[发明专利]一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法

权利要求书

1.一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法，包括粗粒度处理和细粒度处理，其特征在于,具体步骤如下:

一、粗粒度处理

S1：构建用于训练CT图像降噪网络的样本集 ，其中 为低剂量CT图像，为正常剂量CT图像；

S2：训练预测CT图像噪声的网络：引用一种公开的深度残差卷积神经网络模型DR-CNN作为预测噪声的网络，该网络输入为 ，输出为预测的残差图像，即噪声图像，残差图像由 得到；通过数据集 来对DR-CNN进行监督学习，从而得到训练好的DR-CNN；

S3：使用训练好的DR-CNN对LDCT图像进行初步降噪，将 输入训练好的DR-CNN中得到预测的噪声图像：

（2）

其中， 为 通过网络预测到的噪声图像， 为DR-CNN；

S4：对LDCT进行初步降噪，为之后的细粒度降噪处理减轻负担：

（3）

其中， 为LDCT初步降噪后的结果；

二、细粒度处理

S5：由于NDCT作为ground truth时，其中的噪声依然会影响降噪结果，所以该方法将降噪后的NDCT作为ground truth；

（4）

（5）

其中， 为 通过网络预测到的噪声图像， 为NDCT初步降噪后的结果，作为细粒度处理的ground truth；

S6：因为频域图像更能体现原图像的边缘信息和细节信息，所以该方法通过两个生成对抗网络分别对时域和频域上的CT图像进行训练，即双域联合降噪；该方法使用公开网络模型WGAN，每个WGAN包含一个生成器和一个判别器；

S7：总体的损失函数为

（16）。

2.根据权利要求1所述的一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法,其特征在于,所述步骤S1具备包括以下步骤：

S1-1:使用Mayo数据集；该数据集具有2378副成对的CT图像，即每个正常剂量的CT图像都有对应的低剂量CT图像；

S1-2：将数据集分为两部分，其中1902副CT图像作为训练集，476副CT图像作为测试集。

3.根据权利要求1所述的一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法,其特征在于, 所述步骤S2具备包括以下步骤：

S2-1：引用一种公开的深度残差卷积神经网络模型DR-CNN作为预测噪声的网络，该网络输入为 ，输出为预测的残差图像，即噪声图像，残差图像由 得到；

该网络全部使用小卷积核，即卷积核，增强了网络的非线性；第一层使用Conv+ReLU，第二层使用Conv+BN+ReLU，之后连续使用四个旁路连接模块，为了避免随着网络深度的增加，信息丢失现象严重，所以每个模块中都添加了旁路连接，最后一个卷积层中设置了1组卷积核，将通道转为1通道，输出预测的残差图像；

S2-2：通过数据集 来对DR-CNN进行原网络相同的监督学习的训练方式，由构建的样本集中保留 ，并采用原方法得到残差图像的方式得到对应的残差图像 ，从而得到一一对应的样本集；

S2-3：作为输入图像， 作为groundtruth，对网络进行监督学习，得到训练好的DR-CNN；

该网络的损失函数为，

（1）

其中N为BN层的批量大小， 为一个批量中第个输入图像， 为与 对应的一个批量中第个NDCT图像，Y为预测的残差图像， 为groundtruth。

4.根据权利要求1所述的一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法,其特征在于, 所述步骤S5具备包括以下步骤：

S5-1：首先使用初步预测噪声的网络DR-CNN来预测NDCT中的噪声：

（4）

S5-2：之后将噪声从NDCT图像中除去：

（5）

其中， 为 通过网络预测到的噪声图像， 为NDCT初步降噪后的结果，作为细粒度处理的ground truth。

5.根据权利要求1所述的一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法,其特征在于, 所述步骤S6具备包括以下步骤：

S6-1：首先处理时域上初步降噪后的CT图像，将 输入到生成器 中：（6）

其中 为生成器 ， 为生成器 的生成图像；

S6-2：将作为ground truth与 一起输入判别器 ，由判别器判断 是否是真的 ：

（7）

其中 为生成器 ，判别的结果 有1（true）和0（false）；

定义该生成对抗网络的损失函数为 ：

（8）

（9）

其中 和 分别为生成器 、判别器 的输出结果，是个加权超参数，该方法中设为10，为从生成器 和groundtruth图像的输出集合中随机采样的结果，Y为ground truth；

S6-3: 使用numpy包中的 .fft.fft2（）函数将时域上的 和 都转到频域上：

（10）

（11）

其中为快速傅里叶变换（FFT）， 为 初步降噪后转到频域上的图像，为 初步降噪后转到频域上的图像；

S6-4：用生成对抗网络GAN对频域上的CT图像进行处理，将 输入到生成器 中：

（12）

其中 为生成器 ， 为生成器 的生成图像；

S6-5：将 作为ground truth与 一起输入判别器 ，由判别器判断 是否是真的 ：

（13）

其中 为生成器 ，判别的结果 有1（true）和0（false）；

定义该生成对抗网络的损失函数为：

（14）

（15）

其中 和 分别为生成器 、判别器 的输出结果，为从生成器 和groundtruth图像的输出集合中随机采样的结果。