[发明专利]基于多剂量等级的低剂量图像增强方法、系统及存储介质

说明书

本发明涉及基于多剂量等级的低剂量图像增强方法、系统及存储介质，解决了单一以输入图像进行图像重建过程中，存在清晰度无法达到要求的问题，其包括：获取当前输入图像信息，将当前输入图像信息反馈至所构建的剂量等级评估模型以形成与当前输入图像信息相互对应的当前剂量等级信息；根据所构建的特征变换模块以对当前剂量等级信息进行特征变换处理并形成当前变换信息；根据所构建的级联融合模型以对当前输入图像信息进行特征提取并获取当前图像特征信息；并将当前图像特征信息与当前变换信息进行融合以形成当前重建图像信息。本发明可以对输入图像进行等级评估，并基于所划分的等级以及输入图像进行重建，进一步提高图像重建后的清晰度。

技术领域

本发明涉及图像增强的技术领域，尤其是涉及一种基于多剂量等级的低剂量图像增强方法、系统及存储介质。

背景技术

计算机断层成像(CT)是通过无损方式获取物体内部结构信息的一种重要成像手段，它拥有高分辨率、高灵敏度以及多层次等众多优点，是我国装机量最大的医疗影像诊断设备之一，被广泛应用于各个医疗临床检查领域。然而，由于CT扫描过程中需要使用X射线，随着人们对辐射潜在危害的逐步了解，CT辐射剂量问题越来越受到人们的重视。合理使用低剂量(As Low As Reasonably Achievable，ALARA)原则要求在满足临床诊断的前提下，尽量降低对患者的辐射剂量。因此，研究和开发新的低剂量CT成像方法，既能保证CT成像质量又减少有害的辐射剂量，对于医疗诊断领域具有重要的科学意义和应用前景。

申请号201910499262.X公开的“一种用于低剂量CT图像去噪的浅层残差编解码递归网络”；通过减少残差编解码网络中的层数和卷积核的个数以降低网络的复杂度，利用递归过程提升了网络的性能，该算法通过网络训练学习端对端的映射以获取优质图像，在每次递归时，都将原始的低剂量CT图像级联到下一次的输入，可有效地避免图像在多次递归后失真的问题，能够更好地提取图像特征，保留图像的细节信息，本发明不仅可以降低网络的复杂度，还能提高网络性能，使得去噪后的图像很好地保留了图像细节，图像结构更加清晰。

申请号CN110559009A公开的“基于GAN的多模态低剂量CT转换高剂量CT的方法、系统及介质”；输入任意模态的低剂量CT；对低剂量CT进行二维离散小波变换得到多个分解结果；将低剂量CT及其多个分解结果输入训练好的GAN网络中的编码器进行编码，再通过GAN网络中的解码器对编码结果解码得到对应的高剂量模态图像。本发明基于GAN在多域转换的广泛发展以及传统小波变换的分解能力，将低剂量CT及其小波变换结果一起输入训练好的GAN网络中的编码器进行编码再通过GAN网络中的解码器对编码结果解码得到对应的高剂量模态图像，能便利的实现任意模态的低剂量CT图转换生成高剂量CT图。

上述技术方案中的低剂量图像重建方法，仅仅只考虑图像信息进行重建；但是不同剂量所获取到的图像信息是不同，一般情况下，剂量等级高的图像信息相较于剂量等级低的图像信息会更加复杂；在重建图像过程中，剂量越低则重建图像的难度越高；所以在实际临床扫描过程中，每个病人的扫描剂量不尽相同，而不尽相同的扫描剂量则会对后期重建图像产生重大的影响；而上述方案仅仅考虑图像信息这单一纬度，直接把所获取到的低剂量图像信息通过上述的算法进行重建，进而所形成的高剂量图像是仍然无法满足要求，故具有一定的改进空间。

发明内容

针对现有技术存在的不足，本发明目的一种基于多剂量等级的低剂量图像增强方法，能够进一步提高低剂量图像经过重建后的清晰度。

本发明的上述发明目的一是通过以下技术方案得以实现的：

一种基于多剂量等级的低剂量图像增强方法，包括：

获取当前输入图像信息，所述输入图像信息包括低剂量图像信息；

将当前输入图像信息反馈至所构建的剂量等级评估模型以对当前输入图像信息进行评估剂量等级并形成与当前输入图像信息相互对应的当前剂量等级信息；