[发明专利]抑制低剂量CT图像中伪影噪声的多尺度特征生成对抗网络

权利要求书

1.抑制低剂量CT图像中伪影噪声的多尺度特征生成对抗网络，其特征在于，具体步骤如下：

一、选择LDCT图像降噪模型，构建成对LDCT图像与NDCT图像数据集；

其中，LDCT图像为低剂量CT图像；

二、将LDCT图像输入误差反馈金字塔生成器网络中，误差反馈金字塔生成器网络内设有基于shuffle操作的金字塔输入模块、基于误差反馈机制的跨尺度融合模块和由浅到深的多级编码U-Net模块，金字塔生成器网络从不同角度来提取LDCT图像的跨尺度特征，LDCT图像经过反馈金字塔生成器网络处理后输出降噪结果图；

将LDCT图像输入自下而上的金字塔输入模块中获得多分辨率图像输入，分别为输入图像、1/2输入图像、1/4输入图像与1/8输入图像：其中，金字塔输入模块的设计利用了shuffle操作，能够在不丢失图像特征的前提下提取多尺度特征的特性，共包含4级；

其次，分别在不同分辨率图像上采用不同层数的U-Net结构进行降噪：其中1/2输入图像采用了7层U-Net结构，1/4输入图像采用了6层U-Net结构，1/8输入图像采用了4层U-Net结构，每个U-Net结构均采用卷积核大小为4×4、步长为2的卷积操作与卷积核大小为4×4、步长为2的转置卷积操作，在卷积过程中，特征图减小，通道数加倍，在转置卷积过程中特征图增大，通道数减半；

引入了自上而下的跨尺度特征融合网络：首先将较大尺度的特征下采样到与需要融合的特征同等尺度，其次对下采样后的特征与需要融合的特征做差，得到误差值，并将误差进行上采样，扩展到原始尺寸空间，最后将其与原始特征进行相加，得到最终特征；

三、NDCT图像与步骤二中得到的降噪结果图共同输入交错卷积判别器子网络中迭代训练；

其中，交错卷积判别器是一种多尺度特征提取网络，包括浅层特征提取网络、交错卷积模块和深层特征提取网络；

浅层特征提取网络由卷积核大小为4×4、步长为2的卷积操作组成，卷积层后加入批量归一化与LeakyReLU激活函数；

交错卷积模块是由卷积核大小为3×3与5×5的卷积操作混合而成；

深层特征提取网络由卷积核大小为4×4、步长为2的卷积操作组成，卷积后加入Sigmoid激活函数；

四、输出最终降噪结果图。

2.根据权利要求1所述的抑制低剂量CT图像中伪影噪声的多尺度特征生成对抗网络，其特征在于，步骤一中的LDCT图像降噪模型为加性模型，具体表达式为：

X＝T(Y) 1-1

X＝Y+N 1-2

Y＝X-N 1-3

式1-1为NDCT图像的降质过程，其中X∈R^c×h×w表示LDCT图像，Y∈R^c×h×w表示与LDCT图像对应的NDCT图像，T表示X与Y之间的函数映射关系，体现了NDCT以非线性的形式退化为LDCT的降质过程；

式1-2为模拟的LDCT图像生成过程，其中N表示加性高斯白噪声，通过人为在NDCT图像中加入噪声，最终产生了LDCT图像；

式1-3为从LDCT图像中恢复原始的NDCT图像的过程。

3.根据权利要求1所述的抑制低剂量CT图像中伪影噪声的多尺度特征生成对抗网络，其特征在于，所述金字塔输入模块内设4个特征级别，即输入图像尺寸、1/2输入图像尺寸、1/4输入图像尺寸与1/8输入图像尺寸。

4.根据权利要求1所述的抑制低剂量CT图像中伪影噪声的多尺度特征生成对抗网络，其特征在于，所述跨尺度融合模块内设基础卷积操作与转置卷积操作。

5.根据权利要求1所述的抑制低剂量CT图像中伪影噪声的多尺度特征生成对抗网络，其特征在于，所述多级编码U-Net模块包括作用于1/8分辨率输入图像的4层U-Net、作用于1/4分辨率输入图像的6层U-Net与作用于1/2分辨率输入图像的7层U-Net，每个U-Net的编码端均采用卷积核大小为4×4、步长为2的卷积操作，每个U-Net的解码端均采用卷积核大小为4×4、步长为2的转置卷积操作，编码端特征通过跨层连接并入到解码端同一尺度的特征中。