一种用于低剂量CT图像去噪的浅层残差编解码递归网络.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110223255A(43)申请公布日2019.09.10(21)申请号201910499262.X(22)申请日2019.06.11(71)申请人太原科技大学地址030024山西省太原市万柏林区窊流路66号(72)发明人崔学英张雄刘斌上官宏王安红(74)专利代理机构太原中正和专利代理事务所(普通合伙)14116代理人焦进宇(51)Int.Cl.G06T5/00(2006.01)G06T11/00(2006.01)权利要求书1页说明书4页附图9页(54)发明名称一种用于低剂量CT图像去噪的浅层残差编解码递归网络(57)摘要本发明属于图像处理技术领域，具体涉及一种基于残差编解码网络的低剂量CT图像去噪递归算法；具体技术方案为：一种用于低剂量CT图像去噪的浅层残差编解码递归网络，递归浅层残差编解码网络通过减少残差编解码网络中的层数和卷积核的个数以降低网络的复杂度，利用递归过程提升了网络的性能，该算法通过网络训练学习端对端的映射以获取优质图像，在每次递归时，都将原始的低剂量CT图像级联到下一次的输入，可有效地避免图像在多次递归后失真的问题，能够更好地提取图像特征，保留图像的细节信息，本发明不仅可以降低网络的复杂度，还能提高网络性能，使得去噪后的图像很好地保留了图像细节，图像结构更加清晰。CN110223255ACN110223255A权利要求书1/1页1.一种用于低剂量CT图像去噪的浅层残差编解码递归网络，其特征在于，具体操作步骤如下：步骤一、布置浅层残差编解码网络该网络结构包括8层，由对称排列的4个卷积层和4个去卷积层组成，每个卷积层后设有ReLU激活函数，该网络结构去除了池化层，4个卷积层组成了堆栈编码器，4个去卷积层组成了堆栈解码器，每个卷积层都将提取的特征跳跃连接到对称的去卷积层上，前七层中均设有64个卷积核，最后一层设有一个卷积核，最后一层通过卷积得到去噪后的图像；步骤二、递归浅层残差编解码网络在每一次递归时，将原始低剂量CT图像与上一次递归后的去噪图像级联作为下一次递归的输入，网络的递归过程可表示为：其中，S为递归次数，X为网络输入,RED-Net为布置的残差编解码网络，Os为第s次递归所得的去噪CT图像，fin是第s次递归的输出Os与原始低剂量CT图像X级联操作，Is+1为第s+1次递归的输入，即级联后图像；步骤三、设计损失函数残差编解码递归网络是从低剂量CT图像到标准计量图像的端对端映射，通过网络学习映射F；给定训练数据集D＝{(x1,y1),(x2,y2),…,(xN,yN)}，其中，{xi}，i＝1,2,…,N是从低剂量CT图像中抽取的图像块，{yi}，i＝1,2,…,N是从标准剂量CT图像中抽取的图像块，N是训练样本的总数；映射F中的参数可通过最小化下列目标函数得到步骤四、选取优化算法采用Adam算法来优化；步骤五、从含有标准剂量CT图像和低剂量CT图像的数据集中提取图像块集；步骤六、通过数据集训练网络，得到由低剂量图像到标准剂量图像的映射关系F；将低剂量CT图像输入设计好的递归残差编解码网络中，得到最终的去噪图像。2CN110223255A说明书1/4页一种用于低剂量CT图像去噪的浅层残差编解码递归网络技术领域[0001]本发明属于图像处理技术领域，具体涉及一种基于残差编解码网络的低剂量CT图像去噪递归算法。背景技术[0002]X射线计算机断层扫描(CT)提供人体的主要解剖和病理信息，用于医学诊断和治疗。然而CT扫描时产生的电离辐射会对患者身体产生危害，甚至可能引发癌变，所以低剂量CT应用而生。一种简单易操作的降低辐射剂量的方法是降低射线管电流，但是该方法可导致投影数据的信噪比降低，使得应用滤波反投影(FBP)算法重建的CT图像中含有明显的条形伪影和噪声，影响医师的诊断。如何从原始的含噪投影数据重建高质量的CT图像已得到了广泛的关注。[0003]现有的处理方法主要有三大类：投影域滤波算法，迭代重建算法和后处理方法。前两种算法都是对原始的投影数据做处理，但研究者往往由于原始数据的获取困难而导致研究受阻。后处理方法是直接对重建后的CT图像处理，得到的算法可以容易地植入到CT系统中而备受关注。[0004]深度学习由于其提取特征的能力被用于图像分割、超分辨率重构、目标检测与识别中，近年来也被用于低剂量CT图像去噪方面。KangEunhee于2017年在MedicalPhysics(医学物理)期刊上发表的文章“Adeepconvolutionalneuralnetworkusingdirectionalwaveletsforlow-doseX-rayCTreconstruction”(基于方向小波深度卷积神经网络的低剂量CT重建)中提出了一个