[发明专利]图像去噪的多生成器生成对抗网络学习方法

说明书

本发明涉及一种图像去噪的多生成器生成对抗网络学习方法，提出了具有三个生成器的生成对抗网络，每个生成器分别用于给泊松噪声，高斯模糊噪声和形变噪声去噪，改善低剂量CT(LDCT)图像的质量；生成器采用了残差结构，残差网络中使用的映射短连接可以避免深度神经网络中的梯度消失问题，且可加速网络训练；由于生成分布和真实分布之间不合理的度量，GAN的训练一直是棘手的问题，本发明通过限制权重矩阵的谱范数可以稳定训练，增强训练模型的鲁棒性。

技术领域

本发明涉及一种图像处理技术，特别涉及一种图像去噪的多生成器生成对抗网络学习方法。

背景技术

X射线计算机断层扫描(CT)自问世以来给医学领域做出了巨大贡献。CT扫描从身体的不同角度拍摄X射线图像，并利用计算机处理来产生血管，骨骼和软组织等横截面图像(切片)。CT图像具有较为广泛的应用，例如扫描可以诊断骨肿瘤，内部损伤和内部出血，这是人们无法用肉眼直接观察到的。CT技术虽然提供了众多益处，但也引起了人类对辐射泄露的关注。当患者受到的辐射剂量成倍增加时，诱发癌症和患遗传性疾病的几率也显著增加。为了解决这个问题，相关机构已采用尽可能低剂量的合理可行(ALARA)原则来保护患者使他们避免接受过量的辐射。

降低辐射剂量会增加CT图像噪声并在CT图像中产生块状和蜡状伪影，这将影响医生做出正确且有效的诊断。目前人们已经致力于低剂量CT(LDCT)图像去噪，并且通过各种技术取得了较为理想的结果。去噪技术目前包括重建前的正弦图过滤[1]-[3]，迭代重建[4]-[5]，以及重构后的图像处理等[6]-[8]。如今各项技术中最受到广泛关注的莫过于深度学习方法。

深度学习模型包含多层神经网络，通过不同层次的特征提取来学习复杂的数据表达。深度网络尤其是卷积神经网络(CNN)可以发现高维数据中的复杂结构，因此深度神经网络已经成功被应用于图像处理，视频，语音等重要领域。自21世纪以来，CNN在计算机视觉方面取得了重大突破。在过去几年中，许多研究致力于处理LDCT图像。一种深度卷积神经网络被用于解决图像超分辨率问题[9]。接着人们提出多种混合架构来处理LDCT去噪的问题，例如RED-CNN[10]。RED-CNN结合了自动编码器，反卷积网络和短连接来取代U-net的池化层。最后方向小波应用变换被用来提取伪影方向分量[11]。

尽管各种创新取得了令人瞩目的成果，到目前为止，LDCT图像去噪方面还存在一些固有缺陷。众所周知，LDCT图像主要包含泊松噪声，高斯模糊和形变等噪声。如果实验直接最小化生成图像与正常剂量CT(NDCT)图像之间每个像素的损失值，则去噪的结果倾向产生过度平滑的边缘。并且基于均方误差(MSE)损失的方法采用了高分辨率补丁，该补丁运用的是欧几里德距离而不是测地距离，在这种情况下，实验结果往往忽略细微的图像特征并在视觉上对人们没有吸引力。此外，去噪后的图片经常引入伪影，特别是非均匀偏差。

[1]Wang,Jing,Hongbing Lu,Tianfang Li,and Zhengrong Liang.“Sinogramnoise reduction for low-dose CT by statistics-based nonlinear filters.”InMedical Imaging 2005:Image Processing,vol.5747,International SocietyforOptics and Photonics,pp.2058-2067,2005.

[2]Wang,Jing,Tianfang Li,Hongbing Lu,and Zhengrong Liang.“Penalizedweighted least-squares approach to sinogram noise reduction and imagereconstruction for low-dose X-ray computed tomography.”IEEE transactions onmedical imaging 25,no.10,pp.1272-1283,2006.