[发明专利]一种基于渐进式生成对抗网络的低剂量CT图像降噪及去伪影方法

说明书

本发明属于CT成像技术领域，具体公开了用于低剂量CT图像降噪及去伪影的渐进式生成对抗网络，设计了双生成器嵌套子网络，该生成器包括全局特征降噪器和局部纹理特征增强器，全局特征降噪器是在全分辨率输入图像上进行特征提取，获取图像的全局特征，局部纹理特征增强器是在输入图像经下采样后的分辨率较低的图像上进行特征提取，捕获图像的局部细节特征；两者共同完成了LDCT图像降噪任务，本发明设计了一种多尺度特征提取的shuffle判别器网络，在不增加网络结构复杂度与运算时间的同时，提高了判别器的鉴别能力，增强了GAN对抗训练的稳定性与鲁棒性，解决了因噪声伪影与组织结构分布高度相似而导致的欠降噪或过降噪问题。

技术领域

本发明属于CT成像技术领域，公开了一种用于高效抑制低剂量CT图像中的噪声与伪影、便于后期精确地医学诊断与分析的深度学习方法。

背景技术

自20世纪70年代计算机断层扫描成像(Computed Tomography，CT)技术问世以来，因其具有操作简单、成像速度快、灵敏度高等优点而被广泛应用于工农业生产、安全检查、生物医学成像、工业无损检测、地质学等领域。在医学诊疗领域，CT图像具有成像清晰、密度分辨率高、能够清晰地显示图像的三维信息等优点，因而广泛应用于各种先天性发育异常、炎症性疾病、代谢性病变、外伤性改变、良恶性肿瘤以及心血管疾病等检查中。在对血管性病变的诊断和显示中，为了提高对病灶的定性分析能力、肿瘤分期的准确性或判断肿瘤手术切除的可能性，有时还需要进行动态增强扫描。为了随时掌握自身健康状况，定期健康检查更是必不可少。

然而，重复的CT扫描检查使得受检者接收X射线的辐射伤害的风险增加，易导致受检者余生遭受免疫力功能下降、新陈代谢异常、生殖器官受损、患白血病、癌症与遗传性疾病等风险增加。由于体质弱于成年人，儿童遭受的辐射伤害更大。在ALARA(As Low AsReasonably Achievable)原则指导下，研究人员的研究兴趣主要集中在低剂量CT(Low-dose CT，LDCT)成像技术的改善方面。

一般可分为三类：投影域方法、重建方法、后处理方法。由于后处理方法是在图像域进行操作，不依赖于原始投影数据，可移植性较强，便于推广，已经成为LDCT成像领域的热点研究方向。在深度学习被广泛应用之前，已经出现了一些比较成熟的后处理方案：如非局部均值(Non-local means,NLM)及其改进方法、三维块匹配滤波(Block Matching 3D,BM3D)算法、基于字典学习与稀疏表示的LDCT降噪算法。这些传统算法可以实现简单的图像降噪任务，然而在伪影与结构高度相似的LDCT图像的低密度区，降噪效果仍不够理想。

发明内容

为解决现有技术存在的网络复杂度高、参数量多、训练过程不稳定的技术问题，本发明提供了一种能够实现快速高效LDCT图像降噪的深度学习方法，该方法能够在不增加网络复杂度与运算时间的前提下实现比较好的伪影噪声抑制与细节保留效果。

为实现上述目的，本发明所采用的技术方案为：一种基于渐进式生成对抗网络的低剂量CT图像降噪及去伪影方法，包括如下内容：

1、建立LDCT图像降噪模型：

降噪模型能够建立NDCT、LDCT与伪影和噪声之间的相互关系，本渐进式生成对抗网络采用的降噪模型是加性模型，具体表达式为：

X＝T(Y) 1-1

X＝Y+N 1-2

Y＝X-N 1-3