[发明专利]一种基于图像增强和扩散模型的低剂量CT图像降噪方法

权利要求书

1.一种基于图像增强和扩散模型的低剂量CT图像降噪方法，其特征在于,具体包括以下步骤：

S1：构建低剂量CT图像样本集 ，其中为低剂量CT图像，为普通剂量CT图像，对进行多步处理以达到的成像水平；

S2：将通过滤波器，得到输出；

S3：对进行CT图像特征增强，通过局部注意力模块，在图像空间域应用滑动窗口计算注意力，在特征空间域应用聚类计算注意力，最终得到输出；

具体包括以下步骤：

S3-1：利用公开的预训练模型ViT中线性嵌入层的操作,对进行变换得到该模块的输入；

(2)

其中，为线性嵌入层操作，该操作将每个二维图像块展平为一维向量嵌入然后将其线性投影到所需的输入维度中；

S3-2：通过局部注意力机制模块，：

(3)

其中，表示第一阶段局部注意力机制模块；

步骤S3-2具体包括以下步骤：

S3-2-1：通过正则化层与公开的预训练模型Swin Transformer中图像空间局部注意力模块后在图像空间域进行特征增强得到；

(4)

其中是图像空间局部注意力模块，是正则化层，过程采用了开源的Python机器学习库torch.nn中的LayerNorm函数，后续提及的正则化层均为当前正则化层的相同操作；

S3-2-2：先后通过正则化层和公开的预训练模型BOAT中图像特征空间局部注意力模块中，得到；

(5)

其中，表示图像特征空间局部注意力模块；

S3-2-3：通过正则化层和全连接层后得到第一阶段局部注意力模块的输出，此过程包含残差快速链接；

(6)

其中，表示全连接层；

S3-3：依次输入到，，中，共计4阶段，并在相邻局部注意力机制模块中间插入一次卷积层作为特征融合，共计3次，最终得到输出；

 (7)

 (8)

 (9)

其中，表示开源的Python机器学习库torch.nn中的Conv2d函数，卷积核为3×3大小，步长为2；

S4：通过残差卷积模块对图像进行降噪重建，输出图像；对经过纹理增强后的图像进行降噪可以在获得降噪效果的同时不丢失纹理细节；

S5：将输入到公开的深度生成模型扩散去噪模型DDPM中，模型分为扩散过程和逆扩散过程两个阶段，在扩散阶段，通过不断对添加高斯噪声，将原始数据分布变为正态分布；在逆扩散阶段，使用参数化的U-Net神经网络将从正态分布恢复到原始数据分布。

2.根据权利要求1所述的一种基于图像增强和扩散模型的低剂量CT图像降噪方法,其特征在于,所述步骤S2具体包括以下步骤：

S2-1：将两种类型包括垂直、水平方向的算子定义为一组，与进行卷积运算，获得一组特征图，以提取边缘信息；

S2-2：将上一步输出的特征图与在通道维度上叠加，得到该模块的最终输出；

(1)

其中，表示利用算子进行卷积运算。

3.根据权利要求1所述的一种基于图像增强和扩散模型的低剂量CT图像降噪方法,其特征在于,所述步骤S4具体包括以下步骤：

S4-1：对变形为特征图，输送到包含两个卷积层和一个激活层的ResNet模块中得到输出；

(10)

S4-2：类似地，通过另一个相同的模块后得到输出；

 (11)

其中，表示torch.nn中的Conv2d函数，卷积核为3×3大小，步长为1,表示torch.nn中的ReLU函数，变形操作采用了开源的数值计算扩展库Numpy中的reshape函数。

4.根据权利要求1所述的一种基于图像增强和扩散模型的低剂量CT图像降噪方法,其特征在于,所述步骤S5具体包括以下步骤：

S5-1：执行扩散过程，在扩散过程方差设置为从到线性增加的常数，设置为1000，直到图像信号被完全破坏，通过马尔可夫过程的特性可以推导出任意时间步的解析式：

(12)

其中，，，为某一时刻t的加噪声图像，是和等维度的隐变量；

S5-2：执行逆扩散过程，该过程使用参数化的神经网络来建模, 公式表达如下：

(13)

其中，表示为到过程的噪声分布预测，遵从 的分布，表示U-Net神经网络中的可训练参数。