一种超低剂量CT图像去噪方法、系统及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115937036A(43)申请公布日2023.04.07(21)申请号202211642407.5(22)申请日2022.12.20(71)申请人广东祈福医院有限公司地址511495广东省广州市番禺区鸿福路1号、3号(72)发明人周成刘洋(74)专利代理机构广州名扬高玥专利代理事务所(普通合伙)44738专利代理师马坤(51)Int.Cl.G06T5/00(2006.01)G06T5/50(2006.01)G06N3/0464(2023.01)G06N3/0895(2023.01)权利要求书2页说明书8页附图2页(54)发明名称一种超低剂量CT图像去噪方法、系统及装置(57)摘要本公开涉及一种超低剂量CT图像去噪方法、系统及装置，方法包括将CT图像输入到自监督深度学习去噪网络中进行去噪处理，去噪网络通过如下步骤构建：获取噪声图像组，采集噪声图像块作为第一图像块，在噪声图像相邻两层图像中采集第一相似图像块，获取第一图像块的去噪图像块，构建第一网络约束项，获取噪声图像的去噪图像，在去噪图像组中同一空间位置获取去噪组第一图像块和第一相似图像块，根据上述四个图像块构建第二网络约束项，根据第一网络约束项和第二网络约束项结合去噪网络超参数进行约束收敛训练。系统和装置用于执行上述方法。本公开可对超低剂量CT图像进行有效去噪，降低了去噪方法中对干净图像、类似图像、噪声先验等方面的需求。CN115937036ACN115937036A权利要求书1/2页1.一种超低剂量CT图像去噪方法，其特征在于，将CT图像输入到自监督深度学习去噪网络中进行去噪处理；所述自监督深度学习去噪网络通过如下步骤构建：S01、获取多张逐层相邻的噪声图像构成噪声图像组y，y＝(y1，y2…yn)；构建初始的自监督深度学习去噪网络；S02、采集所述噪声图像组y中第m层噪声图像的噪声图像块，记为第一图像块f1(ym)，m∈[1，n]，并在所述第m层噪声图像的相邻层图像中采集与所述第一图像块f1(ym)最相似的图像块，记为第一相似图像块f2(yq)，q＝m+1，或q＝m‑1；将所述第一图像块f1(ym)和所述第一相似图像块f2(yq)组成图像块对(f1(ym)，f2(yq))；S03、将所述第一图像块f1(ym)输入到步骤S01的自监督深度学习去噪网络中，获得去噪图像块fθ(f1(ym))；S04、根据所述去噪图像块fθ(f1(ym))和所述第一相似图像块f2(yq)的图像差异构建关于所述自监督深度学习去噪网络的第一网络约束项L1；S05、将所述噪声图像组y输入到步骤S01的自监督深度学习去噪网络中，获得去噪图像组fθ(y)；S06、在所述去噪图像组fθ(y)中采集与所述第一图像块f1(ym)相同空间位置的去噪组第一图像块f1(fθ(ym))，以及与所述第一相似图像块f2(yq)相同空间位置的去噪组第一相似图像块f2(fθ(yq))；S07、根据所述去噪图像块fθ(f1(ym))、所述第一相似图像块f2(yq)、所述去噪组第一图像块f1(fθ(ym))和所述去噪组第一相似图像块f2(fθ(yq))构建关于所述自监督深度学习去噪网络的第二网络约束项L2；S08、结合所述第一网络约束项L1、第二网络约束项L2和所述自监督深度学习去噪网络的超参数λ，构建约束关系式p，根据所述约束关系式p对所述超参数λ进行调整并更新所述自监督深度学习去噪网络；S09、遍历所述噪声图像组y的各层噪声图像，重复所述步骤S02～S08直至所述约束关系式p的值收敛时退出循环，所述自监督深度学习去噪网络训练完成。2.根据权利要求1所述超低剂量CT图像去噪方法，其特征在于，步骤S04中，所述第一网络约束项L1为：3.根据权利要求2所述超低剂量CT图像去噪方法，其特征在于，步骤S07中，所述第二网络约束项L2为：4.根据权利要求3所述超低剂量CT图像去噪方法，其特征在于，步骤S08中，所述约束关系式p为：p＝L1+λL2。5.根据权利要求1所述超低剂量CT图像去噪方法，其特征在于，步骤S02、S06中，所述第一相似图像块f2(yq)、所述去噪组第一图像块f1(fθ(ym))和所述去噪组第一相似图像块f2(fθ(yq))均通过相似图像块采样器fk获取。2CN115937036A权利要求书2/2页6.根据权利要求1所述超低剂量CT图像去噪方法，其特征在于，所述自监督深度学习去噪网络采用U‑Net深度学习网络框架。7.一种超低剂量CT图像去噪系统，其特征在于，包括：去噪模块，其用于将CT图像输入到自监督深度学习去噪网络中进行去噪处理；构建模块，其用于通过如下步骤构建所述自监督深度学习去噪网络：S01、获取多张逐层相邻的噪声图像构成噪声图像组y，y＝(y1，