本发明专利技术公开了一种儿童临床低剂量CT图像的增强方法，包括：(1)收集训练数据集和验证数据集，(2)对图像进行预处理；(3)构建CT图像增强模型，所述的CT图像增强模型基于改进的双通道Transformer网络，还包含图像分解模块和分段重建模块；(4)利用训练数据集对CT图像增强模型进行训练，并利用验证数据集对CT图像增强模型进行评估；(5)将待增强的儿童临床低剂量CT图像输入训练好的CT图像增强模型，得到最终增强的儿童低剂量CT图像。利用本发明专利技术，可以将低剂量噪声污染严重的图像增强至满足临床诊断要求的图像质量。断要求的图像质量。断要求的图像质量。
【技术实现步骤摘要】
一种儿童临床低剂量CT图像的增强方法
[0001]本专利技术属于医学人工智能领域，尤其是涉及一种儿童临床低剂量CT图像的增强方法。
技术介绍
[0002]在儿科放射成像中，儿童处于生长发育的关键时期，细胞分裂旺盛，对射线更加敏感。有研究表明，在接受相同剂量的射线辐射情况下，儿童患癌的几率显著大于成人，证明放射线辐射对儿童的损伤更大。多个临床研究中开展了儿童低剂量CT检查，尤其以肺部研究居多。儿童肺部疾病主要以感染和解剖学发育异常为主，对于图像分辨率要求低于成人；儿童体型较小，对射线衰减较少。因此，儿童应该且适合采用比成人更低剂量的CT扫描进行诊断。
[0003]但是，低剂量的CT图像具有较低的图像分辨率，不便于医生观察CT，因此亟需设计一种儿童临床低剂量CT图像的增强方法，使得低剂量的CT图像具有较高的图像分辨率，便于医生观察CT，减少儿童辐射。
[0004]现有技术公开了一些对低剂量CT图像进行降噪或重建的方法，如公开号为CN114331921A的中国专利文献公开了一种低剂量CT图像降噪方法，采集若干个CT匹配图像对，并基于采集的CT匹配图像对构建训练数据集；构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型；利用训练数据集训练神经网络模型，得到CT图像降噪模型；将待优化的低剂量CT图像输入至CT图像降噪模型中，得到降噪处理后的高剂量CT图像。
[0005]公开号为CN106780641A的中国专利文献公开了一种低剂量X射线CT图像重建方法，首先获取CT设备的成像系统参数和低剂量CT扫描协议下的投影数据；通过成像过程的统计规律构建弦图数据的统计生成模型；根据投影数据和图像的结构特征与实际应用中的需求，构建弦图数据先验的统计模型；构建完整的统计模型，并根据最大后验估计方法，将模型转化为弦图数据复原模型；应用弦图数据复原模型，得到估计的弦图数据与其它统计变量；根据得到的弦图数据进行CT图像重建，得到输出CT图。
[0006]但是现有的方法，并不能很好的适用于儿童临床低剂量CT图像的增强处理，无法满足临床诊断要求的图像质量。
技术实现思路
[0007]本专利技术提供了一种儿童临床低剂量CT图像的增强方法，可以将低剂量噪声污染严重的图像增强至满足临床诊断要求的图像质量。
[0008]一种儿童临床低剂量CT图像的增强方法，包括以下步骤：
[0009](1)收集训练数据集和验证数据集，其中，训练数据集包含不同部位的多个低剂量CT图像和对应的高剂量CT图像，验证集包括不同部位的多个低剂量CT图像；
[0010](2)对训练数据集及验证数据集中的图像进行预处理；
[0011](3)构建CT图像增强模型，所述的CT图像增强模型基于改进的双通道Transformer网络，还包含图像分解模块和分段重建模块，模型工作过程如下：
[0012]首先利用图像分解模块，将低剂量CT图像分解为低频部分和高频部分，从低频部分提取内容特征X
Lc
和潜在纹理特征X
Lt
，从高频部分提取嵌入特征X
Hf
；
[0013]将X
Lt
和X
Hf
分别重构为两个序列S
L
和S
H
后作为双通道Transformer中编码器和解码器的输入，得到解码器的输出特征Y；
[0014]利用分段重建模块，将输出特征Y与低频部分中特定的内容特征X
Lc1
、X
Lc2
相结合，分段重建成最终增强的儿童低剂量CT图像；
[0015](4)利用训练数据集对CT图像增强模型进行训练，并利用验证数据集对CT图像增强模型进行评估，根据评估的效果对模型的超参数进行调整；
[0016](5)将待增强的儿童临床低剂量CT图像输入训练好的CT图像增强模型，得到最终增强的儿童低剂量CT图像。
[0017]进一步地，步骤(2)中，所述的预处理包括随机裁剪、镜像翻转和仿射变换操作，以上操作均采用0.5概率值随机采样。
[0018]步骤(3)中，图像分解模块的工作流程如下：将低剂量CT图像利用高斯滤波分解为低频部分和高频部分；对于低频部分，使用两个卷积层获得低分辨率的特征，然后设置两条路径提取内容特征，一条路径分别通过一层和两层卷积后获得特定的内容特征X
Lc1
和X
Lc2
，另一条路径通过三层卷积后获得潜在的纹理特征X
Lt
；
[0019]对于高频部分，采用亚像素层使高频部分成为低分辨率图像，并通过三层卷积得到最终的嵌入特征X
Hf
。
[0020]X
Lc1
、X
Lc2
、X
Lt
、X
Hf
的特征尺寸分别为H/8
×
W/8
×
64、H/16
×
W/16
×
256、H/32
×
W/32
×
256和H/16
×
W/16
×
256，其中，H、W分别为CT图像的原长宽尺寸，64、256为filters数。
[0021]步骤(3)中，改进的双通道Transformer网络包括三个编码器和三个解码器，每个编码器包括一个多头注意模块和一个前馈层，每个解码器包括两个多头注意模块和一个前馈层；相同的编码器之间采用级联方式连接，即每个编码器同时作为下一个编码器的输入；每个解码器同时也作为下一个解码器的输入。
[0022]对于编码器，使用由特征重构的序列S
L
作为输入，运算公式如下：
[0023][0024][0025]s.t.i∈{1,2,3}
[0026]其中，MHSA表示多头注意模块，MLP表示前馈层，i为编码器或解码器的序号；
[0027]然后使用一个多注意模块来寻找区域的全局关系，最后使用两个全连接层输出；得到编码器的输出后，将S
H
输入到解码器的第一个多头注意模块中，并将作为第二个多头注意模块中每个解码器的key和值，公式如下：
[0028][0029][0030][0031]s.t.i∈{1,2,3}
[0032]最终，解码器输出特征Y。
[0033]步骤(3)中，分段重建模块的工作流程如下：
[0034]将输出的特征Y和X
Lc2
叠加，输入ResNet50后输出到两个Conv2d+lrelu层，接着输入一个亚像素层，输出特征尺寸为H/8
×
W/8
×
64的高分辨率特征；
[0035]然后，将输出的高分辨率特征和X
Lc1
叠加，再经过一个带有两个Conv2d+lrelu图层和亚像素层的ResNet50，得到与输入图像尺寸一致的大小为H、W的CT图像最终输出。
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种儿童临床低剂量CT图像的增强方法，其特征在于，包括以下步骤：(1)收集训练数据集和验证数据集，其中，训练数据集包含不同部位的多个低剂量CT图像和对应的高剂量CT图像，验证集包括不同部位的多个低剂量CT图像；(2)对训练数据集及验证数据集中的图像进行预处理；(3)构建CT图像增强模型，所述的CT图像增强模型基于改进的双通道Transformer网络，还包含图像分解模块和分段重建模块，模型工作过程如下：首先利用图像分解模块，将低剂量CT图像分解为低频部分和高频部分，从低频部分提取内容特征X
Lc
和潜在纹理特征X
Lt
，从高频部分提取嵌入特征X
Hf
；将X
Lt
和X
Hf
分别重构为两个序列S
L
和S
H
后作为双通道Transformer中编码器和解码器的输入，得到解码器的输出特征Y；利用分段重建模块，将输出特征Y与低频部分中特定的内容特征X
Lc1
、X
Lc2
相结合，分段重建成最终增强的儿童低剂量CT图像；(4)利用训练数据集对CT图像增强模型进行训练，并利用验证数据集对CT图像增强模型进行评估，根据评估的效果对模型的超参数进行调整；(5)将待增强的儿童临床低剂量CT图像输入训练好的CT图像增强模型，得到最终增强的儿童低剂量CT图像。2.根据权利要求1所述的儿童临床低剂量CT图像的增强方法，其特征在于，步骤(2)中，所述的预处理包括随机裁剪、镜像翻转和仿射变换操作，以上操作均采用0.5概率值随机采样。3.根据权利要求1所述的儿童临床低剂量CT图像的增强方法，其特征在于，步骤(3)中，图像分解模块的工作流程如下：将低剂量CT图像利用高斯滤波分解为低频部分和高频部分；对于低频部分，使用两个卷积层获得低分辨率的特征，然后设置两条路径提取内容特征，一条路径分别通过一层和两层卷积后获得特定的内容特征和X
Lc2
，另一条路径通过三层卷积后获得潜在的纹理特征X
Lt
；对于高频部分，采用亚像素层使高频部分成为低分辨率图像，并通过三层卷积得到最终的嵌入特征X
Hf
。4.根据权利要求3所述的儿童临床低剂量CT图像的增强方法，其特征在于，X
Lc2
、X
Lt
和X
Hf
的特征尺寸分别为H/8
×
W/8
×
【专利技术属性】
技术研发人员：俞刚，黄坚，李竞，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。