【技术实现步骤摘要】
一种超低剂量CT图像去噪方法、系统及装置
[0001]本公开涉及CT图像处理
,具体涉及一种超低剂量CT图像去噪方法、系统及装置。
技术介绍
[0002]近几年来,深度学习的在图像领域的快速发展,让图像去噪的工作得到巨大的进步。图像去噪作为计算机视觉任务的基础,图像质量的好坏直接决定了后续对图像分析和处理任务的难度。医学领域,由于CT图像对病灶的高敏感性和高分辨率,已经作为常规手段用于人体术前术后的检测,尤其是在泌尿系统结石的检测是显得更加具备优势。但是,接受CT检测会不可避免的收到电离辐射的危害,泌尿系扫描范围大,距离生殖器官较近,对射线的敏感程度远高于人体其他部位,因此对低剂量的需求尤为迫切。但是较低的剂量会使得CT图像带有较多的噪声,影响图像的质量,直接降低临床诊断的正确率。
[0003]目前,传统的图像去噪方法主要有BM3D、NLM和WNNM,这类方法主要通过输入噪声图像的局部或非局部结构匹配,完成对噪声的抑制,这些方法的优势在于不需要无噪声图像的辅助,但是由于没有参考信息的引入,计算时长短的算法,去噪的效果较为一般;优秀的去噪算法为了得到较好的去燥效果而需要大量的计算时间,较低了时效性。另一方面,鉴于深度学习在图像处理领域的快速发展,卷积神经网络被普遍用于提升图像质量。张凯等人于2017年提出了卷积神经网络与残差学习相结合的方法DnCNN,在无噪声
‑
噪声图像对作为训练集的前提下,其去噪效果非常优秀,之后各种类似的改进型神经网络被相应提出,如U
‑
Net、R ...
【技术保护点】
【技术特征摘要】
1.一种超低剂量CT图像去噪方法,其特征在于,将CT图像输入到自监督深度学习去噪网络中进行去噪处理;所述自监督深度学习去噪网络通过如下步骤构建:S01、获取多张逐层相邻的噪声图像构成噪声图像组y,y=(y1,y2…
y
n
);构建初始的自监督深度学习去噪网络;S02、采集所述噪声图像组y中第m层噪声图像的噪声图像块,记为第一图像块f1(y
m
),m∈[1,n],并在所述第m层噪声图像的相邻层图像中采集与所述第一图像块f1(y
m
)最相似的图像块,记为第一相似图像块f2(y
q
),q=m+1,或q=m
‑
1;将所述第一图像块f1(y
m
)和所述第一相似图像块f2(y
q
)组成图像块对(f1(y
m
),f2(y
q
));S03、将所述第一图像块f1(y
m
)输入到步骤S01的自监督深度学习去噪网络中,获得去噪图像块f
θ
(f1(y
m
));S04、根据所述去噪图像块f
θ
(f1(y
m
))和所述第一相似图像块f2(y
q
)的图像差异构建关于所述自监督深度学习去噪网络的第一网络约束项L1;S05、将所述噪声图像组y输入到步骤S01的自监督深度学习去噪网络中,获得去噪图像组f
θ
(y);S06、在所述去噪图像组f
θ
(y)中采集与所述第一图像块f1(y
m
)相同空间位置的去噪组第一图像块f1(f
θ
(y
m
)),以及与所述第一相似图像块f2(y
q
)相同空间位置的去噪组第一相似图像块f2(f
θ
(y
q
));S07、根据所述去噪图像块f
θ
(f1(y
m
))、所述第一相似图像块f2(y
q
)、所述去噪组第一图像块f1(f
θ
(y
m
))和所述去噪组第一相似图像块f2(f
θ
(y
q
))构建关于所述自监督深度学习去噪网络的第二网络约束项L2;S08、结合所述第一网络约束项L1、第二网络约束项L2和所述自监督深度学习去噪网络的超参数λ,构建约束关系式p,根据所述约束关系式p对所述超参数λ进行调整并更新所述自监督深度学习去噪网络;S09、遍历所述噪声图像组y的各层噪声图像,重复所述步骤S02~S08直至所述约束关系式p的值收敛时退出循环,所述自监督深度学习去噪网络训练完成。2.根据权利要求1所述超低剂量CT图像去噪方法,其特征在于,步骤S04中,所述第一网络约束项L1为:3.根据权利要求2所述超低剂量CT图像去噪方法,其特征在于,步骤S07中,所述第二网络约束项L2为:4.根据权利要求3所述超低剂量CT图像去噪方法,其特征在于,步骤S08中,所述约束关系式p为:p=L1+λL2。5.根据权利要求1所述超低剂量CT图像去噪方法,其特征在于,步骤S02、S06中,所述第一相似图像块f2(y
q
)、所述去噪组第一图像块f1(f
θ
(y
m
))和所述去噪组第一相似图像块f2(f
θ
(y
q
))均通过相似图像块采样器f
...
【专利技术属性】
技术研发人员:周成,刘洋,
申请(专利权)人:广东祈福医院有限公司,
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。