[发明专利]基于深度学习的头部低剂量CT图像钙化点保留方法

说明书

本发明提供了一种基于深度学习的头部低剂量CT图像钙化点保留方法，涉及CT图像处理技术领域，主要包括头部低剂量CT图像降噪和降噪后的头部CT图像钙化点恢复。在头部低剂量CT图像降噪后，虽然图像的噪声水平得到降低，但是也同时减弱或者消除了和噪声点十分相似的钙化点。由于头部钙化点是医生诊断的重要依据之一，因此非常有必要在降低头部低剂量CT图像噪声水平的同时保留钙化点。本发明将深度学习方法运用于头部低剂量CT图像钙化点保留中，不仅可以去除头部低剂量CT图像上的噪声和伪影，还可以保留和噪声十分相似的钙化点，即在提高头部CT图像质量的同时保留图像中的关键特征，有助于医生诊断。

技术领域

本发明涉及一种基于深度学习的头部低剂量CT图像钙化点保留方法，属于CT图像处理技术领域。

背景技术

电子计算机断层扫描（Computed Tomography，CT），利用精确准直的X线束与灵敏度极高的探测器一同围绕人体的某一部位做一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查，如今CT已经成为医院中最重要的检查工具之一。

随着CT越来越广泛的应用，其缺点也在逐渐暴露，近年来一些研究表明，X射线扫描产生的辐射会对患者的健康造成不利的影响，如果扫描剂量控制的不得当有可能诱发癌症等病变。全世界每年有上千万次的CT检查，CT扫描产生的辐射对于患者所造成的潜在危害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。

然而，在CT扫描检测中减少辐射剂量往往会增加图像的噪声和伪影，从而影响医生的阅片和诊断。因此，设计更好的低剂量CT图像重建或图像处理方法已成为人们广泛关注的问题。近年来随着深度学习技术的飞速发展，为低剂量CT图像重建提供了新的思路。目前已有大量研究把卷积神经网络（Convolutional Neural Network，CNN）、生成对抗神经网络（Generative Adversarial Network ,GAN）等深度学习方法运用到了低剂量CT图像重建中，这些方法都可以有效地去除图像伪影和噪声，并能较好地保留图像的关键信息。深度学习方法的原理主要是最小化低剂量CT图像和高剂量CT图像之间的均方误差（mean-squared-error），使重建出的低剂量CT图像的信噪比（peak signal-to-noise ratio）和高剂量CT图像的信噪比达到相同水平，提高低剂量CT图像的清晰度。

但在头部CT图像中存在着一种和噪声点特征（CT值的大小和所占像素数目多少）十分相似的结构即钙化点。在使用深度学习网络为头部低剂量图像降噪时，网络因无法区分噪声点和钙化点，会错误地把钙化点当作噪声点来处理，对存在钙化点的头部低剂量CT图像进行降噪后，其钙化点信息将被减弱甚至被去除。如果为了提升头部低剂量CT图像的质量，而致使图像中原有的组织丢失，便违背了为头部低剂量CT图像降噪的目的（通过去除一些不必要的噪声和伪影，提高图像的质量，便于医生的诊断）。头部钙化点是诊断患者是否存在病变的重要依据之一，如果因钙化点信息被减弱或被去除而造成漏诊的结果，便失去了低剂量CT图像重建的意义。因此在为头部低剂量CT图像降噪的同时，保留图像中原有的钙化点是十分重要的。

换言之，目前现有技术中，钙化点的识别和保留大都是在高剂量CT图像上进行的，高剂量CT图像上一般不会存在和钙化点特征相似的噪声点，因此识别和保留钙化点都比较方便。一般做法是首先计算出CT图像上各像素点的CT值，根据设置的阈值判断各像素点是否为钙化像素点；然后利用连接成分算法把图像中各钙化像素点连接成块，得到钙化点，最后把得到的钙化点进行标注保留。但上述方法仅适用于正常剂量的CT图像，无法应用于低剂量CT图像中钙化点的标注和保留。前述也提到，在头部低剂量CT图像中存在较多的噪声点，这些噪声点的特征（所占像素数目和CT值）与钙化点十分相似，如果仅根据上述方法并不能准确地把钙化点和噪声点区分出来。

基于此，做出本申请。

发明内容