[发明专利]一种面向能谱CT的投影域数据噪声去除方法

说明书

本发明公开一种面向能谱CT的投影域数据噪声去除方法，主要利用能谱CT高低能X射线条件下投影域数据高低能分量之间的信息互补去噪。首先由于低剂量CT投影数据的噪声特性可以近似为具有非线性信号相关方差的高斯分布，所以对能谱CT所获得的投影域数据高能分量和低能分量建立相应的加权最小二乘法框架可以很好进行表征，之后为了达到投影域数据高低能分量的信息交互，采用交替迭代的方式对加权最小二乘法框架进行优化求解，由于迭代过程是交替方向进行的，可以很好的在投影域数据高低能分量之间进行信息互补去噪。最后采用梯度下降法进行神经网络搭建并制作训练数据集对神经网络进行训练，得到优化后的去噪模型。

技术领域

本发明涉及能谱CT领域，尤其是针对低剂量条件下，用于能谱CT图像重建的投影域数据存在较多噪声，利用高低能信息互补去除投影域噪声的方法。

背景技术

目前，CT成像是最广泛应用的医学影像技术之一，CT以它高分辨率、高灵敏度、多层次等优势，发挥了有别于传统X线检查的巨大作用。CT成像技术己成为现代医学和工业重要的检测与诊断手段，且起着越来越重要的作用。随着CT采样技术的日益发展，能谱CT成像的概念于1975年被提出。相较于传统的单能CT能够提供病人的解剖结构信息以及组织的化学成分信息。因为物体对X射线的衰减取决于射线的能量大小，不同能量的采样会提供更多的物体内部信息。然而，CT检查过程中高的辐射剂量会导致相关癌症风险增大这一事实越来越受到关注。降低辐射剂量的同时保证最终重建得到高质量的CT图像已经成为医学成像领域的重点和难点。由于剂量的降低会导致获得的数据当中噪声加重，目前提出了许多方法来改善低剂量CT图像的质量。这些方法通常分为三类：对投影域数据滤波，迭代重建和图像后处理。例如采用双边滤波的方式处理投影域数据，之后采用滤波反投影进行重建；通过在目标图像的先验信息辅助下，基于字典学习的迭代去噪方法以及使用深度学习技术对低剂量条件下重建的图像进行后处理实现去噪等方法，本发明属于对投影域数据又称正弦图数据进行处理这一类。

为了在低剂量条件下重建出高质量的CT图像，对能谱CT在不同能量段下提供的信息进行融合已经成为趋势，尤其是对于投影直接获得的正弦数据进行处理，可以避免在之后重建过程中所带来的解析误差，从而重建出更加真实的图像。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种采用交替迭代方式进行低剂量能谱CT投影域数据噪声去除的方法，采用高低能投影数据信息融合去噪可以避免单纯进行正弦图滤波所造成的有效信息丢失问题，进而为之后图像重建提供更准确的输入数据，实现低剂量条件下的高质量CT图像重建，推动精准医疗的进一步发展。本发明将高能和低能条件下的投影域数据通过基于交替迭代方式构建的神经网络进行信息互补，实现低剂量条件下生成高质量的投影域数据。

本发明的目的是通过以下技术方案实现的：

一种面向能谱CT的投影域数据噪声去除方法，包括以下步骤：

(1)构建用于表示投影域数据噪声分布的加权最小二乘法噪声模型矩阵P；

(2)使用交替迭代法构建去除投影域噪声的去噪模型；

(3)采用梯度下降法搭建神经网络并制作数据集对去噪模型进行优化。

进一步的，步骤(1)具体包括：

参照公式(1)，其中，X₁代表能谱CT获得的含噪声的投影域数据低能分量矩阵，X₂代表能谱CT获得的含噪声的投影域数据高能分量矩阵，Y代表无噪声的投影域数据高能分量矩阵，Σ^-1表示对矩阵元素进行方差运算的计算法则；在0到1之间取值，初始值设为0.5；λ、γ为正则化约束矩阵的权重系数，初始值设为1，R₁和R₂为正则化约束矩阵；