋理細(xì)節(jié)的保存情況來評價各個算法的去噪性能??陀^評價是使用一些圖像去噪鄰域中廣泛認(rèn)可的客觀評價指標(biāo),通過計算去噪后的圖像與原圖之間的差異性,來客觀地分析各去噪算法的能力。本文采用的圖像去噪指標(biāo)有峰值信噪比(peak signal to noise ratio,PSNR)、均方根誤差(root mean square error,RMSE)和結(jié)構(gòu)相似性(structual similarity,SSIM)。PSNR 和RMSE 是衡量算法去噪能力的指標(biāo),PSNR 值越高,對應(yīng)算法的去噪能力也就越好。RMSE 的值越小,則說明對應(yīng)算法去噪效果越好。SSIM 是衡量去噪前后兩張圖像的相似度,取值范圍是[0,1],其值越大,對應(yīng)算法在保存肺炎CT圖像紋理細(xì)節(jié)方面就做得越好。

    如圖5 和圖6 所示,從測試集中選取了肺炎陽性CT 圖像和肺炎陰性CT 圖像各一張,并將加噪結(jié)果以及本文提出的各個算法的去噪結(jié)果進(jìn)行展示。圖5(c)和圖6(c)是NLM算法的去噪結(jié)果,可以看出,該算法去除了大部分的噪聲,但依舊有明顯的噪聲殘留。圖5(d)、6(d)和圖5(e)、6(e)分別是模型SCNN 和模型DnCNN 的去噪結(jié)果。通過與原圖對比可以發(fā)現(xiàn),兩者可以很好地去除肺炎CT 圖像中的噪聲,但在紋理細(xì)節(jié)保存方面做得不好,特別是肺間的毛玻璃紋理部分都有不同程度的模糊。圖5(f)、6(f)是本文提出的模型MSP-ReCNN 的去噪結(jié)果。與其他算法相比,模型MSP-ReCNN 無論是在去除噪聲方面,還是保留肺部間紋理細(xì)節(jié)方面都有更好的表現(xiàn)。

    圖5 肺炎陽性CT 圖像去噪結(jié)果

    圖6 肺炎陰性CT 圖像去噪結(jié)果

    為了進(jìn)一步證明模型MSP-ReCNN 保留肺炎CT圖像紋理細(xì)節(jié)的能力,本文從測試集中選取了一張肺炎陽性CT 圖像,并且對去噪結(jié)果進(jìn)行了局部區(qū)域放大處理。圖7(d)是干凈的原始肺炎CT 局部區(qū)域放大圖像。圖7(e)對應(yīng)的是NLM 算法的去噪結(jié)果,可以看出其局部區(qū)域放大圖像塊中依舊有明顯的噪聲殘留。圖7(f)和圖7(g)分別是模型SCNN 和模型DnCNN 的去噪結(jié)果,從局部區(qū)域放大圖像中可以看出,雖然二者噪聲去除效果要好于NLM算法,但是肺部間毛玻璃結(jié)節(jié)部分的紋理結(jié)構(gòu)并沒有很好地保留。圖7(h)對應(yīng)的是模型MSP-ReCNN的去噪結(jié)果圖,可以看出其在去除噪聲的同時,保留了肺部間大量的紋理結(jié)構(gòu)細(xì)節(jié)。

    圖7 肺炎陽性CT 圖像去噪結(jié)果局部區(qū)域放大

    表2 是對應(yīng)去噪算法在測試集上的客觀評價指標(biāo)的平均值。從表中可以看出,模型MSP-ReCNN的客觀評價指標(biāo)相較于NLM 算法、模型SCNN 和模型DnCNN,都有明顯提升。其PSNR 值比NLM 算法、模型SCNN 和模型DnCNN 分別提高了4.0301 dB、0.4092 dB 和0.2679 dB,SSIM 值則分別提高了0.1201、0.0484 和0.0252。這從客觀評價方面證明了模型MSP-ReCNN 在去除噪聲以及保留紋理細(xì)節(jié)方面的能力。

    表2 測試集客觀評價指標(biāo)的平均值

    3.3 MSP-ReCNN 模型消融實(shí)驗(yàn)

    為了進(jìn)一步探究本文提出的多尺度特征提取模塊、深淺通道并行策略,以及可拆分卷積操作對模型MSP-ReCNN 帶來的影響,本節(jié)分別將默認(rèn)的網(wǎng)絡(luò)結(jié)構(gòu)做如下改動。

    (1)將可拆分卷積全部替換回普通的卷積操作,得到“Without Sconv”模型。

    (2)將6 層的淺通道模塊全部移除,得到“Without shallow channel”模型。

    (3)將特征提取模塊從默認(rèn)網(wǎng)絡(luò)中移除,得到“Without multiscale moudle”模型。

    表3 是修改默認(rèn)網(wǎng)絡(luò)模型后,對應(yīng)的各個模型在測試集上的客觀評價指標(biāo)的平均值。從表中可以看出,本文提出的3 種去噪結(jié)構(gòu)對模型去噪結(jié)果都有一定程度的提升。其中可拆分卷積操作可以將PSNR 提升0.5648 dB,深淺通道并行策略可以提升0.4611 dB,多尺度特征提取模塊可以提升0.2461 dB。SSIM 值則分別提升了0.0688、0.0319 和0.0103。這說明3 種去噪結(jié)構(gòu)對改善模型的去噪準(zhǔn)確度和精度都有積極的作用。

    表3 不同網(wǎng)絡(luò)結(jié)構(gòu)的對比

    圖8 所示是各個模型訓(xùn)練誤差隨訓(xùn)練步長變化的曲線圖。平滑曲線對應(yīng)的是模型MSP-ReCNN 的訓(xùn)練變化圖,下三角標(biāo)記和圓形標(biāo)記的曲線分別對應(yīng)的是去掉淺通道和去掉拆分卷積后的模型訓(xùn)練變化圖,菱形標(biāo)記的曲線是去掉特征提取模塊后的訓(xùn)練誤差變化曲線。從圖中可以看出,下三角標(biāo)記和圓形標(biāo)記的曲線在訓(xùn)練過程中穩(wěn)定性不好,波動范圍較大,并且損失函數(shù)值也較高。菱形標(biāo)記的曲線在訓(xùn)練剛開始波動較大,之后才慢慢趨于穩(wěn)定。模型MSP-ReCNN 對應(yīng)的平滑曲線下降速度最快,收斂時間也最短,由此說明,本文提出的3 種網(wǎng)絡(luò)結(jié)構(gòu)可以加快網(wǎng)絡(luò)的訓(xùn)練和收斂速度,同時模型的魯棒性也比較好。

    圖8 各個模型訓(xùn)練誤差變化曲線

    4 結(jié)論

    為了能在去除新冠肺炎CT 圖像噪聲的同時,盡可能地保留圖像中的紋理結(jié)構(gòu)細(xì)節(jié),本文設(shè)計了一種基于多尺度并行深度可拆分卷積神經(jīng)網(wǎng)絡(luò)MSP-ReCNN。通過對比實(shí)驗(yàn)結(jié)果可以看出,相較于其他對比算法,模型MSP-ReCNN 無論是在主觀視覺效果還是客觀評價指標(biāo)方面都有更好的表現(xiàn)。同時,通過網(wǎng)絡(luò)消融實(shí)驗(yàn)可以證明,本文提出的多尺度特征提取模塊以及深淺通道并行策略,可以更好地提取肺炎CT 圖像中的紋理結(jié)構(gòu)細(xì)節(jié),去噪準(zhǔn)確度和精度也有進(jìn)一步提升。拆分卷積操作進(jìn)一步降低了網(wǎng)絡(luò)模型的參數(shù)量,并且改善了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中特征冗余的情況,加速了網(wǎng)絡(luò)的訓(xùn)練以及收斂速度。總體實(shí)驗(yàn)說明,模型MSP-ReCNN 可以更快更好地完成肺炎CT 圖像去噪任務(wù),在新冠肺炎蔓延全球之際,可以提升肺炎CT 圖像質(zhì)量,輔助機(jī)器以及醫(yī)護(hù)人員完成更精準(zhǔn)的診斷。在未來的研究規(guī)劃中,會繼續(xù)研究三維立體的肺炎CT 圖像去噪以及真實(shí)含噪肺炎CT 圖像去噪問題。

    猜你喜歡
    紋理卷積噪聲
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實(shí)現(xiàn)
    噪聲可退化且依賴于狀態(tài)和分布的平均場博弈
    基于BM3D的復(fù)雜紋理區(qū)域圖像去噪
    軟件(2020年3期)2020-04-20 01:45:18
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    使用紋理疊加添加藝術(shù)畫特效
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    控制噪聲有妙法
    TEXTURE ON TEXTURE質(zhì)地上的紋理
    Coco薇(2017年8期)2017-08-03 15:23:38
    消除凹凸紋理有妙招!
    Coco薇(2015年5期)2016-03-29 23:22:15
    一種基于白噪聲響應(yīng)的隨機(jī)載荷譜識別方法
    亚洲国产欧美网| 精品卡一卡二卡四卡免费| 无人区码免费观看不卡 | 亚洲天堂av无毛| 国产亚洲av高清不卡| 后天国语完整版免费观看| 国产欧美日韩精品亚洲av| 色老头精品视频在线观看| 中亚洲国语对白在线视频| 老司机靠b影院| 国产在线精品亚洲第一网站| 丁香欧美五月| 视频区图区小说| 黄色视频在线播放观看不卡| 大陆偷拍与自拍| 久热爱精品视频在线9| 久久香蕉激情| 午夜福利视频在线观看免费| 美女扒开内裤让男人捅视频| 国产一卡二卡三卡精品| 一区二区三区乱码不卡18| 久久中文看片网| 交换朋友夫妻互换小说| 汤姆久久久久久久影院中文字幕| 国产免费福利视频在线观看| 黄色a级毛片大全视频| 午夜福利在线观看吧| 日韩视频在线欧美| 啦啦啦视频在线资源免费观看| 国产成人一区二区三区免费视频网站| 亚洲精品国产精品久久久不卡| 99久久人妻综合| 一本久久精品| 操美女的视频在线观看| 国内毛片毛片毛片毛片毛片| 欧美黄色片欧美黄色片| 我要看黄色一级片免费的| 亚洲精品中文字幕一二三四区 | 香蕉久久夜色| 18禁裸乳无遮挡动漫免费视频| 麻豆国产av国片精品| 91av网站免费观看| 亚洲熟妇熟女久久| kizo精华| 久久精品国产亚洲av香蕉五月 | 在线观看免费日韩欧美大片| 日本五十路高清| 久久国产亚洲av麻豆专区| 国产亚洲午夜精品一区二区久久| 99香蕉大伊视频| 在线天堂中文资源库| 丁香欧美五月| 新久久久久国产一级毛片| 国产欧美日韩一区二区三区在线| 亚洲三区欧美一区| 99九九在线精品视频| 久久 成人 亚洲| 丁香六月欧美| 王馨瑶露胸无遮挡在线观看| 久久午夜综合久久蜜桃| 熟女少妇亚洲综合色aaa.| 法律面前人人平等表现在哪些方面| 亚洲伊人久久精品综合| 国产一区二区三区在线臀色熟女 | 日韩一区二区三区影片| 精品一区二区三区四区五区乱码| 亚洲视频免费观看视频| 99九九在线精品视频| 国产成人av教育| 国产午夜精品久久久久久| 国产亚洲一区二区精品| 黄色丝袜av网址大全| 免费黄频网站在线观看国产| 亚洲成人手机| 久久久久国内视频| 成年动漫av网址| 窝窝影院91人妻| 99riav亚洲国产免费| 日韩欧美一区二区三区在线观看 | 黄网站色视频无遮挡免费观看| 天天操日日干夜夜撸| 国产又色又爽无遮挡免费看| 757午夜福利合集在线观看| 国产国语露脸激情在线看| 日韩欧美一区视频在线观看| 不卡av一区二区三区| 久久99热这里只频精品6学生| 18禁裸乳无遮挡动漫免费视频| 成年人黄色毛片网站| 少妇裸体淫交视频免费看高清 | 美女高潮喷水抽搐中文字幕| 亚洲专区字幕在线| 久久久久精品国产欧美久久久| 国产一区二区在线观看av| 国产欧美日韩一区二区精品| 成人黄色视频免费在线看| 一区在线观看完整版| 这个男人来自地球电影免费观看| 91av网站免费观看| 免费女性裸体啪啪无遮挡网站| 狠狠婷婷综合久久久久久88av| 建设人人有责人人尽责人人享有的| 日本一区二区免费在线视频| 成人亚洲精品一区在线观看| 成在线人永久免费视频| 露出奶头的视频| 岛国毛片在线播放| 国产精品麻豆人妻色哟哟久久| 国产野战对白在线观看| videos熟女内射| 精品亚洲成a人片在线观看| 一区二区三区激情视频| 亚洲成人免费电影在线观看| 亚洲精品在线美女| 激情视频va一区二区三区| 成人特级黄色片久久久久久久 | 黄色视频在线播放观看不卡| 欧美精品啪啪一区二区三区| 免费日韩欧美在线观看| 久久久久国产一级毛片高清牌| 免费高清在线观看日韩| videos熟女内射| 好男人电影高清在线观看| 国产免费视频播放在线视频| 免费在线观看黄色视频的| 亚洲av国产av综合av卡| 亚洲男人天堂网一区| 超碰97精品在线观看| 搡老熟女国产l中国老女人| 欧美大码av| 日韩一卡2卡3卡4卡2021年| 一级毛片电影观看| 国产在线精品亚洲第一网站| 国精品久久久久久国模美| 91精品国产国语对白视频| 亚洲av成人一区二区三| 免费在线观看视频国产中文字幕亚洲| 夜夜骑夜夜射夜夜干| 国产精品1区2区在线观看. | 久久精品亚洲av国产电影网| 天天躁狠狠躁夜夜躁狠狠躁| 国产成人精品久久二区二区免费| 久久精品国产99精品国产亚洲性色 | 欧美老熟妇乱子伦牲交| 99国产极品粉嫩在线观看| 久久婷婷成人综合色麻豆| 亚洲三区欧美一区| 国产精品99久久99久久久不卡| av不卡在线播放| 欧美日韩亚洲高清精品| 欧美日韩亚洲国产一区二区在线观看 | 免费在线观看黄色视频的| 大陆偷拍与自拍| 99在线人妻在线中文字幕 | 午夜两性在线视频| 国产成人欧美| tube8黄色片| 久久久精品免费免费高清| 国产精品二区激情视频| 欧美日韩中文字幕国产精品一区二区三区 | 人妻一区二区av| 99国产极品粉嫩在线观看| 亚洲国产看品久久| 在线天堂中文资源库| 欧美日韩亚洲综合一区二区三区_| 久久精品熟女亚洲av麻豆精品| 日韩免费av在线播放| 在线观看人妻少妇| 天天躁狠狠躁夜夜躁狠狠躁| 精品视频人人做人人爽| 国产精品免费一区二区三区在线 | 亚洲自偷自拍图片 自拍| 成年版毛片免费区| 蜜桃国产av成人99| 极品少妇高潮喷水抽搐| av视频免费观看在线观看| 日韩免费av在线播放| 亚洲欧美一区二区三区久久| 午夜激情久久久久久久| 1024视频免费在线观看| 极品教师在线免费播放| 国产精品香港三级国产av潘金莲| 热re99久久精品国产66热6| 免费日韩欧美在线观看| 成人18禁高潮啪啪吃奶动态图| 9色porny在线观看| 亚洲欧美日韩高清在线视频 | 久久久久久人人人人人| 亚洲成人免费av在线播放| 人妻 亚洲 视频| 一本一本久久a久久精品综合妖精| 性色av乱码一区二区三区2| 国产黄频视频在线观看| 青草久久国产| 99久久国产精品久久久| 成人三级做爰电影| 男男h啪啪无遮挡| 成年人午夜在线观看视频| 蜜桃国产av成人99| 热re99久久精品国产66热6| 丰满迷人的少妇在线观看| 91国产中文字幕| av有码第一页| avwww免费| 99re6热这里在线精品视频| 国产一区二区激情短视频| 国产三级黄色录像| 美女高潮到喷水免费观看| 精品乱码久久久久久99久播| 久久av网站| 美女高潮到喷水免费观看| 成在线人永久免费视频| 一夜夜www| 欧美在线一区亚洲| 人成视频在线观看免费观看| 国产黄频视频在线观看| 高清毛片免费观看视频网站 | 人人妻人人澡人人爽人人夜夜| 午夜福利,免费看| 久久av网站| 女性生殖器流出的白浆| 国产午夜精品久久久久久| 啪啪无遮挡十八禁网站| 亚洲免费av在线视频| 我的亚洲天堂| 9热在线视频观看99| 亚洲全国av大片| 欧美在线黄色| 五月开心婷婷网| 十八禁人妻一区二区| 亚洲五月婷婷丁香| 国产成人精品久久二区二区91| 日韩大码丰满熟妇| 国产国语露脸激情在线看| 人妻久久中文字幕网| 色婷婷久久久亚洲欧美| 免费看a级黄色片| 欧美老熟妇乱子伦牲交| 久久中文看片网| 国产福利在线免费观看视频| 老司机福利观看| 一区二区av电影网| 国产在线精品亚洲第一网站| 老司机深夜福利视频在线观看| 老熟妇仑乱视频hdxx| 久久亚洲精品不卡| 亚洲国产精品一区二区三区在线| 国产av又大| 搡老乐熟女国产| 色婷婷久久久亚洲欧美| 色在线成人网| 大香蕉久久网| 国产精品偷伦视频观看了| 天天操日日干夜夜撸| 香蕉丝袜av| 叶爱在线成人免费视频播放| 亚洲国产精品一区二区三区在线| videosex国产| 日本a在线网址| 极品教师在线免费播放| 国产精品av久久久久免费| 五月开心婷婷网| 亚洲精品国产精品久久久不卡| 91成年电影在线观看| 丝袜人妻中文字幕| 免费不卡黄色视频| 精品国内亚洲2022精品成人 | 久久精品成人免费网站| 在线av久久热| 国产免费视频播放在线视频| 亚洲三区欧美一区| 日韩成人在线观看一区二区三区| 精品少妇黑人巨大在线播放| 夜夜爽天天搞| 亚洲国产av影院在线观看| 日本av手机在线免费观看| 美女福利国产在线| 国产精品1区2区在线观看. | 国产免费现黄频在线看| 岛国毛片在线播放| 大陆偷拍与自拍| 纵有疾风起免费观看全集完整版| a在线观看视频网站| 热99re8久久精品国产| 国产男女内射视频| 久久久久久久久免费视频了| 精品久久久精品久久久| 亚洲专区国产一区二区| 乱人伦中国视频| 日韩欧美三级三区| 叶爱在线成人免费视频播放| 两性夫妻黄色片| 国产高清国产精品国产三级| 中文字幕精品免费在线观看视频| 国产精品国产高清国产av | √禁漫天堂资源中文www| 在线观看免费午夜福利视频| 精品国产一区二区久久| 法律面前人人平等表现在哪些方面| 丰满少妇做爰视频| 蜜桃国产av成人99| 18禁国产床啪视频网站| 亚洲精华国产精华精| 日韩中文字幕视频在线看片| 亚洲国产欧美网| 精品国产超薄肉色丝袜足j| 午夜福利一区二区在线看| 精品少妇黑人巨大在线播放| 十八禁网站免费在线| 黄色视频,在线免费观看| 欧美日韩一级在线毛片| 国产单亲对白刺激| 国产在视频线精品| 久久久国产欧美日韩av| 国产精品自产拍在线观看55亚洲 | 欧美老熟妇乱子伦牲交| 中亚洲国语对白在线视频| 大片电影免费在线观看免费| 99国产精品一区二区三区| videos熟女内射| 大陆偷拍与自拍| 操美女的视频在线观看| 99久久99久久久精品蜜桃| 嫩草影视91久久| 国产免费现黄频在线看| 一区在线观看完整版| 丰满迷人的少妇在线观看| 成人特级黄色片久久久久久久 | 久久精品人人爽人人爽视色| 一进一出抽搐动态| 女警被强在线播放| 欧美大码av| 国产av国产精品国产| 在线观看66精品国产| 亚洲精品中文字幕在线视频| 久久亚洲精品不卡| 国产伦理片在线播放av一区| 国产免费福利视频在线观看| 色精品久久人妻99蜜桃| 91麻豆av在线| 男女高潮啪啪啪动态图| 欧美乱码精品一区二区三区| 丝瓜视频免费看黄片| 捣出白浆h1v1| 久久久久国内视频| 日韩中文字幕欧美一区二区| 日本黄色视频三级网站网址 | 黑人巨大精品欧美一区二区mp4| 成年动漫av网址| 人成视频在线观看免费观看| 国产单亲对白刺激| 国产成+人综合+亚洲专区| 亚洲国产毛片av蜜桃av| 久久99一区二区三区| 两人在一起打扑克的视频| 色婷婷av一区二区三区视频| 免费一级毛片在线播放高清视频 | 如日韩欧美国产精品一区二区三区| 热99re8久久精品国产| 青青草视频在线视频观看| 亚洲精品一卡2卡三卡4卡5卡| 国产亚洲精品第一综合不卡| 99在线人妻在线中文字幕 | 黄色视频,在线免费观看| 无人区码免费观看不卡 | 午夜福利一区二区在线看| 亚洲av日韩在线播放| 一本色道久久久久久精品综合| 精品卡一卡二卡四卡免费| www.自偷自拍.com| 99在线人妻在线中文字幕 | 国产精品免费一区二区三区在线 | 成人永久免费在线观看视频 | a级片在线免费高清观看视频| 天堂中文最新版在线下载| 亚洲第一欧美日韩一区二区三区 | 亚洲欧美激情在线| 欧美黑人欧美精品刺激| 日韩有码中文字幕| 9191精品国产免费久久| 国产亚洲精品第一综合不卡| 在线看a的网站| 午夜成年电影在线免费观看| 免费久久久久久久精品成人欧美视频| 日日夜夜操网爽| 婷婷成人精品国产| 国产精品.久久久| 国产一区二区在线观看av| 亚洲专区字幕在线| 午夜福利乱码中文字幕| 成人手机av| 黄色毛片三级朝国网站| 757午夜福利合集在线观看| 色在线成人网| 久久亚洲真实| 国产高清国产精品国产三级| 久久久久久人人人人人| 91av网站免费观看| 日韩中文字幕视频在线看片| 成年人黄色毛片网站| 亚洲欧美日韩高清在线视频 | 俄罗斯特黄特色一大片| 亚洲免费av在线视频| 欧美精品啪啪一区二区三区| 精品人妻在线不人妻| 久久精品亚洲av国产电影网| 国产1区2区3区精品| 99re在线观看精品视频| 欧美激情极品国产一区二区三区| 18禁裸乳无遮挡动漫免费视频| 九色亚洲精品在线播放| 欧美日本中文国产一区发布| 亚洲综合色网址| 国产亚洲一区二区精品| 国产精品自产拍在线观看55亚洲 | 美女视频免费永久观看网站| 欧美激情 高清一区二区三区| 叶爱在线成人免费视频播放| 99热国产这里只有精品6| 青青草视频在线视频观看| 黄色视频在线播放观看不卡| 欧美在线黄色| 精品国产一区二区三区久久久樱花| 国产一区二区在线观看av| 9色porny在线观看| 一边摸一边抽搐一进一出视频| 一级黄色大片毛片| 精品人妻在线不人妻| 超色免费av| 久久人妻av系列| 一本大道久久a久久精品| 飞空精品影院首页| h视频一区二区三区| 国产成人av教育| 午夜激情av网站| 十八禁网站网址无遮挡| 国产97色在线日韩免费| 亚洲专区国产一区二区| 亚洲av日韩精品久久久久久密| 国产成人av教育| 美国免费a级毛片| 日本欧美视频一区| 捣出白浆h1v1| 国产在线免费精品| 亚洲第一欧美日韩一区二区三区 | 女同久久另类99精品国产91| 国产精品二区激情视频| 日韩一卡2卡3卡4卡2021年| 一边摸一边抽搐一进一出视频| 中文字幕人妻丝袜一区二区| 99热网站在线观看| 国产精品98久久久久久宅男小说| 亚洲成人免费av在线播放| 亚洲av欧美aⅴ国产| 久久人人爽av亚洲精品天堂| 亚洲少妇的诱惑av| 久久九九热精品免费| 香蕉久久夜色| 精品乱码久久久久久99久播| 在线av久久热| 免费在线观看影片大全网站| 满18在线观看网站| 国产高清国产精品国产三级| 精品国产亚洲在线| 中文字幕人妻丝袜制服| 久久人人爽av亚洲精品天堂| 欧美av亚洲av综合av国产av| 亚洲熟女精品中文字幕| 国产在视频线精品| 久久精品国产亚洲av香蕉五月 | 欧美+亚洲+日韩+国产| 日韩欧美一区二区三区在线观看 | 免费人妻精品一区二区三区视频| 精品午夜福利视频在线观看一区 | 久久午夜综合久久蜜桃| 久久精品国产综合久久久| 九色亚洲精品在线播放| 丁香六月天网| 国产三级黄色录像| 天天操日日干夜夜撸| 国产单亲对白刺激| xxxhd国产人妻xxx| 成人特级黄色片久久久久久久 | 日韩制服丝袜自拍偷拍| 日韩三级视频一区二区三区| 欧美乱妇无乱码| 正在播放国产对白刺激| 久久婷婷成人综合色麻豆| 精品免费久久久久久久清纯 | 亚洲国产欧美在线一区| 亚洲精品在线美女| 在线看a的网站| 黄色丝袜av网址大全| 国产亚洲精品第一综合不卡| 一夜夜www| 伦理电影免费视频| 久久精品亚洲精品国产色婷小说| 精品亚洲乱码少妇综合久久| 99精国产麻豆久久婷婷| 中文字幕色久视频| 妹子高潮喷水视频| 岛国毛片在线播放| av片东京热男人的天堂| 9热在线视频观看99| 热99久久久久精品小说推荐| 一区二区av电影网| 老司机深夜福利视频在线观看| 精品国产一区二区三区四区第35| 人人妻人人澡人人看| 成人永久免费在线观看视频 | 如日韩欧美国产精品一区二区三区| 91九色精品人成在线观看| 国产精品久久久人人做人人爽| 少妇裸体淫交视频免费看高清 | 视频区欧美日本亚洲| 久久ye,这里只有精品| 在线观看人妻少妇| 欧美乱妇无乱码| 亚洲欧美精品综合一区二区三区| 精品国产一区二区三区久久久樱花| 人人妻人人添人人爽欧美一区卜| 国产不卡一卡二| 99热国产这里只有精品6| 国产精品98久久久久久宅男小说| 人人妻人人澡人人爽人人夜夜| 国产人伦9x9x在线观看| 日本欧美视频一区| 日本vs欧美在线观看视频| 亚洲欧美日韩另类电影网站| 国产免费现黄频在线看| 免费av中文字幕在线| 免费看a级黄色片| 后天国语完整版免费观看| 一本综合久久免费| 美女高潮到喷水免费观看| 国产高清videossex| 十八禁高潮呻吟视频| 亚洲色图 男人天堂 中文字幕| 9热在线视频观看99| 成在线人永久免费视频| 人人澡人人妻人| 久久亚洲精品不卡| 日韩大片免费观看网站| 国产高清视频在线播放一区| 这个男人来自地球电影免费观看| 国产精品久久久久成人av| 大香蕉久久网| 制服人妻中文乱码| 日韩精品免费视频一区二区三区| 一进一出抽搐动态| 亚洲五月色婷婷综合| 90打野战视频偷拍视频| 欧美久久黑人一区二区| 丁香欧美五月| 人人妻人人澡人人看| 又紧又爽又黄一区二区| 国产一区二区激情短视频| 欧美一级毛片孕妇| 国产精品影院久久| 午夜精品久久久久久毛片777| 九色亚洲精品在线播放| 黄色视频,在线免费观看| 99精品在免费线老司机午夜| 日本精品一区二区三区蜜桃| 中文字幕人妻丝袜制服| 一区二区三区国产精品乱码| 99在线人妻在线中文字幕 | 久久香蕉激情| 每晚都被弄得嗷嗷叫到高潮| 亚洲色图 男人天堂 中文字幕| 国产精品亚洲一级av第二区| 性色av乱码一区二区三区2| 国产亚洲精品一区二区www | 伊人久久大香线蕉亚洲五| 99香蕉大伊视频| 999精品在线视频| 国产成人影院久久av| 变态另类成人亚洲欧美熟女 | 国产主播在线观看一区二区| 久久精品国产99精品国产亚洲性色 | 精品免费久久久久久久清纯 | av网站在线播放免费| 十八禁高潮呻吟视频| 日韩有码中文字幕| 每晚都被弄得嗷嗷叫到高潮| 一区在线观看完整版| 黄网站色视频无遮挡免费观看| 男女边摸边吃奶| 成年版毛片免费区| 久久精品国产亚洲av高清一级| 美国免费a级毛片| 国产成人精品在线电影| 国产免费视频播放在线视频| 亚洲精品国产精品久久久不卡| 亚洲精品久久午夜乱码| 国产在线视频一区二区| 精品国内亚洲2022精品成人 | 香蕉久久夜色| 亚洲九九香蕉| 亚洲专区字幕在线| 香蕉丝袜av| 9色porny在线观看| 久久久欧美国产精品| 十八禁高潮呻吟视频| 亚洲精品成人av观看孕妇| 亚洲精品中文字幕在线视频| 日韩人妻精品一区2区三区| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲色图av天堂| 亚洲熟女毛片儿| 天堂中文最新版在线下载| 精品久久久精品久久久| 91成年电影在线观看| 高潮久久久久久久久久久不卡| 一进一出好大好爽视频|