一种稀疏角CT伪影去除的方法技术

本发明专利技术公开了一种稀疏角CT伪影去除的方法，本发明专利技术的方法基于感知损失以及特征融合注意力残差网络.包括:对输入的带伪影的稀疏CT图像和原始CT图像进行预处理；将经过预处理的稀疏CT图像和原始CT图像进行特征提取，得到特征图谱；将得到的特征图谱经过改进的以感知损失为损失函数的特征融合注意力残差网络训练，以原始CT图像作为标签，使得稀疏CT图像能够去除掉伪影但保持其结构不发生变化；最后将稀疏CT图像作为输入，利用训练好的网络模型进行伪影去除，并计算峰值信噪比和结构相似性。该方法将感知损失作为损失函数，可以增强细节信息。并在特征融合残差网络中加入注意力机制，提升网络的性能，最终实现一个快速有效的去除伪影的作用。伪影的作用。

【技术实现步骤摘要】
一种稀疏角CT伪影去除的方法


[0001]本专利技术涉及图像处理
，具体的说是一种稀疏角CT伪影去除的方法。

技术介绍

[0002]计算机断层扫描(CT)是一项关键的医学成像技术。然而，CT成像中潜在的X射线辐射问题引起了人们的关注，并且辐射剂量增加了患癌的风险。因此，许多研究集中在减少辐射剂量上，这导致了许多有效方法的发展。最初的方法集中在通过减少或调整管.电流来减少X射线照射。减少给定扫描轨迹的投影数量的方法会在CT图像中引起严重的条纹伪影。从稀疏采样数据重建图像可以解决由于采样角度有限而导致数据不足的问题。然而，稀疏视图CT投影数据的重建 (例如使用FBP)将在CT图像中产生条纹伪影。
[0003]近年来，深度学习(DL)已成为一种功能强大的特征学习方法。受益于深度学习的强大功能和端到端深度监督学习方法，并借助卷积神经网络，自然图像问题已取得了巨大进步。例如目标检测，图像分割和图像超分辨率。许多研究人员已将深度学习方法用于稀疏CT图像重建和伪影去除。
[0004]中国专利申请“一种基于残差学习的CT稀疏重建伪影校正方法及系统”(专利申请号CN201711097204.1，公开号CN107871332A)，通过建立残差神经网络结构对伪影的特征进行学习，得到伪影图；最后通过稀疏重建的图与伪影图做残差，恢复出清晰的CT图像。但是该方法存在训练时间长，模型参数多等问题，同时也增加了网络的计算量。

技术实现思路

[0005]鉴于现有技术中存在上述技术和选材的一些问题，本专利技术提供一种快速、简洁、鲁棒的方法，去除稀疏角CT的伪影。
[0006]为达成上述目的，本专利技术所采用的技术方案如下：
[0007]本专利技术是一种稀疏角CT伪影去除的方法，具体步骤如下：
[0008]步骤1，对带有条纹伪影的稀疏角CT数据和原始CT数据进行预处理，将其处理为规定大小的.dcm格式图像；
[0009]步骤2，将经过预处理的稀疏角CT数据经过VGG19网络提取图像特征，以便后续的训练；
[0010]步骤3，构建特征融合注意力残差网络，该网络中是以残差跳过密集块作为网络浅层的基础，局部特征融合层位于两个卷积层之后，残差跳过密集块跳过两个局部特征融合层的连接，并且前一个模块的特征融合结果用作后一个/下一个模块的输入，将局部特征融合的特征进行堆叠，并将残差信息用于整合特征信息以形成基本网络架构；
[0011]步骤4，以稀疏CT图像为输入，原始的CT图像为标签，以感知损失为损失函数进行训练，得到训练好的特征融合注意力残差网络模型；
[0012]步骤5，将相同部位的稀疏CT图像作为输入进行测试，得到去除伪影的图像,并计算输出的CT图像与标签的CT图像两者之间的峰值信噪比和结构相似性。
[0013]本专利技术的进一步改进在于：步骤1具体为：
[0014]步骤1.1，将数据集中的头部稀疏CT图像和原始的CT图像尺寸进行修改，使每一张图像分辨率为m
×
n，其中m,n分别是图像的长度和高度，稀疏CT图像和原始的CT图像为.dcm格式。
[0015]步骤1.2，将步骤1.1中新尺寸的图像转换为适用于Pytorch框架下的Tensor 数据类型。
[0016]本专利技术的进一步改进在于：在步骤2中将三张相同图像放在一起构成三通道来适应VGG19网络，并将经过预处理后的稀疏CT图像和原始CT图经过训练好的 VGG19模型提取特征，前者用于去伪影的训练，后者对具有条纹伪影的预测训练。
[0017]本专利技术的进一步改进在于：步骤3中构建特征融合注意力残差网络具体操作如下：在数个残差密集块中间进行连接，融合每个RSDB中的局部特征，并传递给后续残差块，第f个RSDB直接引入第(f
‑
1)个RSDB或RB中的局部特征与进行特征融合，其中，若f＝1，为模型适应残差块RB，局部特征融合LFF表示为：
[0018][0019]其中F
f,LF
表示第f个RSDB局部特征融合结果，表示Concat特征图堆叠功能，F
f
‑
1,LF
表示第(f
‑
1)个RSDB局部特征融合结果，F
f,2
表示第f个RSDB 输入经过两次Conv层进行浅层特征提取的结果，表示为：
[0020][0021]其中δ表示ReLU激活功能，W
f,2
和W
f,1
分别表示第2个卷积层第1个卷积层的权重，b2和b1分别表示第2个第1个卷积层的偏置，F
f
‑1表示第f
‑
1个RSDB输出的结果；
[0022]每个RSDB中进行局部特征融合之后传入注意力模块，将通过注意力模块得到的特征图传递给下一个RSDB进行同样操作，将不同基本块中的指定层特征堆叠一起，实现有间隔的跳跃连接和有效的特征提取，特征图堆叠表示为：
[0023][0024]其中，F0为第1个RSDB前模型适应残差块RB中Conv层的特征图，后续FFRN 网络结构中会提到，为了适应RSDB结构，会在RSDB先引入一个RB块。最后是引入局部残差学习进一步改善信息流，F
f，3
表示转换层功能使用内核为axa大小的卷积层。
[0025]注意力机制模块得到的特征有两条途径，一是主干道，可替换任意的前沿卷积模块；二是mask通道，主要是对特征进行处理生成soft mask，成为控制门来对新的特征进行控制，使特征更加集中。
[0026]假设主干道的输入为x，输出为T(x),mask输出为M(x)，此时注意力模块的输出为
[0027]H
i,c
(x)＝M
i,c
(x)*T
i,c
(x)
[0028]其中i代表的是特征的空间位置，c代表特征通道channel。
[0029]在注意力模块中，mask不仅可以作为正向推理过程中的特征选择器，还可以作为反向传播过程中的梯度更新滤波器。
[0030][0031]反向传播梯度更新时，不会更新mask部分的参数θ，而只是更新主干道的参数其中θ是掩膜分支的参数，φ是主干分支的参数。对主干分支的参数求导，计算梯度。这使得注意力模块对噪声的鲁棒性很强，能有效减少噪声对梯度更新的影响。这种性质使网络对噪声标签有很好的鲁棒性。每个主干道都会匹配一个mask干道，学习此步骤的特征mask，使mask更具有针对性。
[0032]由于mask的值为[0,1]，参考Resnet的残差学习结构。该模块的输出改进为残差结构：
[0033]H
i,c
(x)＝(1+M
i,c
(x))*T
i,c
(x)
[0034]本专利技术的进一步改进在于：步骤4中感知损失表示为：
[0035][0036]其中和分别是经过j层的VGG19网络提取的稀疏CT和原始CT 图像的特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种稀疏角CT伪影去除的方法，其特征在于：具体步骤如下：步骤1，对带有条纹伪影的稀疏角CT数据和原始CT数据进行预处理，将其处理为规定大小的.dcm格式图像；步骤2，将经过预处理的稀疏角CT数据经过VGG19网络提取图像特征，以便后续的训练；步骤3，构建特征融合注意力残差网络；步骤4，以稀疏CT图像为输入，原始的CT图像为标签，以感知损失为损失函数进行训练，得到训练好的特征融合注意力残差网络模型；步骤5，将相同部位的稀疏CT图像作为输入进行测试，得到去除伪影的图像,并计算输出的CT图像与标签的CT图像两者之间的峰值信噪比和结构相似性。2.根据权利要求1所述的一种稀疏角CT伪影去除的方法，其特征在于：步骤1具体为：步骤1.1，将数据集中的头部稀疏CT图像和原始的CT图像尺寸进行修改，使每一张图像分辨率为m
×
n，其中m,n分别是图像的长度和高度，稀疏CT图像和原始的CT图像为.dcm格式。步骤1.2，将步骤1.1中新尺寸的图像转换为适用于Pytorch框架下的Tensor数据类型。3.根据权利要求1所述的一种稀疏角CT伪影去除的方法，其特征在于：在步骤2中将三张相同图像放在一起构成三通道来适应VGG19网络，并将经过预处理后的稀疏CT图像和原始CT图经过训练好的VGG19模型提取特征，前者用于去伪影的训练，后者对具有条纹伪影的预测训练。4.根据权利要求1所述的一种稀疏角CT伪影去除的方法，其特征在于：步骤3中构建特征融合注意力残差网络具体操作如下：在数个密集残差跳跃模块中间进行连接，融合每个RSDB中的局部特征，并传递给后续残差块，第f个RSDB直接引入第(f
‑
1)个RSDB或RB中的局部特征与F
f，2
进行特征融合，其中，若f＝1，为模型适应残差块RB，局部特征融合LFF表示为：其中F
f,LF
表示第f个RSDB局部特征融合结果，表示Concat特征图堆叠功能，F
f
‑
1,LF
表示第(f
‑
1)个RSDB局部特征融合结果，F
f,2
表示第f个RSDB输入经过两次Conv层进行浅层特征提取的结果，表示为：其中δ表示ReLU激活功能，W
f,2
和W
f,1
分别表示第2个卷积层第1个卷积层的权重，b2和b1分别表示第2个第1个...

【专利技术属性】
技术研发人员：谢世朋，喻丹，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：