基于纹理特征引导的纹理保持低剂量CT图像去噪制造技术

本发明专利技术公开了一种基于纹理特征引导的纹理保持低剂量CT图像去噪方法，属于医学图像处理领域。本发明专利技术具体公开了一种具有的纹理特征引导的多尺度深度残差注意网络模型，使其应用到低剂量CT成像中。主体网络模型包含四个子模型，一是多尺度初始去噪网络模型对低剂量CT进行去噪，另一个网络用于提取初始去噪网络后的纹理细节，两部分网络协同工作。提取的纹理细节与初始的低剂量CT经过多尺度图像和纹理特征融合网络模型相融合后，进入多尺度主去噪网络进一步对低剂量CT进行去噪，这有利于主去噪网络学习更多不明显的细节。本发明专利技术所公开的低剂量CT图像去噪的方法高效地去除了低剂量CT图像中的噪声和条纹伪影，同时保留了图像中的结构信息和纹理特征细节信息。结构信息和纹理特征细节信息。结构信息和纹理特征细节信息。

【技术实现步骤摘要】
基于纹理特征引导的纹理保持低剂量CT图像去噪


[0001]本专利技术属于图像处理
，更为具体地讲，涉及一种基于纹理特征引导的纹理保持低剂量CT图像去噪。

技术介绍

[0002]X射线计算机断层扫描（Computed Tomography，CT）在基础技术和临床医学应用方面都取得了巨大进步，成为医学诊断和治疗中不可或缺的影像学技术。然而，在CT扫描过程中会产生高剂量的电离辐射，从而给患者带来一定的健康风险。针对这一健康问题，人们提出了低剂量CT这一基本概念。降低辐射剂量可以通过降低X射线管的工作电压、工作电流和缩短曝光时间来减少X射线的通量。然而，随着辐射剂量的减少会在重建图像中产生噪声和条纹伪影，从而会导致图像质量的下降的同时会对临床诊断产生不利影响。我们在保证重建图像质量的同时有效降低辐射剂量对人体造成的伤害对临床诊断意义重大，使得低剂量CT图像成为医学领域的热点问题之一。为了提高低剂量CT图像的去噪能力，改善低剂量CT图像的质量，许多算法被设计用来解决以上问题。这些算法可分为三类（a）弦图滤波技术，（b）迭代重建算法和（c）图像后处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于纹理特征引导多尺度深度残差注意网络的纹理保持低剂量CT图像去噪的方法，其特征在于，包括以下步骤：步骤1、采集多组相匹配的低剂量CT图像与正常剂量CT图像数据，然后将每一对相匹配的低剂量CT图像与正常剂量CT图像构成一个训练样本，表示为{I
LD ,I
ND
}，其中，I
LD
为低剂量CT图像，I
ND
为正常剂量CT图像，构建网络训练数据集并用于网络训练；步骤2、建立纹理特征引导的多尺度深度残差注意网络模型(MDRAN)，用于低剂量CT图像与正常剂量CT图像之间的映射；步骤3、使用步骤1中建立好的数据集对纹理特征引导的多尺度深度残差注意网络模型中的子网络分别进行训练，从而获得训练好的网络模型参数；步骤4、将需要处理的低剂量CT图像输入进已经获得网络模型参数的的多尺度深度残差注意网络模型中，输出得到去除噪声和条纹伪影的CT图像。2.根据权利要求1中所述的基于纹理特征引导的纹理保持低剂量CT图像去噪的方法，构建了纹理特征引导的多尺度深度残差注意网络模型(MDRAN)，其特征在于：构建的纹理特征引导的多尺度深度残差注意网络模型包含四个子网络模型，它们分别为：多尺度初始去噪网络模型、多尺度纹理特征预测网络模型、多尺度图像和纹理特征融合网络模型和多尺度主去噪网络模型。3. 根据权利要求2中所述的基于纹理特征引导的纹理保持低剂量CT图像去噪的方法，构建了多尺度初始去噪网络模型，其特征在于：首先采用初始去噪模型对输入的低剂量CT图像进行初步去噪生成一组输出图，命名为I
output 。4.根据权利要求2中所述的基于纹理特征引导的纹理保持低剂量CT图像去噪的方法，构建了多尺度纹理特征预测网络模型，其特征在于：经过初步去噪网络输出的I
output 被用于生成一对数据集，即纹理细节数据集，命名为I
output_Edge 及对应的差分集I
Diff , 差分集 I
Diff 是初步去噪网络无法学习到的真实纹理细节信息。其中，I
output_Edge 是由I
output 通过Sobel算子生成，然后输入到纹理预测模型，来学习I
output_Edge 和 I
Diff 的映射关系，从而预测出欠缺的纹理细节信息 I
Edge 。5.根据权利要求2中所述的基于纹理特征引导的纹理保持低剂量CT图像去噪的方法，构建了多尺度图像和纹理特征融合网络模型，其特征在于：经过纹理预测模型预测输出的纹理细节信息 I
...

【专利技术属性】
技术研发人员：张元科，王栋，万兆翠，
申请(专利权)人：曲阜师范大学，
类型：发明
国别省市：