[發明專利]一種低劑量CT圖像降噪方法

有效

• 申請號: 202010863754.5
• 申請日: 2020-08-25
• 公開（公告）號: CN111968058B
• 公開（公告）日: 2023-08-04
• 發明（設計）人: 金一;梁騰飛;李晨寧;李浥東;王濤
• 申請（專利權）人: 北京交通大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/13;G06V10/80;G06N3/0464;G06N3/084
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 姜威

1.一種低劑量CT圖像降噪方法，其特征在于，包括：

獲取訓練數據集，所述訓練數據集包括多組成對的低劑量CT圖像和高劑量CT圖像，所述的高劑量CT圖像作為降噪方法的目標圖像；

建立降噪網絡模型，所述降噪網絡模型包括依次連接的自適應邊緣特征提取模塊、第一融合層、卷積模塊，所述的自適應邊緣特征提取模塊用于對輸入的訓練數據集中低劑量CT圖像進行邊緣特征的提取，所述的第一融合層用于對自適應邊緣特征提取模塊的輸出信號和輸入信號進行融合，所述的卷積模塊包括多層卷積層構成的編碼器和多層反卷積層構成的解碼器以及第二融合層，所述編碼器對第一融合層的輸出信號進行編碼，所述第二融合層用于使用跳躍的方式將解碼器的反卷積層的特征圖與其在編碼器中對稱的卷積層的特征圖進行融合，最終通過解碼器輸出降噪后的特征圖；所述的第二融合層用于使用跳躍的方式將解碼器的反卷積層的特征圖與其在編碼器中對稱的卷積層的特征圖進行融合包括：第二融合層用于使用跳躍的方式將解碼器的反卷積層與其在編碼器中對稱的卷積層分別定義了對應的可學習的一維的權重參數向量，向量的長度和待融合的特征圖的通道數一致，在融合的過程中對應通道進行softmax運算，將數值轉化為0和1之間的比率表示，然后對應通道相乘再相加，得到融合之后的特征圖；

利用所述的訓練數據集對所述的降噪網絡模型進行訓練，得到訓練好的降噪網絡模型；具體包括：

采用均方誤差損失和感知損失的復合損失函數計算降噪圖像和目標圖像之間的損失，使用損失進行反向傳播，更新降噪網絡模型，重復更新直至達到設定的迭代輪數；所述的采用均方誤差損失和感知損失的復合損失函數計算降噪圖像和目標圖像之間的損失，具體包括：選取一個已經訓練好的圖像分類的模型φ，使用圖像分類的模型前面的卷積層結構，并加載該圖像分類模型的模型權重，將降噪的輸出結果和目標圖像都通過這個模型，得到輸出的特征圖，之后在特征空間再進行均方誤差損失的計算如下式(3)所示，得到感知損失值；進而使用設置好的超參數w_p，根據上式(1)計算得到最終的復合損失值：

Loss＝MSELoss+w_p*Perceptual?Loss????(1)

其中，(2)為均方誤差損失函數，(3)為感知損失函數；

對所述訓練好的降噪網絡模型進行測試，得到測試好的降噪網絡模型；

采用測試好的降噪網絡模型對低劑量CT圖像降噪。

2.根據權利要求1所述的方法，其特征在于，所述的自適應邊緣特征提取模塊包括可訓練的Sobel算子，可訓練的Sobel算子為固定數值的Sobel算子增加了一個可學習參數α作為可訓練的Sobel算子的權重，在前向傳播計算損失的過程中計算梯度，并在反向傳播的利用優化算法結合計算的梯度進行可學習參數α的更新操作，實現自適應的調整過程，在使用的過程中成組的使用X軸方向、Y軸方向和兩個對角線方向。

3.根據權利要求1所述的方法，其特征在于，所述的自適應邊緣特征提取模塊用于對輸入的訓練數據集中低劑量CT圖像進行邊緣特征的提取，所述的第一融合層用于對自適應邊緣特征提取模塊的輸出信號和輸入信號進行融合，包括：使用一定數量的可訓練的Sobel算子作為卷積核的權重，進行卷積操作，得到一組提取邊緣信息的特征圖，之后通過第一融合層將所述特征圖和輸入的低劑量CT圖像在通道維度堆疊在一起，然后通過使用1x1的普通卷積操作，將跨通道的信息聯系在一起得到融合后的特征圖。

4.根據權利要求1所述的方法，其特征在于，所述的對所述訓練好的降噪網絡模型進行測試，得到測試好的降噪網絡模型，包括：加載測試集的數據至訓練好的模型，計算評估指標，降噪網絡模型的性能是否滿足預期要求，若不滿足，則重新回到訓練環節，進行進一步的調整訓練參數，若滿足評估指標，則保存模型參數，并將對應該參數的降噪網絡模型作為測試好的降噪網絡模型。

5.根據權利要求1所述的方法，其特征在于，所述的獲取訓練數據集之后還需要對低劑量CT圖像和高劑量CT圖像進行預處理。

6.根據權利要求1所述的方法，其特征在于，所述的所述第二融合層用于使用跳躍的方式將解碼器的反卷積層的特征圖與其在編碼器中對稱的卷積層的特征圖進行融合，包括：所述第二融合層具體用于將第五卷積層與第一反卷積層融合輸入至第二反卷積層；第三卷積層和第三反卷積層融合輸入至第四反卷積層；卷積模塊的輸入和第五反卷積層的輸出融合。