[发明专利]一种基于双域U-net判别器的生成对抗低剂量CT去噪方法

说明书

本发明属于医学影像分析技术领域，具体为一种基于双域U‑net判别器的生成对抗低剂量CT去噪方法。本发明以U‑Net判别器来学习正常剂量图像和生成图像在图像域和生成域之间的全局和局部差异；该判别器通过全局输出向去噪网络提供逐像素反馈，通过中间层在语义层面使去噪网络关注全局结构；图像梯度域中应用该判别器，以减轻低剂量CT中的伪影，增强去噪CT图像的边缘；使用CutMix技术使判别器逐像素输出，为放射科医生提供置信度图，以避免可视化去噪结果的不确定性，促进低剂量CT的筛查和诊断；本发明可有效提高去噪低剂量CT的质量，使生成的图像清晰度更高，具有更丰富的边缘并减小伪影的影响，提高医学影像分析过程中的准确度。

技术领域

本发明属于医学影像分析技术领域，具体涉及一种低剂量CT去噪方法。

背景技术

由于CT相关X射线辐射对患者的潜在健康风险，低剂量计算机断层扫描在医学成像领域引起了广泛关注。然而，减少辐射剂量会降低重建图像的质量，从而影响诊断性能。在过去几年中，各种深度学习技术，特别是生成对抗网络(GAN)被引入，通过去噪来提高低剂量CT图像的图像质量，取得了优于传统方法的令人印象深刻的结果。基于GAN的去噪方法通常利用额外的分类网络，即鉴别器，来学习去噪和正常剂量图像之间最具辨别力的差异，从而相应地对去噪模型进行正则化；然而这些方法通常只侧重于全局结构或局部细节。

根据目前的文献，低剂量CT的去噪算法可以归纳为三类：1)正弦图滤波；2)迭代重建；3)图像后处理。低剂量CT与正常剂量CT的显着区别在于低剂量CT从扫描仪获取噪声正弦图数据。一个直接的解决方案是在图像重建之前对正弦图数据进行去噪处理，即基于正弦图过滤的方法[1][2][3]。迭代重建方法结合了sinogram域中原始数据的统计[4]和图像域中的先验信息，如全变分[5]和字典学习[6]；这些通用信息可以有效地集成到最大似然和压缩感知框架中。然而，这两种方法需要访问商业CT扫描仪通常无法提供的原始数据。

深度学习技术的飞速发展推动了医学分类、分割、重建、放疗等诸多医学应用.在低剂量CT去噪方面，基于深度学习的模型取得了骄人的成绩[7][8][9][10][11][16][18]。设计基于深度学习的去噪模型有两个关键组成部分：网络架构和损失函数；前一个决定去噪模型的能力，而后一个控制去噪图像的视觉效果。虽然文献已经提出了几种不同的低剂量CT去噪网络架构，例如2D CNN[7]、3D CNN[8][9]、RED-CNN[18]和级联CNN[11]，文献[8]表明损失函数比网络架构起着更重要的作用，因为它直接影响图像质量。最简单的损失函数是均方误差，然而它已被证明与人类对图像质量的感知相关性很差[12][13]。鉴于这一观察结果，已经研究了用于低剂量CT去噪的替代损失函数，例如感知损失、l₁损失、对抗性损失或混合损失函数。其中，对抗性损失已被证明是一种强大的损失，因为它可以在训练期间动态测量去噪图像和正常剂量图像之间的相似性，这使得去噪图像能够保留更多来自正常剂量图像的纹理信息。对抗性损失反映了全局或局部相似性，这取决于鉴别器的设计。与前两类不同，图像后处理方法直接对去除患者隐私后公开可用的重建图像进行操作。然而，诸如非局部均值[14]和块匹配[15]等传统方法会导致一些关键结构细节的丢失，并导致去噪低剂量CT图像过度平滑。

与传统的对抗性损失不同，本发明使用的对抗性损失是基于U-Net的鉴别器，它可以同时表征去噪和正常剂量图像之间的全局和局部差异，更好地规范去噪模型。除了图像域中的对抗性损失，本文提出的图像梯度域中的对抗性损失可以条纹伪影，增强去噪图像的边缘。

发明内容

本发明的目的在于提出一种能够有效提高去噪低剂量CT的质量，从而提高医学影像分析准确度的低剂量CT去噪方法。