【技术实现步骤摘要】
本专利技术涉及医学图像处理，特别涉及基于频域transformer的医学低剂量ct图像复原方法。
技术介绍
1、计算机断层扫描(computed tomography，简称ct)是一种医学影像技术，通过使用x射线和计算机算法来生成身体内部的三维影像，ct扫描会将x射线从不同角度通过人体扫描，然后计算机会将这些影像数据组合在一起，形成高分辨率的三维图像，可用于诊断许多不同的疾病和损伤。然而，x射线对人体具有潜在的辐射伤害，所以要求在ct成像检测尽量少使用x射线，因此如何在保证高精度医学诊断的同时，尽可能降低辐射剂量，是ct成像技术发展中面临的最重要的问题。但是，降低辐射剂量与高质量ct成像之间是病态的关系，即降低ct剂量将带来投影信息减少，导致重建图像中的噪声、伪影等因素显著增加。因此，如何在满足医学诊断的前提下，达到低辐射剂量下高质量ct成像是当前ct领域面临的迫切需求。
2、按照处理阶段的不同，低剂量ct图像处理的方法主要划分为三类：一是投影域预处理方法，即直接在投影域进行滤波或者插值，再通过传统的滤波反投影(filtered backprojection,fbp)算法重建ct图像，由于fbp是全局映射，且滤波操作又会导致局部误差扩散到全局，进而影响整体成像精度；二是介于投影域和图像域之间的迭代重建方法，即利用投影数据的统计特征和图像数据的先验信息进行建模，然后加入到统计重建模型中进行迭代数值求解。这类方法的缺点在于先验信息的建模和参数选取困难，且计算复杂，迭代时间长，难以临床转化；三是图像后处理方法，即直接对重建
技术实现思路
1、本专利技术的目的在于克服现有技术中所存在的上述不足，提供基于频域transformer的医学低剂量ct图像复原方法。
2、为了实现上述专利技术目的，本专利技术提供了以下技术方案：
3、基于频域transformer的医学低剂量ct图像复原方法，包括以下步骤：
4、步骤s1，步骤s1，收集训练数据集和验证数据集，训练数据集为多个成对的低剂量ct图像和正常剂量ct图像，验证数据集为多个低剂量ct图像；
5、步骤s2，使用unet结构的transformer网络构建图像复原模型，所述图像复原模型包括由前至后的一个图像分解模块、n个编码模块、n个解码模块和一个图像重建模块，其中n为大于或等于1的整数；每个所述编码模块包括transformer模块和卷积层，每个所述解码模块包括线性卷积层、transformer模块和可逆融合模块；所述transformer模块是采用多尺度token混合策略运算和多头转置注意力运算来聚合图像局部和全局特征；所述可逆融合模块通过可逆变换操作来融合编码-解码特征；
6、所述图像复原模型工作过程如下：
7、首先利用所述图像分解模块，将低剂量ct图像通过小波变换分解为低频分量和高频分量，经过n个编码模块、n个解码模块处理混合的低频分量和高频分量图像信息，利用所述图像重建模块，输出处理后的图像频域特征，并通过逆小波变换得到与输入低剂量ct图像相同尺度的差分图像，再与输入低剂量ct图像进行加和，重建成复原的低剂量ct图像；
8、步骤s3，利用训练集数据对所述图像复原模型进行训练，并在训练过程中利用验证集数据对ct图像增强模型进行评估，根据评估的效果实时调整所述图像复原模型的参数，得到训练好的所述图像复原模型；
9、步骤s4，将待复原的低剂量ct图像输入到训练好的所述图像复原模型中，得到最终复原后的ct图像。
10、在本专利技术的技术方案中，使用对称的unet结构的transformer网络构建图像复原模型建立图像复原模型，图像复原模型将低剂量ct图像通过小波变换分解到频域进行处理，采用图像复原模型直接在分解的混合高频-低频分量上进行处理，接着进行数据的编码和解码两个处理阶段，编码阶段主要消除高频和低频数据中的噪声、伪影等因素影响，而解码阶段则从编码后的特征中重建输入的混合频域信息，最后再通过逆小波变换将混合的低频和高频特征转换到图像域。现有技术中低剂量ct图像复原方法是直接在ct图像域进行处理，本申请是转换退化的低剂量ct图像到小波域进行处理，同时采用差分学习的思想，构建了一个端到端的低剂量ct图像处理框架，基于频域transformer的ct图像复原方法不仅显著降低了模型计算代价，同时有效移除低剂量ct图像中的噪声和伪影等信息，使得重建的高质量ct图像更好地保留低频和高频细节。
11、作为本专利技术的优选方案，本专利技术的transformer模块是集成了多尺度token混合策略(multi-scale token mixer,mstm)运算和轻量化的多头转置注意力(multi-headtransposed attention,mhta)运算机制来聚合图像局部和全局特征，所述transformer模块的公式如下：
12、y′＝mstm(y)
13、
14、其中y是输入特征向量，是输出特征向量。本专利技术采用了transformer模块来构建对称结构的unet类型的编码模块和解码模块，其融合了mstm和mhta来实施，其中y是输入的特征向量，其首先mstm运算利用了多尺度卷积来从混合频域特征提取多样的局部特征；而mhta运算则利用高效的注意力机制来提取全局特征；融合了运算两个模块构建的新的transformer模块在挖掘图像局部和全局特征方面能力更强，且所需计算代价更小。本专利技术采用的transformer模块区别于当前大多数基于swin-transformer采用滑动窗口的方式计算局部注意力机制或者采用vit结构计算全局注意力方法的机制，提出的transformer模块集成了mstm和mhta机制来聚合图像局部和全局特征。
15、作为本专利技术的更优选方案，mstm运算的具体公式如下：
16、y1,y2,y3,y4＝split(y)
17、y′＝concat(conv1×1(y1),conv3×3(y2),conv5×5(y3),maxpool(y4))
18、mhta运算的具体公式如下：
19、
20、atten(q,k,v)＝v·softmax(k·q/α)
21、其中是输入特征向量，其首先沿通道维度被分割为4个特征向量y1,y2,y3,y4，然后被送入三个不同卷积核大小的卷积模块和本文档来自技高网...
【技术保护点】
1.基于频域Transformer的医学低剂量CT图像复原方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于频域Transformer的医学低剂量CT图像复原方法，其特征在于，所述Transformer模块的公式如下：
3.根据权利要求2所述的基于频域Transformer的医学低剂量CT图像复原方法，其特征在于，MSTM运算的具体公式如下：
4.根据权利要求1所述的基于频域Transformer的医学低剂量CT图像复原方法，其特征在于，所述可逆融合模块具体公式定义如下：
5.根据权利要求1所述的基于频域Transformer的医学低剂量CT图像复原方法，其特征在于，所述编码模块设置有2个，所述解码模块设置有2个。
6.根据权利要求1所述的基于频域Transformer的医学低剂量CT图像复原方法，其特征在于，所述图像分解模块还设置至少一个卷积层，用于将频域数据投影到特征空间；每个卷积层的卷积核大小为3×3、步长为1；所述图像重建模块还设置至少一个卷积层，用于输出变化后频域特征，每个卷积层的卷积核大小为3×3
7.根据权利要求6所述的基于频域Transformer的医学低剂量CT图像复原方法，其特征在于，在所述编码模块之间插入离散小波分解层，在所述解码模块之间插入逆小波变换层。
8.根据权利要求7所述的基于频域Transformer的医学低剂量CT图像复原方法，其特征在于，在所述编码模块和所述解码模块之间依次插入离散小波分解层、所述Transformer模块、逆小波变换层和所述可逆融合模块。
9.根据权利要求8所述的基于频域Transformer的医学低剂量CT图像复原方法，其特征在于，所述图像复原模型的具体工作过程如下：
10.根据权利要求1所述的基于频域Transformer的医学低剂量CT图像复原方法，其特征在于，步骤S3中，所述图像增强模型训练时采用有监督训练，采用的目标函数定义如下：
...【技术特征摘要】
1.基于频域transformer的医学低剂量ct图像复原方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于频域transformer的医学低剂量ct图像复原方法，其特征在于，所述transformer模块的公式如下：
3.根据权利要求2所述的基于频域transformer的医学低剂量ct图像复原方法，其特征在于，mstm运算的具体公式如下：
4.根据权利要求1所述的基于频域transformer的医学低剂量ct图像复原方法，其特征在于，所述可逆融合模块具体公式定义如下：
5.根据权利要求1所述的基于频域transformer的医学低剂量ct图像复原方法，其特征在于，所述编码模块设置有2个，所述解码模块设置有2个。
6.根据权利要求1所述的基于频域transformer的医学低剂量ct图像复原方法，其特征在于，所述图像分解模块还设置至少一个卷积层，用于将频域数据投影到特征空间；每个卷积层的卷积...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。