[发明专利]基于深度稠密网络的低剂量CT成像方法、装置及系统

摘要

本发明提供了基于深度稠密网络的低剂量CT成像方法、装置及系统，创新性地将深度稠密网络DenseNet应用于投影空间前处理和图像空间后处理两种处理方法中，利用卷积残差神经网络充分理解CT图像数据和CT投影数据的信息。本发明通过DenseNet对图像特征的充分利用，有效分辨出星条状伪影和人体组织器官的区别，实现其中星条状伪影及噪声和组织器官特征结构成分有效的分离，因此图像质量有着较大的提升；DenseNet与其他相同规模的网络相比，参数量在一定程度上减少，因此存储空间的需求大大降低，运算速度显著提升，处理效果优于其他多种传统图像去噪算法和深度学习方法。

主权项

1.一种基于深度稠密网络的低剂量CT成像方法，其特征在于，包括以下步骤：(1)获得多组对应的低剂量CT投影数据P_ld和正常剂量CT投影数据P_hd，通过计算得到P_ld中包含的需要去除的伪影及噪声N^P＝P_ld‑P_hd，作为投影空间前处理任务的训练集；(2)建立投影空间前处理深度稠密网络DenseNet‑P，将训练集中的低剂量投影数据P_ld经过预处理后输入DenseNet‑P中，网络输出结果为预测的伪影和噪声采用损失函数计算网络收敛性，计算网络中各节点的梯度，根据梯度值更新网络各节点权重参数，从而降低输出的噪声与拟去除的噪声N^P之间的欧氏距离，当损失函数收敛至极小值且稳定时，投影空间前处理网络即训练完毕；(3)将用于测试的低剂量CT投影数据输入训练完成的DenseNet‑P得到预测的投影噪声，在输入低剂量CT投影数据中减去预测噪声后得到高质量投影数据，将投影数据从投影空间重建到图像空间后即得到低剂量CT投影空间前处理结果；(4)将步骤(1)中获得的多组对应的低剂量CT投影数据P_ld和正常剂量CT投影数据P_hd，从投影空间重建到图像空间得到对应的高低剂量CT图像数据I_hd和I_ld，以及图像空间拟去除的伪影噪声图像N^I＝I_ld‑I_hd，作为图像空间后处理任务的训练集；(5)建立图像空间后处理深度稠密网络DenseNet‑I，将训练集中的低剂量图像数据I_ld经过预处理后输入DenseNet‑I中，网络输出结果为预测的I_ld中包含的伪影和噪声采用损失函数计算网络收敛性，计算网络中各节点的梯度，根据梯度值更新网络各节点权重参数，从而降低输出的噪声与拟去除的噪声N^I之间的欧氏距离，当损失函数收敛至极小值且稳定时，CT图像后处理网络即训练完毕；(6)将用于测试的低剂量CT图像数据输入训练完成的DenseNet‑I得到预测的图像噪声伪影数据，在输入低剂量CT图像数据中减去预测噪声伪影后得到高质量图像数据，即为低剂量CT图像空间后处理结果。