[发明专利]低剂量CT投影图像生成模型建立方法及配对数据生成方法

说明书

本发明公开了低剂量CT投影图像生成模型建立方法及配对数据生成方法，属于图像处理技术领域，包括：获取真实的正常剂量投影图像并生成对应的低剂量投影图像，与真实低剂量投影图像构成样本数据集；建立生成对抗网络，其中的生成器用于修正初始低剂量投影图像，得到目标低剂量投影图像；判别器基于噪声分布判断低剂量投影图像的真伪；利用样本数据集训练生成对抗网络，损失函数为表示目标低剂量投影图像与真实低剂量投影图像之间的噪声损失，表示目标低剂量投影图像与初始低剂量投影图像之间的内容损失；训练结束后，提取生成器作为低剂量CT投影图像生成模型。本发明能够生成高质量的高低剂量CT投影图像配对数据，且不依赖真实配对数据。

技术领域

本发明属于图像处理技术领域，更具体地，涉及低剂量CT投影图像生成模型建立方法及配对数据生成方法。

背景技术

X射线计算机断层扫描(X-RayComputed Tomography,CT)是一种无创成像方式，广泛用于临床疾病检查与治疗过程。然而，CT扫描会使患者暴露于X射线电离辐射中，可能导致癌症、基因突变和其他疾病。因此，低剂量CT成像技术对于降低辐射诱发疾病的风险至关重要。

目前，为了降低CT扫描时的辐射剂量，主要采用降低X射线管的电流或者减少投影的个数等方法，这两种方式都会严重影响CT图像质量，干扰医生的诊断，甚至可能造成严重的医疗事故。因此，在降低X射线剂量的情况下如何保证CT图像的质量十分重要。对于低剂量CT图像的重建，优化其图像的算法主要分为两种，分别为基于迭代重建的算法和基于深度学习的算法。基于迭代重建的算法，如非局部均匀滤波，三维块匹配滤波算法等算法，其优化函数充分考虑了成像系统、统计噪声模型以及CT先验信息等因素，可以得到较好的效果，但存在计算复杂度高、速度较慢且需要人为的先验知识等缺点。相比之下，基于深度学习的方法具有更好的性能、处理速度，并具有摆脱人为先验知识的限制的潜力，因此可能实现更加优越的性能。

基于深度学习的方法通常需要大量低剂量及其对应的正常剂量的配对数据进行监督训练，采用卷积核逐步提取图像的低级和高级特征，采用损失函数评估网络输出与正常剂量图像的误差，以一种反向传播的方式来更新卷积核权重。然而在实际临床应用场景下，难以提供大量的高低剂量配对数据用来训练，因此如何在缺少配对数据的情况下实现基于深度学习的低剂量CT重建是一个十分关键且极具挑战性的课题，引起了众多研究者的关注。

目前，针对缺少配对数据的问题，已有研究团队提出了一些基于非配对学习的深度学习方法，主要分为直接策略和间接策略。直接策略直接向非配对正常剂量数据学习以去除低剂量图像中的噪声，如ISCL(Interdependent Self-Cooperative Learning)。间接策略即先从正常剂量图像模拟生成其对应的低剂量图像，再以配对学习的方式训练深度学习网络，如UIDNet(Unpaired Image Denoising with Conditional AdversarialNetworks)以及FBModel(Flow-Based Model)等。但是目前这些网络仍然存在问题，比如生成的低剂量图像可能丢失结构信息、引入原本不存在的结构，导致与正常剂量图像的内容不匹配，以及生成的图像中噪声特性与真实情况不符合等。

基于系统参数的物理方法模拟的低剂量投影图像与真实的低剂量投影图像具有较好的内容一致性，但噪声特性与真实低剂量投影图像的噪声特性并不相符。

总体而言，现有方法所生成的低剂量CT投影图像，相比于与正常剂量投影图像实际配对的低剂量投影图像仍存在一定的误差，这使得所生成的配对数据训练得到的深度学习去噪网络的性能，仍有待进一步提高。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了低剂量CT投影图像生成模型建立方法及配对数据生成方法，其目的在于，生成高质量的高低剂量CT投影图像配对数据，以解决深度学习网络在训练过程中较为依赖配对数据，而配对数据在实际临床场景中极难获得的问题。

为实现上述目的，按照本发明的一个方面，提供了一种低剂量CT投影图像生成模型建立方法，包括：