[发明专利]一种低剂量CT图像模拟方法

说明书

本发明提供一种低剂量CT图像模拟方法，包括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；对所述原始CT图像进行预处理，分别得到相应的原始CT图像数据；构建由生成网络和判别网络构成的CT图像模拟网络模型，并初始化网络参数；将所述原始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，直至得到网络的最优参数并保存；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。本发明得到与原始高剂量CT图像一一对应的低剂量CT图像，可以为CT重建、校正等算法的开发提供数据，以便进行训练、对比、验证、算法优化等工作。

技术领域

本发明涉及一种医学影像设备技术领域，尤其涉及一种低剂量CT图像模拟方法。

背景技术

电子计算机断层扫描（Computed Tomography，CT）具有扫描时间快，图像清晰等特点，可用于多种疾病的检查，已经成为医院中最重要的检查工具之一，CT扫描中的辐射问题也受到了越来越广泛的关注。因此，发展能够在CT扫描检测中减少对患者辐射剂量的新技术已经成为医学领域的迫切需求。

目前已有大量研究把卷积神经网络、生成对抗神经网络等深度学习方法运用到了低剂量CT图像重建中，并取得了良好的效果。这些深度学习方法在训练时要求训练数据（低剂量CT图像）和标签（高剂量CT图像）必须是一一对应的，但是在医学临床中符合这样要求的数据几乎不可能得到。因此，急需一种使用高剂量CT图像模拟出具有真实低剂量CT图像特征的低剂量CT图像的方法。

传统研究主要有以下几种方法：（1）在高剂量图片的基础上，直接添加泊松或高斯噪声，得到含噪声的低剂量图像；（2）在高剂量图片的基础上，利用解析正投方法得到含噪声的投影数据，并在此数据上进行反投重建，得到低剂量的图像；（3）以高剂量图片形成的3D图像为模体，输入到蒙特卡罗模拟器来生成投影数据，并在此数据上进行反投重建，得到低剂量的图像。

发明人在研究的时候，发现传统方法至少存在以下问题：1、添加的低剂量图像的噪声或者特征单一，无法模拟实际系统情况；2、模拟时间长（20节点的CPU电脑的模拟时间一般需要几天到十几天），参数调节困难。

发明内容

本发明要解决的技术问题，在于提供一种低剂量CT图像模拟方法，采用深度学习网络模型，自动捕获低剂量CT图像特征，将高剂量CT图像快速准确地转化为与之对应的低剂量CT图像。

本发明具体包括如下步骤：

一种低剂量CT图像模拟方法，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；

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。

进一步的，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。

进一步的，对所述原始高剂量CT图像和原始低剂量CT图像切割成设定大小的图像块，然后将CT值进行归一化，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。