[发明专利]一种解决低剂量CT图像过平滑的深度学习后处理方法

说明书

本发明公开了一种解决低剂量CT图像过平滑的深度学习后处理方法，属于图像处理技术领域，方法包括：对若干正常剂量CT图像和低剂量CT图像对进行预处理；将处理后的低剂量CT图像输入生成对抗网络的生成器中，得到生成图像；将生成图像和处理后的正常剂量CT图像输入生成对抗网络的判别器中，根据判别器损失函数优化判别器；基于优化后的判别器，以最小化生成器损失、感知损失和结构相似性损失组成的联合损失函数为目标，优化生成器；利用优化后的生成器生成新的生成图像，并输入优化后的判别器中；继续交替优化判别器和生成器。本发明不仅可以有效地抑制噪声，还可以保留更多图像结构以及高频信息，防止图像过平滑。

技术领域

本发明属于图像处理技术领域，更具体地，涉及一种解决低剂量CT图像过平滑的深度学习后处理方法。

背景技术

X射线计算机断层成像(X-Ray computedtomography，CT)目前广泛应用于临床疾病检查、治疗等方面。但是过量的X射线辐射可能导致癌症、基因突变等一些疾病问题，因此低剂量CT成像技术成为近些年来研究的热点。

目前，低剂量CT重建降低剂量的方式为降低射线管的电流或者减少投影的次数。降低射线管的电流会使探测器接收的光子数减少，导致CT图像含有噪声；减少投影个数会使CT重建变成欠定问题，导致图像中含有严重的条形伪影。这两者都会干扰医生的诊断，甚至可能造成严重的医疗事故。因此，在降低X射线剂量的情况下保证CT图像的质量是一个重要的研究方向。

目前临床上的低剂量CT扫描仪主要采用降低管电流的方式，优化其生成图像的算法主要分为三种，分别为投影域滤波，迭代重建以及图像后处理方法。投影域滤波是通过设计滤波函数，来提升投影图像的质量，从而使得解析算法重建得到较高质量的CT图像，但是临床CT投影数据往往难以获得，此外投影域滤波容易丢失投影图像的结构边缘，进一步导致CT图像分辨率丢失。迭代重建是基于图像的先验信息，设计带有约束项的目标函数，通过迭代的方式来重建CT图像，此种方式计算复杂度高，重建时间长，尤其是三维锥束CT重建，时间代价更大。图像后处理方法通过直接对CT图像进行去噪，后处理算法不依赖于原始投影数据，处理的数据容易获取，且处理速度快，容易整合到任何CT系统中。目前后处理方法在不低于四分之一剂量CT图像上取得了显著的成果。

图像后处理主要分为传统方法与深度学习方法，传统方法重建速度慢，如非局部均匀滤波、三维块匹配滤波以及字典学习等算法。深度学习方法是通过卷积层逐步提取高级特征，利用损失函数衡量网络输出与正常剂量CT图像的误差，将误差反向传导来更新卷积核的权重，从特征空间中抑制图像的噪声。

目前，研究人员提出了各种新型的深度学习网络来处理低剂量CT图像，其中包括REDCNN(Residual Encoder-Decoder Convolutional Neural Network)、MAP-NN(Modularized Adaptive Processing Neural Network)以及DP-ResNet(DomainProgressive Residual Network)等一些网络结构，但是这些网络仍然存在一些问题，比如说图像过平滑、丢失图像细节以及产生CT图像原本不存在的结构等。目前大多数网络采用像素级别的损失函数来衡量网络输出与正常剂量CT图像的误差，如均方误差(Mean SquareError，MSE)、L1范数、峰值信噪比(Peak Signal to Noise Ratio,PSNR)以及结构相似性(Structural Similarity，SSIM)等一些损失函数，使用像素级别的损失函数会使网络输出的图像过于平滑并丢失一些高频的细节信息。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种解决低剂量CT图像过平滑的深度学习后处理方法，旨在解决深度学习网络在后处理部分造成输出图像过平滑的问题。本发明可以去除低剂量CT图像中的噪声，并保留图像的精细结构以及更多的高频信息，防止过平滑，使图像看起来更加自然。

为实现上述目的，本发明提供了一种解决低剂量CT图像过平滑的深度学习后处理方法，包括以下步骤：