低剂量CT图像降噪方法及装置制造方法及图纸

本发明专利技术涉及一种低剂量CT图像降噪方法及装置，对图像数据集进行预处理；初始化卷积稀疏图X和卷积字典D；通过超参数预测模块产生每次的迭代参数；基于所述迭代参数，迭代更新卷积稀疏图X和卷积字典D，直至获得预训练模型；选取低剂量CT图像数据集，基于所述预训练模型在低剂量CT图像数据集上训练，直至获得降噪模型；基于所述降噪模型，对低剂量CT图像进行降噪处理。本发明专利技术能够有效提高低剂量CT图像降噪处理效果。处理效果。处理效果。

【技术实现步骤摘要】
低剂量CT图像降噪方法及装置


[0001]本专利技术涉及一种低剂量CT图像降噪方法及装置。

技术介绍

[0002]现在公开且较流行的低剂量CT图像降噪方法包括投影域过滤、迭代重建和图像域后处理。基于投影域过滤的方法，大多采用惩罚加权最小二乘算法、双边滤波和结构自适应滤波等图像处理方法进行去噪，这可能导致图像域的边缘模糊和空间分辨率损失。基于迭代重建的算法计算量大且和投影域滤波一样需要访问对大多数用户不透明的原始投影数据。后处理方法不需要访问低剂量CT的投影数据，很容易集成到临床低剂量CT的工作流程中，移植性强，但是传统的后处理方法容易在抑制噪声/伪影的同时模糊细节信息。基于分块的K
‑
SVD算法属于传统字典学习范畴，它交替更新字典中的原子和字典的稀疏表示,以此来抑制图像中的噪声/伪影，但基于分块且独立重建图像块会缺乏平移不变性，容易忽略不同块之间的结构依赖性，相邻甚至重叠块的独立稀疏也使得整个图像的稀疏表示高度冗余。
[0003]随着深度学习技术的快速发展，基于卷积神经网络的方法在图像分类，目标检测，图像去噪和图像融合等领域取得了长足的进步。卷积神经网络能够在输入图像中提取多张特征图，具有强大的特征提取能力，其训练过程是输入数据和标签数据之间误差函数的最小化过程，但这种输入数据到标签数据的学习映射缺乏可解释性。深度学习技术下的去噪方法的差异性往往在于精心设计的复杂网络，但它们都需要较大的训练数据集，用于医学图像降噪时也会产生过度模糊的现象，造成细节信息的丢失。
[0004]目前比较流行的图像降噪算法中基于卷积字典学习的方法，用卷积运算代替信号表示中的矩阵乘法，使用多个滤波器和相应特征图的卷积总和对整张图像进行分解，克服了基于块的缺点。现有的卷积字典学习方法大多没有严格遵循字典学习的图像表示模型，使用手工先验，训练得到的通用字典细微结构表达能力有限，去噪效果逊于深度学习的方法且应用领域局限在自然图像上。

技术实现思路

[0005]本专利技术的专利技术目的在于提供一种低剂量CT图像降噪方法及装置，能够有效提高低剂量CT图像降噪处理效果。
[0006]基于同一专利技术构思，本专利技术具有两个独立的技术方案：
[0007]1、一种低剂量CT图像降噪方法，包括如下步骤：
[0008]步骤1：对图像数据集进行预处理；
[0009]步骤2：初始化卷积稀疏图X和卷积字典D；
[0010]步骤3：通过超参数预测模块产生每次迭代参数；基于所述迭代参数，迭代更新卷积稀疏图X和卷积字典D，直至获得预训练模型；
[0011]步骤4：选取低剂量CT图像数据集，对图像数据集进行预处理，基于所述预训练模
型在低剂量CT图像数据集上训练，直至获得降噪模型；
[0012]步骤5：基于所述降噪模型，对低剂量CT图像进行降噪处理。
[0013]进一步地，步骤2中，通过初始化模块获得初始化卷积稀疏图X，所述初始化模块由不同卷积层的拼接和级联组成，输入带噪声图像和噪声标准差至所述初始化模块，获得初始化卷积稀疏图X。
[0014]进一步地，步骤3中，超参数预测模块由两个卷积层和两个激活函数组成，输入噪声标准差至所述超参数预测模块，并将其和超参数预测模块末端的输出相乘，以获得更新卷积稀疏图X和卷积字典D所需的迭代参数。
[0015]进一步地，步骤3中，卷积字典D的求解网络由4个卷积层、Relu激活函数和多尺度Inception模块组成。
[0016]进一步地，步骤3中，卷积稀疏图X的求解网络以密集旁路连接下的U
‑
Net结构为基础，相邻两层之间设有残差模块，每个残差模块包括多个残差单元。
[0017]进一步地，步骤3中，引入X'和D'作为辅助变量，迭代更新卷积稀疏图X和卷积字典D；在第t次迭代中，输入的含噪图像Y同前一次迭代后的卷积稀疏图X(t
‑
1)、卷积字典D(t
‑
1)和本次迭代的超参数α
X(t)
，经辅助变量X'求解模块求解获得X'(t),X'(t)再与超参数β
X(t)
拼接，并用卷积稀疏图求解网络得出该次迭代后的卷积稀疏图X(t)；
[0018]含噪图像Y、超参数α
D(t)
、前一次迭代后的卷积字典D(t
‑
1)和该次迭代后的卷积稀疏图X(t)，经辅助变量D'求解模块求解获得D'(t)，D'(t)与超参数β
D(t)
拼接并用卷积字典求解网络得出该次迭代后的D(t)，D(t)与X(t)逐层卷积并求和以重构出该次迭代后的图像Y(t)；
[0019]所述超参数α
X(t)
、β
X(t)
、α
D(t)
、β
D(t)
均通过超参数预测模块获得。
[0020]进一步地，辅助变量X'求解模块与辅助变量D'求解模块分别基于快速傅里叶变换和最小二乘法，以求获得相应的闭合解。
[0021]进一步地，步骤3中，每次迭代的损失函数由L1损失和MS
‑
SSIM损失组成，两者比例的取值范围为[0,1]；第一次迭代的损失函数权重记为1，其余T
‑
1次迭代的损失函数权重记为反向传播时使用所有T次迭代的损失函数总和。
[0022]进一步地，步骤4中，基于预训练模型在低剂量CT图像数据集上训练，根据网络收敛情况调节初始学习率、学习率衰减时的迭代次数阈值和学习率衰减比例。
[0023]2、一种低剂量CT图像降噪装置，用于执行上述方法。
[0024]本专利技术具有的有益效果：
[0025]本专利技术低剂量CT图像降噪方法基于迁移学习思想，其包括如下步骤：对图像数据集进行裁剪、旋转和镜像等预处理操作；初始化卷积稀疏图X和卷积字典D；通过超参数预测模块产生每次迭代参数；基于所述迭代参数，迭代更新卷积稀疏图X和卷积字典D，直至获得预训练模型；选取低剂量CT图像数据集，基于所述预训练模型在低剂量CT图像数据集上训练，直至获得降噪模型；基于所述降噪模型，对低剂量CT图像进行降噪处理。本专利技术提出一种基于卷积字典学习和神经网络的低剂量CT图像降噪方法，将卷积字典学习可解释性强的优点和神经网络强大特征提取能力的优势有效结合，有助于在去除噪声的同时保护图像边缘细节信息，克服了基于分块的传统字典学习信息冗余的问题和现有基于卷积字典学习理
论的降噪方法由于使用手工先验和通用字典难以在降噪效果上媲美深度学习方法的缺点，同时也弥补了卷积神经网络进行低剂量CT图像降噪时需要大量CT数据集且容易造成图像过度平滑和细节信息丢失的不足，很好的完成了对噪声类型复杂并伴有伪影的低剂量CT图像降噪任务。本专利技术先在带噪声的自然图像上训练网络以获得最好的降噪模型，再使用有限的低剂量CT数据集在预训练获得的模型上继续训练，让模型能够完成低剂量CT图像的降噪任务，有效提高低剂量CT图像降噪模型建立效率。
[0026]本专利技术超本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低剂量CT图像降噪方法，其特征在于，包括如下步骤：步骤1：对图像数据集进行预处理；步骤2：初始化卷积稀疏图X和卷积字典D；步骤3：通过超参数预测模块产生每次的迭代参数；基于所述迭代参数，迭代更新卷积稀疏图X和卷积字典D，直至获得预训练模型；步骤4：选取低剂量CT图像数据集，基于所述预训练模型在低剂量CT图像数据集上训练，直至获得降噪模型；步骤5：基于所述降噪模型，对低剂量CT图像进行降噪处理。2.根据权利要求1所述的低剂量CT图像降噪方法，其特征在于：步骤2中，通过初始化模块获得初始化卷积稀疏图X，所述初始化模块由不同卷积层的拼接和级联组成，输入带噪声图像和噪声标准差至所述初始化模块，获得初始化卷积稀疏图X,相应的卷积字典D用全0初始化。3.根据权利要求1所述的低剂量CT图像降噪方法，其特征在于：步骤3中，超参数预测模块由两个卷积层和两个激活函数组成，输入噪声标准差至所述超参数预测模块，并将其和超参数预测模块末端的输出相乘，以获得更新卷积稀疏图X和卷积字典D所需的迭代参数。4.根据权利要求1所述的低剂量CT图像降噪方法，其特征在于：步骤3中，卷积字典D的求解网络由4个卷积层、Relu激活函数和多尺度Inception模块组成。5.根据权利要求1所述的低剂量CT图像降噪方法，其特征在于：步骤3中，卷积稀疏图X的求解网络以密集旁路连接下的U
‑
Net结构为基础，相邻两层之间设有残差模块，每个残差模块包括多个残差单元。6.根据权利要求1所述的低剂量CT图像降噪方法，其特征在于：步骤3中，引入X'和D'作为辅助变量，迭代更新卷积稀疏图X和卷积字典D；在第t次迭代中，输入的含噪图像Y同前一次迭代后的卷积稀疏图X(t
‑
1)、卷积字典D(t
‑
1)和超参数α
...

【专利技术属性】
技术研发人员：刘祎，桂志国，颜溶標，张鹏程，张权，
申请(专利权)人：中北大学，
类型：发明
国别省市：