一种面向能谱CT的投影域数据噪声去除方法技术

本发明专利技术公开一种面向能谱CT的投影域数据噪声去除方法，主要利用能谱CT高低能X射线条件下投影域数据高低能分量之间的信息互补去噪。首先由于低剂量CT投影数据的噪声特性可以近似为具有非线性信号相关方差的高斯分布，所以对能谱CT所获得的投影域数据高能分量和低能分量建立相应的加权最小二乘法框架可以很好进行表征，之后为了达到投影域数据高低能分量的信息交互，采用交替迭代的方式对加权最小二乘法框架进行优化求解，由于迭代过程是交替方向进行的，可以很好的在投影域数据高低能分量之间进行信息互补去噪。最后采用梯度下降法进行神经网络搭建并制作训练数据集对神经网络进行训练，得到优化后的去噪模型。

A Noise Removal Method for Projection Domain Data Oriented to Spectral CT

【技术实现步骤摘要】
一种面向能谱CT的投影域数据噪声去除方法
本专利技术涉及能谱CT领域，尤其是针对低剂量条件下，用于能谱CT图像重建的投影域数据存在较多噪声，利用高低能信息互补去除投影域噪声的方法。
技术介绍
目前，CT成像是最广泛应用的医学影像技术之一，CT以它高分辨率、高灵敏度、多层次等优势，发挥了有别于传统X线检查的巨大作用。CT成像技术己成为现代医学和工业重要的检测与诊断手段，且起着越来越重要的作用。随着CT采样技术的日益发展，能谱CT成像的概念于1975年被提出。相较于传统的单能CT能够提供病人的解剖结构信息以及组织的化学成分信息。因为物体对X射线的衰减取决于射线的能量大小，不同能量的采样会提供更多的物体内部信息。然而，CT检查过程中高的辐射剂量会导致相关癌症风险增大这一事实越来越受到关注。降低辐射剂量的同时保证最终重建得到高质量的CT图像已经成为医学成像领域的重点和难点。由于剂量的降低会导致获得的数据当中噪声加重，目前提出了许多方法来改善低剂量CT图像的质量。这些方法通常分为三类：对投影域数据滤波，迭代重建和图像后处理。例如采用双边滤波的方式处理投影域数据，之后采用滤波反投影进行重建；通过在目标图像的先验信息辅助下，基于字典学习的迭代去噪方法以及使用深度学习技术对低剂量条件下重建的图像进行后处理实现去噪等方法，本专利技术属于对投影域数据又称正弦图数据进行处理这一类。为了在低剂量条件下重建出高质量的CT图像，对能谱CT在不同能量段下提供的信息进行融合已经成为趋势，尤其是对于投影直接获得的正弦数据进行处理，可以避免在之后重建过程中所带来的解析误差，从而重建出更加真实的图像。
技术实现思路
本专利技术的目的是为了克服现有技术中的不足，提供一种采用交替迭代方式进行低剂量能谱CT投影域数据噪声去除的方法，采用高低能投影数据信息融合去噪可以避免单纯进行正弦图滤波所造成的有效信息丢失问题，进而为之后图像重建提供更准确的输入数据，实现低剂量条件下的高质量CT图像重建，推动精准医疗的进一步发展。本专利技术将高能和低能条件下的投影域数据通过基于交替迭代方式构建的神经网络进行信息互补，实现低剂量条件下生成高质量的投影域数据。本专利技术的目的是通过以下技术方案实现的：一种面向能谱CT的投影域数据噪声去除方法，包括以下步骤：(1)构建用于表示投影域数据噪声分布的加权最小二乘法噪声模型矩阵P；(2)使用交替迭代法构建去除投影域噪声的去噪模型；(3)采用梯度下降法搭建神经网络并制作数据集对去噪模型进行优化。进一步的，步骤(1)具体包括：参照公式(1)，其中，X1代表能谱CT获得的含噪声的投影域数据低能分量矩阵，X2代表能谱CT获得的含噪声的投影域数据高能分量矩阵，Y代表无噪声的投影域数据高能分量矩阵，Σ-1表示对矩阵元素进行方差运算的计算法则；在0到1之间取值，初始值设为0.5；λ、γ为正则化约束矩阵的权重系数，初始值设为1，R1和R2为正则化约束矩阵；由于CT的投影域图像数据可进行稀疏表示，因此采用离散的小波变换构建正则化矩阵，令Dl、Hk代表离散小波变换系数，L和K表示滤波次数，取值由X1矩阵和X2矩阵的阶数决定；l、k表示变量，最小值为1，最大值分别为L和K；g为正则化法则，使用但不限于范数计算，构建的表达式如公式(2)所示：进一步的，步骤(2)具体包括：采用增广拉格朗日优化方程实现投影域数据高能分量矩阵和投影域数据低能分量矩阵的交替迭代，整个迭代的过程如公式(3)所示，其中M(n)表示第n次迭代过程中高能投影域数据矩阵和低能投影域数据矩阵的交互矩阵；Y(n)分别表示含噪声的投影域数据低能分量矩阵、投影域数据高能分量矩阵以及无噪声投影域数据高能分量矩阵进行第n次迭代后结果，ρ，β为构建增广拉格朗日方程的系数，初始值设为1，以将噪声模型矩阵P优化问题转化为对X1、X2的优化过程；实现在第N次迭代后得到去噪后的投影域数据高能分量矩阵以及投影域数据低能分量矩阵进一步的，步骤(3)具体包括以下步骤：(301)对于神经网络的输入层，Y(n)使用无噪声的投影域数据高能分量矩阵作为输入，X1(n)的初始输入为含噪声的投影域数据低能分量矩阵，的初始输入为含噪声的投影域数据高能分量矩阵；神经网络的隐藏层基于公式(3)进行搭建，输出层为去噪后的投影域数据高低能分量矩阵；神经网络中的损失函数使用N次迭代后的含噪声矩阵与无噪声矩阵之间的均方差完成构建，使用梯度下降算法对神经网络中的参数进行优化；(302)进行数据集准备，在仿真环境下采用高能量的X射线对人体模型进行照射，由于理想环境不存在噪声，所以在探测器产生的投影域数据矩阵即为无噪声的投影域数据高能分量矩阵Y，将其作为网络训练的标签。将无噪声的矩阵通过软件加入高斯噪声，从而生成含噪声的投影域数据高能分量矩阵X2；同样的方法采用能量较低的X射线对体模进行照射并通过软件加噪声后得到含噪声的投影域数据低能分量矩阵X1。(303)进行数据集标定，包括含噪声的投影域数据低能分量矩阵X1、含噪声的投影域数据高能分量矩阵X2、以及无噪声的投影域数据高能分量矩阵Y；将同一体模断层含噪声的投影域高低能分量矩阵及无噪声的数据高能分量矩阵进行匹配，作为一组数据；通过对体模进行不同位置的切片来生成至少150组数据集；其中100组用来训练，剩下的50组进行测试。(304)对神经网络进行训练，随机选择步骤(303)中标定好的用于训练的100组数据集对神经网络进行训练，依照公式(3)的迭代方案，对X1(n)、逐步的运算优化，进行查看神经网络中含噪声投影域数据高能分量矩阵和无噪声投影域数据高能分量矩阵Y之间的差异性是否满足要求，即损失函数是否可以收敛到最小，如果无法收敛，则更改调整神经网络中涉及到的超参数后再次训练，直到损失函数的值小于或等于0.01，则认为神经网络训练完成；(305)测试神经网络训练效果；利用步骤(303)中用作测试的50组数据集进行测试，将含噪声的投影域数据高能分量矩阵和低能分量矩阵输入神经网络，利用神经网络中数据评价标准检查神经网络的训练效果，若合格则完成训练，若不合格，重复步骤(304)直到合格，完成神经网络的训练，得到优化后的去噪模型；(306)将能谱CT探测器探测到的数据经过模数转化电路得到投影域数据的高能分量矩阵和低能分量矩阵，然后输入到优化后的去噪模型当中，在输出端得到去噪后的投影域数据高能分量矩阵。与现有技术相比，本专利技术的技术方案所带来的有益效果是：本专利技术方法，首先引入带惩罚项的加权最小二乘法框架对能谱CT投影域数据噪声进行了描述，由于低剂量CT投影数据的噪声特性可以近似为具有非线性信号相关方差的高斯分布，因此该框架可以更加准确提取出投影域数据当中的噪声，之后通过交替迭代的方法将能谱CT中所获得的投影域数据高能分量以及投影域数据低能分量在神经网络中进行信息互补去噪，由于迭代过程是交替方向进行的，可以很好的在投影域数据高能分量和投影域数据低能分量之间进行信息共享同时避免去噪过程中所造成有效信息丢失问题，进而保留更多的细节信息。同时使用神经网络对去噪模型进行优化，可以利用神经网络强大的特征提取功能提取投影域数据中有用信息，在速度和准确率上都有很大的提升，从而为后续的图像重建提供高质量输入数据，实现在低剂量条件下重建本文档来自技高网...

【技术保护点】
1.一种面向能谱CT的投影域数据噪声去除方法，其特征在于，包括以下步骤：(1)构建用于表示投影域数据噪声分布的加权最小二乘法噪声模型矩阵P；(2)使用交替迭代法构建去除投影域噪声的去噪模型；(3)采用梯度下降法搭建神经网络并制作数据集对去噪模型进行优化。

【技术特征摘要】
1.一种面向能谱CT的投影域数据噪声去除方法，其特征在于，包括以下步骤：(1)构建用于表示投影域数据噪声分布的加权最小二乘法噪声模型矩阵P；(2)使用交替迭代法构建去除投影域噪声的去噪模型；(3)采用梯度下降法搭建神经网络并制作数据集对去噪模型进行优化。2.根据权利要求1所述一种面向能谱CT的投影域数据噪声去除方法，其特征在于，步骤(1)具体包括：参照公式(1)，其中，X1代表能谱CT获得的含噪声的投影域数据低能分量矩阵，X2代表能谱CT获得的含噪声的投影域数据高能分量矩阵，Y代表无噪声的投影域数据高能分量矩阵，Σ-1表示对矩阵元素进行方差运算的计算法则；在0到1之间取值，初始值设为0.5；λ、γ为正则化约束矩阵的权重系数，初始值设为1，R1和R2为正则化约束矩阵；由于CT的投影域图像数据可进行稀疏表示，因此采用离散的小波变换构建正则化矩阵，令Dl、Hk代表离散小波变换系数，L和K表示滤波次数，取值由X1矩阵和X2矩阵的阶数决定；l、k表示变量，最小值为1，最大值分别为L和K；g为正则化法则，使用范数计算，构建的表达式如公式(2)所示：3.根据权利要求1所述一种面向能谱CT的投影域数据噪声去除方法，其特征在于，步骤(2)具体包括：采用增广拉格朗日优化方程实现投影域数据高能分量矩阵和投影域数据低能分量矩阵的交替迭代，整个迭代的过程如公式(3)所示，其中M(n)表示第n次迭代过程中高能投影域数据矩阵和低能投影域数据矩阵的交互矩阵；Y(n)分别表示含噪声的投影域数据低能分量矩阵、投影域数据高能分量矩阵以及无噪声投影域数据高能分量矩阵进行第n次迭代后结果，ρ，β为构建增广拉格朗日方程的系数，初始值设为1，以将噪声模型矩阵P优化问题转化为对X1、X2的优化过程；实现在第N次迭代后得到去噪后的投影域数据高能分量矩阵以及投影域数据低能分量矩阵4.根据权利要求1所述一种面向能谱CT的投影域数据噪声去除方法，其特征在于，步骤(3)具体包括以下步骤：(301)对于神经网络的输入层，Y(n)使用无噪声的投影域数据高能分量矩阵作为输入，X1(n)的初始输入为含噪声的投影域数据低能分量矩阵，的初始输入为含噪声的投...

【专利技术属性】
技术研发人员：史再峰，李慧龙，曹清洁，罗韬，李金卓，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12