[发明专利]一种自监督学习方法及应用

说明书

本申请属于医学和工业领域计算机断层扫描(CT)系统技术领域，特别是涉及一种自监督学习方法及应用。现有的低剂量条件下CT成像质量较差。本申请提供了一种自监督学习方法，所述方法包括：对图像噪声建模；从低剂量CT图像中产生当前像素的近似目标像素值，获取目标像素点；随机从低剂量CT输入图像中裁剪出图像块，从图像块中随机选取N个像素点，将目标像素点替换掉当前选取的像素点得到目标图像；训练网络，逐步达到收敛状态。需人工干预即可端到端地进行网络的训练，并实现降噪。

技术领域

本申请属于医学和工业领域计算机断层扫描(CT)系统技术领域，特别是涉及一种自监督学习方法及应用。

背景技术

计算机断层扫描(Computed Tomography，CT)，是一种通过计算机和X射线来获取病人躯体断层图像的非侵入式影像学检测方法，它具有扫描时间短，费用低廉和疾病监测范围广等优点，适用于疾病的早期筛查和常规性体检。然而，大量的X射线照射会出现辐射剂量的累计效应，大幅度增加各种疾病发生的可能性，进而影响人体生理机能，破坏人体组织器官，甚至危害到患者的生命安全。

合理应用低剂量CT成像技术需要在满足CT图像的临床诊断要求下，同时尽可能的降低X射线对患者的辐射剂量，因此，研究和开发低剂量条件下成像质量更高的CT成像，对于目前的医疗诊断领域都有着重要的科学意义和广阔的应用前景。但目前在临床阶段，获取成对的CT图像(低剂量CT图像和与之对应的正常剂量CT图像)较为困难，在仅有低剂量CT图像的情况下，如何使用神经网络来学习到低剂量CT图像到正常剂量CT图像的映射在临床应用领域有着巨大的发展前景。

由于在CT成像时降低X射线的辐射会导致重建图像产生大量量子噪声和金属伪影；正常CT成像需采集的数据量较大，导致图像重建速度慢；扫描时间长，病人人体生理机能运动导致图像伪影；基于神经网络的方法必须使用成对数据进行训练，在临床阶段获取成对数据较为困难，这大大降低了临床应用的可能性。

现有的低剂量条件下CT成像质量较差。

发明内容

1.要解决的技术问题

基于现有的低剂量条件下CT成像质量较差的问题，本申请提供了一种自监督学习方法及应用。

2.技术方案

为了达到上述的目的，本申请提供了一种自监督学习方法，所述方法包括如下步骤：

步骤1：对图像噪声建模；

步骤2：从低剂量CT图像中产生当前像素的近似目标像素值，获取目标像素点；

步骤3：随机从低剂量CT输入图像中裁剪出图像块，从图像块中随机选取N个像素点，将目标像素点替换掉当前选取的像素点得到目标图像；

步骤4：训练网络，逐步达到收敛状态。

本申请提供的另一种实施方式为：所述步骤1中噪声图像由干净图像和噪声共同组成。

本申请提供的另一种实施方式为：所述步骤2中从输入的低剂量CT图像当前像素点x_i^j的5×5邻域内随机选取像素点作为当前像素点的目标像素点。

本申请提供的另一种实施方式为：所述步骤3中随机从低剂量CT输入图像中裁剪出64×64像素大小的图像块x^j。

本申请提供的另一种实施方式为：所述步骤3中图像块大于选取卷积神经网络的感受野。

本申请提供的另一种实施方式为：所述步骤3中N为图像块大小的十分之一。

本申请提供的另一种实施方式为：所述步骤4中训练网络包括计算所述N个像素点的损失。

本申请提供的另一种实施方式为：所述损失函数为均方误差损失函数。