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。
[0003]弦图滤波技术指在图像重建前对原始数据对进行处理，如滤波反投影（FBP）。这些技术的优化对象是投影图像，根据投影对象的特点设计出合适的滤波算法去除图像域中的噪声，然后再根据滤波反投影算法重建图像。结果表明，滤波反投影技术能以较少的计算开销完成低剂量CT图像的去噪任务。但是，在去除投影域的噪声同时，会在重建图像中产生新的噪声或伪影。随着迭代重建（IR）算法引起了人们的关注，特别是在低剂量CT图像领域。这种方法将图像域的先验信息整合到一个统一的目标函数中。虽然迭代重建技术取得了令人满意的去噪效果，但是主流的迭代重建算法存在计算开销大，计算速度慢等缺点。低剂量CT图像的另一个选择是对重建图像进行后处理，图像的后处理技术不依赖于原始数据。使得这些技术可以直接应用于低剂量CT图像中。常见的图像后处理技术包括非局部均值方法(Non
‑
Local Mean,NLM)完成去噪任务、块匹配(Block
‑
Matching,BM3D)被证明对各种X射线成像任务计算效率高，可以显著提高图像质量。虽然利用图像的后处理技术完成了对低剂量CT图像的去噪任务，但是在图像的后处理过程中会丢失图像的纹理细节、结构信息和引入新的噪声等问题。
[0004]最近，深度学习在低剂量CT图像应用中获得了很好的效果，Chen等人提出了一种浅层的卷积神经网络框架RED
‑
CNN，该网络前5层卷积用于提取图像深层特征,后 5层通过反卷积逐步实现图像的重建,网络去除了下采样操作,保留了更多的结构信息,从而获得了较高的峰值信噪比。Yang等人提出了一种具有感知损失的生成对抗网络 WGAN ，该网络首先通过生成器与判别器的对抗学习来提高网络的去噪性能,然后通过在架构中添加感知损失来优化CT图像的视觉效果。
[0005]然而，我们发现上面提到的这些网络在网络结构方面仍然存在一些限制。这些方法都是为了挖掘图像中显著特征而抑制不明显的特征。无论网络架构设计的层数有多深，
虽然这些方法设计可以重建图像的大部分细节，但是它们都会在一些细小和不规则的纹理细节保持上通常有较差的性能。造成这种现象的主要原因是纹理细节信息相对于CT图像上显著特征来说不明显，因此在神经网络深层特征提取过程中，往往会使得纹理细节信息被提取的较少，从而导致在LDCT图像去噪过程中忽略掉纹理信息和结构边缘信息。为了解决这些问题，本专利技术提出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。本专利技术提出基于多尺度卷积编码网络，并用于低剂量CT 图像的去噪。本专利技术方法是通过结合多尺度卷积编码与深度卷积网络强大的表示能力的优势，建立可解释的多尺度卷积编码网络模型，以增强特征学习能力，充分去除低剂量CT图像中的噪声和条纹伪影，提高去噪后的CT图像质量，实现高对比度、高分辨、少噪声、少伪影、低剂量的CT图像，为患者降低额外辐射，增加诊疗收益。

技术实现思路

[0006]1.专利技术要解决的技术问题
[0007] 本专利技术的目的在于克服现在技术中低剂量CT图像去噪后存在纹理细节信息相对于CT图像上特征不明显、纹理信息丢失、细节保持和噪声伪影残留难以统一等问题，拟提供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，称之为纹理特征引导的多尺度深度残差注意网络模型(Multiscale Deep Residual Attention Network，简称MDRAN)。该方法是在不改变现有的CT硬件成本条件下，通过多尺度上的卷积特征学习，以提高特征信息感知、编码及解码能力，从大量数据中获得丰富的先验知识，应用于低剂量CT图像去噪，提高去噪后的CT图像质量，实现少噪声、少伪影、包含更多纹理细节的低剂量CT图像，为降低患者额外的辐射风险做出一定贡献。
[0008]2 .技术方案
[0009]为达到上述目的，本专利技术提供的技术方案为：
[0010]基于纹理特征引导的纹理保持低剂量CT图像去噪的方法，包括以下步骤：
[0011]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，然后将相匹配的每一对低剂量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；
[0012]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，用于低剂量CT图像与正常剂量CT图像之间的映射；
[0013]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；
[0014]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。
[0015]作为本专利技术更进一步的改进，步骤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，构建了纹理特征引导的多尺度深度残差注意网络模型，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。
[0016]作为本专利技术更进一步的改进，步骤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：首先采用多尺度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 。
[0017]作为本专利技术更进一步的改进，步骤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，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：