本發明涉及圖像處理，尤其是涉及磁共振擴散加權圖像去噪方法、系統、計算機設備及介質。
背景技術：
1、磁共振擴散張量成像（diffusion?tensor?imaging，dti）作為一種能夠無創、無輻射探測人體三維組織纖維結構的磁共振成像（magnetic?resonance?imaging，mri）技術，在臨床診斷和研究領域具有重要應用價值。它通過采集多個不同擴散梯度編碼方向的擴散加權圖像（diffusion?weighted?image，dwi），估計纖維組織中水分子的擴散位移分布，從而重建組織微觀纖維結構，尤其在顯示腦內神經纖維束走向方面發揮關鍵作用，為醫生診斷治療提供有力支持。
2、然而，磁共振擴散加權成像在采集過程中易受自身成像原理限制而引入隨機噪聲。特別是在高強度擴散敏感梯度場中，極低的信噪比嚴重降低了磁共振擴散張量成像的重建質量，因此，對磁共振擴散加權圖像進行后處理降噪至關重要。
3、目前，常見的去噪算法存在諸多局限：
4、（1）空域濾波和變換域濾波算法泛化能力差，閾值設定困難；
5、（2）基于圖像自相似性的去噪算法在相似塊搜索過程中耗時長，且在處理含噪嚴重且鄰近區域缺乏冗余的圖像塊時去噪效果不佳；
6、（3）基于監督式學習訓練的模型雖在去噪性能上表現出色，但對成對標簽數據的依賴限制了其在難以獲取干凈標簽的磁共振擴散加權圖像數據中的應用；
7、（4）現有的自監督算法大多只能處理加性無關噪聲，且去噪結果易丟失紋理結構信息，當dwi數據方向數較少時，去噪效果不穩定，影響后續臨床研究。
8、因此，迫切需要一種能有效解決上述問題的新型去噪方法，以滿足實際應用需求。
技術實現思路
1、本發明的目的是在于提供磁共振擴散加權圖像去噪方法、系統、計算機設備及介質，提升了圖像的清晰度并且保留了紋理細節，且對方向數并不敏感，在方向數較少時也可實現穩定良好的去噪效果。
2、為實現上述目的，本發明提供了磁共振擴散加權圖像去噪方法，包括以下步驟：
3、步驟s1、基于原始噪聲磁共振擴散加權圖像的紋理特征，通過二次移動網格劃分策略計算標準差矩陣，將原始噪聲磁共振擴散加權圖像劃分為平坦區域、低紋理豐富度區域和高紋理豐富度區域，并針對不同區域生成對應的自適應掩碼矩陣；
4、步驟s2、在訓練階段采用高掩碼率對原始噪聲磁共振擴散加權圖像進行掩碼；在推理階段采用低掩碼率對原始噪聲磁共振擴散加權圖像進行掩碼，設計3個分支分別對平坦區域、低紋理豐富度區域和高紋理豐富度區域進行推理；
5、步驟s3、基于盲點網絡的原理構建去噪模型，通過掩蓋待預測像素本身的信息來避免網絡退化為恒等映射，通過l2損失函數優化模型參數，并結合多次掩碼推理的平均結果生成最終去噪圖像。
6、優選的，步驟s1中，二次移動網格劃分策略，包括以下步驟：
7、以磁共振擴散加權圖像左上角頂點為起始點，將磁共振擴散加權圖像劃分為多個互不重疊的尺寸為的小塊，計算各小塊的標準差并歸一化到[0,1]，生成第一標準差矩陣；
8、將網格起始點移動至位置，重新劃分圖像，計算各小塊的標準差并歸一化到[0,1]，生成第二標準差矩陣；
9、將第一標準差矩陣與第二標準差矩陣中對應位置的最大值作為最終標準差矩陣；
10、根據預設閾值對最終標準差矩陣進行分類，劃分出平坦區域、低紋理豐富度區域和高紋理豐富度區域。
11、優選的，步驟s1中，自適應掩碼矩陣的生成具體為：
12、在平坦區域采用70%-80%的掩碼率區間；
13、在低紋理豐富度區域采用40%-60%的掩碼率區間；
14、在高紋理豐富度區域采用20%-30%的掩碼率區間。
15、優選的，步驟s2中，在訓練階段，對自適應掩碼矩陣中的平坦區域、低紋理豐富度區域和高紋理豐富度區域分別施加預設的掩碼率，其中平坦區域的訓練掩碼率為70%-80%，低紋理豐富度區域的訓練掩碼率為40%-60%，高紋理豐富度區域的訓練掩碼率為20%-30%；
16、在推理階段，對自適應掩碼矩陣中的平坦區域、低紋理豐富度區域和高紋理豐富度區域分別施加低于訓練階段的掩碼率，其中平坦區域的推理掩碼率為40%-60%，低紋理豐富度區域的推理掩碼率為20%-40%，高紋理豐富度區域的推理掩碼率為10%-20%；
17、在實際實施中，訓練階段和推理階段的掩碼率的大小會根據圖像的紋理質量和噪聲強度在取值范圍內波動。
18、優選的，步驟s3中，多次掩碼推理的平均化包括：對同一噪聲圖像按照紋理信息劃分為3類區域進行不同掩碼模式的掩碼操作，分別輸入模型預測去噪結果并組合為一張完整的預測圖像，重復n次獲得n個預測結果取平均值。
19、優選的，損失函數如下：
20、；
21、其中，表示以為參數的神經網絡模型，表示模型中所有可學習的參數，表示l2范數的平方，表示自適應掩碼矩陣，表示與對應的互補掩碼矩陣，表示原始噪聲磁共振擴散加權圖像，表示逐元素相乘。
22、本發明還提供了磁共振擴散加權圖像去噪系統，包括：
23、自適應掩碼矩陣生成單元，用于根據磁共振擴散加權圖像的紋理特征，通過二次移動網格劃分策略計算標準差矩陣，將圖像劃分為平坦區域、低紋理豐富度區域和高紋理豐富度區域，并生成對應的自適應掩碼矩陣；
24、掩碼處理單元，用于在訓練階段采用高掩碼率對磁共振擴散加權圖像進行掩碼，在推理階段采用低掩碼率對磁共振擴散加權圖像進行掩碼，并結合多次掩碼推理的平均結果提升去噪穩定性；
25、去噪模型構建單元，基于盲點網絡的思想建立去噪模型，網絡僅利用未掩碼區域的像素預測被掩碼區域的像素值，通過l2損失函數優化模型參數，并結合多次掩碼推理的平均結果生成最終去噪圖像。
26、本發明還提供了一種計算機設備，包括：存儲器和處理器；存儲器存儲有計算機程序，處理器執行計算機程序時實現上述的磁共振擴散加權圖像去噪方法的步驟。
27、本發明還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，計算機程序被處理器執行時實現上述的磁共振擴散加權圖像去噪方法的步驟。
28、因此，本發明采用上述的磁共振擴散加權圖像去噪方法、系統、計算機設備及介質，有益技術效果如下：
29、本發明融合盲點網絡思想與隨機掩碼策略，創新性地提出一種基于自適應掩碼策略的dwi自監督去噪方法。該方法依據磁共振擴散加權圖像信號獨特的數據特征，開發出一種精準的平坦紋理區域劃分策略，此策略不受隨機噪聲干擾，適配此類圖像。進而設計出自適應掩碼策略，依據圖像各區域紋理豐富度動態生成不同掩碼率的掩碼矩陣，既能有效打破噪聲相關性，又能最大化保留圖像原始紋理結構信息，避免紋理區域信息過度損失，顯著提升去噪效能。為進一步增強去噪表現，在自適應掩碼策略基礎上，構建非對稱掩碼策略。訓練階段采用高掩碼率的自適應掩碼矩陣，助力模型深度學習去噪特征，充分瓦解噪聲相關性；推理階段則切換至低掩碼率的自適應掩碼矩陣，使模型能充分利用更多信息精準推理，產出更優質的去噪重建圖像。
30、相較于傳統去噪算法，規避了超參數設定繁瑣、推理周期長等弊端；與監督式學習對比，無需依賴對應的干凈數據標簽；面對現有自監督去噪算法，能夠成功突破噪聲相關性對去噪成效的制約，杜絕因紋理結構信息缺失致去噪圖像過度平滑的問題。