[发明专利]基于残差卷积神经网络的LDCT图像超分辨增强方法及装置

说明书

本发明公开了基于残差卷积神经网络的LDCT图像超分辨增强方法及装置。该方法首先设计了一种改进混合级联任务卷积神经网络（以U‑Net为例）的网络结构，接着按照该设计网络结构，提供大量LDCT低分辨率图像与真值高分辨率图像进行网络训练，网络训练过程由改进混合级联任务U‑Net进行特征提取、误差计算、误差反向传播构成，误差值进行反向传播。指定学习率大小为0.0001，优化器为ADAM，学习率采用阶段下降策略，不断减小超分辨率CT图像与真值高分辨率图像之间的损失。该方法能适应于医学领域一次性对胸部LDCT扫描实现三大疾病（肺结节、慢阻肺、冠心病）及脊柱的筛查、检测与分析，而不需要对空间分辨率要求更高的胸部某局部进行额外的高精度CT扫描。

技术领域

本发明涉及医疗LDCT图像处理领域，尤其是一种基于残差卷积神经网络的LDCT图像超分辨增强方法及装置。

背景技术

1970-1980用CRX（胸片）、痰细胞学作为肺癌筛查的工具，四大随机对照试验，未能降低肺癌死亡率。1990年代，CT问世，LDCT（低剂量CT）能够检出早期肺癌，但是死亡率并无降低。2000年代，低剂量CT筛查较胸片可以降低被检者肺癌死亡率20%，2011年之后，LDCT得到全球性普及。人工智能可以应用在肺结节精准诊疗的各个阶段，包括人群早筛，智能早诊，精准早治，全程随访管理，转化科研等。

当前医学界使用的主要方法是采用高剂量CT来进行肺结节、慢阻肺、冠心病等疾病的筛查、检测与分析，这些方法的缺点主要是成像速度慢，成本高，辐射性大等。LDCT由于使用低剂量CT，成像分辨率低，特别是，现有的人工智能方法仅在低分辨的LDCT上进行分析，已经不能适应于复杂情况的技术要求。

发明内容

为了克服现有技术的不足，本发明提出了一种一种基于残差卷积神经网络的LDCT图像超分辨增强方法及装置，面向LDCT图像低分辨率的特点，利用改进混合级联任务U-Net深度神经网络，构建低分辨率LDCT图像超分辨的新方法。利用本发明可以一次性对胸部LDCT扫描实现三大疾病（肺结节、慢阻肺、冠心病）及脊柱的筛查、检测与分析，而不需要对空间分辨率要求更高的胸部某局部进行额外的高精度CT扫描。

一种基于残差卷积神经网络的LDCT图像超分辨增强方法，包括以下步骤：

步骤1）制作训练集与测试集；

步骤2）LDCT初始图像预处理；

步骤3）训练是否的判断，如果是则进入步骤4），如果否则进入步骤8）；

步骤4）改进混合级联任务U-Net进行特征提取；

步骤5）误差计算；

步骤6）误差反向传播；

步骤7）误差是否满足要求判断，如果是则进入步骤8），如果否则返回到步骤4）；

步骤8）输出图像超分辨模型；

步骤9）生成超分辨率CT图像；

步骤10）结束。

所述的步骤1）制作训练集与测试集的步骤如下：

步骤1-1）寻找大量低分辨率的LDCT图像与其对应的真值高分辨率CT图像，将DICOM格式的CT图像转为PNG格式的灰度图，随机截取低分辨率LDCT图像的128×128大小图像与真值高分辨率CT图像对应位置的256×256大小的图像，并分别进行旋转90°，180°，270°，并对应进行翻转，得到每一张图像的变体，共8张图像；每张LDCT图像随机截取10处不同区域，收集50000张不同的裁剪后的低分辨率LDCT图像与真值高分辨率CT图像作为训练集，5000张不同的裁剪后的低分辨率LDCT图像与真值高分辨率CT图像作为测试集。

所述的步骤2）LDCT初始图像预处理的步骤如下：

步骤2-1）在图像超分辨增强之前，对低分辨率的LDCT图像进行标准化预处理，得到标准化图像；

步骤2-2）将标准化图像使用双三次上采样方法进行插值，得到高分辨率图像，使其与真值高分辨率CT图像具有相同的分辨率大小；