[发明专利]基于低剂量和超分辨率的多任务高质量CT图像重建方法

权利要求书

1.一种基于低剂量和超分辨率的多任务高质量CT图像重建方法，其特征在于，所述方法包括以下步骤：

S1：使用bicubic插值算法建立训练集，将原始的高分辨率低剂量图像和高分辨率正常剂量图像分别插值成对应的低分辨率低剂量图像和低分辨率正常剂量图像；

S2：将步骤S1中的低分辨率低剂量图像输入到图像特征编码器以提取被滤除噪声的特征；

S3：根据步骤S1中的低分辨率低剂量图像，使用Sobel算法提取不同窗宽窗位梯度特征，将得到的梯度特征输入到梯度编码器，提取出不同尺度的梯度特征；

S4：将步骤S2中得到的被滤除噪声的特征输入低剂量CT重建分支，重建出低分辨率正常剂量图像；

S5：将步骤S2中的被滤除噪声的特征和步骤S4中重建图像过程中得到的中间特征输入到超分辨率重建分支，并将步骤S3中得到的梯度特征作为注意力权重对输入特征进行调整，重建出正常剂量高分辨率图像；

S6：通过损失函数对以上所述超分辨率模型进行优化，得到初步的模型参数；

S7：将步骤S6中得到的模型参数作为预训练权重加载到超分辨率模型中，使用生成对抗网络对模型参数进行调整，最终得到具有更符合真实分布的纹理的正常剂量高分辨率图像。

2.根据权利要求1所述基于低剂量和超分辨率的多任务高质量CT图像重建方法，其特征在于：所述步骤S2中的图像特征编码器包含输入映射模块IP以及三个局部增强Transformer模块Lewin Block和两个下采样模块DS，下采样模块DS使用卷积核大小为4X4，步距为2的卷积层降低特征的空间维度，过滤掉特征中包含的一部分噪声，所述输入映射模块IP包含卷积核大小为3X3的卷积层以及激活函数为LeakyRelu的激活层，提取输入图像的浅层特征，第一个局部增强模块结合浅层特征的全局和局部信息，提取第一编码特征，第一个下采样模块对第一编码特征进行降采样得到第一过滤特征，第二个局部增强模块和第二个下采样模块重复之前的操作，分别提取出第二编码特征和第二过滤特征，最后，第三个局部增强模块进一步从第二过滤特征中提取出瓶颈特征。

3.根据权利要求1所述基于低剂量和超分辨率的多任务高质量CT图像重建方法，其特征在于：所述步骤S3中的梯度特征包含胸窗梯度特征、肺窗梯度特征以及全窗梯度特征，将它们拼接起来的初始梯度特征作为梯度编码器的输入，梯度编码器包含输入映射模块IP和下采样模块，浅层特征提取模块从初始梯度特征中提取第一梯度特征，梯度下采样层调整第一梯度特征的空间维度得到第二梯度特征。

4.根据权利要求1所述基于低剂量和超分辨率的多任务高质量CT图像重建方法，其特征在于：所述步骤S4中的低剂量CT重建分支包含两个上采样模块US、两个局部增强Transformer模块Lewin Block和一个降噪映射模块DNP，瓶颈特征输入到第一个上采样模块，得到第一降噪重建特征，第二编码特征与第一降噪重建特征拼接，补全在图像特征编码器中下采样所丢失的信息，并将拼接特征输入到第一个Lewin Block模块中得到第一降噪解码特征，对第一降噪解码特征重复上述操作，得到第二降噪重建特征和第二降噪解码特征，降噪映射模块DNP利用第二降噪解码特征重建出正常剂量低分辨率图像I_dn，其中，所述上采样模块为一层卷积核为2X2，步距为2的反卷积层，所述降噪映射模块为一层3X3的卷积层。