[发明专利]一种基于区别性字典的低剂量CT图像处理方法

摘要

本发明公开了一种基于区别性字典的低剂量CT图像处理方法，首先使用静态小波变换对待处理的低剂量CT图像进行单层分解，然后对水平、垂直和对角方向的高频细节图像分别进行对应的区别性字典表达并去伪影，从而达到抑制星条状伪影在不同方向的高频细节图像中的信息强度；之后根据处理后的水平、垂直和对角方向的高频细节图像以及原来的低频图像进行逆静态小波变换来重建得到伪影抑制后的CT图像；最后利用现有的传统基于字典学习的稀疏表达方法对图像进行进一步处理，以去除残留的伪影和噪声。本发明可以有效抑制低剂量CT图像内的星条状伪影和噪声，提高低剂量CT图像质量，使其满足临床诊断的质量要求。

主权项

一种基于区别性字典的低剂量CT图像处理方法，其特征在于，包括以下步骤：步骤1、使用静态小波变换对待处理的低剂量CT图像f做单层的分解，分别得到分解后的水平、垂直和对角方向的高频细节图像f_chd、f_cvd、f_cdd以及低频图像f_ca；之后分别对训练集图像库中的低剂量和高剂量的高频细节图像进行字典学习，得到三个区别性字典和具体的，使用Haar小波的高频和低频滤波器，沿低剂量CT图像f^TL的水平和垂直方向分别进行高频和低频滤波，对得到的图像取原图像大小的中间区域，得到水平方向的高频细节图像沿图像f^TL的垂直和水平方向分别做高频和低频滤波，对得到的图像取原图像大小的中间区域，得到垂直方向的高频细节图像沿图像f^TL的垂直和水平方向分别做高频滤波，对得到的图像取原图像大小的中间区域，得到对角方向的高频细节图像人工提取中平坦区域的伪影图块，并利用K‑SVD算法进行字典训练，得到对应于水平、垂直和对角细节的三个伪影字典和对高剂量图像f^TH同样进行小波分解，得到水平、垂直和对角细节图像直接对其进行K‑SVD字典训练，得到对应于水平、垂直和对角细节的三个特征字典和将两种字典进行合并，得到水平、垂直和对角细节的三个区别性字典和步骤2、对水平、垂直和对角方向的高频细节图像f_chd、f_cvd、f_cdd分别用对应的区别性字典进行表示，之后将对应区别性字典中伪影原子表达的部分进行去除，得到处理后的水平、垂直和对角方向的高频细节图像具体的，对于水平细节图像f_chd，代入下面(1)式的f，$\begin{array}{cccc}\underset{D,\mathrm{\α}}{min}\underset{ij}{\Σ}\left|\right|{\mathrm{\α}}_{ij}|{|}_0& s.t.& \left|\right|R_{ij}f-{\mathrm{D\α}}_{ij}|{|}_2^2\≤\mathrm{\ϵ}& \∀i,j\end{array}---\left(1\right)$其中，下标ij指示了图像中的像素索引(i,j)；R_ij表示从图像x中提取大小为n×n中心在(i,j)的图块x_ij的算符；字典D是一个n×K的矩阵，由K个n维向量原子组成；每个n维列向量对应一个n×n图块；α表示所有块的稀疏表示的系数集合{α_ij}_ij，每一个图块x_ij由线性组合Dα_ij来近似表示；||α_ij||₀表示l⁰范数，用来计算向量α_ij中的非零项数目；将字典带入(1)式中的D，利用OMP算法求(1)式得稀疏系数α，之后将稀疏系数中对应区别性字典前M列的伪影原子的系数置为零，即将α中前M行置为零，得到处理后的系数α^p，再将α^p与f_chd代下面入(2)式中的α与f得到去伪影后的水平细节图像$\tilde{f}={(I+\mathrm{\μ}\underset{ij}{\Σ}{R}_{ij}^T{R}_{ij})}^{-1}(f+\mathrm{\μ}\underset{ij}{\Σ}{R}_{ij}^T{\mathrm{D\α}}_{ij})---\left(2\right)$其中，I为单位矩阵，μ为权重系数，同理，对f_cvd和f_cdd利用和采取相同的步骤，得到去伪影后的垂直细节图像和对角细节图像步骤3、对处理后的水平、垂直和对角方向的高频细节图像以及原来的低频图像f_ca进行逆静态小波变换重建，得到伪影抑制的CT图像对于逆静态小波重建，具体的计算为：使用Haar小波的高频和低频滤波器，首先对未处理的小波空间低频图像分量f_ca沿水平和垂直方向分别进行低频和低频滤波得到对步骤2处理后的小波空间水平方向高频细节图像分量沿水平和垂直方向分别进行高频和低频滤波得到对步骤2处理后的小波空间垂直方向高频细节图像分量沿水平和垂直方向分别进行高频和低频滤波得到对步骤2处理后的小波空间对角方向高频细节图像分量同样的沿水平和垂直方向分别进行高频和低频滤波得到最后将得到的和相加，对得到的图像取原图像大小的中间区域，就可以得到逆静态小波重建，即伪影得到抑制的图像