一种超低剂量CT图像去噪方法、系统及装置制造方法及图纸

本公开涉及一种超低剂量CT图像去噪方法、系统及装置，方法包括将CT图像输入到自监督深度学习去噪网络中进行去噪处理，去噪网络通过如下步骤构建：获取噪声图像组，采集噪声图像块作为第一图像块，在噪声图像相邻两层图像中采集第一相似图像块，获取第一图像块的去噪图像块，构建第一网络约束项，获取噪声图像的去噪图像，在去噪图像组中同一空间位置获取去噪组第一图像块和第一相似图像块，根据上述四个图像块构建第二网络约束项，根据第一网络约束项和第二网络约束项结合去噪网络超参数进行约束收敛训练。系统和装置用于执行上述方法。本公开可对超低剂量CT图像进行有效去噪，降低了去噪方法中对干净图像、类似图像、噪声先验等方面的需求。等方面的需求。等方面的需求。

【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、RED、MemNet和SGN等，这类方法都是基于CNN的图像全监督去噪网络。这类网络通过大量的噪声和干净的配对图像对完成训练，所以其去噪性能很大程度上依赖于训练集中无噪声图像，但这类无噪声图像在现实中获取难度非常大，如果用合成的干净图像用于训练，会导致网络的鲁棒性急剧下降。
[0004]这种现象在医学领域，尤其是泌尿系统中显得尤为突出。这是因为低剂量的应用场景中，医生和病患都无法接受针对低剂量的噪声CT图像完成与之匹配的高剂量CT图像采集，这不但会导致患者收到的辐射剂量比平常更多，还会因为高低剂量图像采集时间上的不一致导致二者图像结构存在不一致，无法纳入深度学习网络的训练集。
[0005]根据以上所述，由于干净图像的获取问题，大量研究者做了一系列开创性研究，用于降低神经网络训练过程中对干净图像的依赖。如噪声驱动的神经网络训练方法，该方法的特色是需要对同一场景进行多次图像采样，从而获得多张相同场景的噪声图像用于网络训练，这种方法可以在一定程度上满足降噪的要求。但是这个方法在临床无法适用，因为人作为CT图像采集的主体，有大量不可控因素，如呼吸运动、心脏运动、患者肢体自主性运动等，会给同一场景下的多次采集策略带来阻碍。为进一步降低对采集数据的要求，有研究者提出采用局部噪声驱动的神经网络训练方法，通过限制神经网络中卷积核的感受范围，实现在一张噪声图像中拆分出多个噪声子图像的办法。这种方法具备一定可行性，但是卷积核的设计和较为一般的去噪效果，降低了研究者继续深入的热情。除了降低对干净图像的
依赖，研究者还提出了通过假设图像的噪声分布，并将其作为先验信息引入神经网络，这类方法可以摆脱干净图像进行网络训练，降噪效果不错。但是由于图像噪声分布的不确定性，该方法获取得模型只能对训练集图像有较好的去噪效果，不具备泛化能力。
[0006]综上所述，泌尿CT图像的去噪在图像去噪的需求和限制远高于其他图像的水平。较低的剂量接受度，无法获得高质量图像与低质量图像进行组合配对；较低的患者服从性，无法实现多张低剂量匹配图像的获取；较小的病灶，对图像去噪提出较高的要求；较短的治疗周期，要求去噪过程具备一定的时效性，现有的CT图像去噪方法难以满足上述需求。

技术实现思路

[0007]为了解决上述现有技术存在的问题，本公开目的在于提供一种超低剂量CT图像去噪方法、系统及装置。本公开可对超低剂量CT图像进行有效去噪，且降低了对图像样本集的要求，在执行条件上远低于其他现有的主流去噪方法，降低了去噪方法中对干净图像、类似图像、噪声先验等方面的需求，有利于推广应用。
[0008]本公开所述的一种超低剂量CT图像去噪方法，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：
[0009]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；
[0010]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
))；
[0011]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
))；
[0012]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；
[0013]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)；
[0014]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
))；
[0015]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；
[0016]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；
[0017]S09、遍历所述本文档来自技高网...

【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：