[发明专利]一种基于卷积神经网络的低剂量X射线乳腺成像方法

权利要求书

1.一种基于卷积神经网络的低剂量X射线乳腺成像方法，其特征在于，包括：

步骤一：通过降低管电流来降低X射线乳腺成像的辐射剂量，获取低剂量X射线乳腺图像，该过程在图像中引入量子噪声，得到引入量子噪声的低剂量X射线乳腺图像量子噪声，该量子噪声服从泊松分布并且依赖于低剂量X射线乳腺图像的像素值；

步骤二：建立卷积神经网络对所述引入量子噪声的低剂量X射线乳腺图像进行处理，对进行降噪，获得不含量子噪声的高质量乳腺图像；所述卷积神经网络基于U-Net与Densenet，以卷积层及激活函数为基本单元构建卷积神经网络；在网络中具有下采样和上采样操作，图像输出尺寸与输入尺寸相同，建立卷积神经网络；

步骤三：训练所述降噪卷积神经网络，使网络模型能实现预期目标；训练过程是将步骤一中的低剂量X射线乳腺图像作为网络输入，标准射线辐射剂量下的X射线乳腺图像作为网络标签，训练过程会使网络不断通过降低损失函数来达到参数优化，得到训练的卷积神经网络；

步骤四：将获取低剂量X射线乳腺图像输入至已训练完成的卷积神经网络进行降噪，获取低噪声的X射线乳腺图像。

2.根据权利要求1所述的一种基于卷积神经网络的低剂量X射线乳腺成像方法，其特征在于：所述低剂量X射线乳腺成像是通过降低管电流实现降低单位时间内的光子通量，达到射线剂量的有效降低。

3.根据权利要求1所述的一种基于卷积神经网络的低剂量X射线乳腺成像方法，其特征在于：所述步骤二中，量子噪声服从泊松分布，且低剂量X射线乳腺图像的像素值，所述像素值如公式(1)所示：

其中，I_ld(x,y)为低剂量X射线乳腺图像在点(x,y)处的像素值，I_nd(x,y)为标准X射线乳腺图像在点(x,y)处的像素值，λ为控制量子噪声程度的常数，Possion()为泊松序列发生器。

4.根据权利要求1所述的一种基于卷积神经网络的低剂量X射线乳腺成像方法，其特征在于：所述步骤三中，使用公式(2)-(5)所示的基于卷积神经网络的降噪技术对所述引入量子噪声的低剂量X射线乳腺图像进行处理，获得不含量子噪声的高质量乳腺图像；

f(P(ω))＝W^T·P(ω)+Bias (3)

其中，P(ω)为低剂量X射线乳腺图像，为标准剂量X射线乳腺图像，ω为探测器探元位置；f和F表示基于深度学习技术的编码网络和解码网络，分别用于从P(ω)中提取特征和从特征中解析出量子噪声的分布情况；Λ表示非线性映射函数；Error表示所示降噪卷积神经网络的学习目标，用于衡量网络输出与标签之间的差异；W和Bias表示卷积神经网络中的学习参数即权重和偏置，参数更新通过利用梯度下降算法求解学习目标对参数的偏导数实现；η和分别表示学习率和学习的固有网络参数。

5.根据权利要求4所述的一种基于卷积神经网络的低剂量X射线乳腺成像方法，其特征在于：所述编码网络f中，首先通过两层卷积层来提取初级特征，初级特征被传入下采样模块和密集连接块来提取中间特征，之后这些中间特征使用转置卷积来恢复特征的空间分辨率，最后通过卷积成来进行通道压缩并保持输出图像的尺寸与输入图像的尺寸保持一致。

6.根据权利要求1所述的一种基于卷积神经网络的低剂量X射线乳腺成像方法，其特征在于：所述步骤三中，对低剂量X射线乳腺图像和相应的标准计量X射线乳腺图像进行归一化处理，并将灰度值拉伸至0-255；将降质的低剂量X射线乳腺图像输入卷积神经网络获得输出图像，计算输出图像和标准计量X射线乳腺图像的多尺度特征相似度，并以此构造损失函数，采用反向传播算法对卷积神经网络参数进行优化，从而训练卷积神经网络。