边缘先验与CNN-Transformer融合的LDCT伪影抑制方法技术

本发明专利技术的边缘先验与CNN

【技术实现步骤摘要】
边缘先验与CNN
‑
Transformer融合的LDCT伪影抑制方法


[0001]本专利技术属于低剂量CT降噪领域，具体涉及一种边缘先验与CNN
‑
Transformer融合的LDCT伪影抑制方法。

技术介绍

[0002]X射线计算机断层成像(Computed Tomography，CT)由于成像分辨率高能够辅助医师提高病变检测率在常规体检中逐渐得到普及，尤其为肺癌的早期确诊提供可能。CT技术在普及的同时面临高辐射问题，而低剂量CT(Low
‑
Dose CT，LDCT)是降低辐射剂量的一种有效方法，但会导致投影数据受噪声污染，使得重建图像中出现明显的条形伪影，影响医师的诊断。为了解决这一问题，多种有效的方法被提出，其中后处理方法由于不需要原始的投影数据而备受关注。传统的后处理算法包括快速字典学习、非局部均值以及BM3D方法等。近年来，卷积神经网络(Convolutional Neural Networks，CNN)作为深度学习的代表算法在LDCT图像去噪方面取得了良好性能。Chen等人提出的图像域残差编解码网络(RED
‑
CNN)在性能上明显优于传统去噪算法。Yang等人提出的高频感知生成对抗网络(HFSGAN)通过对高频部分的降噪提高对全局图像的降噪性能。
[0003]尽管CNN在LDCT伪影抑制方面取得了很大进展，但CNN中卷积感受野有限，致使全局信息得不到有效提取。Vision Transformer(ViT)在全局感知方面表现优越。然而ViT在token化的过程中，破坏了图像块2D空间特征，忽略了图像的局部性质。将CNN与ViT融合提高网络的局部和全局信息是当下的研究热点，Zhu等通过全卷积噪声子网络获得噪声信息辅助提高基于SwinTransformer噪声去除子网络提取图像特征的能力；Zhang等人提出的TransCT使用卷积模块与Transformer模块结合的双分支结构分别提取高低频部分的特征，并把低频部分提取的潜在纹理特征通过Transformer模块融入高频分支中来提高高频分支的纹理细节保持能力。Zhang等人采用基于CNN的编码器，而解码器通过双路径Transformer模块融合解码端的特征与解码端前一级的特征，更好地恢复图像的细节和结构信息。

技术实现思路

[0004]本专利技术解决现有的深度网络对边缘和组织结构信息的感知力不足，致使去噪后图像中边缘和细节丢失的问题。本专利技术提出了一种边缘先验与CNN
‑
Transformer融合的伪影抑制方法来增强网络在抑制噪声时对组织结构和边缘信息的保持能力。
[0005]为了实现上述目的，本专利技术通过以下技术方案予以实现：边缘先验与CNN
‑
Transformer融合的LDCT伪影抑制方法，包括以下步骤：
[0006]步骤1)采用引导滤波器将LDCT图像分解为低频LDCT
L
和高频LDCT
H
；
[0007]步骤2)将高频LDCT
H
部分送入单编码双解码U
‑
net结构中提取高频分支和边缘分支的多尺度信息，并将边缘的多尺度信息补充给高频分支。单编码双解码U
‑
net结构由高频编码器E
H
和边缘解码器D
E
、高频解码器D
H
组成，高频编码器E
H
每一层为全局
‑
局部特征提取模块GLFB；
[0008]将低频LDCT
L
部分送入由低频编码器E
L
和低频解码器D
L
组成的多尺度编解码网络提取不同尺度的低频特征；
[0009]步骤3)将低频解码端每层提取的特征与高频分支解码端每层提取的特征经过多尺度融合模块MFFB渐进融合重建去噪图像。
[0010]进一步的，所述步骤2)中高频编码器E
H
的具体处理过程为：
[0011]首先采用3
×
3卷积提取高频图像LDCT
H
的初始特征然后经过d层的编码器提取多尺度的特征提取特征的过程表示为
[0012][0013]其中，DS表示下采样，GLFB为编码器中的全局
‑
局部特征提取模块，全局
‑
局部特征提取模块GLFB采用残差模块与Transformer模块结合的双分支结构：
[0014]对于输入的特征X，局部分支采用残差卷积模块RCM提取局部特征F
L
，即
[0015]F
L
＝Conv3(ReLU(BN(Conv3(X))))+X,
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0016]其中，Conv3为3
×
3卷积，BN为批量归一化，ReLU激活函数；
[0017]全局分支通过Patch嵌入PE将特征图token化，得到然后用L个Transformer模块获取全局信息后回到特征图F
G
，最后将获得的局部和全局特征级联，再用用一个3
×
3卷积和一个1
×
1卷积提取融合后的特征F
GL
：
[0018]F
GL
＝Conv1(Conv3(Cat(F
L
,F
G
))),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0019]其中，Cat为级联操作，Conv1为1
×
1卷积。
[0020]进一步的，所述低频编码器E
L
除了每层编码模块的结构外其余都与高频部分编码器E
H
相同，编码模块由局部分支组成，由RCM提取特征，E
L
的特征提取过程为：
[0021][0022]其中是采用3
×
3卷积提取低频图像LDCT
L
的初始特征，表示E
L
每一层的提取的多尺度特征。
[0023]进一步的，所述步骤2)中的包含三个解码器，分别是边缘解码器D
E
，低频解码器D
L
以及高频解码器D
H
，其中D
E
和D
L
结构相同。边缘解码器D
E
的输入与跳跃连接传递的特征来自高频编码器E
H
，而低频解码器D
L
的输入与跳跃连接传递的特征来自低频编码器E
L
。边缘解码器(低频解码器)每一层依次通过上采样
‑
级联
‑
RCM获取每一层的特征最后用3
×
3卷积重建边缘图像I
E
(低频图像I
L
)；
[0024]高频解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.边缘先验与CNN
‑
Transformer融合的LDCT伪影抑制方法，其特征在于：包括以下步骤：步骤1)采用引导滤波器将LDCT图像分解为低频LDCT
L
和高频LDCT
H
；步骤2)将高频LDCT
H
部分送入单编码双解码U
‑
net结构中提取高频分支和边缘分支的多尺度信息，并将边缘的多尺度信息补充给高频分支，单编码双解码U
‑
net结构由高频编码器E
H
和边缘解码器D
E
、高频解码器D
H
组成，高频编码器E
H
每一层为全局
‑
局部特征提取模块GLFB；将低频LDCT
L
部分送入由低频编码器E
L
和低频解码器D
L
组成的多尺度编解码网络提取不同尺度的低频特征；步骤3)将低频解码端每层提取的特征与高频分支解码端每层提取的特征经过多尺度融合模块MFFB渐进融合重建去噪图像。2.根据权利要求1所述的边缘先验与CNN
‑
Transformer融合的LDCT伪影抑制方法，其特征在于：所述步骤2)中高频编码器E
H
的具体处理过程为：首先采用3
×
3卷积提取高频图像LDCT
H
的初始特征然后经过d层的编码器提取多尺度的特征提取特征的过程表示为其中，DS表示下采样，GLFB为编码器中的全局
‑
局部特征提取模块，全局
‑
局部特征提取模块GLFB采用残差模块与Transformer模块结合的双分支结构：对于输入的特征X，局部分支采用残差卷积模块RCM提取局部特征F
L
，即F
L
＝Conv3(ReLU(BN(Conv3(X))))+X,
ꢀꢀꢀꢀ
(2)其中，Conv3为3
×
3卷积，BN为批量归一化，ReLU激活函数；全局分支通过Patch嵌入PE将特征图token化，得到然后用L个Transformer模块获取全局信息后回到特征图F
G
，最后将获得的局部和全局特征级联，再用用一个3
×
3卷积和一个1
×
1卷积提取融合后的特征F
GL
：F
GL
＝Conv1(Conv3(Cat(F
L
,F
G
))),
ꢀꢀꢀꢀ
(3)其中，Cat为级联操作，Conv1为1
×
1卷积。3.根据权利要求2所述的边缘先验与CNN
‑
Transformer融合的LDCT伪影抑制方法，其特征在于：所述低频编码器E
L
除了每层编码模块的结...

【专利技术属性】
技术研发人员：崔学英，郭映亭，宋炜森，上官宏，张雄，刘斌，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：