一种低剂量CT图片质量改善方法、系统及设备技术方案

本发明专利技术公开了一种低剂量CT图片质量改善方法、系统及设备，包括：选择包含有低剂量图片和高剂量图片的CT文件并转化为H5PY矩阵数据；使用多方向的梯度算子对H5PY矩阵进行卷积运算，将多方向卷积计算结果与H5PY矩阵进行合并，将合并数据输入到VGG‑16神经网络模型中进行训练，对训练好的VGG‑16神经网络模型进行评价，选择出CT图片改善模型；将低剂量CT图片输入到CT图片改善模型中，得到图片质量改善后的低剂量CT图片。本发明专利技术多方向梯度算子应用于低剂量CT图片质量的改善之中，多方向梯度算子抗干扰能力强，能够去除图片中的噪音，同时注重细节恢复，有效获取图片的细节纹理，大大提高网络的人眼感受效果。

【技术实现步骤摘要】
一种低剂量CT图片质量改善方法、系统及设备
本专利技术图片质量改善
，尤其涉及一种低剂量CT图片质量改善方法、系统及设备。
技术介绍
目前，计算机断层扫描(CT)是一种准确，无创的方法，使用CT可以检测人体内部异常部位，例如肿瘤，骨折和血管疾病。然而，在胸部CT扫描期间，放射线暴露则等于两年的背景放射线。考虑到CT扫描诊断的优势，找到解决辐射问题的方法至关重要。降低辐射风险的一种方法是使用较低剂量的X射线电流。但是，该方法生成的CT图片不如正常剂量CT图片清晰明了，它们对于诊断结果来说将是不可靠的。因此，如何去除低剂量CT图片中的噪声，增强图片质量显得至关重要。低剂量CT的噪声减少工作大体分为前处理和后处理，前处理依赖具体CT设备或者投影数据，而后处理可以直接在重建的CT上工作，独立于扫描仪供应商。后处理即图片空间去噪算法分为两类：一类是传统机器学习，一类是深度学习。传统机器学习算法，针对单一问题时，效果好，但对于复杂问题往往效果有限，而且模型的通用性不高。对于深度学习，近年来，通过使用深度学习(DL)在图片处理领域取得了许多进步，实现的效果在许多方面远超传统机器学习算法。近年来许多使用深度学习来进行低剂量CT图片质量增强或者去噪的研究表明，训练出来的神经网络，只在相关指标PSNR以及SSIM上表现良好，而在人眼的视觉感受上的表现，并没有明显提升。低剂量CT图片的增强网络使用均方误差进行设计，但是遇到复杂背景而不是模拟噪声时，比如一些真实的低剂量图片，增强后的结果出现会过渡模糊的问题。实践表明，使用更复杂网络比如残差或者GAN网络等，虽然能继续提升PSNR值，但PSNR值并不完全匹配人眼视觉效果。综上所述，现有技术中神经网络输出的CT图片虽然指标高，但是存在着人眼感受图片模糊以及纹理细节差的技术问题。
技术实现思路
本专利技术提供了一种低剂量CT图片质量改善方法、系统及设备，用于解决现有技术中神经网络输出的CT图片虽然指标高，但是存在着人眼感受图片模糊以及纹理细节差的技术问题。一种低剂量CT图片质量改善方法，包括以下步骤：选择包含有低剂量图片和高剂量图片的CT文件，将CT文件中的低剂量图片和高剂量图片转化为H5PY矩阵数据；提取出H5PY矩阵数据中的H5PY矩阵，使用多方向的梯度算子对H5PY矩阵进行卷积运算，获得多方向卷积计算结果；将多方向卷积计算结果与H5PY矩阵进行合并，得到合并数据；将合并数据输入到VGG-16神经网络模型中进行训练，得到训练好的VGG-16神经网络模型；对训练好的VGG-16神经网络模型进行评价，根据评价结果选择出CT图片改善模型；将低剂量CT图片输入到CT图片改善模型中，得到图片质量改善后的低剂量CT图片。优选的，H5PY矩阵数据包括H5PY矩阵以及标签。优选的，H5PY矩阵数据中，低剂量图片标签为‘train’，高剂量图片标签为‘label’。优选的，多方向的梯度算子具体为八方向的梯度算子。优选的，八方向的梯度算子的梯度方向为0°、45°、90°、135°、180°、225°、270°以及315°。优选的，使用多方向的梯度算子对H5PY矩阵进行卷积运算时，对卷积进行填充处理。优选的，VGG-16神经网络模型采用均方误差作为损失函数。优选的，对训练好的VGG-16神经网络模型进行评价的具体过程为：根据峰值信噪比、结构相似性以及视觉效果对训练好的VGG-16神经网络模型输出的图片进行评价。一种低剂量CT图片质量改善系统，包括CT文件选择模块、H5PY矩阵数据转换模块、卷积运算模块、数据合并模块、神经网络模型模块、评价模块、图片输出模块；所述CT文件选择模块用于选择包含有低剂量图片和高剂量图片的CT文件；所述H5PY矩阵数据转换模块用于将CT文件中的低剂量图片和高剂量图片转化为H5PY矩阵数据；所述卷积运算模块用于调取出H5PY矩阵数据中的H5PY矩阵，使用多方向的梯度算子对H5PY矩阵进行卷积运算，获得多方向卷积计算结果；所述数据合并模块用于将多方向卷积计算结果与H5PY矩阵进行合并，得到合并数据；所述神经网络模型模块用于将合并数据输入到VGG-16神经网络模型中进行训练，得到训练好的VGG-16神经网络模型；所述评价模块用于对训练好的VGG-16神经网络模型进行评价，根据评价结果选择出CT图片改善模型；所述图片输出模块用于将低剂量CT图片输入到CT图片改善模型中，得到图片质量改善后的低剂量CT图片。一种低剂量CT图片质量改善设备，包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行上述的一种低剂量CT图片质量改善方法。从以上技术方案可以看出，本专利技术实施例具有以下优点：本专利技术实施例将多方向梯度算子应用于低剂量CT图片质量的改善之中，多方向梯度算子抗干扰能力强，能够去除图片中的噪音，同时注重细节恢复，有效获取图片的细节纹理，大大提高网络的人眼感受效果，解决了现有技术中神经网络输出的CT图片虽然指标高，但是存在着人眼感受图片模糊以及纹理细节差的技术问题，在实际应用中具有指导意义。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。图1为本专利技术实施例提供的一种低剂量CT图片质量改善方法、系统及设备的方法流程图。图2为本专利技术实施例提供的一种低剂量CT图片质量改善方法、系统及设备的系统结构图。图3为本专利技术实施例提供的一种低剂量CT图片质量改善方法、系统及设备的设备框架图。图4(a)为本专利技术实施例提供的一种低剂量CT图片质量改善方法、系统及设备的高剂量图片。图4(b)为本专利技术实施例提供的一种低剂量CT图片质量改善方法、系统及设备的低剂量图片。图5为本专利技术实施例提供的一种低剂量CT图片质量改善方法、系统及设备的使用VGG-16网络训练获取的CT图像。图6为本专利技术实施例提供的一种低剂量CT图片质量改善方法、系统及设备的引入八方向sobel算子的VGG-16网络训练获取的CT图像。图7为本专利技术实施例提供的一种低剂量CT图片质量改善方法、系统及设备的引入八方向prewitt算子的VGG-16网络训练获取的CT图像。具体实施方式本专利技术实施例提供了一种低剂量CT图片质量改善方法、系统及设备，用于解决现有技术中神经网络输出的CT图片虽然指标高，但是存在着人眼感受图片模糊以及纹理细节差的技术问题。为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图本文档来自技高网...

【技术保护点】
1.一种低剂量CT图片质量改善方法，其特征在于，包括以下步骤：/n选择包含有低剂量图片和高剂量图片的CT文件，将CT文件中的低剂量图片和高剂量图片转化为H5PY矩阵数据；/n提取出H5PY矩阵数据中的H5PY矩阵，使用多方向的梯度算子对H5PY矩阵进行卷积运算，获得多方向卷积计算结果；/n将多方向卷积计算结果与H5PY矩阵进行合并，得到合并数据；/n将合并数据输入到VGG-16神经网络模型中进行训练，得到训练好的VGG-16神经网络模型；/n对训练好的VGG-16神经网络模型进行评价，根据评价结果选择出CT图片改善模型；/n将低剂量CT图片输入到CT图片改善模型中，得到图片质量改善后的低剂量CT图片。/n

【技术特征摘要】
1.一种低剂量CT图片质量改善方法，其特征在于，包括以下步骤：
选择包含有低剂量图片和高剂量图片的CT文件，将CT文件中的低剂量图片和高剂量图片转化为H5PY矩阵数据；
提取出H5PY矩阵数据中的H5PY矩阵，使用多方向的梯度算子对H5PY矩阵进行卷积运算，获得多方向卷积计算结果；
将多方向卷积计算结果与H5PY矩阵进行合并，得到合并数据；
将合并数据输入到VGG-16神经网络模型中进行训练，得到训练好的VGG-16神经网络模型；
对训练好的VGG-16神经网络模型进行评价，根据评价结果选择出CT图片改善模型；
将低剂量CT图片输入到CT图片改善模型中，得到图片质量改善后的低剂量CT图片。


2.根据权利要求1所述的一种低剂量CT图片质量改善方法，其特征在于，H5PY矩阵数据包括H5PY矩阵以及标签。


3.根据权利要求2所述的一种低剂量CT图片质量改善方法，其特征在于，H5PY矩阵数据中，低剂量图片标签为‘train’，高剂量图片标签为‘label’。


4.根据权利要求3所述的一种低剂量CT图片质量改善方法，其特征在于，多方向的梯度算子具体为八方向的梯度算子。


5.根据权利要求4所述的一种低剂量CT图片质量改善方法，其特征在于，八方向的梯度算子的梯度方向为0°、45°、90°、135°、180°、225°、270°以及315°。


6.根据权利要求5所述的一种低剂量CT图片质量改善方法，其特征在于，使用多方向的梯度算子对H5PY矩阵进行卷积运算时，对卷积进行填充处理。


7.根据权利要求6所述的一种低剂量CT图片质量改善方...

【专利技术属性】
技术研发人员：邓杰航，吕伟考，钟韬，顾国生，郭新冲，许国楠，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44