[發(fā)明專利]一種基于雙域U-net判別器的生成對抗低劑量CT去噪方法

有效

• 申請?zhí)枺?/td>: 202110657818.0
• 申請日: 2021-06-15
• 公開（公告）號: CN113538257B
• 公開（公告）日: 2022-07-22
• 發(fā)明（設計）人: 單洪明;黃智忠;張軍平
• 申請（專利權）人: 復旦大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T11/00;G06K9/62;G06N3/04;G06N3/08;G06V10/764;G06V10/82
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;陸尤

本發(fā)明屬于醫(yī)學影像分析技術領域，具體為一種基于雙域U?net判別器的生成對抗低劑量CT去噪方法。本發(fā)明以U?Net判別器來學習正常劑量圖像和生成圖像在圖像域和生成域之間的全局和局部差異；該判別器通過全局輸出向去噪網(wǎng)絡提供逐像素反饋，通過中間層在語義層面使去噪網(wǎng)絡關注全局結構；圖像梯度域中應用該判別器，以減輕低劑量CT中的偽影，增強去噪CT圖像的邊緣；使用CutMix技術使判別器逐像素輸出，為放射科醫(yī)生提供置信度圖，以避免可視化去噪結果的不確定性，促進低劑量CT的篩查和診斷；本發(fā)明可有效提高去噪低劑量CT的質量，使生成的圖像清晰度更高，具有更豐富的邊緣并減小偽影的影響，提高醫(yī)學影像分析過程中的準確度。

技術領域

本發(fā)明屬于醫(yī)學影像分析技術領域，具體涉及一種低劑量CT去噪方法。

背景技術

由于CT相關X射線輻射對患者的潛在健康風險，低劑量計算機斷層掃描在醫(yī)學成像領域引起了廣泛關注。然而，減少輻射劑量會降低重建圖像的質量，從而影響診斷性能。在過去幾年中，各種深度學習技術，特別是生成對抗網(wǎng)絡(GAN)被引入，通過去噪來提高低劑量CT圖像的圖像質量，取得了優(yōu)于傳統(tǒng)方法的令人印象深刻的結果。基于GAN的去噪方法通常利用額外的分類網(wǎng)絡，即鑒別器，來學習去噪和正常劑量圖像之間最具辨別力的差異，從而相應地對去噪模型進行正則化；然而這些方法通常只側重于全局結構或局部細節(jié)。

根據(jù)目前的文獻，低劑量CT的去噪算法可以歸納為三類：1)正弦圖濾波；2)迭代重建；3)圖像后處理。低劑量CT與正常劑量CT的顯著區(qū)別在于低劑量CT從掃描儀獲取噪聲正弦圖數(shù)據(jù)。一個直接的解決方案是在圖像重建之前對正弦圖數(shù)據(jù)進行去噪處理，即基于正弦圖過濾的方法[1][2][3]。迭代重建方法結合了sinogram域中原始數(shù)據(jù)的統(tǒng)計[4]和圖像域中的先驗信息，如全變分[5]和字典學習[6]；這些通用信息可以有效地集成到最大似然和壓縮感知框架中。然而，這兩種方法需要訪問商業(yè)CT掃描儀通常無法提供的原始數(shù)據(jù)。

深度學習技術的飛速發(fā)展推動了醫(yī)學分類、分割、重建、放療等諸多醫(yī)學應用.在低劑量CT去噪方面，基于深度學習的模型取得了驕人的成績[7][8][9][10][11][16][18]。設計基于深度學習的去噪模型有兩個關鍵組成部分：網(wǎng)絡架構和損失函數(shù)；前一個決定去噪模型的能力，而后一個控制去噪圖像的視覺效果。雖然文獻已經提出了幾種不同的低劑量CT去噪網(wǎng)絡架構，例如2D CNN[7]、3D CNN[8][9]、RED-CNN[18]和級聯(lián)CNN[11]，文獻[8]表明損失函數(shù)比網(wǎng)絡架構起著更重要的作用，因為它直接影響圖像質量。最簡單的損失函數(shù)是均方誤差，然而它已被證明與人類對圖像質量的感知相關性很差[12][13]。鑒于這一觀察結果，已經研究了用于低劑量CT去噪的替代損失函數(shù)，例如感知損失、l₁損失、對抗性損失或混合損失函數(shù)。其中，對抗性損失已被證明是一種強大的損失，因為它可以在訓練期間動態(tài)測量去噪圖像和正常劑量圖像之間的相似性，這使得去噪圖像能夠保留更多來自正常劑量圖像的紋理信息。對抗性損失反映了全局或局部相似性，這取決于鑒別器的設計。與前兩類不同，圖像后處理方法直接對去除患者隱私后公開可用的重建圖像進行操作。然而，諸如非局部均值[14]和塊匹配[15]等傳統(tǒng)方法會導致一些關鍵結構細節(jié)的丟失，并導致去噪低劑量CT圖像過度平滑。

與傳統(tǒng)的對抗性損失不同，本發(fā)明使用的對抗性損失是基于U-Net的鑒別器，它可以同時表征去噪和正常劑量圖像之間的全局和局部差異，更好地規(guī)范去噪模型。除了圖像域中的對抗性損失，本文提出的圖像梯度域中的對抗性損失可以條紋偽影，增強去噪圖像的邊緣。

發(fā)明內容

本發(fā)明的目的在于提出一種能夠有效提高去噪低劑量CT的質量，從而提高醫(yī)學影像分析準確度的低劑量CT去噪方法。