[发明专利]一种基于多重约束的卷积神经网络校正图像伪影的方法

说明书

本发明公开了一种基于多重约束的卷积神经网络校正图像伪影的方法。该方法包括：构建具有主干结构层和多个分支结构层的卷积神经网络，其中主干结构层以原始图像为输入，多个分支结构层分别以通过对原始图像降采样获得的不同级别分辨率的图像作为输入，并且每一分支结构层的最后一个卷积层的特征图像矩阵，都通过上采样恢复成与目标图像相同大小的矩阵图像；以设定的总体损失函数收敛为目标训练所述卷积神经网络，学习从低剂量原始图像到标准剂量目标图像之间的映射关系，并且训练过程中，主干结构层以及多个分支结构层的每一层均设置损失值。本发明在提高图像峰值信噪比和结构相似度的同时，增强图像细节信息。

技术领域

本发明涉及医学图像处理技术领域，更具体地，涉及一种基于多重约束的卷积神经网络校正图像伪影的方法。

背景技术

研究和开发在产生伪影的影像下去除运动伪影，对于目前的医疗诊断领域有着重要的科学意义。以冠状动脉计算机断层扫描血管造影(Cornary Computed TomographyAngiography，CCTA)为例，其是指受试者通过静脉注射适当造影剂后，利用计算机和X射线来获取病人心脏断层图像的非侵入式影像学检测方法，它具有扫描时间短，成分信息广泛和以非侵入式可视化血管壁等优点，适用于可疑冠心病的诊断，冠状动脉搭桥术的随访，评估瓣膜性心脏病和评估心脏质量。然而，CCTA获取的影像可能会出现运动伪影，需要重新进行检查。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。因此，对医学影像的伪影校正，对医疗诊断领域有广阔的应用前景。

冠状动脉CT成像过程中运动伪影的形成是由于图像像素在CT获取不同角度投影数据时发生了位移，运动伪影的程度取决于唯一的速率和图像重建算法的校正结果。一般消除运动伪影从两个方面入手：第一是控制心率，降低受检者的心率、延长心动周期、减慢冠状动脉运动和延长冠状动脉低速运动的时间，可以降低成像时对时间分辨率的需求；第二是提高时间分辨率，基于MDCT冠状动脉成像基本原理及运动伪影产生的原因，要实现CCTA成像并规避运动伪影，需要将特定扫描方式下获得的最高时间分辨率与冠状动脉运动幅度最小的时相相匹配。

而提高时间分辨率又从两个方面着手，一是从硬件方法提高时间分辨率，二是从软件方面提高时间分辨率。具体地，在硬件方面，从提高管球旋转速度，采用宽体探测器和采用双探测器技术出发来提高时间分辨率。然而，提高管球旋转速度受物理特性的限制，采用多探测器技术则受到空间的限制，而采用宽体探测器技术则受限于经济成本。在软件方面，采用多扇区重建技术，基于压缩感知的图像重建技术(Prior Image ConstrainedCompressed Sensing，PICCS)，运动估算和补偿算法与运动校正技术(Snap Shot Freeze，SSF)可以有效提高时间分辨率。然而，采用多扇区重建技术需要维持患者的心率稳定，且受管球旋转时间和扫描螺距的限制。基于压缩感知的图像重建技术尚未得到验证。运动估算和补偿算法依赖大量的计算和评估。运动校正技术需要采集图像中相对运动伪影较小、图像质量较好的时相，经过复杂计算消除运动伪影。

此外，对于利用深度学习去除图像伪影的现有技术方案，飞利浦研究中心提出的两项去除CCTA运动伪影的方法是是使用深度学习模型识别、估计运动伪影的等级，辅助传统方法进行运动补偿和估计。然而，这种方案去除运动伪影的效果还有待改进。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于多重约束的卷积神经网络校正图像伪影的方法。

根据本发明的第一方面，提供一种基于多重约束的卷积神经网络校正图像伪影的方法。该方法包括以下步骤：

构建具有主干结构层和多个分支结构层的卷积神经网络，其中，所述主干结构层以原始图像为输入，所述多个分支结构层分别以通过对原始图像降采样获得的不同级别分辨率的图像作为输入，并且每一分支结构层的最后一个卷积层的特征图像矩阵，都通过上采样恢复成与目标图像相同大小的矩阵图像；