[发明专利]基于卷积稀疏编码网络的低剂量CT图像噪声伪影分解方法

权利要求书

1.基于卷积稀疏编码网络的低剂量CT图像噪声伪影分解方法，其特征在于，包括以下步骤：

步骤1、获取多组匹配的低剂量CT图像与常规剂量的CT图像，组建训练数据集；

步骤2、建立关于低剂量CT图像与噪声伪影图像的卷积稀疏编码网络，逐步获取低剂量CT图像中的噪声伪影特征；

步骤3、使用训练数据集对已构建好的卷积稀疏编码网络进行训练，获得网络模型参数；

步骤4、用训练好的网络来处理低剂量CT图像，实现低剂量CT图像中噪声伪影的分解。

2.根据权利要求1所述的基于卷积稀疏编码网络的低剂量CT图像噪声伪影分解方法，其特征在于：步骤1中组建训练数据集的步骤为：首先获取多组匹配的低剂量CT图像和常规剂量的CT图像然后，将低剂量和常规剂量的CT图像相减以获取噪声伪影图像N_t，即最后组成训练数据集，其中为样本数据，N_t为标签数据。

3.根据权利要求1所述的基于卷积稀疏编码网络的低剂量CT图像噪声伪影分解方法，其特征在于：步骤2中构建的卷积稀疏编码网络包括三个不同阶段，分别为：输入特征提取阶段，学习型卷积稀疏编码阶段和噪声伪影重建阶段。

4.根据权利要求3所述的基于卷积稀疏编码网络的低剂量CT图像噪声伪影分解方法，其特征在于：步骤2中的输入特征提取阶段，包括两个卷积层，F₀和F₁，每个卷积层后均使用ReLU激活函数，为初步提取输入图像的噪声伪影特征信息，有利于后续学习型卷积稀疏编码阶段的特征表示。

5.根据权利要求3所述的基于卷积稀疏编码网络的低剂量CT图像噪声伪影分解方法，其特征在于：步骤2中的学习型卷积稀疏编码阶段任务为特征的编码，采用权重卷积稀疏编码为基本模块，该模块包括：两个注意力权重学习层AWL_α和AWL_β、一个ReLU激活函数、一个卷积层S；学习型卷积稀疏编码阶段开始与结束时采用对偶卷积层G₁和G₂，中间循环级联25个权重卷积稀疏编码模块。

6.根据权利要求5所述的基于卷积稀疏编码网络的低剂量CT图像噪声伪影分解方法，其特征在于：步骤2中的注意力权重学习层结构的先后顺序为：一个平均池化层、一个全连接层、一个ReLU激活函数、一个全连接层及一个sigmoid激活函数。

7.根据权利要求3所述的基于卷积稀疏编码网络的低剂量CT图像噪声伪影分解方法，其特征在于：步骤2中的噪声伪影重建阶段，包括一个卷积层R和一个ReLU激活函数，用于输出预测后的噪声伪影图像。

8.根据权利要求2所述的基于卷积稀疏编码网络的低剂量CT图像噪声伪影分解方法，其特征在于：步骤3中具体过程为：将低剂量CT图像输入神经网络中，输出预测后的噪声伪影图像并以均方误差的形式建立预测的噪声伪影图像与标签数据之间的损失函数；采用小批量随机梯度下降算法来迭代更新网络模型参数，降低损失值；当训练周期前后损失值变化在2％范围内停止迭代，得到网络模型参数。

9.根据权利要求1所述的基于卷积稀疏编码网络的低剂量CT图像噪声伪影分解方法，其特征在于：步骤4中具体过程为：将需要处理的低剂量CT图像I^ld输入训练完成的网络中，输出分解后的噪声伪影成分图像N^p，并得到分解后的解剖结构成分图像I^p＝I^ld-N^p。