[發明專利]一種基于卷積神經網絡的低劑量CT圖像分解方法有效
| 申請號： | 201810706749.6 | 申請日： | 2018-06-28 |
| 公開（公告）號： | CN108961237B | 公開（公告）日： | 2020-08-21 |
| 發明（設計）人： | 亢艷芹;劉進;劉濤;章平;朱巾亭;張凱杰 | 申請（專利權）人： | 安徽工程大學 |
| 主分類號： | G06T7/00 | 分類號： | G06T7/00;G06T5/00;G06T11/00 |
| 代理公司： | 安徽知問律師事務所 34134 | 代理人： | 吳雪健;劉佳偉 |
| 地址： | 241000 安*** | 國省代碼： | 安徽;34 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 卷積 神經網絡 劑量 ct 圖像 分解 方法 | ||
1.一種基于卷積神經網絡的低劑量CT圖像分解方法，其特征在于，包括以下步驟：
步驟1、分別獲得若干組匹配的低劑量CT投影數據和常規劑量的CT投影數據，并分別重建出相應的訓練圖像：低劑量CT圖像和常規劑量CT圖像將低劑量CT圖像和常規劑量CT圖像相減以獲得噪聲偽影圖像
步驟1中，低劑量CT圖像是通過解析的FBP重建算法獲得，常規劑量CT圖像是通過迭代的TV重建算法獲得；
步驟2、構建低劑量CT圖像與噪聲偽影圖像Ns之間的映射卷積神經網絡；
步驟2中，卷積神經網絡包含以下三種卷積模塊：CBR模塊、分支模塊和殘差模塊；
CBR模塊為卷積、尺度變換和ReLU激活函數操作的組合；分支模塊是兩個并聯的分支之和，第一個分支為兩個卷積操作，第二個分支為卷積、尺度變換和ReLU激活函數操作的組合；殘差模塊為兩個串聯的尺度變換、ReLU激活函數和卷積操作，與一個卷積操作之和；
步驟3、使用一定量低劑量CT圖像與相應的噪聲偽影圖像Ns對已構建好的卷積神經網絡進行訓練；
步驟3中，將低劑量CT圖像輸入卷積神經網絡中，輸出噪聲偽影預測圖像通過訓練來更新卷積神經網絡中的參數，以降低卷積神經網絡輸出的噪聲偽影預測圖像與實際相應的噪聲偽影圖像Ns的均方誤差，當訓練周期前后的均方誤差變化小于0.1％時，訓練結束；
步驟4、利用訓練好的卷積神經網絡處理選定的低劑量CT圖像實現選定的低劑量CT圖像中解剖結構成分與噪聲偽影結構成分的分解；
步驟4中，將選定的低劑量CT圖像輸入訓練完成的卷積神經網絡中，得到基于該選定的低劑量CT圖像的噪聲偽影預測圖像和解剖結構成分圖像Vtp。
2.根據權利要求1所述的基于卷積神經網絡的低劑量CT圖像分解方法，其特征在于，步驟4中，解剖結構成分圖像Vtp表示為：
其中，為選定的低劑量CT圖像，為基于以上選定的低劑量CT圖像的噪聲偽影預測圖像。
3.根據權利要求1或2所述的基于卷積神經網絡的低劑量CT圖像分解方法，其特征在于，步驟3中，對卷積神經網絡進行訓練的訓練樣本是低劑量CT圖像的圖像塊集標簽為實際相應的噪聲偽影圖像Ns的圖像塊集
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于安徽工程大學，未經安徽工程大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810706749.6/1.html，轉載請聲明來源鉆瓜專利網。
