[发明专利]用于LDCT图像去噪的高频敏感GAN网络

说明书

本发明属于CT图像处理技术领域，具体涉及一种用于LDCT图像去噪的高频敏感GAN网络，采用两级嵌套生成器，将LDCT图像分解成高频和低频两部分进行处理，一级生成器采用U‑Net处理高频部分，生成的高频图像与低频图像叠加作为二级生成器的输入，从而生成最终去噪图像，在一级生成器中加入了衡量高频网络生成的高频图像与NDCT高频分量之间L₁距离的细节损失L_D项来约束高频部分生成的图像质量，在二级生成器中加入衡量二级U‑Net网络生成的去噪图像与NDCT图像之间L₁距离的L_G项，将inception模块融入到判别器网络中，用于提取真假图片的多尺度特征，使得去噪后的图像纹理细节以及清晰度更接近于真实图像。

技术领域

本发明属于CT图像处理技术领域，具体涉及一种用于LDCT图像去噪的高频敏感GAN网络。

背景技术

自20世纪70年代引入X射线计算机断层扫描成像(CT)技术以来，CT图像被广泛应用于医学，在临床医学上，在确保可接受的诊断准确性的前提下，同时应尽可能将辐射降到最低。然而，辐射剂量的降低往往导致重建后的图像中含有放大的斑驳噪声和非平稳条纹伪影，这将会导致图像质量下降，进而对临床诊断产生不利影响。人们已经在最佳的扫描协议、先进的硬件技术和先进的图像重构算法等方面做了大量的努力，以提高低剂量CT重建图像的质量，但是硬件提升成本相对较高，去噪效果不是很理想。

在图像重构算法方面，最常用的投影域方法是滤波反投影算法(FBP)，但这类方法有两个主要的局限，一方面是这些技术是特定于供应商的，用户和其他供应商无法获得扫描仪几何矫正步骤的详细信息；另一方面是受到剩余伪影和较高计算成本的困扰。

近年来，深度卷积神经网络(CNN)的爆炸性发展在医学成像领域中展现出巨大的潜力，基于CNN强大的特征学习和映射能力，从网络结构和目标函数的角度出发，学者们提出了多种基于CNN的LDCT图像去噪方法。传统的CNN网络采用单损失函数来优化网络，相比较而言，生成对抗性网络(GAN)生成器和判别器对抗训练在图像处理方面展现更好的性能。目前出现许多占主流趋势的GAN重构算法网络，例如，WGAN、SAGAN以及pix2pix等网络在去噪方面取得不错的效果。然而，这些网络没有针对于CT图像特殊性将图像分频处理，也未进一步改进GAN网络的判别器来内部优化生成器。

发明内容

为解决现有技术存在的技术问题，本发明提供了一种用于LDCT图像去噪的高频敏感GAN网络，相对于现有的去噪算法，对不同低剂量CT图像去除噪声和抑制伪影的效果明显提高，去噪后的图像视觉效果好，去噪模型具有很好的泛化能力。

为实现上述目的，本发明所采用的技术方案为：用于LDCT图像去噪的高频敏感GAN网络，具体结构如下：

一、建立去噪模型，X表示为LDCT图像(低剂量CT)，Y表示为NDCT图像(正常剂量CT)；

二、构建去噪网络框架：

a、采用两级生成器结构的生成器，生成器以GAN(生成式对抗网络)为基线模型，采用两级嵌套生成器，将LDCT图像分解为高频分量和低频分量，一级U-Net(卷积神经网络)处理LDCT高频图像X_H作为一级生成器，二级U-Net将一级生成器的输出高频图像与LDCT低频图像X_L叠加作为二级生成器的输入，具体可表示为：

其中，U被定义为高频图像特征一级U-Net学习的映射关系，G被定义为图像空间映射二级U-Net；

b、布置判别器，生成器生成的图像输入判别器进行判别，采用多尺度提取图像特征的inception判别器(启动块判别器)进一步约束生成器，提升整个去噪网络性能。