[发明专利]低剂量CT图像降噪方法及装置

权利要求书

1.一种低剂量CT图像降噪方法，其特征在于，包括如下步骤：

步骤1：对图像数据集进行预处理；

步骤2：初始化卷积稀疏图X和卷积字典D；

步骤3：通过超参数预测模块产生每次的迭代参数；基于所述迭代参数，迭代更新卷积稀疏图X和卷积字典D，直至获得预训练模型；

步骤4：选取低剂量CT图像数据集，基于所述预训练模型在低剂量CT图像数据集上训练，直至获得降噪模型；

步骤5：基于所述降噪模型，对低剂量CT图像进行降噪处理。

2.根据权利要求1所述的低剂量CT图像降噪方法，其特征在于：步骤2中，通过初始化模块获得初始化卷积稀疏图X，所述初始化模块由不同卷积层的拼接和级联组成，输入带噪声图像和噪声标准差至所述初始化模块，获得初始化卷积稀疏图X,相应的卷积字典D用全0初始化。

3.根据权利要求1所述的低剂量CT图像降噪方法，其特征在于：步骤3中，超参数预测模块由两个卷积层和两个激活函数组成，输入噪声标准差至所述超参数预测模块，并将其和超参数预测模块末端的输出相乘，以获得更新卷积稀疏图X和卷积字典D所需的迭代参数。

4.根据权利要求1所述的低剂量CT图像降噪方法，其特征在于：步骤3中，卷积字典D的求解网络由4个卷积层、Relu激活函数和多尺度Inception模块组成。

5.根据权利要求1所述的低剂量CT图像降噪方法，其特征在于：步骤3中，卷积稀疏图X的求解网络以密集旁路连接下的U-Net结构为基础，相邻两层之间设有残差模块，每个残差模块包括多个残差单元。

6.根据权利要求1所述的低剂量CT图像降噪方法，其特征在于：步骤3中，引入X'和D'作为辅助变量，迭代更新卷积稀疏图X和卷积字典D；在第t次迭代中，输入的含噪图像Y同前一次迭代后的卷积稀疏图X(t-1)、卷积字典D(t-1)和超参数α_X(t)，经辅助变量X'求解模块求解获得X'(t),X'(t)再与超参数β_X(t)拼接，并用卷积稀疏图求解网络得出该次迭代后的卷积稀疏图X(t)；

含噪图像Y、超参数α_D(t)、前一次迭代后的卷积字典D(t-1)和该次迭代后的卷积稀疏图X(t)，经辅助变量D'求解模块求解获得D'(t)，D'(t)与超参数β_D(t)拼接并用卷积字典求解网络得出该次迭代后的D(t)，D(t)与X(t)逐层卷积并求和以重构出该次迭代后的图像Y(t)；

所述超参数α_X(t)、β_X(t)、α_D(t)、β_D(t)均通过超参数预测模块获得。

7.根据权利要求6所述的低剂量CT图像降噪方法，其特征在于：辅助变量X'求解模块与辅助变量D'求解模块分别基于快速傅里叶变换和最小二乘法，以求获得相应的闭合解。

8.根据权利要求1所述的低剂量CT图像降噪方法，其特征在于：步骤3中，每次迭代的损失函数由L1损失和MS-SSIM损失组成，两者比例的取值范围为[0,1]；第一次迭代的损失函数权重记为1，其余T-1次迭代的损失函数权重记为反向传播时使用所有T次迭代的损失函数总和。

9.根据权利要求1所述的低剂量CT图像降噪方法，其特征在于：步骤4中，基于预训练模型在低剂量CT图像数据集上训练，根据网络收敛情况调节初始学习率、学习率衰减时的迭代次数阈值和学习率衰减比例。

10.一种低剂量CT图像降噪装置，其特征在于，用于执行权利要求1-9任何一项所述的方法。