[发明专利]一种基于双域交织网络的低剂量CT重建方法

说明书

本发明为一种基于双域交织网络的低剂量CT重建方法，属于医学图像处理和计算机视觉领域；该方法以低剂量CT图像及相应正弦图作为输入，通过两个阶段对于失真支路和感知支路，融合支路的分别训练，使用可学习的参数进行失真与感知上的平衡；本发明方法程序简单，易于实现，可以以端到端的方式得到更加符合医生诊断需求的重建结果；本发明可以一个网络产生可调节的重建结果，针对噪声分布不均匀的CT图像可以自由选择相应重建结果，且在保证整体感知效果的同时，保护CT图像病灶纹理及器官结构。

技术领域

本发明属于医学图像处理和计算机视觉技术领域，具体涉及一种基于双域交织网络实现重建结果可调的低剂量CT重建方法。

背景技术

现阶段，计算机断层扫描(CT,Computed Tomography)已经成为一种普遍的辅助诊断的成像方法。然而为了保证CT图像的足够清晰，高剂量射线对人体带来的辐射风险不可小觑。多数设备旨在减小高剂量辐射可能带来的癌变或遗传性损伤风险，使得低剂量CT应运而生。如何解决减小辐射剂量所带来的更强噪声，更多伪影，成为了一个具有挑战性的问题。

现有方法可以概括为以下三类：(1)针对CT正弦图(sinogram)的滤波重建方法：这些方法面向正弦图设计滤波从而实现重建，应用最广泛的此类方法是FBP(Filtered BackProjection，滤波反投影)(AC Kak,“Digital image processing techniques,”DigitalImage Processing Techniques,Academic Press,Orlando,pp.111-169,1984.)这一类方法计算简单，但重建分辨率低且会引入很多伪影。(2)迭代重建方法：这些方法将重建问题转化为迭代优化过程，计算量大且效果不稳定(Marcel Beister,Daniel Kolditz,andWilli A Kalender,“Iterative reconstruction methods in x-ray ct,”Physicamedica,vol.28,no.2,pp.94–108,2012.)。(3)基于CNN(卷积神经网络，ConvolutionalNeural Network)的重建方法：近年来，出现很多基于CNN的重建方法，CNN以其对特征强大的表现能力直接学习低剂量CT图像到正常剂量CT图像之间的映射，比如RED-CNN方法(HuChen,Yi Zhang,Mannudeep K Kalra,Feng Lin,Yang Chen,Peixi Liao,Jiliu Zhou,andGeWang,“Low-dose CT with a residual encoder-decoder convolutional neuralnetwork,”IEEE transactions on medical imaging,vol.36,no.12,pp.2524–2535,2017.)。

但是，现有CNN方法仅仅利用图像域特征进行网络的学习，而针对正弦图没有很好的结合，这使得在从正弦图重建到图像的过程中产生的噪声无法被很好的处理。其次，CT图像的噪声分布往往不均匀，目前方法想要针对不同病灶产生不同等级的去噪结果需要训练不同的网络参数。

发明内容

由于现有方法针对正弦图没有很好的结合，这使得在从正弦图重建到图像的过程中产生的噪声无法被很好的处理，且结果不可调，本发明克服了现有技术的不足，提供了一种基于双域交织网络实现重建结果可调的低剂量CT重建方法，并可以通过一个网络产生不同去噪等级的重建结果。

为了达到上述目的，本发明是通过如下技术方案实现的：

一种基于双域交织网络的低剂量CT重建方法，包括以下步骤：

S1：准备训练数据：训练数据集包含低剂量CT图像及相应正弦图以及对应的正常剂量CT图像及相应正弦图；所述低剂量CT是正常剂量CT的0.15-0.25倍，正常一次扫描辐射CT量为3-5mSv。