[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

说明书

本发明公开了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，包括步骤：使用bicubic插值算法建立训练集；对输入图像编码提取被滤除噪声的特征；使用Sobel算法提取出不同尺度的梯度特征；使用并行的低剂量CT重建分支重建出低分辨率正常剂量图像；使用并行的超分辨率重建分支重建出正常剂量高分辨率图像；通过损失函数对超分辨率模型进行优化，得到初步的模型参数；使用生成对抗网络对模型参数进行进一步的调整。

技术领域

本发明属于医学图像处理技术领域，涉及CT图像的重建技术，尤其涉及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。

背景技术

计算机断层扫描（CT）是一项以射线扫描物体，根据获取到的数据重建出被扫描物体的无损成像技术，可以在不破坏物体表面的情况下得到物体的内部图像。近些年来，由于操作简单且契合实际需要，CT成像技术被广泛应用于临床诊断中。然而，受到成像设备硬件、成像时的外部环境、重建算法等因素的影响，最终生成的CT图像可能会比较明显的噪声、伪影等问题。此外，有限的分辨率很难清晰地显示微小地细节特征。以上两点问题都会导致生成的CT图像中一部分解剖细节模糊不清，从而影响医生对患者情况的了解以及后续治疗方案的制定。

为了解决以上问题带来的挑战，CT重建技术正不断发展。CT图像重建的目的是以更小的风险、更低的成本获得更高质量的CT图像用于临床诊断，其中，低剂量CT重建和超分辨率重建是重建领域的两项重要的任务。

在CT成像的过程中，过量的X射线辐射剂量会使患者有患癌的风险。减少CT扫描危害一般采用减少使用的X射线辐射剂量来进行，即低剂量CT。医学上最常用的减少辐射剂量的方法之一是通过降低管电压或管电流，这种方法方便操作、易于实现。然而，在减少X射线的辐射剂量后，其穿透人体的能力也随之减弱，在成像时，会降低低剂量CT图像的密度分辨率，使低剂量CT图像中密度相近的区域不易区分，具体表现为在低剂量CT图像中含有比较多明显的斑点噪声和条形伪影，严重影响医生对患者病情的判断。针对低剂量CT图像中存在的问题，很多学者结合深度学习技术，提出了各种重建算法，其中比较常将的做法是利用生成对抗网络来生成符合LDCT图像真实分布的纹理。

更高分辨率的CT图像可以显示更清晰的细节，因此也是成像领域研究的重点。然而，CT图像的分辨率受成像设备硬件的限制。使用高精度的硬件可以提高生成的CT图像的分辨率，然而，高精度硬件的高成本问题以及易受环境影响的特性限制了它在医学成像设备上的部署。目前超分辨率重建领域内广泛研究的重点是通过重建算法提高CT图像的分辨率，尤其是结合深度学习技术。例如，Jiang X等设计了一种新的半监督对抗生成网络，并提出了一种新的损失函数来增强鉴别器和生成器之间的映射。

然而，目前存在的算法仍然是针对单一的低剂量CT重建任务或超分辨率重建任务，并没有考虑两个任务之间的关联性，这限制了重建效果进一步得到提升。

发明内容

发明目的：本发明的目的旨在提供一种基于低剂量和超分辨率的多任务高质量CT重建方法，基于低剂量CT重建任务和超分辨率重建任务之间的关联性，使用两个分支作为解码器分别并行实现低剂量CT重建任务和超分辨率重建任务，在两个分支之间有分支相互连接以实现不同任务之间的信息交流，并且使用梯度特征作为注意力权重对不同分支之间传递的信息进行调整，达到根据低剂量低分辨率CT图像生成正常剂量高分辨率CT图像的目的。并且，使用生成对抗网络对生成的高分辨率CT图像进行训练，使其获得更加符合真实分布的纹理细节，有效提升重建质量。

技术方案：为实现上述目的，本发明提供一种基于低剂量和超分辨率的多任务高质量CT重建方法，包括如下步骤：

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。