[发明专利]一种基于无监督学习的低剂量CT图像恢复方法及系统

权利要求书

1.一种基于无监督学习的低剂量CT图像恢复方法，其特征在于，包括：

S1.获取低剂量CT图像并归一化，采用全变分模型分解归一化图像，得到基础层图像和细节层图像；

S2.对基础层图像进行下采样，得到内容特征层图像和潜在纹理层图像，对内容特征层图像进行图像增强得到基础层增强图像；

S3.基于预训练的去噪处理器，对细节层图像进行降噪处理得到细节层降噪图像；

S4.将潜在纹理层图像、基础层增强图像和细节层降噪图像分段融合得到低剂量CT恢复图像。

2.根据权利要求1所述的一种基于无监督学习的低剂量CT图像恢复方法，其特征在于，步骤S1具体包括：

S11.将低剂量CT图像归一化得到归一化图像，利用全变分模型分解归一化图像得到基础层图像；

S12.将归一化图像图像与基础层图像进行差值运算，得到细节层图像，表示为：

I_det(x,y)＝I(x,y)-I_base(x,y)；

其中，I(x,y)表示归一化图像，I_base(x,y)表示基础层图像，I_det(x,y)表示细节层图像。

3.根据权利要求1所述的一种基于无监督学习的低剂量CT图像恢复方法，其特征在于，全变分模型中根据全变分原理提出的最小化能量泛函表达式为：

其中，I_base(x,y)表示基础层图像，I(x,y)表示归一化图像，λ为正则化参数，正则化参数计算公式为：

M与N分别分别表示归一化图像的宽与高，*表示卷积操作，T_s为卷积矩阵。

4.根据权利要求1所述的一种基于无监督学习的低剂量CT图像恢复方法，其特征在于，对基础层图像的处理过程：

S21.连续使用三个步长为2的卷积层，从基础层图像中提取出内容特征层图像；

S22.使用一个步长为2的卷积层，从内容特征层图像中获取潜在纹理层图像；

S23.对内容特征层图像进行图像增强，包括：

采用索贝尔卷积算子A对内容特征层图像进行卷积运算，得到水平边缘增强图像，水平边缘增强图像和索贝尔算子A分别表示为：

G_x＝I_base1(x,y)*A；

采用索贝尔卷积算子B对内容特征层图像进行卷积运算，得到垂直边缘增强图像，垂直边缘增强图像和索贝尔算子B分别表示为：

G_y＝I_base1(x,y)*B；

融合水平边缘增强图像与垂直边缘增强图像，得到基础层增强图像，表示为：

其中，I_base1(x,y)表示内容特征层图像，I′_base1(x_,y)为基础层增强图像。

5.根据权利要求1所述的一种基于无监督学习的低剂量CT图像恢复方法，其特征在于，预训练的去噪处理器的训练过程为：

获取低剂量CT图像并归一化，采用全变分模型对其分解得到细节层图像；

将细节层图像下采样得到低分辨率图像，根据低分辨率图像构建与其相似的子图像组；

采用低剂量CT图像和子图像组训练去噪处理器；

其中，子图像组包括多张相似子图像，分别用于替代低分辨率图像所对应的清晰的低剂量CT图像和有噪声的低剂量CT图像。

6.根据权利要求5所述的一种基于无监督学习的低剂量CT图像恢复方法，其特征在于，细节层图像进行去噪处理的过程中，采用的损失函数为：

其中，N_s为细节层图像数量，I_det1＝s_i+n_i表示低分辨率图像，表示低分辨率图像的相似的子图像。