[发明专利]一种基于图像增强和扩散模型的低剂量CT图像降噪方法

说明书

本发明提供了一种基于图像增强和扩散模型的低剂量CT图像降噪方法,S1：构建低剂量CT图像样本集，对进行多步处理以达到的成像水平；S2：将通过滤波器，得到输出；S3：对进行CT图像特征增强，得到输出；S4：通过残差卷积模块对图像进行降噪重建，输出图像；S5：将输入到公开的深度生成模型扩散去噪模型（DDPM）中，将原始数据分布变为正态分布，使用参数化的U‑Net神经网络将从正态分布恢复到原始数据分布。通过本发明的技术方案，采用基于视觉Transformer和扩散概率模型的低剂量CT图像联合降噪技术来实现降低CT图像噪点以达到提升图像质量的目标。具体实施时，本发明技术方案可采用计算机软件技术实现自动运行流程。

技术领域

本发明涉及医学图像重建技术领域，具体而言，特别涉及一种基于图像增强和扩散模型的低剂量CT图像降噪方法。

背景技术

现代医疗诊断的方法近年来发展迅速，其中最重要的工具是计算机断层扫描CT，其通常用于帮助诊断复杂的骨折、肿瘤、心脏病、肺气肿等，但由于患者暴露于不同时间的放射性波，CT会增加人类从医疗器械中接收的辐射，甚至导致其成为继背景辐射之后影响人类的第二大辐射源。减少CT扫描中射线的剂量已成为一种趋势，但这会导致诸如噪声增加、边缘、角落和锐利特征的对比度降低以及图像过度平滑等负面效果。

为了解决这个固有的物理问题，已经涌现出很多深度卷积网络方法来提高低剂量CT图像的质量，但现有的卷积网络方法会面临诸如过度平滑、边缘丢失和纹理细节破坏等问题，而卷积神经网络本质上是隐含地将降噪与全局范围内的操作联系起来，而忽略了利用局部视觉信息。视觉Transformer中的局部注意力机制对局部乃至全局的特征增强和扩散模型的高质量图像生成在许多计算机视觉任务中取得了巨大成功，包括图像恢复和重建领域，而在医学图像数据集上的利用目前还处于起步阶段；扩散概率模型应用在核磁共振影像的分割和检测中已经取得了初步的成效，但在CT图像的应用场景中仍有待开发。因此，采用先进技术提高降噪后的低剂量CT图像质量仍然是研究人员需要解决的关键问题。

发明内容

为了弥补现有技术的不足，本发明提供了一种基于图像增强和扩散模型的低剂量CT图像降噪方法。

本发明是通过如下技术方案实现的：一种基于图像增强和扩散模型的低剂量CT图像降噪方法，具体包括以下步骤：

 S1：构建低剂量CT图像样本集，其中为低剂量CT图像，为普通剂量CT图像，对进行多步处理以达到的成像水平；

S2：将通过滤波器，得到输出；

S3：对进行CT图像特征增强，通过局部注意力模块，在图像空间域应用滑动窗口计算注意力，在特征空间域应用聚类计算注意力，最终得到输出；

S4：通过残差卷积模块对图像进行降噪重建，输出图像；对经过纹理增强后的图像进行降噪可以在获得降噪效果的同时不丢失纹理细节；

S5：将输入到公开的深度生成模型扩散去噪模型（DDPM）中，模型分为扩散过程和逆扩散过程两个阶段，在扩散阶段，通过不断对添加高斯噪声，将原始数据分布变为正态分布；在逆扩散阶段，使用参数化的U-Net神经网络将从正态分布恢复到原始数据分布。

作为优选方案，步骤S2具体包括以下步骤：

S2-1：将两种类型包括垂直、水平方向的算子定义为一组，与进行卷积运算，获得一组特征图，以提取边缘信息；

S2-2：将上一步输出的特征图与在通道维度上叠加，得到该模块的最终输出；

(1)

其中，表示利用算子进行卷积运算。

作为优选方案，步骤S3具体包括以下步骤：

S3-1：利用公开的预训练模型ViT中线性嵌入层的操作,对进行变换得到该模块的输入；