[发明专利]基于深度学习的头部低剂量CT图像钙化点保留方法

权利要求书

1.一种基于深度学习的头部低剂量CT图像钙化点保留方法，包括

S100低剂量CT图像降噪，具体包括

S101获取数据：获得原始头部低剂量CT图像和与之对应的原始头部高剂量CT图像；

S102数据预处理：将头部低剂量CT图像和头部高剂量CT图像分割为图像块，并将分割得到的低剂量CT图像块和高剂量CT图像块的CT值归一化；

S103构建网络模型一，并初始化网络参数；

S104训练网络模型一：将分割得到的头部低剂量CT图像块和头部高剂量CT图像块输入网络模型一中训练网络，当网络模型一的损失函数值达到设置的阈值时，保存网络模型一的最优参数；

S105低剂量CT图像降噪：使用网络模型一的最优参数即把网络模型一的参数设置为S104中保存的参数，向网络模型一输入原始的头部低剂量CT图像，网络输出即为降噪后的头部低剂量CT图像；

S200降噪后的CT图像恢复钙化点，具体包括

S201获取数据：将降噪后的头部低剂量CT图像和原始的头部低剂量CT图像融合，获得融合CT图像；

S202数据预处理：将原始头部低剂量CT图像、原始头部高剂量CT图像和融合CT图像分割为CT图像块，并将分割得到的CT图像块的CT值归一化；

S203构建网络模型二，并初始化网络参数；

S204训练网络模型二：把分割得到的头部低剂量CT图像块和分割得到的融合CT图像块输入到网络中，网络的输出为钙化点恢复CT图像块，计算钙化点恢复CT图像块与头部高剂量CT图像块之间的损失值，根据损失值更新网络参数，直至损失值达到设置的阈值时，保存网络的最优参数；

S205恢复钙化点特征：使用网络模型二的最优参数即把网络模型二的参数设置为S204中保存的参数，向网络模型二中输入原始头部低剂量CT图像和融合CT图像，网络输出为钙化点被恢复且低噪声的头部CT图像。

2.如权利要求1所述的一种基于深度学习的头部低剂量CT图像钙化点保留方法，其特征在于：所述网络模型一采用包含生成网络和判别网络的GAN网络。

3.如权利要求2所述的一种基于深度学习的头部低剂量CT图像钙化点保留方法，其特征在于：所述步骤S104中，首先将头部低剂量CT图像块输入生成网络中，输出得到网络生成头部高剂量CT图像块，然后将该图像块和头部高剂量CT图像块同时输入判别网络中，根据判别网络的损失函数计算出网络生成头部高剂量CT图像块为真实图像块的概率和头部高剂量CT图像块为真实图像块的概率，根据得到的概率值更新生成网络参数和判别网络参数；重复的进行此步骤，直至判别网络无法判别网络生成头部高剂量CT图像块和头部高剂量CT图像块的真假时，保存模型一的参数。

4.如权利要求1所述的一种基于深度学习的头部低剂量CT图像钙化点保留方法，其特征在于：网络模型二采用U-Net网络，U-net网络有两个输入和一个输出，其中两个输入分别为头部低剂量CT图像、以及头部低剂量CT图像和降噪后的头部CT图像的融合CT图像。

5.如权利要求4所述的一种基于深度学习的头部低剂量CT图像钙化点保留方法，其特征在于：所述步骤S204中，U-Net网络的最优参数的确定方式为：根据U-net网络的损失函数公式，计算网络输出图像块和原始头部高剂量CT图像块之间的损失值，并根据损失值修改网络参数，直至损失函数值达到设置的阈值时停止。