基于小波-RED卷积神经网络的低剂量CT重建方法技术

本发明专利技术公开了一种基于小波‑RED卷积神经网络的低剂量CT重建方法，通过小波分解模块代替经典RED卷积神经网络中的编码器，利用小波分解模块的多尺度分析特性，在不同尺度上按频率段逐层提取噪声信息，然后在低剂量CT小波分解系数图像的基础上，利用可训练的解码器，层层提取噪声信息，生成低剂量CT的负噪声图像，最后与低剂量图像相加，获得重建图像，这样可以高效地去除低剂量CT图像上的噪声，同时保留图像的细节信息。

Low dose CT reconstruction based on wavelet red convolutional neural network

【技术实现步骤摘要】
基于小波-RED卷积神经网络的低剂量CT重建方法
本专利技术属于图像处理
，更为具体地讲，涉及一种基于小波-RED卷积神经网络的低剂量CT重建方法。
技术介绍
目前，人们对CT辐射剂量对人体可能造成的潜在危害问题越来越重视。通过降低管电流强度(低剂量CT)和减少采样的次数(稀疏角度CT)，能够实现降低辐射剂量。但这样破坏了投影数据的完备性，由传统重建算法直接重建出的图像质量会严重退化。因此，如何在降低辐射剂量的同时保证重建图像的质量成为近年来CT研究的一个热点。近年来，为了去除低剂量CT图像噪声而出现的经典算法有很多，主要是是基于非局部相似性理论、稀疏表示和字典学习理论及其他理论的各种算法。其中，非局部均值(NLM)算法、匹配三维滤波方法和基于字典学习的稀疏表示方法—K-奇异值分解都是目前公认效果较好的低剂量CT图像降噪算法，但是这些降噪算法都存在去除噪声不完全或使图像过度模糊的缺点。此外，基于变换滤波理论的降噪方法也被众多学者广泛研究。在变换域中对变换系数进行阈值滤波，然而阈值滤波过程中的阈值难以估计和调整，从而难以达到本文档来自技高网...

【技术保护点】
1.一种基于小波-RED卷积神经网络的低剂量CT重建方法，其特征在于，包括以下步骤：/n(1)、构建训练样本/n采集不同患者的标准剂量CT投影数据，再通过反投影重建得到标准剂量CT图像；/n对同一标准剂量CT投影数据添加噪声，再通过反投影重建得到相应的低剂量CT图像；/n将每一对低剂量CT图像与标准剂量CT图像构成一个训练练样本，表示为{X,Y}，其中，X为低剂量CT图像，Y为标准剂量CT图像；/n(2)、构建小波-RED神经网络模型/n用小波分解模块代替传统RED神经网络模型中的编码器，传统RED神经网络模型中的其余模块保持不变；/n其中，小波分解模块与传统RED神经网络模型中的解码器的级数...

【技术特征摘要】
1.一种基于小波-RED卷积神经网络的低剂量CT重建方法，其特征在于，包括以下步骤：
(1)、构建训练样本
采集不同患者的标准剂量CT投影数据，再通过反投影重建得到标准剂量CT图像；
对同一标准剂量CT投影数据添加噪声，再通过反投影重建得到相应的低剂量CT图像；
将每一对低剂量CT图像与标准剂量CT图像构成一个训练练样本，表示为{X,Y}，其中，X为低剂量CT图像，Y为标准剂量CT图像；
(2)、构建小波-RED神经网络模型
用小波分解模块代替传统RED神经网络模型中的编码器，传统RED神经网络模型中的其余模块保持不变；
其中，小波分解模块与传统RED神经网络模型中的解码器的级数均为N；小波分解模块分解后的第n级小波系数Wn与解码器第N-n层反卷积层的输出En同尺寸，Wn与En进行通道拼接后，输入至第N-n+1层反卷积层，输出得到升维的特征图En-1，然后以此类推，直到第N层反卷积层，最后以W1与E1拼接后的多通道特征图为输入，经反卷积...

【专利技术属性】
技术研发人员：郑文锋，杨波，牛培昕，刘珊，曾庆川，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51