低剂量CT投影图像生成模型建立方法及配对数据生成方法技术

本发明专利技术公开了低剂量CT投影图像生成模型建立方法及配对数据生成方法，属于图像处理技术领域，包括：获取真实的正常剂量投影图像并生成对应的低剂量投影图像，与真实低剂量投影图像构成样本数据集；建立生成对抗网络，其中的生成器用于修正初始低剂量投影图像，得到目标低剂量投影图像；判别器基于噪声分布判断低剂量投影图像的真伪；利用样本数据集训练生成对抗网络，损失函数为表示目标低剂量投影图像与真实低剂量投影图像之间的噪声损失，表示目标低剂量投影图像与初始低剂量投影图像之间的内容损失；训练结束后，提取生成器作为低剂量CT投影图像生成模型。本发明专利技术能够生成高质量的高低剂量CT投影图像配对数据，且不依赖真实配对数据。且不依赖真实配对数据。且不依赖真实配对数据。

【技术实现步骤摘要】
低剂量CT投影图像生成模型建立方法及配对数据生成方法


[0001]本专利技术属于图像处理
，更具体地，涉及低剂量CT投影图像生成模型建立方法及配对数据生成方法。

技术介绍

[0002]X射线计算机断层扫描(X
‑
RayComputed Tomography,CT)是一种无创成像方式，广泛用于临床疾病检查与治疗过程。然而，CT扫描会使患者暴露于X射线电离辐射中，可能导致癌症、基因突变和其他疾病。因此，低剂量CT成像技术对于降低辐射诱发疾病的风险至关重要。
[0003]目前，为了降低CT扫描时的辐射剂量，主要采用降低X射线管的电流或者减少投影的个数等方法，这两种方式都会严重影响CT图像质量，干扰医生的诊断，甚至可能造成严重的医疗事故。因此，在降低X射线剂量的情况下如何保证CT图像的质量十分重要。对于低剂量CT图像的重建，优化其图像的算法主要分为两种，分别为基于迭代重建的算法和基于深度学习的算法。基于迭代重建的算法，如非局部均匀滤波，三维块匹配滤波算法等算法，其优化函数充分考虑了成像系统、统计噪声模型以及CT先验信息等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低剂量CT投影图像生成模型建立方法，其特征在于，包括：获取真实的正常剂量投影图像并生成对应的低剂量投影图像，利用生成的低剂量投影图像与真实低剂量投影图像构建样本数据集；建立生成对抗网络；所述生成对抗网络包括生成器和判别器；所述生成器用于对输入的初始低剂量投影图像进行修正，得到目标低剂量投影图像；所述判别器以所述目标低剂量投影图像和真实低剂量投影图像为输入，用于提取输入的低剂量投影图像的噪声分布，以判断所输入的是否为真实的低剂量投影图像；利用所述样本数据集对所述生成对抗网络进行训练；训练过程中，损失函数为利用所述样本数据集对所述生成对抗网络进行训练；训练过程中，损失函数为表示输入所述判别器的目标低剂量投影图像与真实低剂量投影图像之间的噪声损失，表示生成器输出的目标低剂量投影图像与输入所述生成器的初始低剂量投影图像之间的内容损失，
β
表示权重系数；训练结束后，提取所述生成对抗网络中的生成器作为所述低剂量CT投影图像生成模型。2.如权利要求1所述的低剂量CT投影图像生成模型建立方法，其特征在于，所述判别器包括：全局判别分支和局部判别分支；所述全局判别分支用于提取输入的低剂量投影图像的全局噪声分布，以判断输入的低剂量投影图像是否为真实的低剂量投影图像；所述局部判别分支包括裁剪模块和局部判别器；所述裁剪模块用于将输入的目标低剂量投影图像和真实低剂量投影图像分别随机裁剪为相同大小的图像块后在通道维度上相连为局部图像块组；所述局部判别器用于提取所述局部图像块组的局部噪声分布，以判断输入的低剂量投影图像是否为真实的低剂量投影图像；并且，所述噪声损失包括全局噪声损失和局部噪声损失。3.如权利要求2所述的低剂量CT投影图像生成模型建立方法，其特征在于，所述全局判别分支包括：高频信息提取器和全局判别器；所述高频信息提取器用于对输入的低剂量投影图像提取低频信息，并从输入的低剂量投影图像中减去所提取的低频信息，得到高频信息；所述全局判别器用于根据所述高频信息提取器提取的高频信息获取全局噪声分布，以判断输入的低剂量投影图像是否为真实的低剂量投影图像。4.如权利要求3所述的低剂量CT投影图像生成模型建立方法，其特征在于，所述高频信息提取器包括3
×
3平均池化层、5
×
5平均池化层、7
×
7平均池化层和11
×...

【专利技术属性】
技术研发人员：李强，单文奇，晁联盈，王燕丽，王植炜，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：