[发明专利]一种基于非配对数据的LDCT图像恢复方法

说明书

本发明公开了一种基于非配对数据的LDCT图像恢复方法，包括以下步骤：S1：将包括非配对的多个LDCT图像和多个HDCT图像的预训练集输入到图像恢复网络以对所述图像恢复网络进行预训练，其中所述图像恢复网络包括两个生成器和两个鉴别器，两个所述生成器分别包括卷积层和残差通道注意力块；S2：将包括配对的多个LDCT图像和多个HDCT图像的调节训练集对所述图像恢复网络中的所述生成器进行调节得到训练完成的所述生成器；S3：将待恢复的LDCT图像输入到训练完成的所述生成器中，得到高质量的LDCT图像；其中所述调节训练集中的LDCT图像和HDCT图像的数量小于所述预训练集中的LDCT图像和HDCT图像的数量。本发明不需借助大量成对数据训练，即可实现有效地对LDCT图像进行恢复。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于非配对数据的LDCT图像恢复方法。

背景技术

X射线计算机断层扫描(CT)是临床和工业应用中使用最广泛的成像技术之一。临床结果表明，CT技术在心脏动态成像、恶性肿瘤诊断和早期发现肺癌方面具有明显的优势。但是，CT检查中的电离辐射会对人体构成潜在的癌症风险。CT检查被认为是医源性放射的最重要原因，为了确保图像质量并满足临床诊断要求，放射剂量和合理使用低剂量(ALARA)已成为影像学的重要研究方向。目前，降低CT辐射剂量(低剂量CT)最有效的方法是降低X射线管的电流强度和曝光时间，但是，低强度的发射电流会导致在检测器端出现“光子饥饿”现象，这会使CT图像产生严重的噪音和伪影，影响医生对患者疾病的诊断。因此，如何在降低辐射剂量的同时保持较高的图像质量一直是CT领域的研究热点。

LDCT图像去噪方法包括传统的利用CT扫描中的原始投影数据的正弦域方法；在投影域和图像域转化的迭代重建算法以及利用图像处理知识的图像域算法。正弦域算法可以抑制图像中的噪声，但会牺牲图像分辨率；迭代重建弥补了正弦域中的缺陷，但在计算上是昂贵的，难以推广使用。

随着近年来深度学习的发展，其在医学成像领域的研究逐渐深入，基于图像域的LDCT去噪方法得到了充分的研究。许多学者提出了多种基于深度学习的LDCT图像去噪方法，包括利用卷积神经网络和对抗学习的多种算法。尽管这些方法可以有效的抑制LDCT图像中的噪声和伪影，但他们通常都需要大量成对的训练数据集，然而在医学成像中很难获得配对良好的数据。即使在不同剂量水平下获得了相同的患者CT数据，由于身体活动和扫描位置不可避免的轻微移动，这些数据也很难完全匹配，这很大程度上会影响网络的去噪能力。

以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

为弥补上述现有技术的不足，本发明提出一种基于非配对数据的LDCT图像恢复网络，不需借助大量成对数据训练，即可实现有效地对LDCT图像进行恢复。

为了达到上述目的，本发明采用以下技术方案：

本发明公开了一种基于非配对数据的LDCT图像恢复方法，包括以下步骤：

S1：将包括非配对的多个LDCT图像和多个HDCT图像的预训练集输入到图像恢复网络以对所述图像恢复网络进行预训练，其中所述图像恢复网络包括两个生成器和两个鉴别器，两个所述生成器分别包括卷积层和残差通道注意力块；

S2：将包括配对的多个LDCT图像和多个HDCT图像的调节训练集对所述图像恢复网络中的所述生成器进行调节得到训练完成的所述生成器；

S3：将待恢复的LDCT图像输入到训练完成的所述生成器中，得到高质量的LDCT图像；

其中所述调节训练集中的LDCT图像和HDCT图像的数量小于所述预训练集中的LDCT图像和HDCT图像的数量。