基于结构非对齐配对数据集的深度学习CT图像去噪方法技术

本发明专利技术公开了一种基于结构非对齐配对数据集的深度学习CT图像去噪方法，属于图像去噪技术领域。所述的深度学习CT图像去噪方法，具体步骤如下：S01.进行生成器预训练：生成器网络模型采用U‑Net网络，所述预训练的总损失函数，采用L1损失函数、结构相似性损失函数和感知损失函数的组合；S02.进行生成对抗训练：所述对抗训练采用瓦瑟斯坦生成对抗网络进行对抗训练；S03.将临床结构非对齐配对数据集的LDCT图像进行去噪处理。本发明专利技术的深度学习CT图像去噪方法，所采用的数据集是基于临床非像素级结构对齐但配对的CT数据集，模型的训练方法采用了一种两阶段的深度学些训练方法，以获得更高质量的CT图像。

【技术实现步骤摘要】

本专利技术属于图像去噪，尤其涉及一种基于结构非对齐配对数据集的深度学习ct图像去噪方法。

技术介绍

1、计算机断层扫描(ct)是一种高分辨率医学成像技术，被广泛用于检测和诊断肺部结节等疾病。然而，ct扫描过程中累积的辐射也引起了人们对潜在健康危害的关注。降低x射线管电流或电压可以减少辐射剂量，但这也会大大降低ct图像的质量，影响诊断工作。

2、目前，低剂量ct(ldct)在临床上被成功用于肺癌筛查。由于结节与周围空气和肺部稀疏结构之间的天然高对比度，可以轻松检测出肺部结节。此外，最近的研究表明，ldct肺癌筛查具有显著的优势。例如，美国的nlst(national lung screening trial)研究试验表明，与胸片筛查相比，ldct能更早地发现13％的肺癌，并将5年肺癌相关死亡率降低20％。同样，荷兰和比利时的nederlands-leuvens longkanker screenings onderzoek的研究试验表明，ldct筛查可将肺癌的5年死亡率降低高达25％。

3、基于这些令人鼓舞的发现，目前，对于肺癌高危人本文档来自技高网...

【技术保护点】

1.一种基于结构非对齐配对数据集的深度学习CT图像去噪方法，其特征在于：具体步骤如下：

2.根据权利要求1所述的基于结构非对齐配对数据集的深度学习CT图像去噪方法，其特征在于：步骤S01中：

3.根据权利要求2所述的基于结构非对齐配对数据集的深度学习CT图像去噪方法，其特征在于：所述收缩路径部分，下采样操作一共经过四次2×2的最大池化下采样，并将每次下采样前的特征通过所述注意力模块的跳跃连接部分拼接到相应的所述扩张路径部分，进行特征的融合；卷积块部分则是采用了残差卷积块的结构，且每次卷积只改变相应的特征通道数，相应的在扩张路径部分则进行了四次上采样，对特征图的大小...

【技术特征摘要】

1.一种基于结构非对齐配对数据集的深度学习ct图像去噪方法，其特征在于：具体步骤如下：

2.根据权利要求1所述的基于结构非对齐配对数据集的深度学习ct图像去噪方法，其特征在于：步骤s01中：

3.根据权利要求2所述的基于结构非对齐配对数据集的深度学习ct图像去噪方法，其特征在于：所述收缩路径部分，下采样操作一共经过四次2×2的最大池化下采样，并将每次下采样前的特征通过所述注意力模块的跳跃连接部分拼接到相应的所述扩张路径部分，进行特征的融合；卷积块部分则是采用了残差卷积块的结构，且每次卷积只改变相应的特征通道数，相应的在扩张路径部分则进行了四次上采样，对特征图的大小进行改变，上采样采用双线性插值。

4.根据权利要求2所述的基于结构非对齐配对数据集的深度学习ct图像去噪方法，其特征在于：所述注意力模块采用了通道注意力机制和空间注意力机制的结合，输入数据依次通过通道注意力和空间注意力，获得丰富的空间信息，得到输出结果。

5.根据权利要求4所述的基于结构非对齐配对数据集的深度学习ct图像去噪方法，其特征在于：所述通道注意力的具体操作为：通过使用全局平均池化和全局最大池化操作来聚合输入特征图的不同空间信息，生成两个空间上...

【专利技术属性】
技术研发人员：刘周，胡瑞豹，杨倩，谢永生，操睿，胡战利，罗德红，
申请(专利权)人：中国医学科学院肿瘤医院深圳医院，
类型：发明
国别省市：