[發(fā)明專利]一種基于圖像增強(qiáng)和擴(kuò)散模型的低劑量CT圖像降噪方法

有效

• 申請?zhí)枺?/td>: 202211070585.5
• 申請日: 2022-09-02
• 公開（公告）號(hào): CN115409733B
• 公開（公告）日: 2023-06-02
• 發(fā)明（設(shè)計(jì)）人: 蹇木偉;于小洋;靳悅;王芮
• 申請（專利權(quán)）人: 山東財(cái)經(jīng)大學(xué);山東九德智能科技有限公司
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06N3/0464;G06N3/08;G06N20/00
• 代理公司: 濟(jì)南泉城專利商標(biāo)事務(wù)所 37218
• 代理人: 張貴賓

1.一種基于圖像增強(qiáng)和擴(kuò)散模型的低劑量CT圖像降噪方法，其特征在于,具體包括以下步驟：

S1：構(gòu)建低劑量CT圖像樣本集?，其中為低劑量CT圖像，為普通劑量CT圖像，對進(jìn)行多步處理以達(dá)到的成像水平；

S2：將通過濾波器，得到輸出；

S3：對進(jìn)行CT圖像特征增強(qiáng)，通過局部注意力模塊，在圖像空間域應(yīng)用滑動(dòng)窗口計(jì)算注意力，在特征空間域應(yīng)用聚類計(jì)算注意力，最終得到輸出；

具體包括以下步驟：

S3-1：利用公開的預(yù)訓(xùn)練模型ViT中線性嵌入層的操作,對進(jìn)行變換得到該模塊的輸入；

(2)

其中，為線性嵌入層操作，該操作將每個(gè)二維圖像塊展平為一維向量嵌入然后將其線性投影到所需的輸入維度中；

S3-2：通過局部注意力機(jī)制模塊，：

(3)

其中，表示第一階段局部注意力機(jī)制模塊；

步驟S3-2具體包括以下步驟：

S3-2-1：通過正則化層與公開的預(yù)訓(xùn)練模型Swin?Transformer中圖像空間局部注意力模塊后在圖像空間域進(jìn)行特征增強(qiáng)得到；

(4)

其中是圖像空間局部注意力模塊，是正則化層，過程采用了開源的Python機(jī)器學(xué)習(xí)庫torch.nn中的LayerNorm函數(shù)，后續(xù)提及的正則化層均為當(dāng)前正則化層的相同操作；

S3-2-2：先后通過正則化層和公開的預(yù)訓(xùn)練模型BOAT中圖像特征空間局部注意力模塊中，得到；

(5)

其中，表示圖像特征空間局部注意力模塊；

S3-2-3：通過正則化層和全連接層后得到第一階段局部注意力模塊的輸出，此過程包含殘差快速鏈接；

(6)

其中，表示全連接層；

S3-3：依次輸入到，，中，共計(jì)4階段，并在相鄰局部注意力機(jī)制模塊中間插入一次卷積層作為特征融合，共計(jì)3次，最終得到輸出；

?(7)

?(8)

?(9)

其中，表示開源的Python機(jī)器學(xué)習(xí)庫torch.nn中的Conv2d函數(shù)，卷積核為3×3大小，步長為2；

S4：通過殘差卷積模塊對圖像進(jìn)行降噪重建，輸出圖像；對經(jīng)過紋理增強(qiáng)后的圖像進(jìn)行降噪可以在獲得降噪效果的同時(shí)不丟失紋理細(xì)節(jié)；

S5：將輸入到公開的深度生成模型擴(kuò)散去噪模型DDPM中，模型分為擴(kuò)散過程和逆擴(kuò)散過程兩個(gè)階段，在擴(kuò)散階段，通過不斷對添加高斯噪聲，將原始數(shù)據(jù)分布變?yōu)檎龖B(tài)分布；在逆擴(kuò)散階段，使用參數(shù)化的U-Net神經(jīng)網(wǎng)絡(luò)將從正態(tài)分布恢復(fù)到原始數(shù)據(jù)分布。

2.根據(jù)權(quán)利要求1所述的一種基于圖像增強(qiáng)和擴(kuò)散模型的低劑量CT圖像降噪方法,其特征在于,所述步驟S2具體包括以下步驟：

S2-1：將兩種類型包括垂直、水平方向的算子定義為一組，與進(jìn)行卷積運(yùn)算，獲得一組特征圖，以提取邊緣信息；

S2-2：將上一步輸出的特征圖與在通道維度上疊加，得到該模塊的最終輸出；

(1)

其中，表示利用算子進(jìn)行卷積運(yùn)算。

3.根據(jù)權(quán)利要求1所述的一種基于圖像增強(qiáng)和擴(kuò)散模型的低劑量CT圖像降噪方法,其特征在于,所述步驟S4具體包括以下步驟：

S4-1：對變形為特征圖，輸送到包含兩個(gè)卷積層和一個(gè)激活層的ResNet模塊中得到輸出；

(10)

S4-2：類似地，通過另一個(gè)相同的模塊后得到輸出；

?(11)

其中，表示torch.nn中的Conv2d函數(shù)，卷積核為3×3大小，步長為1,表示torch.nn中的ReLU函數(shù)，變形操作采用了開源的數(shù)值計(jì)算擴(kuò)展庫Numpy中的reshape函數(shù)。

4.根據(jù)權(quán)利要求1所述的一種基于圖像增強(qiáng)和擴(kuò)散模型的低劑量CT圖像降噪方法,其特征在于,所述步驟S5具體包括以下步驟：

S5-1：執(zhí)行擴(kuò)散過程，在擴(kuò)散過程方差設(shè)置為從到線性增加的常數(shù)，設(shè)置為1000，直到圖像信號(hào)被完全破壞，通過馬爾可夫過程的特性可以推導(dǎo)出任意時(shí)間步的解析式：

(12)

其中，，，為某一時(shí)刻t的加噪聲圖像，是和等維度的隱變量；

S5-2：執(zhí)行逆擴(kuò)散過程，該過程使用參數(shù)化的神經(jīng)網(wǎng)絡(luò)來建模,?公式表達(dá)如下：

(13)

其中，表示為到過程的噪聲分布預(yù)測，遵從?的分布，表示U-Net神經(jīng)網(wǎng)絡(luò)中的可訓(xùn)練參數(shù)。