[发明专利]一种基于自监督学习的低剂量CT图像去噪方法及系统

说明书

本公开提供了一种基于自监督学习的低剂量CT图像去噪方法及系统，属于图像处理技术领域，对获取的CT图像进行预处理，将预处理后的CT图像所有像素值进行归一化；采用与CT图像大小相同的预设掩模对归一化处理后的CT图像进行部分像素的替换；将通过预设掩模替换后的CT图像输入到训练好的去噪神经网络模型中，得到对应去噪后的图像；本公开在网络模型训练去噪网络过程中，无需要成对的LDCT图像和高剂量CT图像，通过未被替代的像素推断已被替代像素的高剂量CT像素值，可以大大减少数据采集的成本，在没有高剂量CT图像的情况下完成LDCT图像的去噪任务。

技术领域

本公开涉及图像处理技术领域，特别涉及一种基于自监督学习的低剂量CT图像去噪方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

随着计算机断层扫描(Computed Tomography，CT)技术的不断发展，CT成像在医学诊断中的应用越来越广泛。人体吸收的X射线辐射剂量超过正常范围时，可能会诱发新陈代谢异常甚至癌症等疾病，而且X射线是终身积累的，这也就意味着伴随CT扫描次数的增加，体内的辐射剂量也会进行累计，对于需要定期进行CT复查的患者来说，反复的扫描将会显著增加致癌风险。CT辐射的危害对于儿童更加显著，生长发育期儿童对射线的敏感度是成人的10倍以上。同等扫描条件下，儿童实际吸收的辐射剂量远高于成年人。随着CT日渐广泛地应用于临床，这些潜在的辐射危害也越来越被社会各界所重视。有研究人员提出低剂量CT(Low Dose Computed Tomography，LDCT)理念，LDCT扫描在降低患者采集过程中承受辐射剂量的同时，也在一定程度上扩大了CT的临床应用范围，使其有可能广泛地应用于早期肺癌筛查，甚至是孕妇及儿童的诊断检查中。目前临床采集中，实际扫描中常通过降低射线管电流的方式来降低辐射剂量，该方法在降低采集过程中使用的辐射剂量的同时，不可避免地引起光子数量减小，导致重建图像中的斑点噪声增多，并产生具有方向性的条形伪影。这些噪声伪影与解剖组织信息融合在一起，增大了确认异常组织的难度，从而干扰医生诊断的准确性。因此，研究LDCT的去噪方法具有重要的临床应用价值。经典的LDCT的去噪方法有投影域方法，迭代重建方法和后处理方法。近年来，深度学习快速发展，卷积神经网络在图像处理中的应用也愈加广泛。得益于卷积神经网络强大的特征学习与映射能力，在去除LDCT噪声时相比传统方法具有更大的优势。

本公开发明人发现，尽管卷积神经网络处理的LDCT图像质量很高，但是传统的卷积神经网络训练需要满足两个条件，第一，成对的训练数据，即卷积神经网络是一种有监督训练，在LDCT去噪任务中，训练卷积神经网络需要LDCT图像和其对应高剂量图像；第二，庞大的数据量，即训练卷积神经网络需要大量的成对CT图像，在数据量小的情况下，卷积神经网络不能获得很好的去噪效果。在实际医学应用中，这两个条件很难得到满足，首先，成对的有监督训练需要对同一病人同一时间段进行两种不同剂量的CT成像，这在一般医学检测中较难操作，并且医学图像经常是在治疗过程中采集的，图像质量会受到多种因素影响，获取高质量无噪图像是极其困难的。其次，不同于自然图像，医学图像本身获取难度较大并且价格昂贵，所以数据量较小，很难达到数万张图像的规模。

发明内容

为了解决现有技术的不足，本公开提供了一种基于自监督学习的低剂量CT图像去噪方法及系统，在网络模型训练去噪网络过程中，无需成对的LDCT图像和高剂量CT图像，只需要通过未被替代的像素推断已被替代像素的高剂量CT像素值即可，大大减少数据采集的成本，在没有高剂量CT图像的情况下能够高效和精确完成LDCT图像的去噪任务。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种基于自监督学习的低剂量CT图像去噪方法。

一种基于自监督学习的低剂量CT图像去噪方法，包括以下步骤：

对获取的CT图像进行预处理，将预处理后的CT图像所有像素值进行归一化；