[发明专利]用于低剂量CT图像降噪及去伪影的双注意力生成对抗网络

权利要求书

1.基于双注意力生成对抗网络的低剂量CT图像降噪及去伪影的方法，其特征在于，具体如下：

一、选择LDCT图像降噪模型，构建成对LDCT图像与NDCT图像数据集；

二、将LDCT图像输入双注意力生成器子网中，双注意力生成器子网内设基于伪影特征提取的注意力模块、基于复杂生理结构特征提起的注意力模块和主通道特征提取网络；

所述基于伪影特征提取的注意力模块内设4个循环，每个循环内设5个串联的残差网络、1个长短期记忆网络单元和1个卷积核，LDCT图像经过各个循环学习、长短期记忆和卷积后，输出能够代表噪声伪影位置、512*512*1的掩码矩阵；

基于复杂生理结构特征提取的注意力模块运用边缘提取操作来增强边缘信息；

主通道特征提取网络运用卷积核大小分别为3×3、5×5与7×7的稠密连接块与多尺度残差网络来分别提取伪影的密度信息与尺度信息；

三、多损失函数对双注意力生成器子网中的降噪结果图进行约束；

四、NDCT图像与步骤三中得到的降噪结果图共同输入多尺度判别器子网中迭代训练；

五、输出最终降噪结果图。

2.根据权利要求1所述的基于双注意力生成对抗网络的低剂量CT图像降噪及去伪影的方法，其特征在于，步骤三中的多损失函数包括：

针对伪影注意力网络的伪影注意力损失函数与伪影一致性损失函数；

针对结构注意力网络的结构注意力损失函数；

针对生成对抗网络的对抗损失函数；

针对降噪结果图的全局损失函数。

3.根据权利要求1所述的基于双注意力生成对抗网络的低剂量CT图像降噪及去伪影的方法，其特征在于，多尺度判别器子网的第一层由卷积核大小为4×4，步长为2的卷积层组成，用来提取图像的低层视觉特征，卷积层后分别增加了BN层与LeakyReLU激活函数；

第二层是由Res2Net模块组成，用于提取块内的多尺度图像特征；

第三层用于提取图像的高层语义特征，卷积之后加入Sigmoid激活函数来对输入图像的真伪进行鉴别。

4.根据权利要求1所述的基于双注意力生成对抗网络的低剂量CT图像降噪及去伪影的方法，其特征在于，步骤一中的LDCT图像降噪模型为加性模型，具体表达式为：

X＝T(Y) 1-1

X＝Y+N 1-2

Y＝X-N 1-3

式1-1为NDCT图像的降质过程，其中X∈R^c×h×w表示LDCT图像，Y∈R^c×h×w表示与之对应的NDCT图像，T表示X与Y之间的函数映射关系，体现了NDCT以非线性的形式退化为LDCT的降质过程；

式1-2为模拟的LDCT图像生成过程，其中N表示加性高斯白噪声，通过人为在NDCT图像中加入噪声，最终产生了LDCT图像；

式1-3从LDCT图像中恢复原始的NDCT图像。

5.根据权利要求2所述的基于双注意力生成对抗网络的低剂量CT图像降噪及去伪影的方法，其特征在于，采用全变分边缘提取操作分别提取NDCT与输入LDCT图像的边缘，用NDCT图像的边缘来约束LDCT图像。

6.根据权利要求2所述的基于双注意力生成对抗网络的低剂量CT图像降噪及去伪影的方法，其特征在于，选取最小二乘损失函数作为对抗损失函数。

7.根据权利要求2所述的基于双注意力生成对抗网络的低剂量CT图像降噪及去伪影的方法，其特征在于，针对伪影注意力网络分别设计了伪影注意力损失函数与伪影一致性损失函数：输入LDCT与NDCT图像相减，得到对应的真实伪影分布，用真实伪影图阈值化的结果来约束伪影注意力网络输出的伪影图。

8.根据权利要求7所述的基于双注意力生成对抗网络的低剂量CT图像降噪及去伪影的方法，其特征在于，通过L1损失函数来对伪影注意力子网的输出结果进行约束，在L1损失函数之后增加惩罚项来平衡图像降噪与结构保留。