System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机医学成像,尤其是一种同时低剂量ct重建与金属伪影校正的深度学习方法,可用于临床低剂量ct图像增强和高精度ct金属伪影校正。
技术介绍
1、计算机断层成像(computed tomography,ct)是一种无损检测技术,在医学、工业等众多领域得到了广泛应用。然而过多的x射线会影响人体免疫功能,甚至损伤基因。x射线剂量的降低会在重建图像上产生噪声和伪影,因此对低剂量ct(low dose computedtomography,ldct)的研究具有重要的实际应用价值。另外,在医学上,该技术利用x射线对人体的特定部位进行扫描,根据不同的人体组织对x射线的吸收能力不同,对扫描数据重建出断层面图像。当人体内存在金属或其他高密度物质时,导致对应的投影数据污染,重建后的图像就会出现金属伪影。金属伪影的存在会严重降低图像的质量,从而影响医生的诊断。因此,研究ct金属伪影校正的技术,提升重建图像质量,在放射诊断学科中有着重要的意义。
2、现有的ldct重建方法主要分为三类:弦域滤波技术,迭代重建技术和图像后处理。其中,弦域滤波技术是指对ct的原始弦域图像进行滤波,之后进行fbp得到重建的ct图像。但是由于ct原始数据难以获得,所以这一技术没有得到有效推广。迭代重建(iterativereconstruction,ir)就是借助先验信息,如正弦图域中数据的统计特性、图像域中的先验信息,甚至成像系统的参数,迭代地解决这一问题。在ir中流行的算法是全变分(totalvariation,tv)、非局部均值(non-loca
技术实现思路
1、本专利技术需要解决的技术问题是提供一种同时低剂量ct重建与金属伪影校正的深度学习方法,是少数用于金属植入物存在时的低剂量ct重建的方法,具有一定的可解释性,且不需要用到难以获得的弦域数据,具有高精度的金属伪影校正性能。
2、为解决上述技术问题,本专利技术所采用的技术方案是:一种同时低剂量ct重建与金属伪影校正的深度学习方法,包括如下步骤:
3、步骤s1、构建用于低剂量ct重建和金属伪影校正的基于多尺度自适应的深度稀疏变换网络模型,所述多尺度自适应的深度稀疏变换网络模型包括多尺度自适应的深度稀疏变换、基于信噪比感知和sam边缘感知transformer的阈值生成网络、轻量级聚合模块saa以及多尺度自适应的深度稀疏逆变换;
4、步骤s2、训练基于多尺度自适应的深度稀疏变换网络:
5、步骤s2.1、准备数据集,用收集的无伪影低剂量ct图像进行正投得到的正弦图s合成金属污染的正弦图sma,对其做滤波反投影操作得到金属污染ct图像xma,将ct图像和正弦图裁剪为设定的尺寸,并将其分为训练集和测试集,设定最大训练次数,初始化训练参数;
6、步骤s2.2、将对含有金属伪影的低剂量ct图像的重建和金属伪影矫正任务看做图像反问题,建立基于多尺度自适应的深度稀疏变换网络模型的优化模型,将金属污染的低剂量ct图像和金属掩膜做线性插值运算,将得到的结果和金属掩膜输入到基于多尺度自适应的深度稀疏变换网络模型中,输出得到增强的重建ct图像;
7、步骤s2.3、计算基于多尺度自适应的深度稀疏变换网络模型的损失函数:用梯度下降算法进行求解找出损失函数取得最小值时的可学习参数,若未达到基于多尺度自适应的深度稀疏变换网络模型的最大训练次数,则重复步骤s2.2,更新网络参数,训练结束得到基于多尺度自适应的深度稀疏变换网络的最优网络模型;
8、步骤s3、向构建好的图像域最优网络模型中输入含有金属伪影的低剂量ct图像xma和金属掩膜m,基于多尺度自适应的深度稀疏变换网络的输出为金属伪影校正后ct图像。
9、本专利技术技术方案的进一步改进在于:所述步骤s1构建基于多尺度自适应的深度稀疏变换网络:具体包括如下过程:构建多尺度自适应的深度稀疏变换、构建基于信噪比感知和sam边缘感知transformer的阈值生成网络,构建轻量级聚合模块saa以及构建多尺度自适应的深度稀疏逆变换;所述多尺度自适应的深度稀疏变换是用多层卷积提取输入的含有金属伪影的低剂量ct图像的多尺度信息,并在每个尺度上进行多次稀疏变换,以获得更强大的表示能力,所述基于信噪比感知和sam边缘感知transformer的阈值生成网络是以该尺度上的信噪比信息和sam边缘感知信息为依据和编码后的对应尺度信息为依据获得一个结果作为软阈值算法的阈值;所述轻量级聚合模块saa是在多尺度自适应的深度稀疏逆变换融合了两个相邻尺度之间的信息以提高网络的效果;所述多尺度自适应的深度稀疏逆变换是多尺度自适应的深度稀疏逆变换的逆过程,从表示中恢复出来原始的信息,最后通过一个残差连接得到最终的金属伪影矫正后的低剂量ct的重建图像。
10、本专利技术技术方案的进一步改进在于:所述步骤s2.2将含有金属伪影的低剂量ct图像依次划分为四个尺度,每个尺度进行三层稀疏变换,以分别提取多层尺度上的丰富信息,并获得更高的表示能力。
11、本专利技术技术方案的进一步改进在于:所述步骤s2.2对每个尺度稀疏变换后的特征图进行软阈值处理,本文档来自技高网...
【技术保护点】
1.一种同时低剂量CT重建与金属伪影校正的深度学习方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法,其特征在于,所述步骤S1构建基于多尺度自适应的深度稀疏变换网络:具体包括如下过程:构建多尺度自适应的深度稀疏变换、构建基于信噪比感知和SAM边缘感知Transformer的阈值生成网络,构建轻量级聚合模块SAA以及构建多尺度自适应的深度稀疏逆变换;所述多尺度自适应的深度稀疏变换是用多层卷积提取输入的含有金属伪影的低剂量CT图像的多尺度信息,并在每个尺度上进行多次稀疏变换,以获得更强大的表示能力,所述基于信噪比感知和SAM边缘感知Transformer的阈值生成网络是以该尺度上的信噪比信息和SAM边缘感知信息为依据和编码后的对应尺度信息为依据获得一个结果作为软阈值算法的阈值;所述轻量级聚合模块SAA是在多尺度自适应的深度稀疏逆变换融合了两个相邻尺度之间的信息以提高网络的效果;所述多尺度自适应的深度稀疏逆变换是多尺度自适应的深度稀疏逆变换的逆过程,从表示中恢复出来原始的信息,最后通过一个残差连接得到最终的金属伪影矫
3.根据权利要求1所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法,其特征在于:所述步骤S2.2将含有金属伪影的低剂量CT图像依次划分为四个尺度,每个尺度进行三层稀疏变换,以分别提取多层尺度上的丰富信息,并获得更高的表示能力。
4.根据权利要求3所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法,其特征在于:所述步骤S2.2对每个尺度稀疏变换后的特征图进行软阈值处理,基于信噪比感知和SAM边缘感知Transformer的阈值生成网络生成软阈值算法所需要的阈值,基于信噪比感知和SAM边缘感知Transformer的阈值生成网络由三个模块组成:二元掩膜提取模块、信噪比感知和SAM边缘感知的多头自注意力SNR and SAM-Aware MSA模块和全连接的前馈网络FFN模块。
5.根据权利要求4所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法,其特征在于:二元掩膜提取模块是指:用简单的去噪算法对输入的含金属伪影的低剂量图像进行去噪,计算初步去噪后的图像和原始图像的信噪比得到信噪比特征图,给信噪比特征图施加一个阈值函数,得到信噪比二元掩膜,其中信噪比较大的区域为1,信噪比较小的区域为0;之后,用预训练好的SAM大模型网络,提取边缘特征,得到SAM二元掩膜,其中边缘区域为1,其他区域为0;将信噪比二元掩膜和SAM二元掩膜做或运算,得到一个既包括信噪比信息也包括边缘信息的二元掩膜U′。
6.根据权利要求4所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法,其特征在于:信噪比感知和SAM边缘感知的多头自注意力SNR and SAM-Aware MSA模块的具体步骤:特征向量fm对应的矩阵形式将F分成d个特征块d个特征块覆盖整个特征图F,把d个特征块展成一维特征Fin=[F1,...,Fd],并将其按照标准多头自注意力方法求得Q、K和V,此过程可以表示为:
7.根据权利要求6所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法,其特征在于:SNR and SAM-Aware MSA的具体步骤:既包括信噪比信息也包括边缘信息的二元掩膜U′,假设SNR and SAM-Aware MSA有H个头,第h个头的自注意力计算被表示为:
8.根据权利要求1所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法,其特征在于:所述步骤S2.2中轻量级聚合模块SAA涉及对多尺度产生的不同粒度的特征进行混洗和分组,具体过程为:从每个尺度中选择一个通道来构建一组,然后利用逆瓶颈结构在每组内执行上下特征融合操作,从而增强多尺度特征的多样性,最后,使用逐点卷积对所有特征进行跨组信息聚合,以实现全局信息的交叉融合,SAA的流程表述如下:
9.根据权利要求8所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法,其特征在于:所述步骤S2.2对经过软阈值处理和SAA后的特征向量依次进行4个尺度的3层深度稀疏逆变换操作,最后通过一个残差连接得到金属伪影校正后的低剂量CT重建图像。
10.根据权利要求1所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法,其特征在于:所述步骤S2.3中梯度下降迭代算法中函数梯度的方向指向函数增加最快的方向,在每次迭代中根据当前对应的函数梯度和步长进行变量更新,不断迭代最终到达目标函数的局部最优点,多尺度自适应的深度稀疏变换网络模型的损失函数如下:
...【技术特征摘要】
1.一种同时低剂量ct重建与金属伪影校正的深度学习方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的一种同时低剂量ct重建与金属伪影校正的深度学习方法,其特征在于,所述步骤s1构建基于多尺度自适应的深度稀疏变换网络:具体包括如下过程:构建多尺度自适应的深度稀疏变换、构建基于信噪比感知和sam边缘感知transformer的阈值生成网络,构建轻量级聚合模块saa以及构建多尺度自适应的深度稀疏逆变换;所述多尺度自适应的深度稀疏变换是用多层卷积提取输入的含有金属伪影的低剂量ct图像的多尺度信息,并在每个尺度上进行多次稀疏变换,以获得更强大的表示能力,所述基于信噪比感知和sam边缘感知transformer的阈值生成网络是以该尺度上的信噪比信息和sam边缘感知信息为依据和编码后的对应尺度信息为依据获得一个结果作为软阈值算法的阈值;所述轻量级聚合模块saa是在多尺度自适应的深度稀疏逆变换融合了两个相邻尺度之间的信息以提高网络的效果;所述多尺度自适应的深度稀疏逆变换是多尺度自适应的深度稀疏逆变换的逆过程,从表示中恢复出来原始的信息,最后通过一个残差连接得到最终的金属伪影矫正后的低剂量ct的重建图像。
3.根据权利要求1所述的一种同时低剂量ct重建与金属伪影校正的深度学习方法,其特征在于:所述步骤s2.2将含有金属伪影的低剂量ct图像依次划分为四个尺度,每个尺度进行三层稀疏变换,以分别提取多层尺度上的丰富信息,并获得更高的表示能力。
4.根据权利要求3所述的一种同时低剂量ct重建与金属伪影校正的深度学习方法,其特征在于:所述步骤s2.2对每个尺度稀疏变换后的特征图进行软阈值处理,基于信噪比感知和sam边缘感知transformer的阈值生成网络生成软阈值算法所需要的阈值,基于信噪比感知和sam边缘感知transformer的阈值生成网络由三个模块组成:二元掩膜提取模块、信噪比感知和sam边缘感知的多头自注意力snr and sam-aware msa模块和全连接的前馈网络ffn模块。
5.根据权利要求4所述的一种同时低剂量ct重建与金属伪影校正的深度学习方法,其特征在于:二元掩膜提取模块是指:用简单的去噪算法对输入的含金属伪影的低剂量图像进行去噪,计算初步去噪后的图像和原始图像的信噪比得到信噪比...
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。