[发明专利]一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法

说明书

本发明提供了一种基于GAN网络的融合NDCT噪声的低剂量CT循环多次降噪方法，包括S1：构建低剂量CT图像和正常剂量CT图像的样本集；S2：训练预测CT图像噪声的网络；S3、S4：对LDCT图像进行初步降噪；S5：除去NDCT图像中的噪声；S6：通过两个生成对抗网络（WGAN）分别对时域和频域上的CT图像进行训练；S7：对两个WGAN的目标函数进行优化，得到更优的降噪效果。通过本发明的技术方案，本发明内容主要包括两部分，一是对LDCT进行粗粒度处理，为下一步减轻负担；二是利用频域变化可以分离图像的细节信息和结构信息的特点，使用双域联合降噪对LDCT进行进一步细粒度处理，目的是提高降噪效果的同时弥补降噪过程所导致的边缘模糊、部分细节丢失的不足。

技术领域

本发明涉及医学图像处理技术领域，具体而言，特别涉及一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法。

背景技术

计算机断层成像技术（CT）在医学领域具有广泛应用，该方法的成像清晰度对临床诊断结果的准确性至关重要，辐射剂量越高，得到的成像结果的清晰度越高，然而高辐射剂量会诱发癌变，对人体有一定的损害，为了避免或者减少病人在检查时受到的二次伤害，会考虑使用低剂量CT（LDCT），然而在降低了CT剂量的同时也产生了新的问题，即低剂量的CT会比普通剂量的CT（NDCT）存在更多的噪声，进而影响结果判断。因此采用低剂量的同时对低剂量CT成像结果降噪引起大量关注。

陆续有针对低剂量CT降噪的优秀方法被提出，降噪方法主要分为三大类：1）重构前的正弦滤波：2）迭代重建；3）重建后的图像处理，这些方法都一定程度的提高了图像的质量，但也有一些缺点，比如容易造成边缘模糊、引入伪影、过度平滑等。随着深度学习的发展，人们开始将网络模型应用到CT图像降噪上。Jelmer M. Wolterink等人提出了一种基于生成对抗网络的方法，其中生成器对LDCT进行了降噪处理，通过训练后生成器能够生成接近NDCT的图像，从而得到降噪的效果。裴颂文等人提出了一种面向低剂量CT图像的多生成器对抗网络降噪模型，用三个不同的生成器来分别拟合不同的噪声分布，最后通过一个判别器进行优化。但是这两个方法都有两个缺点：1）只考虑了LDCT中的噪声，没有考虑到NDCT中也存在的噪声；2）图像降噪后会导致边缘信息部分丢失，细节模糊，从而降低了CT图像的质量，不利于后期临床使用，而方法中没有进行边缘信息及细节信息的强化。这些缺点限制了方法的效果。而频域变化可以分离图像的细节信息和结构信息，因此频域图像更能体现原图像的边缘信息和细节信息。

发明内容

综上所述，将NDCT的噪声提取并除去后再参与到后续GAN的训练中，同时在时域和频域上对GAN进行训练可以表现出更好的性能。总体使用Coarse-to-fine的去噪方式，先进行粗粒度处理，得到初步的降噪效果，并为进一步降噪减轻负担，之后进行细粒度处理，提升降噪效果。为了弥补现有技术的不足，本发明提供了一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法。

本发明是通过如下技术方案实现的：一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法，包括粗粒度处理和细粒度处理，其特征在于,具体步骤如下:

一、粗粒度处理

S1：构建用于训练CT图像降噪网络的样本集 ，其中 为低剂量CT图像， 为正常剂量CT图像；

S2：训练预测CT图像噪声的网络：引用一种公开的深度残差卷积神经网络模型（DR-CNN）作为预测噪声的网络，该网络输入为 ，输出为预测的残差图像（即噪声图像），残差图像由 得到；通过数据集 来对DR-CNN进行监督学习，从而得到训练好的DR-CNN；

S3：使用训练好的DR-CNN对LDCT图像进行初步降噪，将 输入训练好的DR-CNN中得到预测的噪声图像：

（2）

其中， 为 通过网络预测到的噪声图像， 为DR-CNN；