基于自监督感知损失多尺度卷积神经网络的低剂量CT图像去噪方法技术

本发明专利技术公开了一种基于自监督感知损失多尺度卷积神经网络的纹理保持低剂量CT图像去噪方法，属于医学图像处理技术领域。本发明专利技术首先提出多尺度卷积模块，以刻画CT图像结构的多尺度特性。基于该模块，本发明专利技术设计了多尺度编码

【技术实现步骤摘要】
基于自监督感知损失多尺度卷积神经网络的低剂量CT图像去噪方法


[0001]本专利技术属于医学图像处理
，更具体地说，涉及一种基于自监督感知损失多尺度卷积神经网络的低剂量CT图像去噪方法。

技术介绍

[0002]计算机断层扫描(Computed Tomography, CT)是一种广泛使用的高分辨率成像方式，它能以非侵入的方式直接对人体内不同的器官和组织进行成像，对于脑肿瘤、骨结核等疾病的检测十分高效。然而，如果长期使用CT进行扫描，累积的辐射剂量会给患者带来潜在的健康风险。如果使用低剂量CT扫描，人体只需要接受少量的辐射即可获得图像。然而，随着辐射剂量的降低，CT图像中会出现大量噪声和伪影，导致图像对比度降低，影响诊断性能。
[0003]常见的LDCT图像去噪算法可以分为三类：第一类是弦图滤波，第二类是迭代重建，第三类是图像后处理。弦图滤波在图像重建前对原始数据或对数转换数据进行处理。典型的去噪方法如自适应卷积滤波、惩罚加权最小二乘算法和双边滤波，但是弦图数据通常难以获取。迭代重建算法极大地提高了去噪性能，但它也需要访问难以获取的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自监督感知损失多尺度卷积神经网络的低剂量CT图像去噪方法，其特征在于，包括以下步骤：步骤1：准备训练样本：采集不同患者的常规剂量CT投影数据，通过反投影重建得到常规剂量CT图像；对同一常规剂量CT投影数据添加噪声，通过反投影重建得到相应的低剂量CT图像；将每一对低剂量CT图像与常规剂量CT图像构成一个训练样本，表示为（x, y）。其中，x为低剂量CT（LDCT）图像，y为常规剂量CT（NDCT）图像；步骤2：构建自监督感知损失多尺度卷积神经网络；步骤3：训练自监督感知损失多尺度卷积神经网络；步骤4：用训练好的自监督感知损失多尺度卷积神经网络实现低剂量CT图像的去噪。2.根据权利要求1所述的基于自监督感知损失多尺度卷积神经网络的低剂量CT图像去噪方法，其特征在于：步骤2构建自监督感知损失多尺度卷积神经网络，该网络包括主去噪网络和自监督多尺度感知损失模块两个部分，主去噪网络用于网络的整体去噪，而自监督多尺度感知损失模块是用来计算多尺度感知损失以优化主去噪网络，该模块是从网络内部多尺度特征的角度来监督微小纹理细节的恢复；与传统网络不同，自监督感知损失多尺度卷积神经网络在训练时并没有使用传统的去噪结果与ground truth之间的L1或L2损失，而是仅使用自监督多尺度感知损失来对网络进行优化；此外，主去噪网络和自监督多尺度感知损失模块具有相同的网络结构，都是由编码器、bottleneck、解码器和多尺度空间金字塔注意力结构组成的U
‑
Net结构。3.根据权利要求2所述的基于自监督感知损失多尺度卷积神经网络的低剂量CT图像去噪方法，其特征在于：编码器、bottleneck和解码器都是由多尺度卷积模块组成的，多尺度卷积模块中使用的多尺度卷积有助于网络在不同尺度上整合从图像中学习到的特征，经过多尺度卷积后会得到三个尺度的特征图，为更好地捕获特定尺寸特征，使用选择性核卷积SKC技术对三个尺度的特征图进行融合；此外，在多尺度卷积模块中加入全局上下文注意力GCBlock，以在特征空间中学习丰富的细节特征。4.根据权利要求2所述的基于自监督感知损失多尺度卷积神经网络的低剂量CT图像去噪方法，其特征在于：为了弥补编码器中的浅层特征与解码器中的深层特征之间的语义差距，在编码器与解码器之间的快捷连接中加入一个多尺度空间金字塔注意力结构，该注意力结构生成的注意力权重用来增强相应编码器的注意，以弥补跳跃连接带来的语义差距。5.根据权利要求2所述的基于自监督感知损失多尺度卷积神经网络的低剂量CT图像去噪方法，其特征在于：为了尽可能多地保留CT图像中的细节信息，提出自监督多尺度感知损失模块来计算多尺度感知损失，该模块与主去噪网络有着相同的结构，但它包含两条路径；首先，自监督多尺度感知损失模块使用自监督的方式进行预训练，输入常规剂量CT图像对（y, y）以实...

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