[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

说明书

本发明属于医学图像处理技术领域，涉及一种基于无监督学习的低剂量CT图像恢复方法及系统；包括获取低剂量CT图像并采用全变分模型进行特征分解，得到基础层图像和细节层图像；对基础层图像下采样得到内容特征图像和潜在纹理层图像，分别对内容特征层图像和细节层图像进行图像增强和降噪处理，得到基础层增强图像和细节层降噪图像；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；本发明将低剂量CT图像进行解耦，对低频区进行对比度增强，对高频区进行去噪，提高了整体图像质量，减少医生误诊率。

技术领域

本发明属于医学图像处理技术领域，更为具体的讲，涉及一种基于无监督学习的低剂量CT图像恢复方法及系统。

背景技术

计算机断层扫描(Computed Tomography，CT)技术因其操作简单，价格低廉等优点，在临床的筛查、诊断影像引导放疗等方面得到广泛应用，然而过量的CT剂量会诱发白血病、癌症以及其他遗传性疾病。因此在实际运用中通过降低CT剂量来减弱辐射风险，其中在临床上常用通过降低射线管电流的方法来降低辐射剂量。但是辐射剂量的降低会导致图像出现严重的伪影与噪声污染，进而出现边缘、角落对比度降低等问题，导致CT图像质量的下降，严重影响下游医学图像处理任务和临床诊断的准确性。因此，研究低剂量CT图像恢复算法与系统具有重要的临床意义。

国内外相关领域专家在低剂量CT图像恢复做出的相关研究主要分为三类：投影域方法、迭代方法和图像后处理方法。投影域方法充分利用统计噪声分布等先验信息，很容易地将滤波集成到现有的CT系统中，但是恢复后图像往往会丢失边缘和有用的纹理细节；迭代方法可在少量的投影数据下重建出图像，但是计算量大，运算时间长；图像后处理方法，可有效抑制噪声和条形伪影。传统的图像后处理方法可以有效地抑制低剂量CT图像中的噪声，克服以前方法中性能不稳定的缺点，但是此类方法通常只对特定类型的噪声有效，在实际扫描中先验知识不准确或噪声不均匀的情况下，其效果并不理想。随着深度学习的发展，一些监督学习方法可以自动提取图像数据中有用的特征，从而更容易适应新数据演化训练模型，显著提高了图像质量。但是监督学习需要像素级匹配的低剂量CT图像和正常剂量图像的进行训练。而在实际应用中，患者不可能同时采集低剂量和正常剂量CT图像，导致配对的标签数据集获取十分困难。

为解决训练数据问题，一些无监督学习开始应用于低剂量CT图像恢复,这些方法与监督学习方法相当。但是要求噪声对信号独立或只针对特定噪声的假设，而当这些前提不满足时，效果并不理想。本发明旨在没有配对的数据集下，完成低剂量CT图像对未知噪声去除以及图像增强的恢复任务，提高临床诊断准确率与效率。

发明内容

本发明的目的在于克服现有的低剂量CT图像恢复的不足，提供一种基于无监督学习的低剂量CT图像恢复方法及系统，使得在没有成对的低剂量CT图像和正常剂量的CT图像的数据标签下，完成低剂量CT图像对噪声的去除以及对比度的增强任务，实现低剂量CT图像的恢复。

在第一方面，提出了一种基于无监督学习的低剂量CT图像恢复方法，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。

进一步的，为避免图像增强对噪声水平的放大，本发明使用全变分模型原理对低剂量CT图像归一化后的图像进行特征分解，得到基础层图像和细节层图像，实现图像增强和噪声抑制的解耦合。基础层图像保留低剂量CT图像的基础信息，细节层图像保留低剂量CT图像的细节与噪声信息；步骤S1具体包括：