[发明专利]一种基于卷积神经网络的低剂量CT图像分解方法

权利要求书

1.一种基于卷积神经网络的低剂量CT图像分解方法，其特征在于，包括以下步骤：

步骤1、分别获得若干组匹配的低剂量CT投影数据和常规剂量的CT投影数据，并分别重建出相应的训练图像：低剂量CT图像和常规剂量CT图像将低剂量CT图像和常规剂量CT图像相减以获得噪声伪影图像

步骤1中，低剂量CT图像是通过解析的FBP重建算法获得，常规剂量CT图像是通过迭代的TV重建算法获得；

步骤2、构建低剂量CT图像与噪声伪影图像N_s之间的映射卷积神经网络；

步骤2中，卷积神经网络包含以下三种卷积模块：CBR模块、分支模块和残差模块；

CBR模块为卷积、尺度变换和ReLU激活函数操作的组合；分支模块是两个并联的分支之和，第一个分支为两个卷积操作，第二个分支为卷积、尺度变换和ReLU激活函数操作的组合；残差模块为两个串联的尺度变换、ReLU激活函数和卷积操作，与一个卷积操作之和；

步骤3、使用一定量低剂量CT图像与相应的噪声伪影图像N_s对已构建好的卷积神经网络进行训练；

步骤3中，将低剂量CT图像输入卷积神经网络中，输出噪声伪影预测图像通过训练来更新卷积神经网络中的参数，以降低卷积神经网络输出的噪声伪影预测图像与实际相应的噪声伪影图像N_s的均方误差，当训练周期前后的均方误差变化小于0.1％时，训练结束；

步骤4、利用训练好的卷积神经网络处理选定的低剂量CT图像实现选定的低剂量CT图像中解剖结构成分与噪声伪影结构成分的分解；

步骤4中，将选定的低剂量CT图像输入训练完成的卷积神经网络中，得到基于该选定的低剂量CT图像的噪声伪影预测图像和解剖结构成分图像V_t^p。

2.根据权利要求1所述的基于卷积神经网络的低剂量CT图像分解方法，其特征在于，步骤4中，解剖结构成分图像V_t^p表示为：

其中，为选定的低剂量CT图像，为基于以上选定的低剂量CT图像的噪声伪影预测图像。

3.根据权利要求1或2所述的基于卷积神经网络的低剂量CT图像分解方法，其特征在于，步骤3中，对卷积神经网络进行训练的训练样本是低剂量CT图像的图像块集标签为实际相应的噪声伪影图像N_s的图像块集