[發明專利]基于GAN的多模態低劑量CT轉換高劑量CT的方法

有效

• 申請號: 201910832520.1
• 申請日: 2019-09-04
• 公開（公告）號: CN110559009B
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 蘇琬棋;瞿毅力;鄧楚富;王瑩;陳志廣;盧宇彤
• 申請（專利權）人: 中山大學
• 主分類號: A61B6/03
• 分類號: A61B6/03
• 代理公司: 湖南兆弘專利事務所(普通合伙) 43008
• 代理人: 譚武藝

本發明公開了一種基于GAN的多模態低劑量CT轉換高劑量CT的方法、系統及介質，本發明步驟包括輸入任意模態的低劑量CT；對低劑量CT進行二維離散小波變換得到多個分解結果；將低劑量CT及其多個分解結果輸入訓練好的GAN網絡中的編碼器進行編碼，再通過GAN網絡中的解碼器對編碼結果解碼得到對應的高劑量模態圖像。本發明基于GAN在多域轉換的廣泛發展以及傳統小波變換的分解能力，將低劑量CT及其小波變換結果一起輸入訓練好的GAN網絡中的編碼器進行編碼再通過GAN網絡中的解碼器對編碼結果解碼得到對應的高劑量模態圖像，能便利的實現任意模態的低劑量CT圖轉換生成高劑量CT圖。

技術領域

本發明涉及醫學圖像處理領域，具體涉及一種基于GAN(生成對抗網絡)的多模態低劑量CT轉換高劑量CT的方法、系統及介質，用于根據任意模態的低劑量CT通過生成對抗網絡轉換生成高劑量CT。

背景技術

作為現代主流醫學影像之一，電子計算機斷層掃描(Computed tomography，CT)這一檢測方法已被廣泛應用于各個臨床領域中的臨床診斷。隨著CT掃描的普及與發展，越來越多的人開始關注CT掃描對人體可能產生的輻射危害。CT掃描一般伴隨著較高程度的x射線輻射，醫學研究表明，接受過量x光照射可能誘發新陳代謝異常或癌癥、白血病或其他遺傳性疾病。研究人員希望減少x射線劑量以降低患者的風險。降低輻射劑量最常見的方法是通過減小工作電流和縮短x射線管的暴露時間來降低x射線通量。一般情況下，x射線通量越弱，重建的CT噪聲越大，會降低信噪比，影響診斷性能。因此，在降低劑量的同時，獲得可用于臨床診斷的高質量圖像已經成為近年CT領域研究的重點方向。為了解決這一固有的物理問題，過去設計了許多方法來提高低劑量CT(Low-Dose CT，LDCT)的圖像質量，傳統的方法有基于模型的迭代重建、重建前的濾波及重建后的圖像后處理，重建前的處理技術是特定于掃描儀的，且商用掃描儀的數據并不容易提供給研究者，而重建后的處理技術無法準確地確定圖像域中的噪聲分布，使得算法無法在結構保存和噪聲降噪之間取得最佳的權衡。

近年，隨著深度學習在圖像處理領域的發展，開始有研究利用深度學習技術解決LDCT問題，而生成對抗網絡更是被廣泛應用于圖像轉換與圖像生成。生成對抗網絡(GAN)是一種可以接受無監督訓練也可以接受有監督訓練的靈活的深度神經網絡。生成對抗網絡一般包括一個生成器和一個鑒別器，生成器可以通過接受隨機輸入生成逼真的圖像，鑒別器通過學習真實圖像和生成圖像來對兩者進行區分并以此指導生成器生成更加逼真的圖像。另外，還有一些研究將傳統數字圖像處理中常用的圖像去噪方法——小波變換與深度學習技術結合，應用到LDCT處理中。有研究利用小波變換對CT進行多尺度分解，得到圖像的尺度信息和方向信息，然后將分解結果利用卷積神經網絡(CNN)去噪，最后將去噪后的分解結果用小波變換重建得到去噪的CT。綜上所述，當前的LDCT問題研究基本都是將固定的低劑量水平轉換為高劑量水平的二域轉換，但是如何實現由多個低劑量水平轉換為高劑量水平的多域轉換，則仍然是一項亟待解決的關鍵技術問題。

發明內容

本發明要解決的技術問題：針對現有技術的上述問題，提供一種基于GAN(生成對抗網絡)的多模態低劑量CT轉換高劑量CT的方法、系統及介質，本發明基于GAN在多域轉換的廣泛發展以及傳統小波變換的分解能力，將低劑量CT及其小波變換結果一起輸入訓練好的GAN網絡中的編碼器進行編碼再通過GAN網絡中的解碼器對編碼結果解碼得到對應的高劑量模態圖像，能便利的實現任意模態的低劑量CT圖轉換生成高劑量CT圖。

為了解決上述技術問題，本發明采用的技術方案為：

一種基于GAN的多模態低劑量CT轉換高劑量CT的方法，實施步驟包括：

1)輸入任意模態的低劑量CT；

2)對低劑量CT進行二維離散小波變換得到多個分解結果；

3)將低劑量CT及其多個分解結果輸入訓練好的GAN網絡中的編碼器進行編碼，再通過GAN網絡中的解碼器對編碼結果解碼得到對應的高劑量模態圖像。