[发明专利]一种基于卷积神经网络的低剂量CT图像分解方法

说明书

本发明公开了一种基于卷积神经网络的低剂量CT图像分解方法，属于X射线计算机断层成像技术领域。本发明包括以下步骤：步骤1、分别重建出训练图像：低剂量CT图像和常规剂量CT图像将低剂量CT图像和常规剂量CT图像相减以获得噪声伪影图像步骤2、构建低剂量CT图像与噪声伪影图像N_s之间的映射卷积神经网络；步骤3、使用一定量低剂量CT图像与相应的噪声伪影图像N_s对己构建好的卷积神经网络进行训练；步骤4、利用训练好的卷积神经网络处理选定的低剂量CT图像实现选定的低剂量CT图像中解剖结构成分与噪声伪影结构成分的分解。本发明提供了一种能够有效分离低剂量CT图像中星条状伪影噪声和结构特征的方法。

技术领域

本发明涉及低剂量CT图像的分解方法，尤其涉及一种基于卷积神经网络的低剂量CT图像分解方法，属于X射线计算机断层成像技术领域。

背景技术

作为一种临床成像技术，X射线计算机断层成像(X-ray Computer Tomography，CT)以其空间分辨率高、成本低的优势，在疾病筛选、诊断、急救、介入治疗及疗效监督中广泛使用，是目前常规有效的临床医学诊断工具之一。然而过量X射线照射可能诱发癌症、白血病或增加其它生理性风险，因此CT中的辐射问题也越来越受到人们重视。然而，降低辐射剂量会使重建的图像质量急剧退化，图像中的斑点噪声和条状伪影影响了临床分析和诊断。如何在保证图像质量的基础上，以最低的辐射剂量获得最佳的CT诊断影像已成为行业共识。

当前提高低剂量CT图像质量的方法主要分为两大类：基于投影空间数据处理和基于图像空间数据处理。基于投影空间数据处理的方法主要通过对低剂量CT投影数据的校正，恢复复原和去噪是为重建提供更准确、噪声更少的投影数据，以提高其重建的质量，如自适应滤波和双边滤波等。直接通过图像空间处理技术来提高已重建的低剂量图像质量，具有不依赖原始投影数据和处理速度快的优点，通常使用非线性的处理方法进行，如全变差(Total Variation)，小波(Wavelet)变换方法通过保持图像边缘信息来去除伪影及噪声，然而此类方法忽略了图像中重要的非局部性质，也难以达到满意的效果；再如基于字典学习的稀疏表示图像处理算法，这种方法通过训练得到一组过完备字典(基)，使伪影及噪声得不到较好的表示，实现去除伪影及噪声的目的，但处理时间过长。随着大数据集、大样本的普遍，深度学习在工业界及学术界都受到了广泛的关注，也逐渐应用于CT图像领域中。如Chen等人采用了一种残差编码网络，大幅度降低了CT图像中的噪声伪影，提高了肿瘤病变组织的识别率。

现有技术中，基于字典学习的稀疏表示方法已经被证明在低剂量腹部CT图像处理中具有较好的效果，剂量在常规剂量的五分之一以下，能够获得较高的图像质量。但是这种方法需要训练不同方向的高频细节图像，计算量过大且耗时，难以在实际三维医疗图像处理系统中广泛应用。为了有效抑制三维伪影及噪声，中国专利申请2015105909015提出了一种基于三维区别性特征表示的低剂量CT图像分解方法，其利用特征字典和伪影及噪声字典组成的三维区别性字典来表示临床低剂量CT图像，得到特征字典表示的特征图像和伪影及噪声字典表示的伪影及噪声图像，从而实现低剂量CT图像的分解，能够有效滤除低剂量三维CT图像内的伪影及噪声，但是这种方法容易把低剂量条件下CT图像中较强的星条状或者块状伪影理解成图像的结构信息，从而无法对其进行有效的抑制，在低剂量星条状伪影严重的条件下，容易在最终的CT图像中引入块状伪影。

综上所述，如何克服现有低剂量CT图像处理方法中存在的不能有效分离星条状伪影和噪声的问题，是现有技术中亟需解决的难题。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

1.发明要解决的技术问题