【技术实现步骤摘要】
基于混合表征学习的低剂量CT图像去噪方法
[0001]本专利技术属于医学图像去噪
,涉及一种基于混合表征学习的低剂量CT图像去噪方法。
技术介绍
[0002]现代医疗诊断的手段发展迅速,其中最重要的工具之一是计算机断层扫描(CT),它是一种可靠且无创的医学图像成像方式,有助于发现人体的病理异常,头颈部、心血管、胸部、腹部及盆部等疾病。除了诊断方面以外,CT在指导各种临床治疗方面也大有用处,如放射治疗和手术等。但反复的CT扫描过程中的X射线辐射可能对人体产生一定的危害,可能导致免疫功能下降、代谢异常、生殖器损伤,增加白血病、癌症、遗传疾病的风险。所以近几年越来越多的检查采用的低剂量CT(LDCT)的方法来进行。它主要是在保证CT图像质量能满足诊断需求的基础上,减少CT扫描中的x射线剂量。但这样会导致诸如噪声增加、边缘、角落和尖锐特征对比度降低以及图像过度平滑等问题。
[0003]近年来,关于LDCT的去噪问题开始了广泛的研究。这些方法可大致分类三类:1.基于滤波器的方法:在同一个图像中具有很多相似的图像块,可以通过非局部相似块堆叠的方式去除噪声,如基于非局部自相似的图像去噪(NLM)算法、基于块匹配的3D滤波(BM3D)算法、小波变换等。2.基于模型的方法:如:LNLTV算法。它是一种局部和非局部全变分复合正则化图像去噪模型,同时利用了图像局部结构和非局部相似性,将全变分(total variation,TV)模型和NLTV(nonlocal total variation)模型结合起来以减轻它们的缺点, ...
【技术保护点】
【技术特征摘要】
1.基于混合表征学习的低剂量CT图像去噪方法,其特征在于:具体包括如下步骤:步骤一、构建低剂量CT数据集:挑选一定数量的患者,并选取其不同部位上的低剂量CT图像和其对应的正常剂量CT图像,插入泊松噪声直到接近全剂量下25%的噪声水平,组成CT图像数据集(x,y);其中x为低剂量CT图像,而y为x对应的正常剂量CT图像;步骤二、构建去噪网络模型:基于混合表征学习构建对称式编码
‑
解码网络模型;该模型包括预处理块、输入映射块、输入编码块、中间层混合表征块、输出解码块和输出映射块;在图像预处理阶段,输入图像经过Canny算子滤波生成边缘特征增强的图像,该图像作为辅助信息流入后续网络块,以凸显图像边缘特征,增加模型的感受野;输入映射块包括多层感知机:通过两层神经元将输入映射到固定维度,便于后续进行表征运算;输入编码块包括输入混合表征块、边缘增强特征层、可分离卷积和下采样层:首先将输入映射块的输出作为查询集、键和值输入至混合表征块进行表征学习,并将Canny算子处理后的边缘增强特征图与表征结果进行级联后,通过一个可分离卷积,最后将其输入下采样层来实现输入模块的编码;中间层混合表征块包括窗口自注意力和深度卷积;窗口自注意力能够减少对于窗口外部的依赖,在高效计算的同时捕捉特征空间窗口内部的相关性;深度卷积则在不改变卷积通道数的前提下,对每个通道进行单独卷积操作以挖掘通道信息;设计中间层混合表征块,通过通道层和空间层的双向交互,不仅解决了窗口自注意力机制存在感受野有限,同时也消除了深度卷积权值共享带来的不足,实现了窗口内部和窗口间的纹理信息交互和信息增益,有效增强了CT图像的全局建模能力;输出解码块包括上采样层、边缘增强特征层、可分离卷积和输出混合表征块,首先经过上采样操作,然后同样的拼接上由Canny算子处理过的边缘特征图像,通过一个可分离卷积,最后加上一个混合表征块来学习更多纹理的特征知识;输入混合表征块、中间层混合表征块和输出混合表征块结构相同;在输入编码块与输出解码块之间采用跳跃连接,在对称式结构中,每个输出解码块与其对应位置的输入编码块在通道上进行融合,通过底层信息与高层信息的融合,从而保留住更多的纹理细节;其次,还能防止出现网络梯度消失的问题,加速网络训练;输出映射块包括一层MLP,将输出映射到1
×
H
×
W,还原原始图像大小;步骤三、数据增强:为进一步增加训练样本数量,对收集的数据集进行水平
‑
垂直翻转或随机裁剪构造更多数量的图像;步骤四、模型优化:采用两个损失函数进行模型优化,以进一步提升模型的性能;首先,使用均方误差MSE将误差收敛到最小值,该损失函数L1表达式为:L1是用于评估模型去噪后的图像与真实图像之间的像素级相似度,以及模型是否能够
准确还原原始图像;其中R(x
i
)表示低剂量噪声图像x
i
经过残差学习映射出的纯噪声图像;y
i
表示低剂量噪声图像x
i
对应的正常剂量的CT图像;其次,基于Resnet的多尺度感知函数用于实现低剂量图片与噪声图片的残差功能,该损失函数L2表达式为:损失函数L2用于评估模型预测的图像与真实图像之间的结构相似性;其中α是采用经典特征提取网络Resnet50作为特征提取器,是Resnet50在ImageNet数据集上在...
【专利技术属性】
技术研发人员:张聚,叶列立,王奔,叶智毅,龚伟伟,应长钢,
申请(专利权)人:杭州师范大学,
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。