基于残差网络的CT图像几何伪影评价方法

技术领域

本发明涉及CT图像处理技术领域，尤其涉及一种基于残差网络的CT图像几何伪影评价方法。

背景技术

实际系统几何参数与理想几何参数的偏差导致CT重建图像中存在几何伪影。几何伪影严重影响CT重建图像质量，导致图像模糊，边缘出现重影，是阻碍CT向智能化、高精度发展的关键因素之一。几何伪影校正是CT系统获得高质量三维重建图像的前提。几何伪影校正方法的性能决定着CT图像的精度。评价图像几何伪影严重程度一方面可以刻画系统几何参数失配程度，用于CT系统质量控制，另一方面可以公平客观评价几何伪影校正方法的精度，筛选几何伪影校正方法。

发明内容

为了能够刻画系统几何参数失配程度，用于CT系统质量控制，本发明提供一种基于残差网络的CT图像几何伪影评价方法，能够利用深度网络快速准确完成CT图像几何伪影评价。几何伪影评价是根据图像中的伪影程度对图像分级，其本质是一个多分类问题，本发明为基于残差网络的CT图像几何伪影评价方法，通过构建大规模的数据样本，将几何伪影程度分为无、轻微和重度几何伪影三个级别，然后设计合理的深度残差网络模型，实现了CT重建图像几何伪影程度精准分级。

本发明提供的基于残差网络的CT图像几何伪影评价方法，包括以下步骤：

步骤1：基于CT图像特性，制作匹配的训练样本数据集；

步骤2：以残差网络Resnet50作为基础网络，通过减小卷积残差块步长和添加注意力模块设计得到几何伪影评价网络；

步骤3：利用所述训练样本数据集对所述几何伪影评价网络进行训练；

步骤4：将待评价CT图像输入训练好的几何伪影评价网络，得到其几何伪影级别。

进一步地，所述步骤1具体包括：

通过改变Δu

将所述带有不同几何伪影程度的CT图像分为无几何伪影、轻微几何伪影和重度几何伪影三个类别，并为三种类别图像分别设置类别标签；

每个CT图像与其类别标签组成一个训练样本，所有的训练样本组成训练样本数据集。

进一步地，所述步骤2具体包括：

以残差网络Resnet50作为基础网络，将原始残差网络Resnet50中的第二个卷积残差块的步长由2减为1；

在每个卷积残差块中均添加注意力模块，所述注意力模块包含2个独立的子模块，分别为：通道注意力模块和空间注意力模块，2个子模块分别用于进行通道和空间的注意；

在几何伪影评价网络中给定中间特征图F作为注意力模块的输入，注意力模块依次计算出一维通道注意力图M

进一步地，所述通道注意力模块分别利用全局平均池化和全局最大池化聚合输入特征图F的空间信息，分别得到特征图

进一步地，所述空间注意力模块在通道轴上利用全局平均池化和全局最大池化生成输入特征图F’的全局平均池化特征和全局最大池化特征，然后将所述全局平均池化特征和所述全局最大池化特征做通道拼接后，再依次经过一个7×7的卷积层和sigmoid函数生成二维空间注意力图M

本发明的有益效果：

本发明提供的基于残差网络的CT图像几何伪影评价方法，首先创新性地通过改变敏感几何参数构建了包含不同几何伪影程度的数据集，然后设计了CT图像几何伪影评价网络。几何伪影评价网络以Resnet50网络作为基础结构，通过减小卷积残差块步长和添加注意力模块设计了几何伪影评价网络。使用残差块结构提取更高维度的图像特征；在卷积残差模块中添加注意力模块，挖掘通道层面和空间维度特征，进一步聚焦图像边缘特征，提升几何伪影评价网络分级评价效果。训练完成的几何伪影评价网络能够以高准确率评价CT图像伪影程度。

附图说明

图1为本发明实施例提供的基于残差网络的CT图像几何伪影评价方法的流程示意图；

图2为本发明实施例提供的几何伪影评价网络的整体结构图；

图3为本发明实施例提供的几何伪影评价网络中Conv Block残差块的结构图；

图4为本发明实施例提供的几何伪影评价网络中ID Block残差块的结构图；

图5为本发明实施例提供的注意力模块结构图

图6为本发明实施例提供的通道注意力模块的结构图；

图7为本发明实施例提供的空间注意力模块的结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供一种基于残差网络的CT图像几何伪影评价方法，包括以下步骤：

S101：基于CT图像特性，制作匹配的训练样本数据集；

具体地，系统几何参数偏差的大小反映了重建图像几何伪影的严重程度。为了获得不同严重程度的几何伪影，本发明实施例选取几何参数中最敏感的参数u

理论上，Δu

通过比对Δu

因此，本发明实施例在构建训练样本数据集时，主要包括以下子步骤：

S1011：通过改变Δu

S1012：结合人为经验和Δu

具体地，无几何伪影表现为图像清晰，视觉上观察不到几何伪影。轻微几何伪影对应几何参数有一定的偏差，但是在视觉上伪影并不明显。重度几何伪影图像几何参数偏差大，且在视觉上伪影明显。

需要说明的是，为了保存CT图像的结构信息，在构建训练样本数据集时，每一张CT图像以矩阵形式保存。

S1013：每个CT图像与其类别标签组成一个训练样本，所有的训练样本组成训练样本数据集。

S102：以残差网络Resnet50作为基础网络，通过减小卷积残差块步长和添加注意力模块设计得到几何伪影评价网络；

具体他，减小卷积残差块步长可以帮助网络提取更加全面的特征，添加注意力模块则可以使网络进一步挖掘通道层面和空间维度的特征，更加有效提取CT图像中的边缘特征信息，提高伪影分级评价准确度。本发明实施例设计得到的几何伪影评价网络的整体结构如图2所示。

作为一种可实施方式，几何伪影评价网络的结构设计包括如下过程：

以残差网络Resnet50作为基础网络，将原始残差网络Resnet50中的第二个卷积残差块的步长由2减为1；

在每个卷积残差块中均添加注意力模块，如图5所示，所述注意力模块包含2个独立的子模块，分别为：通道注意力模块和空间注意力模块；2个子模块分别用于进行通道和空间的注意；

在几何伪影评价网络中给定中间特征图F作为注意力模块的输入，注意力模块依次计算出一维通道注意力图M

其中，如图6所示，所述通道注意力模块分别利用全局平均池化和全局最大池化聚合输入特征图F的空间信息，分别得到特征图

如图7所示，所述空间注意力模块在通道轴上利用全局平均池化和全局最大池化生成输入特征图F’的全局平均池化特征和全局最大池化特征，然后将所述全局平均池化特征和所述全局最大池化特征做通道拼接后，再依次经过一个7×7的卷积层和sigmoid函数生成二维空间注意力图M

作为一种可实施方式，几何伪影评价网络中的Conv Block残差块(也称卷积残差块)的结构如图3所示，图3中的“CBAM”即为添加的注意力模块。

作为一种可实施方式，几何伪影评价网络中的ID Block残差块的结构如图4所示。

需要说明的是，由于构建的训练样本数据集是采用矩阵方式保存，因此，数据集大小比较大(可以达到10多G)，本发明实施例构建的几何伪影评价网络充分考虑了数据集的大小，所选择的网络深度适中，评价效果较好。

S103：利用所述训练样本数据集对所述几何伪影评价网络进行训练；

具体地，可以在AMAX工作站上的Tensorflow深度学习框架下完成训练和测试工作。AMAX工作站具有两个CPU，型号为Intel Xeon E5-2640 v4，内存大小为64GB，还有四个GPU，型号为Geforce GTX 1080Ti，显存大小为11GB。

S104：将待评价CT图像输入训练好的几何伪影评价网络，得到其几何伪影级别。

本发明提供的基于残差网络的CT图像几何伪影评价方法，首先创新性地通过改变敏感几何参数构建了包含不同几何伪影程度的数据集，然后设计了CT图像几何伪影评价网络。几何伪影评价网络以Resnet50网络作为基础结构，通过减小卷积残差块步长和添加注意力模块设计了几何伪影评价网络。使用残差块结构提取更高维度的图像特征；在卷积残差模块中添加注意力模块，挖掘通道层面和空间维度特征，进一步聚焦图像边缘特征，提升几何伪影评价网络分级评价效果。训练完成的几何伪影评价网络能够以高准确率评价CT图像伪影程度。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。