[发明专利]自监督和有监督联合训练的LDCT图像去噪与分类方法

权利要求书

1.一种基于自监督和有监督联合训练的低剂量CT图像去噪与分类方法，其特征在于，具体步骤如下：

(1)采用自监督图像去噪方法，用于LDCT图像去噪；该方法首先通过替换目标噪声像素来构造一个监督信息，作为去噪网络模型的逼近目标；

设为低剂量CT图像，大小为h×w，为一个噪声像素，其中i∈h，j∈w该像素在图像中的坐标，为了降低其噪声，采用一个变换A，将的邻居像素信息融合来产生一个新的像素值，替换掉将变换后的像素作为y_i，j，即该点的逼近目标，该过程如下：

其中，为噪声像素的变换后的结果，为噪声像素的邻居像素的集合，且从式(1)可知，变换后的位置为在i，j处的值与无关，只与其邻居像素有关；若对整个LDCT图像I_LD做此变换，即A(I_LD)，则所有像素处的连续性将被保持；这里变换A采用双线性插值；

(2)构建去噪网络要优化的目标函数；经过步骤(1)，得到了去噪网络的逼近目标A(I_LD)，所以，去噪网络要优化的目标函数为均方误差，表达式如下：

其中，f表示去噪网络模型，θ为该网络的参数；自监督去噪损失函数为：

其中，N为训练样本的个数，为MSE损失；

(3)N2S训练过程中，采用基于步长的Noise2Neighbors，使模型的更新利用到更多的像素信息且不会导致恒等映射；具体如下：

SN2N根据不同的步长来选择要变换的像素，具体选择的步长大小为d＝1，2，4，即每隔d个像素就变换一个像素值；这样，每个步长d都会产生一个变换后的图像，这些图像将被用作自监督去噪中的监督信息：

(a)当d＝1时，LDCT图像中的所有像素都将被替换，这将使得变换后的图像过于平滑，失去一些高频细节信息，不利于细小病灶的保留，影响诊断的准确率；

(b)当d＞1时，即不是所有的噪声像素都会被替换，则变换后的图像中将包含原始噪声信号和平滑后的噪声信，这使得模型能够学习到更多的高频信息；此外，随着d的增加，被替换的像素的分布越来越稀疏，并且当d的大小增加到图像的高度(h)或宽度(w)时，只有LDCT图像的最边缘像素值被替换，这将导致模型学习到一个恒等映射，从而失去去噪的能力；

据此，SN2N的损失函数重写为：

其中，A_d(·)表示在步长为d时的插值操作；

(4)网路训练，具体方法如下：

自监督去噪选择三种步长：d＝1，2，4结合的方式，即损失函数为公式(4)；联合训练去噪网络和分类网络，分别用公式(4)和交叉熵作为损失函数；为了同时训练这两个网络，则将二者的损失函数相加，通过梯度反向传播算法同时对两个网络的参数进行更新；在训练的损失中加入自监督去噪的损失可以有效保证LDCT图像经过有效地去噪后，再作为分类网络的输入。

2.根据权利要求1所述低剂量CT图像去噪与分类方法，其特征在于，去噪网络使用RED-CNN作为主干网络，分类网络使用VGG-16作为骨干网络。