[发明专利]一种基于深度学习的兆伏级CT图像去噪方法及系统

说明书

本发明公开了一种基于深度学习的兆伏级CT图像去噪方法及系统。该方法包括：获取目标图像；所述目标图像为待去噪的兆伏级CT图像；将所述目标图像输入经训练的神经网络模型，得到去噪后的目标图像；所述神经网络模型为：以兆伏级CT样本图像为输入，以所述兆伏级CT样本图像对应的KVCT图像为标签，训练得到的神经网络模型；所述神经网络模型包括REDCNN网络以及连接在REDCNN网络最后一快捷连接之前的自注意力门结构。本发明降低了MVCT图像的噪声，并增强了软组织边缘细节，使得软组织的对比度得到了提高。

技术领域

本发明涉及图像去噪领域，特别是涉及一种基于深度学习的兆伏级CT图像去噪方法及系统。

背景技术

TomoTherapy Hi.Art用3.5兆伏X射线产生兆伏级CT(MVCT)图像，在患者单次治疗之前都会采集一次MVCT图像。MVCT图像在肿瘤放射治疗过程中一方面可以用来校正患者体位，保证了整个治疗过程中射线施照的准确性；另一方面物理师或医生可以通过MVCT影像观察患者肿瘤位置、大小，在肿瘤或周围器官变化较大的情况下及时调整放疗计划，为患者提供个体化的自适应放射治疗。此外，MVCT图像能够较好地反映物理密度与电子密度的线性关系，因此还可以用来进行剂量计算以评估患者实际受照射剂量。由于诊断CT使用千伏级X射线(光电效应占主导地位)，更大的原子序数(Z)依赖导致了影像的对比度分辨率较好。而MVCT成像过程中，射线穿过人体更多的是表现为康普顿效应，对原子序数依赖减少，大量的射线穿过人体，在探测器上发生散射，结果使影像均匀性和空间分辨率一样好，但是软组织对比度和密度分辨率较差，掺杂噪声，给影像引导放疗或自适应放疗带来困难，使得MVCT图像目前主要用于患者位置的校正，图像配准，软组织描绘和自适应放疗等应用受到限制。

发明内容

本发明的目的是提供一种基于深度学习的兆伏级CT图像去噪方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习的兆伏级CT图像去噪方法，包括：

获取目标图像；所述目标图像为待去噪的兆伏级CT图像；

将所述目标图像输入经训练的神经网络模型，得到去噪后的目标图像；所述神经网络模型为：以兆伏级CT样本图像为输入，以所述兆伏级CT样本图像对应的KVCT图像为标签，训练得到的神经网络模型；

所述神经网络模型包括REDCNN网络以及连接在REDCNN网络最后一快捷连接之前的自注意力门结构。

可选的，在所述将所述目标图像输入经训练的神经网络模型之前，还包括：

以兆伏级CT样本图像为输入，以所述兆伏级CT样本图像对应的KVCT图像为标签，对神经网络进行训练，得到所述神经网络模型。

可选的，在训练神经网络之前，还包括：

从兆伏级CT图像上提取第一图像块，得到所述兆伏级CT样本图像；

从配准KVCT图像上提取第二图像块，得到所述标签；所述配准KVCT图像为与所述兆伏级CT图像配准后的KVCT图像，所述第一图像块在所述兆伏级CT图像中所处的位置与所述第二图像块在所述配准KVCT图像中所处的位置相同。

可选的，所述神经网络模型采用基于MSE函数与MSSIM函数的混合损耗函数进行训练。

可选的，所述混合损耗函数为L_t0tal＝αLoss_MSE+(1-α)Loss_MSSIM，其中，L_total表示混合损耗函数，Loss_MSE表示MSE函数，Loss_MSSIM表示MSSIM函数，α表示权重系数。

本发明还提供了一种基于深度学习的兆伏级CT图像去噪系统，包括：