基于改善的U-net的低剂量CT投影域中图像去噪方法技术

本发明专利技术提供一种基于改善的U

【技术实现步骤摘要】
基于改善的U-net的低剂量CT投影域中图像去噪方法


[0001]本专利技术涉及图像处理
，尤其涉及一种基于改善的U-net的低剂量CT投影域中图像去噪方法。

技术介绍

[0002]X射线计算机断层扫描技术(CT)迅速发展并广泛应用于医学诊断的各个领域。它在诊断人体内部细小病变有着很好的优势，因此在众多扫描仪器中有着不可替代的作用。在低剂量条件下，探测器由于接收到的光子数减少会导致投影数据被破坏，从而导致重建后的CT图像会有严重的噪声和伪影，影响放射科医生的判断。为了在保证病人安全的同时产生满足诊断需求的高质量图像，人们提出了很多与低剂量CT问题相关的研究方法。
[0003]在传统的方法中，低剂量CT去噪的方法可以大致分为三类：正弦图修复，迭代重建(IR)技术和CT图像后处理。这些方法可以在一定程度上对低剂量CT问题产生积极的作用，但是由于扫描过程的复杂性，传统方法很难对噪声精确建模，并且各种算法会产生大量的计算开销。
[0004]近年来，深度学习开始应用于去除低剂量CT图像的噪声问题，但这些基于网络的处理方法(例如，中国专利文献CN106600568A公开的一种低剂量CT图像去噪方法及装置)往往属于端到端图像域处理方法。噪声产生的源头位于投影域，经过重建算法后得到的CT图像中所包含噪声特征会变得更加复杂，使得端到端图像域处理方法不易精确识别噪声，去噪后可能会造成图像细节信息损失。

技术实现思路

[0005]针对现有的端到端图像域处理方法存在的噪声识别不准确、造成图像细节丢失的问题，本专利技术提供一种能够利用深度网络快速准确完成投影域低剂量CT图像噪声去除方法。
[0006]本专利技术提供一种基于改善的U-net的低剂量CT投影域中图像去噪方法，包括：
[0007]步骤1：基于CT图像投影域的噪声特性，制作匹配的正常剂量和低剂量的投影图像数据集；
[0008]步骤2：使用inception模块代替U-net网络编码器的卷积层部分；
[0009]步骤3：将U-net网络结构进一步优化、训练和测试；
[0010]步骤4：将需要去噪的低剂量CT投影数据输入至训练好的U-net网络，得到去噪后投影数据，将去噪后投影数据进行滤波反投影重建。
[0011]进一步地，步骤1包括：
[0012]步骤1.1：将正常剂量的CT图像利用Siddon射线驱动方法生成扇形束几何投影数据；
[0013]步骤1.2：在光源为单色X射线时，通过公式(1)所示的泊松噪声近似模拟低剂量CT投影中的噪声：
[0014]Z
i
～Poisson{Z
0i
exp(-s
i
)+r
i
}i＝1,2
…
I
ꢀꢀ
(1)
[0015]其中，Z
i
是沿第i个X射线路径的入射光子数，Z
0i
为X射线的初始入射强度，r
i
是沿第i个X射线路径的背景电子噪声，s
i
是衰减系数的线积分；
[0016]步骤1.3：在正常剂量的投影数据中添加步骤1.2仿真得到的噪声，得到相应的低剂量的投影数据。
[0017]进一步地，步骤2中，每层的inception模块包括3个分支；其中，第一个分支对输入进行1
×
1卷积；第二个分支先对输入进行1
×
1卷积，然后连接3
×
3卷积；第三个分支先对输入进行1
×
1卷积，然后连接5
×
5卷积。
[0018]进一步地，每层的inception模块的3个分支最后通过聚合操作合并。
[0019]进一步地，去除每层的inception模块中的池化层。
[0020]进一步地，步骤3包括：
[0021]步骤3.1：将原U-net网络中的编码器中的卷积层和解码器中的卷积层均加深为9层，且在每个卷积操作后都连接一个ReLU函数和一个用于替代池化的步长为2的卷积操作；
[0022]步骤3.2：在编码器中，针对前4层卷积层中的每一个下采样操作，将特征通道的数量翻倍，后5层卷积层的特征通道数不变；
[0023]步骤3.3：在解码器中，针对前5层卷积层中的每一个上采样操作，保持特征通道的数量不变，后4层卷积层的特征通道数减半。
[0024]进一步地，解码器的每一层后面紧跟两个3
×
3的卷积，解码器最后一层的特征通道数为1，卷积核大小为1
×
1，用于输出经过处理的投影数据。
[0025]进一步地，编码器中每层卷积层的特征通道的数量与解码器中对应层卷积层的特征通道的数量相同。
[0026]本专利技术的有益效果：
[0027](1)考虑到噪声产生源头位于投影域，在最靠近噪声的区域来研究低剂量CT可能会更容易，并且条纹伪影在投影域上表现为分散噪声，本专利技术提供的基于改善的U-net的低剂量CT投影域中图像去噪方法，使用深度学习的方法对CT图像的投影数据直接进行处理，相较于端到端图像域处理方法，本专利技术主要利用投影域图像噪声特征的分布特性和U-net网络在处理小数据集方面的优势来完成投影图像的噪声去除，通过网络学习一种从包含噪声的低剂量CT正弦图到相应的无噪声正常剂量CT正弦图的端到端映射来去除噪声。
[0028](2)基于U-net网络本身能够融合高低层特征的结构，本专利技术引入inception模块可进一步加强低层区域对细节特征的提取能力，防止重要的结构信息被过度平滑，以确保网络在去噪的同时保存图像细节信息。本专利技术通过网络的结构改善，使得网络即使在数据集小的情况下，也能很好的进行网络训练，可以有效地去除低剂量CT中的图像噪声，提高图像质量，在保存重要结构信息和防止边缘模糊方面都有很好的优势。
[0029](3)每层的inception模块采用1
×
1、3
×
3、5
×
5的不同卷积核运算并行获取多尺度图像特征，在降低参数的同时增加了网络的深度和宽度。并且，inception模块的三个分支均使用了1
×
1卷积，通过多次使用1
×
1卷积，可以用很小的计算量就能增加一层特征变换和非线性化，实现了低成本的跨通道特征变换。
[0030](4)通过将编码器和解码器中卷积层加深为9层，使得U-net网络有更强的表征能力，可以更好地拟合图像特征。此外，利用快捷连接将低层区域获得多尺度特征与高层区域
的全局特征进行融合，在去噪的同时保持了图像的细节。
附图说明
[0031]图1为本专利技术实施例提供的基于改善的U-net的低剂量CT投影域中图像去噪方法的流程示意图；
[0032]图2为本专利技术实施例提供的改善的U-net网络结构图；
[0033]图3为本专利技术实施例提供的inception模块的结构图。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改善的U-net的低剂量CT投影域中图像去噪方法，其特征在于，包括：步骤1：基于CT图像投影域的噪声特性，制作匹配的正常剂量和低剂量的投影图像数据集；步骤2：使用inception模块代替U-net网络编码器的卷积层部分；步骤3：将U-net网络结构进一步优化、训练和测试；步骤4：将需要去噪的低剂量CT投影数据输入至训练好的U-net网络，得到去噪后投影数据，将去噪后投影数据进行滤波反投影重建。2.根据权利要求1所述的方法，其特征在于，步骤1包括：步骤1.1：将正常剂量的CT图像利用Siddon射线驱动方法生成扇形束几何投影数据；步骤1.2：在光源为单色X射线时，通过公式(1)所示的泊松噪声近似模拟低剂量CT投影中的噪声：Z
i
～Poisson{Z
0i
exp(-s
i
)+r
i
}i＝1,2
…
I
ꢀꢀ
(1)其中，Z
i
是沿第i个X射线路径的入射光子数，Z
0i
为X射线的初始入射强度，r
i
是沿第i个X射线路径的背景电子噪声，s
i
是衰减系数的线积分；步骤1.3：在正常剂量的投影数据中添加步骤1.2仿真得到的噪声，得到相应的低剂量的投影数据。3.根据权利要求1所述的方法，其特征在于，步骤2中，每层的incepti...

【专利技术属性】
技术研发人员：李磊，宋晓芙，韩玉，张军政，席晓琦，闫镔，朱林林，孙艳敏，刘梦楠，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：