一种低剂量CT图像重建方法

技术领域

本发明属于医学图像处理技术领域，特别涉及一种低剂量CT图像重建方法。

背景技术

计算机断层扫描(Computed Tomography，CT)技术因其操作简单，价格低廉等优点，在临床的筛查、诊断影像引导放疗等方面得到广泛应用，然而过量的CT剂量会诱发白血病、癌症以及其他遗传性疾病。因此在实际运用中通过降低CT剂量来减弱辐射风险。但是辐射剂量的降低会导致图像出现严重的伪影与噪声污染，进而出现边缘、角落对比度降低等问题，导致CT图像质量的下降，严重影响下游医学图像处理任务和临床诊断的准确性。针对上述问题，现有低剂量CT图像去噪技术主要有传统滤波法、深度有监督学习去噪法和深度无监督学习去噪法，各自优缺点如下：

1、传统滤波法：基于人工设计的滤波卷积核，对输入图像直接做一次卷积运算，实现滤波效果，其中卷积核的大小、参数、卷积运算步长不可变。其存在的问题：由于根据定量数据人工设计的卷积核参数、大小、运算步长等参数不可变，因此只能适应采集到的数据中的噪音特性，无法适应其他CT设备、不同扫描参数下获得的图像噪音特性，因此不具备推广以及广泛适用性。

2、深度有监督学习去噪法：使用卷积神经网络或Tranformer模型构建低剂量CT去噪算法，结合同时采集的低-高剂量配对图像(或只采集高剂量，通过算法模拟低剂量噪音，修改高剂量影像图，从而获得低剂量图像)做有监督模型训练。其中网络模型采用编解码网络结构设计，编码网络负责提取重要的特征信息向量(例如边缘、纹理、内容等)，解码网络负责从编码后的特征向量还原图像。其存在的问题：在实际临床应用中，无法直接同时采集低-高剂量配对图像(医学伦理问题)，且通过模拟低剂量噪音特征并不能完全拟合真实低剂量噪音特性。因此有监督的深度学习算法在实际临床中难以被推广和应用。

3、深度无监督学习去噪法：模型算法中的网络结构设计与有监督学习的网络结构设计没有过多区别。主要区别在于监督信息的获取。无监督学习算法通常只需要待去噪的低剂量图像，通过构建例如相似度检验的算法，和另一张或多张低剂量图像经过重建后计算相似度，其中相似度检验算法与图像评价方法有关。获得相似度结果后，作为损失反向传播，更新网络参数。其存在的问题：目前的低剂量CT图像去噪无法同时兼顾无监督学习算法和不同噪音比例的降噪，临床使用时，对不同部位，管电流和放射时间不同，因此噪音水平有差异。

综上，上述已有的低剂量CT去噪算法通常会过滤高频分量中的噪音，反而导致过度过滤掉边缘和细节纹理信息，使得重建后的图像锐度下降(即信噪比降低)，对临床诊断造成额外影响。

发明内容

有鉴于此，本发明的目的在于提供一种低剂量CT图像重建方法。

本发明的目的可通过下列技术方案来实现：一种低剂量CT图像重建方法，其特征在于，包括以下步骤：

步骤A、获得两张不同的低剂量高噪音CT图像数据，一张作为输入图像I，另一张作为自监督图像T；

步骤B、随机选择3x3,7x7,11x11和15x15四种比例中的一种比例，将输入图像I随机切分为等比例图像块；

步骤C、对步骤B中的等比例图像块随机抹掉60％的图像块，将剩余40％图像块随机排序以及排序后的图像块序列位置信息，输入到算法模型；

步骤D、经过算法模型重建后，获得重建的图像

在上述的低剂量CT图像重建方法中，所述60％的图像块是通过椒盐噪音或高斯白噪音进行抹除。

在上述的低剂量CT图像重建方法中，还包括设置可控模块调节不同降噪比例的步骤，包括：增加输入降噪比例因子β，β范围0-1，0表示完全不降噪，1表示最大降噪程度。

在上述的低剂量CT图像重建方法中，所述设置可控模块调节不同降噪比例的过程进一步包括：在算法模型中输入β参数后经过2层隐藏层全连接神经网络变换，第一层全连接层包含20个神经元，然后经过Leaky-ReLU非线性激活后，再经过第二层全连接层包含20个神经元，再经过Leaky-ReLU非线性激活后，最后经过包含9个神经元的全连接层输出，输出经过Sigmoid归一化；将归一化后的9个全连接层重置为3x3矩阵，作为调节降噪比例的卷积核；将该卷积核与多头注意力特征提取的4层不同分辨率的特征图做卷积运算，最终获得特征向量为经过去噪比例调制后的向量。

在上述的低剂量CT图像重建方法中，所述可控模块的设置还包括其学习过程：第一步：将β置为0，使特征提取网络能够充分提取CT图像特征，该步骤自监督图像为原始图像；第二步：将β置为1，使特征提取网络学习最大比例降噪特征，该步骤自监督图像为其他图像。

在上述的低剂量CT图像重建方法中，所述步骤中还包括设置细粒度纹理提取的步骤：

步骤E1、对输入低剂量图像提取4个不同分辨率的降采样特征图；

步骤E2、对自监督数据同样提取4个降采样特征图，分别对4对特征图计算4个L1损失；

步骤E3、将4个损失计算加和，求取平均值；

步骤E4、将平均损失与无监督L1损失做加权平均：

在上述的低剂量CT图像重建方法中，所述步骤a中的降采样特征图是通过采用VGG-16ImageNet预训练网络提取获得。

在上述的低剂量CT图像重建方法中，所述算法模型通过以下步骤训练获得：

步骤F1、获得低剂量CT DICOM数据1；解析内部象素数据，转换为图像矩阵；大小规范为512*512像素点；

步骤F2、设置调节因子β为0，监督数据同样采用数据1；

步骤F3、对输入数据采用随机比例切分为图像块，并采用另一个随机变量抹除60％位置的图像块；对剩余的40％图像块编码为矩阵，同时获得对应该矩阵的图像块位置编码；

步骤F4、将步骤F3中切分后未抹除的原始图像块编码，作为模型解码器第一个注意力模块的输入；

步骤F5、将输入编码同时经过注意力编解码网络训练特征参数以及VGG-16纹理提取网络；通过迭代计算损失反向传播更新网络参数；

步骤F6、在第二步迭代训练过程中，设置调节因子β为1，监督数据再从数据集中随机采样；按照步骤4-8的方式完成第二步迭代训练；

步骤F7、最终网络用于预测。

与现有技术相比，本低剂量CT图像重建方法具有以下优点：

1、采用无监督算法，不需要高剂量CT监督数据，完全避免医学伦理问题；且可以源源不断地结合已有数据离线迭代模型，持续优化算法在真实CT数据上的去噪效果；

2、通过设计可控调节参数网络和卷积模块，使该算法在落地场景中，通过调节参数值控制去噪比例，符合医生工作需求；

3、通过CT影像检查病灶时，图像信噪比至关重要，提高纹理还原效果和信噪比能够显著避免医生对病灶的误诊或不确定性。

附图说明

图1是实施例中基于重建方法所对应的神经网络结构图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

实施例：

结合图1，本低剂量CT图像重建方法通过图示神经网络进行实施。神经网络结构具体包括三部分：可控模块部分、图像处理部分和自监督图像处理部分。

低剂量CT图像重建方法具体步骤如下：

步骤A、获得两张不同的低剂量高噪音CT图像数据，一张作为输入图像I，另一张作为自监督图像T；

步骤B、随机选择3x3,7x7,11x11和15x15四种比例中的一种比例，将输入图像I随机切分为等比例图像块；此处四种比例可根据实际需求设置，不做特殊限定。

步骤C、对步骤B中的等比例图像块采用椒盐噪音或高斯白噪音随机抹掉60％的图像块，将剩余40％图像块随机排序以及排序后的图像块序列位置信息，输入到算法模型；

此步骤中的算法模型通过以下步骤训练获得：

F1、获得低剂量CT DICOM数据1；解析内部象素数据，转换为图像矩阵；图像矩阵的大小规范为512*512像素点；

步骤F2、设置调节因子β为0，监督数据同样采用数据1。降噪比例因子β，β范围0-1，0表示完全不降噪，1表示最大降噪程度。如图1所示，输入β参数后经过2层隐藏层全连接神经网络变换，第一层全连接层包含20个神经元，然后经过Leaky-ReLU非线性激活后，在经过第二层全连接层包含20个神经元，再经过Leaky-ReLU非线性激活后，最后经过包含9个神经元的全连接层输出，输出经过Sigmoid归一化。将归一化后的9个全连接层重置为3x3矩阵，作为调节降噪比例的卷积核。将该卷积核与多头注意力特征提取的4层不同分辨率的特征图做卷积运算，最终获得特征向量为经过去噪比例调制后的向量。最后通过多头注意力模块堆叠方式解码，获得降噪输出CT图像。

步骤F3、对输入数据采用随机比例切分为图像块，并采用另一个随机变量抹除60％位置的图像块；对剩余的40％图像块编码为矩阵，同时获得对应该矩阵的图像块位置编码；

步骤F4、将步骤F3中切分后未抹除的原始图像块编码，作为模型解码器第一个注意力模块的输入；

步骤F5、将输入编码同时经过注意力编解码网络训练特征参数以及VGG-16纹理提取网络；通过迭代计算损失反向传播更新网络参数；

步骤F6、在第二步迭代训练过程中，设置调节因子β为1，监督数据再从数据集中随机采样；按照步骤4-8的方式完成第二步迭代训练；

步骤F7、最终网络用于预测。

使用模型时，加载网络参数，根据需要调节不同的降噪调节因子β。将β置为0，使特征提取网络能够充分提取CT图像特征，该步骤自监督图像为原始图像；将β置为1，使特征提取网络学习最大比例降噪特征，该步骤自监督图像为其他图像。

步骤D、经过算法模型重建后，获得重建的图像

其中，n为当前迭代训练周期内的批处理大小，i为当前批中的第i张图像。

结合图1，本重建方法了提高重建CT图像细节纹理信息，增加图像信噪比，本文提出通过对4个维度分辨率的降采样特征提取层输出计算纹理损失，作为额外的损失信息。具体方法：

E1、采用VGG-16ImageNet预训练网络对输入低剂量图像提取4个不同分辨率的降采样特征图；

E2、对自监督数据同样提取4个降采样特征图，分别对4对特征图计算4个L1损失；

E3、将4个损失计算加和，求取平均值；

E4、将平均损失与无监督L1损失做加权平均：

本发明的低剂量CT图像重建方法在去噪过程中仍然能够提升图像信噪比和细节纹理，并且能够实现主动调节降噪比，实用性好。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。