一种低剂量CT图像降噪方法技术

本发明专利技术提供了一种低剂量CT图像降噪方法，包括：获取训练数据集；建立降噪网络模型，包括自适应边缘特征提取模块用于对输入的训练数据集中低剂量CT图像进行边缘特征的提取；第一融合层对自适应边缘特征提取模块的输出信号和输入信号进行融合；卷积模块包括多层卷积层构成的编码器、多层返卷积层构成的解码器以及第二融合层，编码器对第一融合层的输出信号进行编码，第二融合层使用跳跃的方式将解码器的反卷积层的特征图与其在编码器中对称的卷积层的特征图进行融合，输出降噪后的特征图；对降噪网络模型进行训练、测试；采用测试好的降噪网络模型对低剂量CT图像降噪。本方法能够保留更多细粒度的信息，得到更加接近目标图像的降噪结果。

【技术实现步骤摘要】
一种低剂量CT图像降噪方法
本专利技术涉及医学影像图像研究领域，尤其涉及一种低剂量CT图像降噪方法。
技术介绍
电子计算机断层扫描(ComputedTomography，简称CT)在当今时代的医学诊断中发挥着非常重要的作用，但该项技术所使用的射线存在的安全隐患也引起了越来越多人的担忧。对于CT图像的成像效果来说，高剂量射线的使用能够提高成像的质量，但同时会增加射线带来的安全隐患，而使用低剂量的射线能够极大降低射线的危害，却会降低图像的清晰度，引入较多的噪声，给后期医生的诊断带来挑战。在医学影像图像研究领域中，CT图像降噪问题即是该领域的一个重要研究问题，该研究问题要解决的是低剂量射线拍摄的CT图像的噪声抑制和信息重建的任务。这样可以同时兼顾安全性和拍摄的图像质量的问题。低剂量CT图像降噪任务的目标是利用设计的算法对低剂量射线拍摄得到的CT图像做噪声抑制和信息重建处理，使其能够达到高剂量的射线拍摄的CT图像的图像质量，在使用过程中可将该算法集成到CT机中，使得CT机可以实现以一种更加安全的用较低剂量的射线方式，得到高质量的成像结果。现有技术中关于低剂量CT图像降噪算法，主要有三类：第一类是正弦图域滤波(SDF,SinogramDomainFiltration)，该技术在图像重建前对原始数据或对数变换后的数据进行滤波，如滤波反投影，典型的方法包括结构自适应滤波、双边滤波和惩罚加权最小二乘算法等，这类方法存在的问题是会将图像的一些边缘变模糊，使图像失真；第二类是迭代重建(IR,IterativeReconstruction)，该方法将正弦图域数据的统计特性、图像域中的先验信息、甚至成像系统的参数统一为一个目标函数，这类方法也是目前较多的商用的CT机器上使用的算法，能够达到降噪效果，但是迭代的过程复杂，耗费时间长，影响计算效率；第三类是图像后处理(IPP,ImagePost-Processing)，这类方法是直接对CT图像数据进行后处理，直接端到端的完成图像的降噪工作，结合近几年飞速发展的深度学习技术，有潜力能够高效的完成降噪工作，基于近几年快速发展的深度学习技术，涌现出了很多使用卷积神经网络的模型算法，采用该方法，力求以图像后处理的方式又快又好的完成低剂量CT图像的降噪与信息重建工作，如图1所示的REDCNN(ResidualEncoder-DecoderConvolutionalNeuralNetwork，剩余编解码卷积神经网络)方法，整体结构上使用的是编码器解码器的结构，关于模型算法的处理流程，输入的低剂量CT图像首先通过若干个卷积层和激活函数层构成的编码器，进行编码工作，之后对称的通过由若干个反卷积层和激活函数层构成的解码器，进行解码工作，其间使用了从编码器阶段取过来的特征，将其和当前阶段的特征进行逐元素的相加，进行特征的融合，之后直接输出降噪后的CT图像。在训练过程中，该算法直接计算的输出图像和目标图像(高剂量射线所拍摄的CT图像)之间的均方误差损失(MSELoss),利用该损失函数对模型算法内部的权重进行梯度更新；在测试过程中，直接使用该算法模型，输入待降噪的低剂量CT图像，即可获得算法模型输出的降噪后的CT图像。但是该方法的缺点主要表现为：编码器和解码器之间的特征融合使用了直接相加的方式，不能很好的做好内部特征的保留和结合；逐像素的距离计算并不能很好的代表最终的图像降噪效果，基于MSELoss的模型更容易发生图像过平滑的问题，使图像变模糊。因此，亟需一种可以提高了输出图像质量以及更加接近于目标图像降噪结果的低剂量CT图像降噪方法。
技术实现思路
本专利技术提供了一种低剂量CT图像降噪方法，以解决现有技术问题中的缺陷。为了实现上述目的，本专利技术采取了如下技术方案。本实施例提供了一种低剂量CT图像降噪方法，包括：获取训练数据集，所述训练数据集包括多组成对的低剂量CT图像和高剂量CT图像，所述的高剂量CT图像作为降噪方法的目标图像；建立降噪网络模型，所述降噪网络模型包括依次连接的自适应边缘特征提取模块、第一融合层、卷积模块，所述的自适应边缘特征提取模块用于对输入的训练数据集中低剂量CT图像进行边缘特征的提取，所述的第一融合层用于对自适应边缘特征提取模块的输出信号和输入信号进行融合，所述的卷积模块包括多层卷积层构成的编码器和多层返卷积层构成的解码器以及第二融合层，所述编码器对第一融合层的输出信号进行编码，所述第二融合层用于使用跳跃的方式将解码器的反卷积层的特征图与其在编码器中对称的卷积层的特征图进行融合，最终通过解码器输出降噪后的特征图；利用所述的训练数据集对所述的降噪网络模型进行训练，得到训练好的降噪网络模型；对所述训练好的降噪网络模型进行测试，得到测试好的降噪网络模型；采用测试好的降噪网络模型对低剂量CT图像降噪。优选地，自适应边缘特征提取模块包括可训练的Sobel算子，可训练的Sobel算子为固定数值的Sobel算子增加了一个可学习参数α作为可训练的Sobel算子的权重，在前向传播计算损失的过程中计算梯度，并在反向传播的利用优化算法结合计算的梯度进行可学习参数α的更新操作，实现自适应的调整过程，在使用的过程中成组的使用X轴方向、Y轴方向和两个对角线方向。优选地，自适应边缘特征提取模块用于对输入的训练数据集中低剂量CT图像进行边缘特征的提取，所述的第一融合层用于对自适应边缘特征提取模块的输出信号和输入信号进行融合，包括：使用一定数量的可训练的Sobel算子作为卷积核的权重，进行卷积操作，得到一组提取边缘信息的特征图，之后通过第一融合层将所述特征图和输入的低剂量CT图像在通道维度堆叠在一起，然后通过使用1x1的普通卷积操作，将跨通道的信息联系在一起得到融合后的特征图。优选地，第二融合层用于使用跳跃的方式将解码器的反卷积层的特征图与其在编码器中对称的卷积层的特征图进行融合包括：第二融合层用于使用跳跃的方式将解码器的反卷积层与其在编码器中对称的卷积层分别定义了对应的可学习的一维的权重参数向量，向量的长度和待融合的特征图的通道数一致，在融合的过程中对应通道进行softmax运算，将数值转化为0和1之间的比率表示，然后对应通道相乘再相加，得到融合之后的特征图。优选地，卷积模块包括5层卷积层构成的编码器和5层返卷积层构成的解码器，所述编码器和解码器的卷积核的数量为32，卷积核使用的尺寸为3x。优选地，利用所述的训练数据集对所述的降噪网络模型进行训练，得到训练好的降噪网络模型，包括：采用均方误差损失和感知损失的复合损失函数计算降噪图像和目标图像之间的损失，使用损失进行反向传播，更新降噪网络模型，重复更新直至达到设定的迭代轮数。优选地，对所述训练好的降噪网络模型进行测试，得到测试好的降噪网络模型，包括：加载测试集的数据至训练好的模型，计算评估指标，降噪网络模型的性能是否满足预期要求，若不满足，则重新回到训练环节，进行进一步的调整训练参数，若满足评估指标，则保存模型参数，并将对应该参数的降噪网络模型作为测试好的降本文档来自技高网...

【技术保护点】
1.一种低剂量CT图像降噪方法，其特征在于，包括：/n获取训练数据集，所述训练数据集包括多组成对的低剂量CT图像和高剂量CT图像，所述的高剂量CT图像作为降噪方法的目标图像；/n建立降噪网络模型，所述降噪网络模型包括依次连接的自适应边缘特征提取模块、第一融合层、卷积模块，所述的自适应边缘特征提取模块用于对输入的训练数据集中低剂量CT图像进行边缘特征的提取，所述的第一融合层用于对自适应边缘特征提取模块的输出信号和输入信号进行融合，所述的卷积模块包括多层卷积层构成的编码器和多层返卷积层构成的解码器以及第二融合层，所述编码器对第一融合层的输出信号进行编码，所述第二融合层用于使用跳跃的方式将解码器的反卷积层的特征图与其在编码器中对称的卷积层的特征图进行融合，最终通过解码器输出降噪后的特征图；/n利用所述的训练数据集对所述的降噪网络模型进行训练，得到训练好的降噪网络模型；/n对所述训练好的降噪网络模型进行测试，得到测试好的降噪网络模型；/n采用测试好的降噪网络模型对低剂量CT图像降噪。/n

【技术特征摘要】
1.一种低剂量CT图像降噪方法，其特征在于，包括：
获取训练数据集，所述训练数据集包括多组成对的低剂量CT图像和高剂量CT图像，所述的高剂量CT图像作为降噪方法的目标图像；
建立降噪网络模型，所述降噪网络模型包括依次连接的自适应边缘特征提取模块、第一融合层、卷积模块，所述的自适应边缘特征提取模块用于对输入的训练数据集中低剂量CT图像进行边缘特征的提取，所述的第一融合层用于对自适应边缘特征提取模块的输出信号和输入信号进行融合，所述的卷积模块包括多层卷积层构成的编码器和多层返卷积层构成的解码器以及第二融合层，所述编码器对第一融合层的输出信号进行编码，所述第二融合层用于使用跳跃的方式将解码器的反卷积层的特征图与其在编码器中对称的卷积层的特征图进行融合，最终通过解码器输出降噪后的特征图；
利用所述的训练数据集对所述的降噪网络模型进行训练，得到训练好的降噪网络模型；
对所述训练好的降噪网络模型进行测试，得到测试好的降噪网络模型；
采用测试好的降噪网络模型对低剂量CT图像降噪。


2.根据权利要求1所述的方法，其特征在于，所述的自适应边缘特征提取模块包括可训练的Sobel算子，可训练的Sobel算子为固定数值的Sobel算子增加了一个可学习参数α作为可训练的Sobel算子的权重，在前向传播计算损失的过程中计算梯度，并在反向传播的利用优化算法结合计算的梯度进行可学习参数α的更新操作，实现自适应的调整过程，在使用的过程中成组的使用X轴方向、Y轴方向和两个对角线方向。


3.根据权利要求1所述的方法，其特征在于，所述的自适应边缘特征提取模块用于对输入的训练数据集中低剂量CT图像进行边缘特征的提取，所述的第一融合层用于对自适应边缘特征提取模块的输出信号和输入信号进行融合，包括：使用一定数量的可训练的Sobel算子作为卷积核的权重，进行卷积操作，得到一组提取边缘信息的特征图，之后通过第一融合层将所述特征图和输入的低剂量CT图像在通道维度堆叠在一起，然后通过使用1x1的普通卷积操作，将跨通道的信息联系在一起得到融合后的特征图。


4.根据权利要求1所述的方法，其特征在于，所述的第二融合层用于使用跳跃的方式将解码器的反卷积层的特征图与其在编码器中对称的卷积层的特征图进行融合包括：第二融合层用于使用跳跃的方式将解码器的反卷积层与其在编码器中对称的卷积层分别定义了对应的可学习的一维的权重参数向量，向量的长度和待融合的特征图的通道...

【专利技术属性】
技术研发人员：金一，梁腾飞，李晨宁，李浥东，王涛，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11