一种基于双频域去噪增强的医学CT图像超分辨率算法制造技术

本发明专利技术公开一种基于双频域去噪增强的医学CT图像超分辨率算法，属于图形处理技术领域。包括以下步骤：(1)高低频分解：对输入的低分辨率医学CT图像进行傅里叶变换，分解该图像的高频与低频；(2)低频增强与高频去噪：将经过傅里叶变换分解后的低频医学CT图像输入增强网络分支增强，高频医学CT图像则输入去噪网络分支去噪；(3)图像融合：融合两个网络分支的增强医学CT图像和去噪医学CT图像，生成高分辨率的医学CT图像。其步骤简单，增益效果好，能够保留CT图像信息的同时增强图像细节和去除图像的大部分噪声。的大部分噪声。的大部分噪声。

【技术实现步骤摘要】
一种基于双频域去噪增强的医学CT图像超分辨率算法


[0001]本专利技术属于图形处理
，尤其涉及一种基于双频域去噪增强的医学CT图像超分辨率算法，应用于低分辨率医学CT图像的精细重建。

技术介绍

[0002]由于高分辨率图像包含众多图像信息和细节，同时兼具视觉美感，因此在众多领域，尤其是医学、遥感、测绘等领域应用颇多。其中，CT影像是无创诊断和治疗肺部疾病的金标准，医学CT图像的分辨率直接影响临床诊断。在临床上，为了降低高剂量X射线带来的患病风险，常常采用低剂量CT。然而，低剂量图像分辨率相对较低且容易受噪声和不良伪影的影响，加之仪器参数、量子噪声及外部环境等因素的影响，低剂量CT图像往往含有噪声和模糊等现象，不利于医师对CT图像细节特征的观察，影响医师对病情的诊断。因此从低分辨率医学CT图像输入到高分辨率医学CT图像输出，成为人们持续关注的研究课题。
[0003]图像超分辨率技术不断发展，传统的图像超分辨率算法主要包括基于插值的方法、基于重建的方法和基于学习(非深度学习)的方法，这些方法普遍难以恢复高频细节信息，图像质量较差，产生的伪影较多，边缘细节等缺失较多，导致重建图像模糊且计算复杂、实时性不高等问题。随着SRCNN的横空出世，将深度学习应用于图像超分辨率成为了图像超分辨率技术的主流方式，在SRCNN之前，将深度学习应用于图像恢复方面已经有了一定的研究，并且在图像识别领域得到了广泛应用，但dong等人利用简单的三层卷积神经网络证明深度学习能够在超分辨领域展现同样优越的性能。在此之后，后续研究者不断探索更加优越性能的超分辨率深度学习模型，基于深度学习的超分辨率技术迎来了蓬勃发展，各种深度学习模型层出不穷，例如，快速高效的FSRCNN；为减少冗余参数，采用深度递归网络的DRCN；挖掘深度卷积网络的VDSR；采用密集连接策略的SRDense；采用级联策略，连接多层参数的DRLN；还有为进一步增强深度的深度残差网络EDSR等等。而这些图像超分辨率技术大多数应用于普通的彩色图像，针对医学CT图像的超分辨率重建算法较少，而医学CT图像是计算机数字化模拟的灰度图像，对图像的清晰度和真实感要求更高，更加注重图像的纹理信息和高频细节，因此，医学CT图像的超分辨率重建更加具有针对性和挑战性。

技术实现思路

[0004]本专利技术要解决的技术问题是：克服现有医学CT图像超分辨率技术的不足，提供一种基于双频域去噪增强的医学CT图像超分辨率算法，该方法可以有效增强医学CT图像细节同时去除一定的噪声，且具有较高的PNSR和SSIM值。
[0005]针对上述技术目的，本专利技术的一种基于双频域去噪增强的医学CT图像超分辨率的方法，其特征在于：包括傅里叶变换模块，傅里叶变换模块输出的低频分量CT图像与高频分量CT图像分别输入增强网络分支和去噪网络分支，再将增强网络分支和去噪网络分支输出的CT图像利用加权融合算法进行融合即可显著增强医学CT图像的分辨率；
[0006]包括以下步骤：
[0007](1)利用傅里叶变换对低分辨率的医学CT图像进行分解，获得CT图像的高低频，对分解后的CT图像高低频进行傅里叶逆变换，获取低频分量CT图像与高频分量CT图像；
[0008](2)将经过傅里叶变换分解后的低频分量CT图像输入增强网络进行增强，高频分量CT图像则输入去噪网络进行去噪；
[0009](3)利用加权融合算法将经过增强的低频分量CT图像与经过去噪的高频分量CT图像进行融合，最终实现去噪增强的高分辨率医学CT图像。
[0010]进一步，傅里叶变换对低分辨率的医学CT图像进行分解的具体过程为：先将医学CT图像由时域变换到空间域，分离该图像的高低频，再由傅里叶逆变换将高低频分量转换成高低频分量图像。
[0011]进一步，该增强网络模型包括三层卷积和线性的级联组合，其中第一层利用较大卷积块进行特征提取，第二层加入一个空间注意模块，后两层卷积进行特征学习和放大重建，并通过迭代完成训练；
[0012]具体工作过程为：
[0013]利用第一层卷积核对低频分量医学CT图像进行初步的特征提取，获得低频分量CT图像的浅层特征，然后用一个线性激活单元对获取的特征进行非线性激活；
[0014]通过最大池化和平均池化对获取的浅层特征进行针对性的选择，在减少特征参数量同时使得重要的图像背景和纹理信息得以保留，然后将经过针对性选择后的特征进行融合拼接，最后利用卷积核将融合拼接后的特征图转换为一个通道的特征，最后使用sigmod函数生成空间权重系数，利用空间注意力机制在不增加参数的同时，让增强网络模型选择更多的能量对设定为重要的特征的图像背景和纹理信息进行训练，达到简化后续层的学习目的；
[0015]通过卷积核和一个线性激活单元、一个池化单元进行操作，将训练得到的特征投射到高分辨率空间中；
[0016]利用卷积层进行医学CT图像重建，最终获得增强后的医学CT图像。
[0017]进一步，训练增强网络的过程，包含四个关键性步骤：数据集预处理，扩充数据集体量，进行数据增强；搭建增强网络模型框架，在增强网络模型第二层插入空间注意机制模块；输入数据集训练迭代；保存增强网络模型训练权重，测试增强网络模型性能。
[0018]进一步，去噪网络模型包含两个部分，第一部分是噪声预测；第二部分则对高频分量CT图像进行去噪；
[0019]噪声预测部分为三个类型的层级：第一个类型的层级包含两层小卷积层和一个线性激活单元，以帮助去噪网络对原始医学CT图像进行初步的特征提取，第二个层级包含卷积、归一和线性激活的级联组合，最后一个层级，使用一个卷积和一个池化，这一阶段能够将干净CT图像从原始CT图像中分离，获得预测噪声；
[0020]对高频分量CT图像进行去噪，利用跳跃链接将原始高频分量CT图像与预测噪声进行相减，得到最终的去噪高频分量CT图像。
[0021]进一步，训练去噪网络的过程，包含四个关键性步骤：数据集预处理，扩充数据集体量，进行数据增强；搭建去噪神经网络框架；输入数据集训练迭代；保存去噪网络模型训练权重，测试去噪网络模型性能。
[0022]本专利技术与现有技术相比的有益效果：
[0023]1)本专利技术方法将图像去噪技术运用于CT图像超分，噪声是影响CT图像分辨率的一个重要因素，受益于图像去噪的方法，通过针对性地去除CT图像高频部分的噪声，达到增益CT图像超分结果的目的。
[0024]2)本专利技术从低频分量和高频分量两种分量的角度进行CT图像超分重建，保留低频CT图像并对其进行增强，分离高频分量CT图像并对其进行针对性地去噪，这样的CT超分方法能够保留CT图像信息的同时增强图像细节和去除图像的大部分噪声。
[0025]3)本专利技术提出的基于双频域去噪增强的医学CT图像超分辨率算法模型获得了比基准模型更好的PNSR结果，同时与其他深度学习模型相比，该模型能够适用于更多低分辨率医学CT图像类型。
附图说明
[0026]图1为本专利技术基于双频域去噪增强本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双频域去噪增强的医学CT图像超分辨率的方法，其特征在于：包括傅里叶变换模块，傅里叶变换模块输出的低频分量CT图像与高频分量CT图像分别输入增强网络分支和去噪网络分支，再将增强网络分支和去噪网络分支输出的CT图像利用加权融合算法进行融合即可显著增强医学CT图像的分辨率；包括以下步骤：(1)利用傅里叶变换对低分辨率的医学CT图像进行分解，获得CT图像的高低频，对分解后的CT图像高低频进行傅里叶逆变换，获取低频分量CT图像与高频分量CT图像；(2)将经过傅里叶变换分解后的低频分量CT图像输入增强网络进行增强，高频分量CT图像则输入去噪网络进行去噪；(3)利用加权融合算法将经过增强的低频分量CT图像与经过去噪的高频分量CT图像进行融合，最终实现去噪增强的高分辨率医学CT图像。2.根据权利要求1所述的一种基于双频域去噪增强的医学CT图像超分辨率的方法，其特征在于，傅里叶变换对低分辨率的医学CT图像进行分解的具体过程为：先将医学CT图像由时域变换到空间域，分离该图像的高低频，再由傅里叶逆变换将高低频分量转换成高低频分量图像。3.根据权利要求1所述的一种基于双频域去噪增强的医学CT图像超分辨率算法，其特征在于，该增强网络模型包括三层卷积和线性的级联组合，其中第一层利用较大卷积块进行特征提取，第二层加入一个空间注意模块，后两层卷积进行特征学习和放大重建，并通过迭代完成训练；具体工作过程为：利用第一层卷积核对低频分量医学CT图像进行初步的特征提取，获得低频分量CT图像的浅层特征，然后用一个线性激活单元对获取的特征进行非线性激活；通过最大池化和平均池化对获取的浅层特征进行针对性的选择，在减少特征参数量同时使得重要的图像背景和纹理信息得以保留，然后将经过针对性选择后的特征进行融合拼接，最后利用卷积核将融合拼...

【专利技术属性】
技术研发人员：刘彩霞，李慧婷，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：