[发明专利]一种低剂量CT图像模拟方法

权利要求书

1.一种低剂量CT图像模拟方法，其特征在于，包括如下步骤：

步骤10、获取非一一对应的原始高剂量CT图像和原始低剂量CT图像；所述“非一一对应的原始高剂量CT图像和原始低剂量CT图像”包括不同人体同一部位的原始高剂量CT图像和原始低剂量CT图像，以及同一人体同一部位的原始高剂量CT图像和原始低剂量CT图像；

步骤20、对所述原始高剂量CT图像和原始低剂量CT图像进行预处理，分别得到原始高剂量CT图像数据和原始低剂量CT图像数据；

步骤30、构建由低剂量生成网络、高剂量生成网络、低剂量判别网络和高剂量判别网络构成的CT图像模拟网络模型，并初始化网络参数；

步骤40、将所述原始高剂量CT图像数据和原始低剂量CT图像数据输入所述CT图像模拟网络模型，交替训练所述生成网络和判别网络，直至得到网络模型的最优参数并保存, 步骤40具体为:

步骤41、随机选取原始高剂量CT图像数据通过低剂量生成网络得到生成低剂量CT图像数据；

步骤42、随机选取原始低剂量CT图像数据通过高剂量生成网络得到生成高剂量CT图像数据；

步骤43、将所述原始高剂量CT图像数据与所述生成高剂量CT图像数据输入高剂量判别网络，通过公式1计算损失L_adv1:

L_adv1=E[(D_A(A)-1)²]+E[D_A(G_BA(B))²] 公式1

其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，D_A是高剂量判别网络，G_BA是高剂量生成网络；

步骤44、将所述原始低剂量CT图像数据与所述生成低剂量CT图像数据输入低剂量判别网络，通过公式2计算损失L_adv2，

L_adv2=E[(D_B(B)-1)²]+ E[D_B(G_AB(A))²] 公式2

其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，D_B是低剂量判别网络，G_AB是低剂量生成网络；

步骤45、通过公式3计算低剂量生成网络的损失Loss_GAB，

Loss_GAB=E[||G_BA(G_AB(A))-A||₁]+E[D_A(G_BA(B))-1)²] 公式3

其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，D_A是高剂量判别网络，G_AB是低剂量生成网络；G_BA是高剂量生成网络；

步骤46、通过公式4计算高剂量生成网络的损失Loss_GBA，

Loss_GBA=E[||G_AB(G_BA(B))-B||₁]+E[D_B(G_AB(A))-1)²] 公式4

其中，A是原始高剂量CT图像数据，B是原始低剂量CT图像数据，E表示求取均值，D_B是低剂量判别网络，G_AB是低剂量生成网络；G_BA是高剂量生成网络；

步骤47、更新训练网络的参数并重复以上步骤，直至L_adv1、L_adv2、Loss_GAB和Loss_GBA均达到最小值时，将低剂量生成网络、高剂量生成网络、低剂量判别网络和高剂量判别网络的参数作为最优参数并保存；

步骤50、向设置为最优参数的所述低剂量CT图像模拟网络模型输入高剂量CT图像，即可生成与所述高剂量CT图像一一对应的模拟低剂量CT图像。