一种低剂量CT影像去噪模型训练方法、去噪方法及装置制造方法及图纸

本发明专利技术提供一种低剂量CT影像去噪模型训练方法、去噪方法及装置，所述训练方法包括：获取训练样本集，所述训练样本集包括多个低剂量CT影像以及对应的普通剂量CT影像，将CT影像转化为灰度图像；将预处理后的所述低剂量CT影像输入至WGAN‑div生成对抗网络初始模型以获得至普通剂量CT影像分布的映射，迭代训练得到低剂量CT影像去噪模型；其中，WGAN‑div生成对抗网络初始模型的生成器网络引入了感知损失和L2损失相结合的联合损失。本发明专利技术所述低剂量CT影像去噪模型训练方法、去噪方法及装置中，所述去噪模型训练方法的生成器网络和判别器网络利用Wasserstein散度计算两个图像之间的分布差异，可以让网络的参数不再受到约束，得到整个函数空间中的最优解，达到最佳的去噪效果。

【技术实现步骤摘要】
一种低剂量CT影像去噪模型训练方法、去噪方法及装置
本专利技术涉及图像处理
，尤其涉及一种低剂量CT影像去噪模型训练方法、去噪方法及装置。
技术介绍
计算机断层扫描(CT)是现代医院和诊所最重要的成像方式之一，它能够得到人体不同部位和器官的横断面图像，对于临床诊断具有非常重大的意义。然而这种方式存在潜在的风险，X射线的过量辐射可能导致遗传损伤和并增加诱发癌症的概率。在过去的十年中，减少剂量是CT检查的一种趋势，这是通过缩短X射线管的曝光时间或减小射线管电流来实现的。降低辐射剂量可以降低潜在风险、缓解CT诊疗设备的损耗和老化问题，但是低剂量的CT扫描会在重建图像中增加噪声和伪影，这会影响诊断精度。现有技术中，可以使用来自图像域的先验信息估计去噪图像，但会导致很高的计算成本；投影域滤波(Sinogramdomainfiltration)的方式存在分辨率损失和边缘模糊的问题，如果不仔细处理正弦图数据，将在重建图像中产生伪像；图像后处理方法则会引起的主要问题是过度平滑和残留误差，当CT图像中的噪声以不均匀的方式分布时，问题尤为突出。因此，科研人员与放射科医生亟待采用新的技术对低剂量CT(LDCT)进行图像重建或图像处理以提升诊断精度。
技术实现思路
本专利技术实施例提供了一种低剂量CT影像去噪模型训练方法、去噪方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷，以实现对低剂量CT影像的高效去噪。本专利技术的技术方案如下：一方面，本专利技术提供一种低剂量CT影像去噪模型训练方法，包括：获取训练样本集，所述训练样本集包括多个低剂量CT影像以及对应的普通剂量CT影像，将预定格式的CT影像进行预处理转化为灰度图像；将预处理后的所述低剂量CT影像输入至WGAN-div生成对抗网络初始模型以获得所述低剂量CT影像至普通剂量CT影像分布的映射，最小化所述WGAN-div生成对抗网络初始模型中生成器的损失，最大化所述WGAN-div生成对抗网络初始模型中判别器的损失，迭代训练得到低剂量CT影像去噪模型；其中，所述WGAN-div生成对抗网络初始模型的生成器网络引入感知损失和L2损失相结合的联合损失。在一些实施例中，所述感知损失采用VGG-19模型的输出进行计算，计算式为：其中，w、h、d分别表示特征空间的宽度、高度和深度，VGG指VGG-19网络，G指生成器网络；所述VGG-19模型包含16层卷积层和3层全连接层。在一些实施例中，所述生成器网络引入的混合损失函数计算式为：Lmix＝λ×LVGG+(1-λ)×L2；其中，λ为平衡LVGG与L2的权重参数，取值为0～1。在一些实施例中，所述WGAN-div生成对抗网络初始模型的总损失函数的计算式为：其中，Pr表示真实分布，即NDCT图像分布；Pz表示噪声分布，即LDCT图像分布；Pg表示生成器的生成分布Pg＝G(Pz)，Pu表示Radon测度，k>0，p>1。在一些实施例中，所述生成器网络为卷积神经网络，所述生成器网络包含8个卷积层，前7个隐藏层每层有32个3×3的卷积核，最后一层用一个3×3的卷积核生成特征图并输出，激活函数采用修正线性单元。在一些实施例中，所述WGAN-div生成对抗网络初始模型的判别器网络包含连续的6个卷积层和两个全连接层，其中，前两个卷积层有64个卷积核，中间两个卷积层有128个卷积核，最后两个卷积层有256个卷积核，每个卷积核为3×3；卷积层之后依次连接一个1024个输出的全连接层和一个只有单个输出的全连接层。在一些实施例中，获取训练样本集之后，还包括：将所述低剂量CT影像以及对应的普通剂量CT影像按照预定长宽尺寸进行裁剪；所述预定格式为DICOM格式。另一方面，本专利技术还提供一种低剂量CT影像去噪方法，包括：获取待处理的低剂量CT影像，并按照预定长宽尺寸进行裁剪；将裁剪后的低剂量CT影像输入至如上述低剂量CT影像去噪模型训练方法中得到的低剂量CT影像去噪模型，进行去噪并输出。另一方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述方法的步骤。另一方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述方法的步骤。本专利技术的有益效果至少是：本专利技术所述低剂量CT影像去噪模型训练方法、去噪方法及装置中，所述去噪模型训练方法的生成器网络和判别器网络利用Wasserstein散度计算两个图像之间的分布差异，可以让网络的参数不再受到约束，得到整个函数空间中的最优解，达到最佳的去噪效果。本专利技术的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本专利技术的实践而获知。本专利技术的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。本领域技术人员将会理解的是，能够用本专利技术实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本专利技术能够实现的上述和其他目的。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定。在附图中：图1为本专利技术一实施例所述低剂量CT影像去噪模型训练方法的逻辑结构示意图；图2为本专利技术另一实施例所述低剂量CT影像去噪方法得到的图片与NDCT、LDCT、RED-CNN去噪图像、WGAN-VGG去噪图像以及WGAN-GP去噪图像的对比图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本专利技术做进一步详细说明。在此，本专利技术的示意性实施方式及其说明用于解释本专利技术，但并不作为对本专利技术的限定。在此，还需要说明的是，为了避免因不必要的细节而模糊了本专利技术，在附图中仅仅示出了与根据本专利技术的方案密切相关的结构和/或处理步骤，而省略了与本专利技术关系不大的其他细节。应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。需要预先说明的是，低剂量CT(LDCT)图像去噪技术已经得到了广泛的研究，相比于普通剂量CT(NDCT)，低剂量CT的辐射量较小，能够极大降低辐射风险，减小辐射危害，但是低剂量CT的图像存在大量噪声，不清晰，在医疗诊断过程中会产生负面影响。低剂量CT(LDCT)的平均辐射剂量为0.61～1.50mSv，而普通CT(NDCT)是7mSv。美国医学物理师协会认为如果影像学检查的单次剂量在50mSv以下，短期内多次累计剂量在100mSv以下时被认为是安全的。现有本文档来自技高网...

【技术保护点】
1.一种低剂量CT影像去噪模型训练方法，其特征在于，包括：/n获取训练样本集，所述训练样本集包括多个低剂量CT影像以及对应的普通剂量CT影像，将预定格式的CT影像进行预处理转化为灰度图像；/n将预处理后的所述低剂量CT影像输入至WGAN-div生成对抗网络初始模型以获得所述低剂量CT影像至普通剂量CT影像分布的映射，最小化所述WGAN-div生成对抗网络初始模型中生成器的损失，最大化所述WGAN-div生成对抗网络初始模型中判别器的损失，迭代训练得到低剂量CT影像去噪模型；其中，所述WGAN-div生成对抗网络初始模型的生成器网络引入感知损失和L2损失相结合的联合损失。/n

【技术特征摘要】
1.一种低剂量CT影像去噪模型训练方法，其特征在于，包括：
获取训练样本集，所述训练样本集包括多个低剂量CT影像以及对应的普通剂量CT影像，将预定格式的CT影像进行预处理转化为灰度图像；
将预处理后的所述低剂量CT影像输入至WGAN-div生成对抗网络初始模型以获得所述低剂量CT影像至普通剂量CT影像分布的映射，最小化所述WGAN-div生成对抗网络初始模型中生成器的损失，最大化所述WGAN-div生成对抗网络初始模型中判别器的损失，迭代训练得到低剂量CT影像去噪模型；其中，所述WGAN-div生成对抗网络初始模型的生成器网络引入感知损失和L2损失相结合的联合损失。


2.根据权利要求1所述的低剂量CT影像去噪模型训练方法，其特征在于，所述感知损失采用VGG-19模型的输出进行计算，计算式为：



其中，w、h、d分别表示特征空间的宽度、高度和深度；VGG指VGG-19网络，G指生成器网络；所述VGG-19模型包含16层卷积层和3层全连接层。


3.根据权利要求2所述的低剂量CT影像去噪模型训练方法，其特征在于，所述生成器网络引入的混合损失函数计算式为：
Lmix＝λ×LVGG+(1-λ)×L2；
其中，λ为平衡LVGG与L2的权重参数，取值为0～1。


4.根据权利要求1所述的低剂量CT影像去噪模型训练方法，其特征在于，所述WGAN-div生成对抗网络初始模型的总损失函数的计算式为：



其中，
Pr表示真实分布，即NDCT图像分布；Pz表示噪声分布，即LDCT图像分布；Pg表示生成器的生成分布Pg＝G(Pz)，Pu表示Radon测度，k&g...

【专利技术属性】
技术研发人员：李书芳，李一凡，潘聚东，
申请(专利权)人：上海慧虎信息科技有限公司，
类型：发明
国别省市：上海;31