一种基于区别性字典的低剂量CT图像处理方法技术

本发明专利技术公开了一种基于区别性字典的低剂量CT图像处理方法，首先使用静态小波变换对待处理的低剂量CT图像进行单层分解，然后对水平、垂直和对角方向的高频细节图像分别进行对应的区别性字典表达并去伪影，从而达到抑制星条状伪影在不同方向的高频细节图像中的信息强度；之后根据处理后的水平、垂直和对角方向的高频细节图像以及原来的低频图像进行逆静态小波变换来重建得到伪影抑制后的CT图像；最后利用现有的传统基于字典学习的稀疏表达方法对图像进行进一步处理，以去除残留的伪影和噪声。本发明专利技术可以有效抑制低剂量CT图像内的星条状伪影和噪声，提高低剂量CT图像质量，使其满足临床诊断的质量要求。

【技术实现步骤摘要】
一种基于区别性字典的低剂量CT图像处理方法
本专利技术涉及一种低剂量CT图像处理方法，尤其涉及一种基于区别性字典的低剂量CT图像处理方法，属于计算机断层显像

技术介绍
作为目前一种常规有效的临床医学诊断工具，X射线计算机断层成像(X-rayComputerizedTomography,CT)能够在毫米尺度上清晰的获得人体不同组织对于X射线的衰减信息，从而为临床医生的诊断和预防提供丰富的三维人体器官组织信息。今天，作为一种成熟的和在临床上普遍认可的检查方法，CT已经成为放射诊断领域内不可缺少的主要工具之一。然而，随着CT断层扫描在临床诊断尤其是常规检查中的普及，CT扫描中的辐射剂量问题已经引起了人们越来越多的关注，大量的临床研究表明超过正常范围的CT辐射剂量易诱发人体新陈代谢异常乃至癌症等疾病。然而，在目前的CT设备中，往往通过调节管电流和电压以减少CT扫描剂量，这样将增加重建图像的块状噪声和具有方向性的星条状伪影，降低CT重建的质量，从而影响临床医生对异常组织的确诊率。当前提高低剂量CT图像质量的方法主要分为基于投影空间数据的和基于图像空间数据的两大类，基于投影空间数据的方法主要通过CT投影数据的恢复去噪来为重建提供噪声更少的投影数据，以提高低剂量条件下的图像重建质量，例如当前在临床CT重建中普遍使用的滤波反投影(FilteredBackprojection，FBP)算法，就是通过内置的频域滤波处理来抑制伪影和噪声，还有一些学者提出在投影空间建立数据模型并基于此建立恢复算法来抑制低剂量条件下CT投影数据中的噪声。此类方法的研究由于受到商用CT投影数据无法获得的限制，现实中难以得到广泛应用。另一类方法是直接通过图像空间处理技术来提高已重建的低剂量图像质量，具有不依赖原始投影数据和处理速度快的优点，通常使用非线性的处理方法进行保持图像边缘信息的去噪处理，如各向异性滤波器(nonlinearoranisotropicfilter)或者小波(wavelet)的方法，然而此类非线性方主要基于图像的局部信息，难以得到良好的处理效果，例如，无法有效抑制低剂量CT图像中的块状噪声和星条状伪影，还会在处理中产生新的伪影。最近提出的基于字典学习的稀疏表示(SparseandRedundantRepresentationsoverLearndDictionaries)图像去噪算法属于第二类方法。这种方法先将目标图像拆分成很多小的图块，然后对每个图块进行编码，令其用一个过完备字典中的很少的几个块通过线性组合进行表示。在这一过程中，通过控制参数，可以使正常结构得到表示，而伪影噪声得不到较好的表示，从而达到去噪目的。最后将这些图块重新叠加平均，进一步增加去噪效果。这种方法首先寻找最佳的全局过完备字典，并将每个原图块表示为字典中向量(原子)的线性组合。线性组合中的系数可以通过稀疏编码过程来计算。基于字典学习的稀疏表示方法目标为解决如下问题：其中x和y分别表示m像素的待处理图像和原始低剂量CT图像；下标ij指示了图像中的像素索引(i,j)；Rij表示从图像x中提取大小为n×n(中心在(i,j))的图块xij的算符；字典D是一个n×K的矩阵，由K个n维向量原子(列向量)组成。每个n维列向量对应一个n×n图块；α表示所有块的稀疏表示的系数集合{αij}ij，每一个图块xij都可以由线性组合Dαij来近似表示；||αij||0表示l0范数，用来计算向量αij中的非零项数目；T是预设的稀疏程度参数，用来限制αij中非零项的个数。解决(1)中的问题包含下面(2)和(3)两个子问题：其中，(2)的目的是从一系列图块中训练出稀疏系数α和字典D，该问题可以将x用已知图像y来替换，利用K均值奇异值分解(K-SVD)来解决。起始于一个初始字典(例如DCT字典)，K-SVD方法通过交替进行两个步骤来估算α和字典D：基于正交匹配变换算法(OMP)的稀疏编码步骤和基于SVD分解的字典更新步骤。之后通过获得的字典D和系数α，通过求(3)的一阶导数得到输出图像x:其中I为单位矩阵，μ为权重系数。基于字典学习的稀疏表示方法已经被证明其在低剂量腹部CT图像中的处理效果，在管电流降低到原来五分之一的条件下的腹部CT图像处理中依然能够获得较好的图像恢复效果，考虑到剂量和管电流的线性关系，基于字典学习的稀疏表示方法能够使病人在腹部扫描中把所受剂量降低到原来的五分之一。然而此种方法具有一定的局限性，容易把低剂量条件下CT图像中的星条状伪影当做图像中的信息，从而无法有效的抑制CT图像中在低剂量扫描条件下易出现的星条状伪影，这些星条状伪影的产生是由于人体组织对某些角度的X射线投影有较大的衰减，一般出现在高密度(如骨骼)较多的部位的CT扫描图像中，如肩部、胸部和脊椎等部位。在管电流或者电压降低的低剂量条件下，由于X射线的穿透性和能量的下降，星条状伪影将更加严重。
技术实现思路
专利技术目的：本专利技术所要解决的技术问题是克服现有低剂量CT图像处理方法存在的不能有效抑制低剂量条件下CT图像中的星条状伪影的问题，提供一种能够有效抑制星条状伪影的低剂量CT图像处理方法，称为伪影抑制字典学习方法(ArtifactSuppressedDictionaryLearning,ASDL)。本专利技术在基于字典学习的稀疏表示方法上进行了改进，提出了区别性字典的概念。区别性字典中包含伪影原子与特征原子，用区别性字典对低剂量图像进行表达时，图像中的伪影成分大部分被伪影原子所表达，而图像中的正常组织结构成分则大部分被特征原子所表达。之后将表达后的图像中伪影原子表达的部分进行人为去除，达到消除图像伪影的目的。技术方案：一种基于区别性字典的低剂量CT图像处理方法，包括以下步骤：步骤1、使用静态小波变换对若干低剂量和高剂量CT图像fT做单层的分解，分别得到分解后的水平、垂直和对角方向的高频细节图像以及低频图像之后分别对训练集图像库中的低剂量和高剂量的高频细节图像进行字典学习，得到三个区别性字典和(该步骤只需进行一次即可，训练好的字典可以在以后去伪影中反复使用)；步骤2、使用静态小波变换对若待处理的低剂量CT图像f做单层的分解，分别得到分解后的水平、垂直和对角方向的高频细节图像fchd、fcvd、fcdd以及低频图像fca，对水平、垂直和对角方向的高频细节图像fchd、fcvd、fcdd分别用对应的区别性字典和本文档来自技高网...

【技术保护点】
一种基于区别性字典的低剂量CT图像处理方法，其特征在于，包括以下步骤：步骤1、使用静态小波变换对待处理的低剂量CT图像f做单层的分解，分别得到分解后的水平、垂直和对角方向的高频细节图像fchd、fcvd、fcdd以及低频图像fca；步骤2、对水平、垂直和对角方向的高频细节图像fchd、fcvd、fcdd分别用对应的区别性字典进行表示，之后将对应区别性字典中伪影原子表达的部分进行去除，得到处理后的水平、垂直和对角方向的高频细节图像步骤3、对处理后的水平、垂直和对角方向的高频细节图像以及原来的低频图像fca进行逆静态小波变换重建，得到伪影抑制的CT图像FDA0000382780940000011.jpg,FDA0000382780940000012.jpg,FDA0000382780940000013.jpg

【技术特征摘要】
1.一种基于区别性字典的低剂量CT图像处理方法，其特征在于，包括以下步骤：步骤1、使用静态小波变换对待处理的低剂量CT图像f做单层的分解，分别得到分解后的水平、垂直和对角方向的高频细节图像fchd、fcvd、fcdd以及低频图像fca；之后分别对训练集图像库中的低剂量和高剂量的高频细节图像进行字典学习，得到三个区别性字典和具体的，使用Haar小波的高频和低频滤波器，沿低剂量CT图像fTL的水平和垂直方向分别进行高频和低频滤波，对得到的图像取原图像大小的中间区域，得到水平方向的高频细节图像沿图像fTL的垂直和水平方向分别做高频和低频滤波，对得到的图像取原图像大小的中间区域，得到垂直方向的高频细节图像沿图像fTL的垂直和水平方向分别做高频滤波，对得到的图像取原图像大小的中间区域，得到对角方向的高频细节图像人工提取中平坦区域的伪影图块，并利用K-SVD算法进行字典训练，得到对应于水平、垂直和对角细节的三个伪影字典和对高剂量图像fTH同样进行小波分解，得到水平、垂直和对角细节图像直接对其进行K-SVD字典训练，得到对应于水平、垂直和对角细节的三个特征字典和将两种字典进行合并，得到水平、垂直和对角细节的三个区别性字典和步骤2、对水平、垂直和对角方向的高频细节图像fchd、fcvd、fcdd分别用对应的区别性字典进行表示，之后将对应区别性字典中伪影原子表达的部分进行去除，得到处理后的水平、垂直和对角方向的高频细节图像具体的，对于水平细节图像fchd，代入下面(1)式的f，其中，下标ij指示了图像中的像素索引(i,j)；Rij表示从图像x中提取大小为n×n中心在(i,j)的图块xij的算符；字典D是一个n×K的矩阵，由K个n维向量原子组成；每个n维列向量对应一个n×n图块；α表示所有块的稀疏表示的系数集合{αij}ij，每一个图块xij由线性组合Dαij来近似表示；||αij||0表示l0范数，用来计算向量αij中的非零项数目；将字典带入(1)式中的D，利用OMP算法求(1)式得稀疏系数α，之后将稀疏系数中对应区别性字典前M列的伪影原子的系数置为零，即将α中前M行置为零，得到处理后的系数αp，再将αp与fc...

【专利技术属性】
技术研发人员：陈阳，石路遥，罗立民，李松毅，鲍旭东，
申请(专利权)人：东南大学，
类型：发明
国别省市：