基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法研究.pdf

窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法研究苗保明1，2，3，陈炜1，2，吴航3，4*，余明3，韩思齐3（1.天津理工大学天津市先进机电系统设计与智能控制重点实验室，天津300384；2.天津理工大学机电工程国家级实验教学示范中心，天津300384；3.军事科学院系统工程研究院，天津300161；4.南开大学人工智能学院，天津300381）摘要目的院为消除手术器械视觉图像中的高斯与椒盐噪声，并恢复图像的细节特征，提出一种基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法。方法院首先，构建由多特征融合编码器解码器网络、注意力引导网络和细节恢复渐进式网络3个部分组成的轻量级多任务渐进式网络，使用多特征融合编码器解码器网络预测视觉图像中的噪声信息，并从原图像中去除，使用注意力引导网络进一步去除图像中的残留噪声，使用细节恢复渐进式网络对去噪图像的底层细节特征进行恢复。其次，对轻量级多任务渐进式网络进行轻量化设计，将细节恢复渐进式网络中的部分常规卷积替换为深度可分离卷积。最后，在公开的CBSD68、Kodak24数据集和自建的手术器械噪声数据集上进行去噪实验，比较基于轻量级多任务渐进式网络的去噪方法与经典去噪方法的去噪效果，ResNet-18模型和ResNet-34模型对采用轻量级多任务渐进式网络去噪后的图像的分类准确率，并分析轻量化设计前后的算力和内存占用情况。结果院在公开数据集上，所提出的方法较经典的去噪方法取得了更好的去噪效果。在手术器械噪声数据集上，ResNet-18模型和ResNet-34模型对采用轻量级多任务渐进式网络去噪后的图像分类准确率更高。经过轻量化设计的去噪方法的参数量和浮点运算数（floating point operations，FLOPs）分别减少了约27.27%和29.81%。结论院基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法具有优秀的手术器械视觉图像去噪性能，且具有更少的算力消耗和内存占用。关键词深度学习；手术器械；视觉图像；图像去噪；高斯噪声；椒盐噪声中国图书资料分类号R318文献标志码A文章编号1003-8868渊2024冤02-0001-07DOI院10.19745/j.1003-8868.2024021Deep learning-based Gaussian and pepper noise removal method forvisual images of surgical instrumentsMIAO Bao-ming1,2,3,CHEN Wei1,2,WU Hang3,4*,YU Ming3,HAN Si-qi3(1.Tianjin Key Laboratory for Advanced Mechatronic System Design and Intelligent Control,Tianjin University ofTechnology,Tianjin 300384,China;2.National Demonstration Center for Experimental Mechanical and ElectricalEngineering Education,Tianjin University of Technology,Tianjin 300384,China;3.Systems Engineering Institute,AMS,PLA,Tianjin 300161,China;4.School of Artificial Intelligence,Nankai University,Tianjin 300381,China)AbstractTo propose a deep learning-based method for removing Gaussian and pepper noises of the surgicalinstrument visual images so as to recover the detailed features of the images.A lightweight multi-task progressivenetwork was constructed involving in a multi-feature fusion encoder-decoder network,an attention-guided network and adetail-recovery progressive network,which used the multi-feature fusion encoder-decoder network to predict and eliminatethe noise information in the visual images,the attention-guided network to remove the residual noise and the detail-recoveryprogressive network to restore the underlying detail features of the denoised images.Some of the regular convolutions in thedetail recovery progressive network were replaced with depth separable convolutions to realize lightweight design of thenetwork constructed.Denoising experiments were conducted on the publicly available CBSD68 and Kodak24 datasets and theself-constructed surgical instrument noise dataset so as to compare the denoising effects of the network constructed and thetraditional methods and the classification accuracies of ResNet-18 model and ResNet-34 model for the denosied images bythe network and to analyze computing power and memory usage before and after the lightweight design.The networkconstructed gained better denoising effect than the classical methods for publicly available datasets,and ResNet-18 modeland ResNet-34 model had higher accuracies when used to classify the images denoised by the network for the self-窑研究与设计窑栽澡藻泽蚤泽论著苗保明，陈炜，吴航，等.基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法研究J.医疗卫生装备，2024，45（2）：1-7.1 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024constructed surgical instrument noise dataset.Lightweight design had the parameter number and floating point operations(FLOPs)decreased by approximately 27.27%and 29.81%,respectively.The proposed lightweight multi-taskprogressive network behaves well in denoising surgical instrument visual images with reduced computating power consump鄄tion and memory usage.悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造袁2024袁45渊2冤院1-7Key wordsdeep learning;surgicalinstrument;visual image;imagedenoising;Gaussian noise;pepper noise作者简介院苗保明（1990），男，硕士研究生，研究方向为神经网络轻量化、图像去噪和机器人，E-mail：。通信作者院吴航，E-mail：0引言手术器械机器视觉识别是人工智能在医疗领域的典型应用，如器械护士机器人、手术流程分割等，是未来的发展趋势。高质量的视觉图像能够为手术器械的检测、分类等任务提供更多有效的特征信息，提高识别的准确率。然而手术器械视觉图像在采集、压缩和传输过程中容易受到环境噪声的干扰，如高斯噪声和椒盐噪声等，这些干扰会导致图像内容和色彩发生扭曲或退化，从而对视觉任务产生负面影响。图像去噪算法能够有效地去除噪声信息，从而提升图像质量。该算法旨在准确地去除噪声信息，同时保留图像的细节特征不被破坏，因此如何更好地平衡这2个方面成为该领域众多研究人员追求的目标。目前，人们尝试了许多方法去除图像噪声，主要包括传统的去噪方法和基于深度学习的去噪方法。传统的去噪方法包括中值滤波去噪和小波变换去噪等。屈正庚等1提出了自适应中值滤波方法，该方法能够根据噪声大小自适应调整滤波模板的尺寸，具有很好的去噪效果。傅伟等2在小波去噪和小波域隐马尔可夫模型的基础上引入了方差不变性变换来调整原始图像的噪声模型为高斯噪声模型，将图像分解为不同频率的不同子带，并使用隐马尔可夫树模型来规划小波系数的边缘分布，使得图像保留了更多的边缘信息。谢玉霞等3将小波去噪方法用于去除体表胃电中的高频噪声，从而有效地改善了信噪比及提高了信号的分辨力。然而传统的去噪方法仍存在不足，如中值滤波用于去除复杂的噪声时容易破坏图像特征的几何形状；小波变换去噪的方向性较弱，只能捕捉有限的方向信息等。基于深度学习的去噪方法具有更好的拟合噪声分布等优点，因此受到了更多的关注。Zhang等4提出了快且灵活的去噪卷积神经网络（fast and flexibledenoising convolutional neural network，FFDNet），该网络将可调噪声水平图作为输入，能够处理不同级别的噪声以及空间变化噪声。Kim等5提出了分组残差密集网络，该网络级联了多个具有残差结构的分组残差密集块，图像去噪的性能得到明显提高。此外，还有一些去噪方法将去噪过程划分为多个具有不同任务的阶段。如Tian等6提出了一个由多模块组成的注意力引导去噪网络，该网络能够在去除较复杂噪声的同时增强了模型的表达能力，并生成干净的图像。Zhang等7提出了双任务互补网络，该网络能够在去除噪声的同时保留更多的细节特征。Tian等8提出了一个联合小波变换的三阶段去噪网络，该网络能够实现参数的动态调节、噪声抑制和图像重建。然而，大多数基于深度学去噪方法往往具有庞大的参数量，且在噪声去除和细节保留任务上仍有很大的提升空间。因此，本研究提出一种基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法，通过构建轻量级多任务渐进式网络去除图像噪声，减少去噪模型的算力消耗和内存占用。1轻量级多任务渐进式网络构建轻量级多任务渐进式网络主要由3个部分组成：多特征融合编码器解码器网络、注意力引导网络和细节恢复渐进式网络。轻量级多任务渐进式网络的结构如图1所示。首先，将噪声图像输入到多特征融合编码器解码器网络中，用于噪声信息的预测，并将预测的噪声信息从图像中去除，得到粗粒度去噪图像。然后，将粗粒度去噪图像输入到注意力引导网络中，以去除图像残余噪声。最后，由细节恢复渐进式网络对无噪声图像中的细节特征进行恢复。1.1多特征融合编码器解码器网络多特征融合编码器解码器网络主要由编码器、多尺度扩张卷积模块和解码器组成。其中，多尺度扩张卷积模块由多个分支的扩张卷积组成，将来自不同扩张卷积的特征图合并，然后输入到1伊1卷积层。该模块可以有效地捕捉噪声的语义信息，以弥补由栽澡藻泽蚤泽论著苗保明，陈炜，吴航，等.基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法研究J.医疗卫生装备，2024，45（2）：1-7.2 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024图1轻量级多任务渐进式网络的结构图于编码器连续下采样导致的图像纹理损失。此外，在多特征融合编码器解码器网络中还加入了多个跳跃连接用来捕获不同的特征。1.2注意力引导网络注意力引导网络由稀疏块（sparse block，SB）、特征增强块（feature enhancement block，FEB）、注意力块（attention block，AB）和重建块（reconstruction block，RB）4个模块组成，其中，稀疏块使用扩张卷积和标准卷积来扩大感受野，以提高图像去噪的性能和效率。特征增强块通过长路径集成注意力引导网络的全局和局部特征，以增强算法模型的表达能力。假设IN和IR分别表示输入噪声图像和预测残差图像，则稀疏块可表示为OSB=fSB（IN）（1）式中，OSB为稀疏块的输出，并将结果输入到特征增强块中；fSB为稀疏块的函数。特征增强块可表示为OFEB=fFEB（IN，OSB）（2）式中，fFEB为特征增强块的函数。注意力块用来降低图像背景特征提取的难度，其表达式为IR=fAB（OFEB）（3）式中，fAB为注意力块的函数；IR为注意力块的输出。重建块主要用于无噪声图像的重构，其表达式为Iclear=IN-IR（4）式中，Iclear为预测的干净图像。1.3细节恢复渐进式网络细节恢复渐进式网络由多通道密集注意力渐进块组成，并且使用跳跃连接来获取不同的特征。多通道密集注意力渐进块的结构如图2所示。注意力机制具有关注有效信息和忽略无效信息等优点，因此在通道密集注意力模块7的基础上增加并行结构，形成并行通道密集注意力模块，如图3所示。并行通道密集注意力模块主要由3个并行式注意力模块组成，可以使模型在训练过程中更有效地进行特征融合和梯度下降。细节恢复渐进式网络由6个循环阶段组成，每个阶段对应多通道密集注意力渐进块，以实现与其他阶段的参数共享。图2多通道密集注意力渐进块的结构图多尺度扩张卷积卷积+BN+ReLU扩张卷积+BN+ReLUCC扩张卷积+BN+ReLU扩张卷积+BN+ReLU扩张卷积+BN+ReLU多特征融合编码器解码器网络稀疏块特征增强块注意力块重建块注意力引导网络C细节恢复渐进式网络注：BN为批归一化，ReLU和Tanh为激活函数，LSTM为长短时记忆，DSconv为深度可分离卷积，C为堆叠。输入并行通道密集注意力模块卷积ReLU卷积输出ReLU垣伊卷积+BN+ReLU卷积+BN+ReLU卷积+BN+ReLU卷积+BN+ReLU卷积+BN+ReLU卷积+BN+ReLU卷积+BN+ReLU注：ReLU为激活函数。-栽澡藻泽蚤泽论著苗保明，陈炜，吴航，等.基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法研究J.医疗卫生装备，2024，45（2）：1-7.3 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024图4部分手术器械的噪声图像1.4网络轻量化设计为了减少去噪模型的参数量和推理算力，将细节恢复渐进式网络中的常规卷积替换为深度可分离卷积。假设网络的输入特征图为DF伊DF伊M，输出特征图为DF伊DF伊N，卷积核的大小为DK伊DK伊M伊N。其中，DF为特征图的长、宽尺寸，DK为卷积核的长、宽尺寸，M、N分别为输入通道数和输出通道数。卷积步长和填充均为1，以使输出特征图的长、宽尺寸与特征图相同，则普通卷积的计算量为DK伊DK伊M伊DF伊DF伊N（5）深度可分离卷积将普通卷积分解为深度卷积和点卷积，深度卷积的大小为DK伊DK伊1伊M，点卷积的大小为1伊1伊M伊N，则深度卷积的计算量为DK伊DK伊M伊DF伊DF（6）点卷积的计算量为M伊N伊DF伊DF（7）深度可分离卷积的计算量为DK伊DK伊M伊DF伊DF+M伊N伊DF伊DF（8）计算公式（8）和公式（5）的比值表示如下：DK伊DK伊M伊DF伊DF+M伊N伊DF伊DFDK伊DK伊M伊DF伊DF伊N=1N+1DK2（9）可以看出，深度可分离卷积的计算量是普通卷积的1N+1DK2。2实验2.1数据集公开的训练数据集为用于去除高斯噪声的Waterloo Exploration数据集9和用于去除椒盐噪声的BSD432数据集10，其中，WaterlooExploration数据集包含3 859张彩色图像，BSD432数据集包含432张彩色图像。测试集为CBSD6811和Kodak2412图像噪声数据集。其中，CBSD68数据集和Kodak24数据集分别包含68和24张图像。由于手术器械噪声数据集的缺乏，本文基于BW-I型腹部外科手术器械包构建了手术器械噪声数据集。该数据集包括噪声水平为50的高斯噪声图像和噪声比例为10%的椒盐噪声图像，共10种手术器械类别，每个类别有260张256伊256像素的彩色图像，共有2 600张图像。10种类别的手术器械分别为丁字式开口器、止血钳、肠钳、持针器、组织镊、帕巾钳、舌钳、手术剪、海绵钳、组织剪。部分手术器械的噪声图像如图4所示。2.2实施细节所提出的方法的训练过程在工作站上进行，工作站的基本配置：CPU为Intel Xeon E5-2678 V3、2.5 GHz，内存为128 GiB，操作系统为Ubuntu18.04，CUDA版本为11.4，并带有2个NVIDIA GeForce3090显卡，PyTorch版本为3.10。对于高斯噪声图像，使用Adam优化器对所提出的方法进行70次的迭代训练，批量大小为32。初始学习率为0.001，并在迭代次数为3060时乘以0.1进行衰减。对于椒盐噪声图像，使用Adam优化器对所提出的方法进行50次的迭代训练，批量大小为丁字式开口器止血钳肠钳持针器组织镊帕巾钳舌钳手术剪海绵钳组织剪高斯噪声椒盐噪声图3通道密集注意力模块和并行通道密集注意力模块注：ReLU和Sigmoid为激活函数。输入Sigmoid输出卷积ReLU卷积ReLU卷积池化卷积卷积卷积卷积卷积卷积（a）通道密集注意力模块卷积Sigmoid池化卷积卷积Sigmoid池化卷积卷积卷积ReLU卷积输入输出Sigmoid卷积ReLU卷积ReLU卷积池化卷积卷积卷积卷积卷积卷积（b）并行通道密集注意力模块栽澡藻泽蚤泽论著苗保明，陈炜，吴航，等.基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法研究J.医疗卫生装备，2024，45（2）：1-7.伊伊 4 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024图6在CBSD68数据集上袁噪声比例为30%时椒盐噪声图像去噪结果的直观比较表2在CBSD68数据集上袁椒盐噪声图像去噪实验中本文所提出的方法与经典方法的PSNR比较ADKIF1534.5332.2430.6327.95NLSF-CNN1634.3230.8728.5025.86ACmF1734.6332.1530.4627.79IAWMF1835.1932.9531.3028.61DAMRmF1933.9231.4929.8527.40本文所提出的方法35.6533.2131.7928.94去噪方法噪声比例10%20%30%50%表1高斯噪声图像去噪实验中本文所提出的方法与经典方法的PSNR比较128。初始学习率为0.001，并在迭代次数为30时乘以0.1进行衰减。峰值信噪比（peak signal-to-noise ratio，PSNR）被广泛用于衡量不同去噪方法的性能，数值越大表示去噪图像越接近真值图像，去噪效果更优。因此本研究采用PSNR来评估模型的去噪效果。2.3公开噪声数据集去噪实验在高斯噪声图像去噪实验中，将本文所提出的方法与经典去噪方法进行比较，经典去噪方法包括去噪卷积神经网络13（denoising convolutional neuralnetworks，DnCNN）、FFDNet4和图像恢复卷积神经网络（image restoration convolutional neural networks，IRCNN）14。高斯噪声水平滓分别设置为15、25、35、50。实验结果见表1，可以看出，在CBSD68数据集上，当噪声水平为35时本文所提出的方法的PSNR与DnCNN方法相同，均优于其他方法。高斯噪声图像的去噪结果如图5所示，可以看出，本文所提出的方法的去噪效果要优于对比的方法。类似地，在椒盐噪声图像去噪实验中，将本文所提出的方法与经典去噪方法进行比较，经典去噪方法包括基于克里金插值滤波器的自适应决策（adaptivedecision based Kriging interpolation filter，ADKIF）15、非局部转换滤波器卷积神经网络（non-local switchingfilter convolutional neural network，NLSF-CNN）16、自适应切萨罗均值滤波器（adaptive Ces佗ro mean filter，ACmF）17、改进型自适应加权均值滤波器（improvedadaptive weighted mean filter，IAWMF）18、不同的自适应修正里斯平均值滤波器（different adaptive modifiedRiesz mean filter，DAMRmF）19。椒盐噪声的噪声比例分别为10%、20%、30%、50%。实验结果见表2，可以看出，与经典方法相比本文所提出的方法的去噪效果更好。椒盐噪声图像去噪结果的直观比较如图6所示，可以看出，相比其他方法，本文所提出的方法在去除噪声的同时保留了更多的细节特征。2.4手术器械噪声数据集去噪实验在手术器械噪声数据集上对所提出的方法进行实验验证，并使用PSNR作为评价指标。实验结果表明，对于高斯噪声图像和椒盐噪声图像，所提出的方法的PSNR分别为28.69和43.41。然后，使用经典的ResNet-18模型和ResNet-34模型分别在噪声数据集和去噪数据集上进行分类实验，比较模型分类性能的变化，实验结果见表3。由表3可以看出，对于高斯噪声图像，ResNet-18模型的分类准确率为66.76%，比在无噪声数据集上降低了18.37%，去噪后模型的准确率为81.59%，提升了14.83%；ResNet-34模型的分类准确率为69.68%，比在无噪声数据集上降低了19.78%，去噪后模型的准确率为83.67%，提升了13.99%。对于椒盐噪声图像，ResNet-18模型的分类准确率为65.01%，比在无噪声数据集上减少了20.12%，去噪后模型的准确率为82.22%，提升了17.21%；ResNet-34模型的分类准确图5在CBSD68数据集上袁噪声水平为25的高斯噪声去噪结果的直观比较（d）FFDNet（f）本文所提出的方法（e）IRCNN（c）DnCNN（a）原始图像（b）噪声图像（a）原始图像（b）噪声图像（c）ADKIF（d）NLSF-CNN（e）ACmF（f）IAWMF（g）DAMRmF（h）本文所提出的方法去噪方法CBSD68数据集Kodak24数据集滓=15滓=25滓=35滓=50滓=15滓=25滓=35滓=50DnCNN1333.9831.3129.6528.0134.7332.2330.6429.02FFDNet433.8031.1829.5727.9634.5532.1130.5628.99IRCNN1433.8631.1629.5027.8634.5632.0330.4328.81本文所提出的方法34.0931.8829.6528.1434.8332.3330.7029.20栽澡藻泽蚤泽论著苗保明，陈炜，吴航，等.基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法研究J.医疗卫生装备，2024，45（2）：1-7.5 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024图7在手术器械噪声数据集上袁本文所提出的方法去噪效果的直观比较无噪声图像高斯噪声图像高斯去噪图像椒盐噪声图像椒盐去噪图像表4在CSBD68数据集上袁注意力模块对于不同噪声的去噪效果渊PSNR冤比较注：PSNR为峰值信噪比。表5轻量化前后效果比较轻量化前后PSNRFLOPs/M参数量/M压缩率/%轻量化前34.13106.0121.10.00轻量化后34.0974.4050.829.81注：FLOPs为浮点运算数。注意力模块高斯噪声椒盐噪声通道密集注意力模块33.4834.73并行通道密集注意力模块34.0935.65止血钳丁字式开口器肠钳持针器组织剪表3ResNet-18模型和ResNet-34模型分别在无噪声数据集尧噪声数据集和去噪数据集上的分类准确率模型无噪声数据集噪声数据集去噪数据集高斯噪声图像椒盐噪声图像高斯噪声图像椒盐噪声图像ResNet-1885.1366.7665.0181.5982.22ResNet-3489.4669.6870.5583.6787.46单位：%率为70.55%，比在无噪声数据集上减少了18.91%，去噪后模型的准确率为87.46%，提升了16.91%。由实验结果可知，模型在去噪数据集上的分类表现要明显优于噪声数据集，这表明了手术器械视觉图像去噪的必要性和本文所提方法的优秀去噪能力。在手术器械噪声数据集上，本文所提出的方法去噪效果的直观比较如图7所示，可以看出，相比于噪声图像，去噪图像的质量得到明显提升。2.5消融实验首先，对所提出的并行通道密集注意力模块相较于通道密集注意力模块的去噪效果进行实验分析。在CBSD68数据集上，分别对噪声水平为15的高斯噪声图像和噪声比例为10%的椒盐噪声图像进行去噪实验，结果见表4。由表4可以看出，对于高斯噪声和椒盐噪声，并行通道密集注意力模块的去噪效果更优。其次，在CBSD68数据集上，对所提出的方法的轻量化效果进行实验验证，其中高斯噪声水平为15。实验结果见表5，可以看出，轻量化后PSNR稍有下降，但参数量和浮点运算数（floating point operations，FLOPs）分别减少了约27.27%和29.81%。若使用模型的FLOPs变化来计算压缩率，则压缩率约为29.81%。这表明轻量化的去噪方法具有更少的算力消耗和内存占用。3结语本文提出了一种基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法，将图像的去噪过程分为粗粒度噪声去除、细粒度噪声去除和图像细节特征恢复3个阶段，能够在渐进式去除噪声的同时恢复图像细节特征。在公开数据集上的实验结果表明，本文所提出的方法取得了优秀的去噪效果。在手术器械噪声数据集上的实验结果表明，ResNet-18模型和ResNet-34模型在采用本文所提出的方法去噪的图像上取得了更优秀的分类表现。最后，对并行通道注意力模块和轻量化效果进行了实验分析，结果表明并行通道注意力模块能更好地提升模型性能，并且轻量化后的去噪方法具有更少的算力消耗和内存占用。但本研究也存在以下局限性：一是本研究仅使用了轻量化网络设计，去噪网络的轻量化水平有限；二是本研究仅针对手术器械视觉图像的高斯噪声和椒盐噪声展开研究，而这并不能完全模拟未来临床应用场景中的真实噪声，存在一定的局限性。下一步将对更加贴近临床应用场景的更多噪声种类进行研究，并与其他轻量化方法（如剪枝、参数量化等）相结合，以期建立一个易于部署应用且性能优秀的去噪网络。参考文献1屈正庚，牛少清.一种改进的自适应加权中值滤波算法研究J.计算机技术与发展，2018，28（12）：86-90.2傅伟，万洪晓，涂刚.基于小波域隐马尔可夫树模型的医学图像去噪J.医疗卫生装备，2010，31（1）：34-36.3谢玉霞，侯文生，吴小鹰.基于小波的体表胃电去噪J.医栽澡藻泽蚤泽论著苗保明，陈炜，吴航，等.基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法研究J.医疗卫生装备，2024，45（2）：1-7.6 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024疗卫生装备，2004，15（5）：5-8.4ZHANGK，ZUOW，ZHANGL.FFDNet：towarda fastandfle-xible solution for CNN-based image denoisingJ.IEEE TransImage Process，2018，27（9）：4 608-4 622.5KIM D W，CHUNG J R，JUNG S W.GRDN：grouped residu原al dense network for real image denoising and GAN-basedreal-world noise modelingC/IEEE Conference on ComputerVision and Pattern Recognition Workshops（CVPRW），June16-17，2019，Las Vegas，USA.Piscataway NJ：IEEE，2019：2 086-2 094.6TIAN C，XU Y，LI Z，et al.Attention-guided CNN for imagedenoisingJ.Neural Networks，2020，124：117-129.7ZHANG H，JIA D，HAN Z.Dual-task complementary net-works for single-image derainingJ.Signal Image Video P，2023，17（8）：4 171-4 179.8TIAN C，ZHENG M，ZUO W，et al.Multi-stage image denoi-sing with the wavelet transformJ.Pattern Recogn，2023，134：109050.9MA K，DUANMU Z，WU Q，et al.Waterloo exploration data-base：new challenges for image quality assessment modelsJ.IEEE Trans Image Process，2017，26（2）：1 004-1 016.10 RAFIEE A A，FARHANG M.A deep convolutional neuralnetwork for salt-and-pepper noise removal using selectiveconvolutionalblocksJ.ApplSoftComput，2023，145：110535.11 ROTH S，BLACK M J.Fields of experts：a framework forlear-ning image priorsC/IEEE Conference on Computer Visionand Pattern Recognition（CVPR），June 20-25，2005，SanDiego，CA，USA.Piscataway NJ：IEEE，2005：860-867.12 OLCHANOV P，MALLYA A，TYREE S，et al.Importance es-timation for neural network pruningC/IEEE Conference onComputer Vision and Pattern Recognition（CVPR），June 16-20，2019，Long Beach，USA.Piscataway NJ：IEEE，2019：11 264-11 272.13 ZHANG K，ZUO W，CHEN Y，et al.Beyond a Gaussian de-noiser：residual learning of deep CNN for image denoisingJ.IEEE Trans Image Process，2017，26（7）：3 142-3 155.14 ZHANG K，ZUO W，GU S，et al.Learning deep CNN de-noiser prior for image restorationC/IEEE Conference onComputer Vision and Pattern Recognition（CVPR），July 21-26，2017，Hawaii，USA.Piscataway NJ：IEEE，2017：2 808-2 817.15 VARATHARAJAN R，VASANTH K，GUNASEKARAN M，et al.An adaptive decision based Kriging interpolation algori-thm for the removal of high density salt and pepper noise inimagesJ.Comput Electr Eng，2018，70：447-461.16 FU B，ZHAO X，LI Y，et al.A convolutional neural networksdenoising approach for salt and pepper noiseJ.MultimedTools Appl，2019，78：30 707-30 721.17 ENGINOG姚LU S，ERKAN U，MEMI S.Adaptive ces佗ro meanfilter for salt-and-pepper noise removalJ.El-Cezeri，2020，7（1）：304-314.18 ERKAN U，THANH D N H，ENGINOG姚LU S，et al.Improvedadaptive weighted mean filter for salt-and-pepper noise re-movalC/International Conference on Electrical，Commu-nication，and Computer Engineering（ICECCE），June 12-13，2020，Istanbul，Turkey.Piscataway NJ：IEEE，2020：1-5.19 MEMI S S，ERKAN U.Different adaptive modified Ries