一种干净梯度图引导的LDCT图像去噪系统及方法技术方案

本发明专利技术公开了一种干净梯度图引导的LDCT图像去噪系统及方法，包括：编码器和解码器；编码器，用于计算LDCT图像的干净梯度图，并将干净梯度图的特征与LDCT图像的特征融合，获得融合图像的浅层特征；解码器，用于提取融合图像的深层特征，并将浅层特征与深层特征融合，实现LDCT图像的去噪。本发明专利技术使用交叉注意力将梯度图与LDCT图像融合，它利用梯度图中的结构、纹理信息，有效的补充了LDCT图像所缺失的信息。息。息。

【技术实现步骤摘要】
一种干净梯度图引导的LDCT图像去噪系统及方法


[0001]本专利技术属于LDCT图像去噪
，具体涉及一种干净梯度图引导的LDCT图像去噪系统及方法。

技术介绍

[0002]传统的LDCT去噪方法大致可以分为三种：投影域滤波法、迭代重建(IR)法和图像后处理法。投影域滤波法在CT图像重建前对扫描的原始图像进行处理。典型的算法有滤波反投影重建(FBP)、双边滤波、自适应滤波、和基于惩罚项的加权算法等。投影域滤波法能较好地掌握投影域中的噪声特性，但是较难完整地保留图像的边缘信息，降低了重建图像的分辨率。此外，投影域图像较难获得，降低了该类方法的应用性。迭代重建法结合了投影域图像的统计特性与图像域的先验信息，以构建物理模型来抑制噪声和伪影。典型的方法有全变差法(TV)、非局部均值法(NLM)、和字典学习法等。尽管IR法通常能得到较好的重建图像质量，但是需要投影域图像，以及较大的计算量和较慢的迭代速度，在临床医学并不适用。图像后处理法直接对重建后的LDCT图像进行处理，不依赖投影域数据，例如非局部均值滤波、基于字典学习的方法、块匹配算法和扩散过滤器，比IR方法计算效率更高。然而，原始LDCT图像的噪声往往是非均匀分布，从而导致相应的后处理较为复杂。现有技术大部分只是简单的将梯度、边缘作为先验信息引入，缺乏对两种图像潜在机制的深入研究。Transformer模型都只考虑了单一的空间自注意力，没有考虑到通道自注意力。

技术实现思路

[0003]本专利技术旨在解决现有技术的不足，提出一种干净梯度图引导的LDCT图像去噪系统及方法，为了更加清晰地表示边缘以及结构纹理信息，设计了梯度去噪模块获得干净梯度图，从而指导LDCT图像去噪。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种干净梯度图引导的LDCT图像去噪系统，包括：编码器和解码器；
[0006]所述编码器，用于计算所述LDCT图像的干净梯度图，并将所述干净梯度图的特征与所述LDCT图像的特征融合，获得融合图像的浅层特征；
[0007]所述解码器，用于提取所述融合图像的深层特征，并将所述浅层特征与所述深层特征融合，实现LDCT图像的去噪。
[0008]优选的，所述编码器，包括：梯度去噪模块、交叉双注意力模块以及交叉通道自注意力模块；
[0009]所述梯度去噪模块，用于去除所述LDCT图像梯度域的噪声，获得所述干净梯度图；
[0010]所述交叉双注意力模块，用于将所述干净梯度图的纹理信息以及结构信息融入所述LDCT图像的特征，获得所述融合图像的包含全局信息和局部信息的初步融合特征；
[0011]所述交叉通道自注意力模块，用于基于所述初步融合特征，计算所述干净梯度图的边缘信息以及结构信息与所述LDCT图像浅层特征的相关性，获得进一步融合特征。
[0012]优选的，所述解码器，包括：通道自注意力模块以及双自注意力模块；
[0013]所述通道自注意力模块，用于提取所述融合图像的浅层特征，并将所述浅层特征与所述深层特征融合，获得深浅层融合特征；
[0014]所述双自注意力模块，用于提取所述深浅层融合特征的全局信息和局部信息，获得最终特征，向所述最终特征添加所述LDCT图像，获得去噪图像。
[0015]优选的，获得所述干净梯度图的过程为：
[0016]采用Sobel边缘检测算子，计算所述LDCT图像的梯度图；
[0017]基于填充操作以及批量归一化，改进卷积神经网络，获得梯度去噪网络；
[0018]基于所述梯度去噪网络，去除所述梯度图的噪声，获得所述干净梯度图。
[0019]优选的，所述初步融合特征中的局部信息的获得过程为：
[0020]将所述干净梯度图的特征与所述LDCT图像的特征进行层归一化处理，并进行窗口分区，获得干净梯度图的特征窗口以及LDCT图像的特征窗口；
[0021]计算所述干净梯度图的特征窗口以及所述LDCT图像的特征窗口的交叉注意力；
[0022]基于所述交叉注意力，通过滑动窗口，计算所述干净梯度图的特征窗口以及所述LDCT图像的特征窗口的局部窗口之间的注意力，获得所述初步融合特征中的局部信息。
[0023]优选的，获得所述进一步融合特征的过程为：
[0024]通过层归一化，使用1x1卷积和3x3深度卷积，将经下采样的所述干净梯度图的特征I
cg2
，转换生成Q2张量，将经下采样的所述初步融合特征I
l3
，转换生成K2张量和V2张量；
[0025]将所述Q2张量、所述K2张量和所述V2张量，分别重塑为HW
×
C、C
×
HW和C
×
HW大小；
[0026]基于重塑的所述Q2张量以及所述K2张量，获得大小为C
×
C的注意力图；
[0027]将所述注意力图与重塑的所述V2张量做点乘运算，并经卷积和残差处理，获得中间特征；
[0028]通过层归一化处理所述中间特征，将所述中间特征分成两条支路，一条支路通过1
×
1卷积和3
×
3深度卷积，被GELU函数激活，另一条支路通过1
×
1卷积和3
×
3深度卷积；
[0029]将两条支路逐元素相乘，通过残差连接，获得进一步融合特征。
[0030]本专利技术还提供一种干净梯度图引导的LDCT图像去噪方法，包括以下步骤：
[0031]获取LDCT图像；
[0032]计算所述LDCT图像的干净梯度图，并将所述干净梯度图的特征与所述LDCT图像的特征融合，获得融合图像的浅层特征；
[0033]提取所述融合图像的深层特征，并将所述浅层特征与所述深层特征融合，实现LDCT图像的去噪。
[0034]优选的，获得所述干净梯度图的方法为：
[0035]采用Sobel边缘检测算子，计算所述LDCT图像的梯度图；
[0036]基于填充操作以及批量归一化，改进卷积神经网络，获得梯度去噪网络；
[0037]基于所述梯度去噪网络，去除所述梯度图的噪声，获得所述干净梯度图。
[0038]与现有技术相比，本专利技术的有益效果为：由于原始LDCT图像具有较多的噪声，因此相应计算得到的梯度图也含有一定的噪声。为了更加清晰地表示边缘以及结构纹理信息，设计了梯度去噪模块获得干净梯度图，从而指导LDCT图像去噪。本专利技术使用交叉注意力将梯度图与LDCT图像融合，它利用梯度图中的结构、纹理信息，有效的补充了LDCT图像所缺失
的信息。考虑到使用单一的注意力机制不能很好的对LDCT图像去噪。单一的使用空间注意力机制会忽略通道维度的全局性。为此，本专利技术使用两种双注意力模块，它们使用空间窗口注意力提取局部特征，使用通道注意力提取全局特征。
附图说明
[0039]为了更清楚地说明本专利技术的技术方案，下面对实施例中所需要使用的附图作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种干净梯度图引导的LDCT图像去噪系统，其特征在于，包括：编码器和解码器；所述编码器，用于计算所述LDCT图像的干净梯度图，并将所述干净梯度图的特征与所述LDCT图像的特征融合，获得融合图像的浅层特征；所述解码器，用于提取所述融合图像的深层特征，并将所述浅层特征与所述深层特征融合，实现LDCT图像的去噪。2.根据权利要求1所述的干净梯度图引导的LDCT图像去噪系统，其特征在于，所述编码器，包括：梯度去噪模块、交叉双注意力模块以及交叉通道自注意力模块；所述梯度去噪模块，用于去除所述LDCT图像梯度域的噪声，获得所述干净梯度图；所述交叉双注意力模块，用于将所述干净梯度图的纹理信息以及结构信息融入所述LDCT图像的特征，获得所述融合图像的包含全局信息和局部信息的初步融合特征；所述交叉通道自注意力模块，用于基于所述初步融合特征，计算所述干净梯度图的边缘信息以及结构信息与所述LDCT图像浅层特征的相关性，获得所述融合图像的进一步融合特征。3.根据权利要求2所述的干净梯度图引导的LDCT图像去噪系统，其特征在于，所述解码器，包括：通道自注意力模块以及双自注意力模块；所述通道自注意力模块，用于提取所述融合图像的深层特征，并将所述深层特征与所述浅层特征融合，获得深浅层融合特征；所述双自注意力模块，用于提取所述深浅层融合特征的全局信息和局部信息，获得最终特征，向所述最终特征添加所述LDCT图像，获得去噪图像。4.根据权利要求2所述的干净梯度图引导的LDCT图像去噪系统，其特征在于，获得所述干净梯度图的过程为：采用Sobel边缘检测算子，计算所述LDCT图像的梯度图；基于填充操作以及批量归一化，改进卷积神经网络，获得梯度去噪网络；基于所述梯度去噪网络，去除所述梯度图的噪声，获得所述干净梯度图。5.根据权利要求2所述的干净梯度图引导的LDCT图像去噪系统，其特征在于，所述浅层特征中的局部信息的获得过程为：将所述干净梯度图的特征与所述LDCT图像的特征进行层归一化处理，并进行窗口分区，获得干净梯度图的特征窗口以及LDCT图像的特征窗口；计算所述干净梯度图的特征窗口以及所述LDCT...

【专利技术属性】
技术研发人员：骆挺，江国炜，徐海勇，何周燕，陈晔曜，
申请(专利权)人：宁波大学科学技术学院，
类型：发明
国别省市：