CN109166161A - 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 - Google Patents

Abstract

本发明公开了一种基于噪声伪影抑制卷积神经网络的低剂量CT图像处理系统，包括：图像预处理模块，用于获得多组匹配的低剂量CT图像和常规剂量CT图像并将和相减获得噪声伪影图像N_s；噪声伪影抑制卷积神经网络建立模块用于将作为训练图像，N_s作为标签图像，建立与N_s之间的映射卷积神经网络；网络训练模块，用于通过降低神经网络损失函数，来训练噪声伪影抑制卷积神经网络；网络处理模块，用于将待处理低剂量CT图像输入映射卷积神经网络进行处理，得到预测的噪声伪影图像噪声伪影抑制模块，用于将减去得到噪声伪影抑制后的图像本发明可有效的抑制低剂量CT数据中的噪声伪影，处理后的图像质量可满足临床分析、诊断等要求，提高低剂量CT成像的图像效果。

Description

一种基于噪声伪影抑制卷积神经网络的低剂量CT图像处理 系统

技术领域

本发明涉及图像处理技术，尤其涉及一种基于噪声伪影抑制卷积神经网络的低剂量CT图像处理系统。

背景技术

X射线计算机断层成像(X-ray Computer Tomography，CT)技术是通过对物体进行射线投影测量而获取物体精确而无损的横截面衰减信息的成像技术，是目前常规有效的临床医学诊断工具之一，为临床医生的诊断和预防提供丰富的三维人体器官组织信息，已成为医学成像领域内不可或缺的检查诊断方法。然而，随着CT断层扫描在临床诊断尤其是常规检查中的普及，CT扫描中的辐射剂量问题已经引起了人们越来越多的关注，大量的临床研究表明超过正常范围的CT辐射剂量易诱发人体新陈代谢异常乃至癌症等疾病，增加人体患癌的风险。但另一方面，为了获取更加清晰的CT图片，提高确诊率，传统的做法是增加扫描时的电流值或者电压值，或者投影的角度，但这将显著增加患者所受的X射线辐射剂量。X射线剂量的控制和临床上对CT图像质量的需求一直以来都是不可避免的矛盾。如何在图像质量无明显下降的基础上，以最低的辐射剂量获得最佳的CT诊断影像已成为行业共识。

当前在提高低剂量CT图像质量的方法主要分为两大类：基于投影空间数据处理的和基于图像空间数据处理。基于投影空间数据的方法主要通过对低剂量CT投影数据的校正，恢复复原和去噪来为重建提供更准确、噪声更少的投影数据，以提高其重建的质量，如结构自适应滤波器和双边滤波器是两种有效的滤波器。还有一些学者和公司通过研究投影空间的数据模型并基于此建立不同算法来抑制低剂量投影数据中的噪声，提高成像质量。另一类方法是直接通过图像空间处理技术来提高已重建的低剂量图像质量，具有不依赖原始投影数据和处理速度快的优点，通常使用非线性的处理方法进行，如小波(Wavelet)变换方法通过保持图像边缘信息来去除伪影及噪声，然而此类方法主要基于图像的局部信息，忽略了图像中重要的非局部性质，也难以达到满意的效果。再如基于字典学习的稀疏表示图像处理算法，这种方法通过训练得到一组过完备字典(基)，在基于字典表示的低剂量CT图像处理过程中，通过控制参数，可以使伪影及噪声得不到较好的表示，从而达到去除伪影及噪声的目的。基于字典学习的稀疏表示方法已经被证明在低剂量腹部CT图像处理中具有一定的效果，腹部低剂量CT图像通过训练字典处理后，能够获得较好的效果，能够使病人在腹部CT扫描中把所受剂量降低到原来的五分之一。但是这种方法需要训练不同方向的高频细节图像，缺乏断层图像之间的相关性，难以扩展到三维体数据的处理，计算量过大且耗时，难以在实际三维医疗图像处理系统中广泛应用。

随着大数据集、大样本的普遍，深度学习在工业界及学术界都受到了广泛的关注，也逐渐应用于CT图像领域中。如Chen等人采用了一种RED-CNN编码网络，大幅度降低了CT图像中的噪声伪影，提高了肿瘤病变组织的识别率。基于深度学习方法对图像空间建模，通过卷积神经网络强大的特征表示能力来分辨伪影及噪声与人体解剖结构。基于深度学习的方法，测试时间短、处理效果好，是数据量充足时应首先考虑的算法。为此，本发明将提出一种基于卷积神经网络的方法，充分利用卷积网络强大的表示能力，实现低剂量CT图像噪声伪影及解剖结构之间的分解。

虽然RED-CNN并与传统的方法相比不管是在主观视觉效果上，还是在峰值信噪比、结构相似性和均方根误差等客观评价指标上，都是最优的，对低剂量CT图像的去噪效果达到了目前较先进的水平，但RED-CNN的网络复杂度较高，运算耗时较长。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种基于噪声伪影抑制卷积神经网络的低剂量CT图像处理系统，该系统与RED-CNN相比，可以大幅度降低网络参数数量，同时具有较好去噪去伪影效果。

技术方案：本发明所述的基于噪声伪影抑制卷积神经网络的低剂量CT图像处理系统包括：

图像预处理模块，用于获得多组匹配的低剂量CT图像V_s ^ld和常规剂量CT图像V_s ^rd，并将低剂量CT图像和常规剂量CT图像相减获得噪声伪影图像N_s＝V_s ^ld-V_s ^rd；

噪声伪影抑制卷积神经网络建立模块，用于将低剂量CT图像V_s ^ld作为训练图像，噪声伪影图像N_s作为标签图像，建立低剂量CT图像V_s ^ld与噪声伪影图像N_s之间的映射卷积神经网络，作为噪声伪影抑制卷积神经网络；

网络训练模块，用于将多个低剂量CT图像V_s ^ld作为输入，对应的噪声伪影图像作为输出，通过降低神经网络损失函数，来训练和学习噪声伪影抑制卷积神经网络中的参数；

网络处理模块，用于将待处理低剂量CT图像V_t ^ld输入已训练好的映射卷积神经网络进行处理，得到预测的噪声伪影图像；

噪声伪影抑制模块，用于将待处理低剂量CT图像V_t ^ld减去预测的噪声伪影图像，得到噪声伪影抑制后的图像V_t ^p。

进一步的，所述图像预处理模块具体包括：

低剂量CT图像处理单元，用于将低剂量扫描下的CT投影数据通过解析的FBP重建算法获得低剂量CT图像V_s ^ld；

常规剂量CT图像处理单元，用于将常规剂量扫描下的CT投影数据经过GDSIR迭代重建算法获得常规剂量CT图像V_s ^rd。

进一步的，所述常规剂量CT图像处理单元具体用于执行如下步骤：

获取常规剂量扫描下的CT投影数据；

建立重建目标函数为：

式中，G为投影矩阵，u为重建CT图像，W为CT投影数据的统计权重，按照CT投影数据p的方差来计算；||·||_w为加权L₂范数，||·||₀为L₀范数，λ为正则化参数，E_i为在重建图像u的i个位置选取三维图像块的操作，I为图像块总数，D为特征字典，α_i为第i个图像块的稀疏表示向量，M_i为第i个图像块的均值，T为稀疏度，ε为误差限度；

对上述重建目标函数进行迭代，从而得到常规剂量CT图像数据V_s ^rd。

进一步的，所述噪声伪影抑制卷积神经网络包含CBR模块、分支模块和残差模块。

进一步的，所述CBR模块用于对输入的提取低剂量CT图像进行卷积、尺度变化和ReLU激活，以提取低剂量CT图像的低层特征信息。

进一步的，所述分支模块用于通过增加网络宽度混合CBR模块提取的特征信息，以提高网络的表示能力。

进一步的，所述残差模块通过卷积、尺度变化和ReLU激活来缩短训练时间，降低同等表示能力下特征卷积核的冗余度，避免训练中梯度弥散。

进一步的，所述损失函数Loss为：

式中，为低剂量CT图像V_s ^ld分块后得到的图像块，P_s ^N为噪声伪影图像N_s分块后得到的图像块，Ω为图像区域。

有益效果：本发明与现有技术相比，其显著优点是：本发明可以有效的处理高噪声污染下低剂量CT图像中星条状伪影及噪声和特征结构成分，处理效果优于目前图像空间神经网络方法，其处理后的低剂量CT图像质量能够更好的满足临床分析和诊断的要求，为CT扫描中的降低对扫描者的辐射剂量伤害做出贡献。

附图说明

图1为本发明实施的方法流程图；

图2为本发明实施例中五幅典型的轴向训练图(第一行：常规剂量图；第二行：低剂量图)；

图3为本发明实施例中轴向常规剂量CT图像和低剂量CT图像(a：常规剂量；b：低剂量)；

图4为本发明实施例中轴向临床低剂量CT图像使用RED-CNN方法和使用本发明方法NAS-CNN处理后的结果(a：RED-CNN；b：NAS-CNN)；

图5为本发明实施例中轴向临床低剂量CT图像对比实验中结果的局部放大图(a、b、c、d分别为常规剂量CT图像、低剂量CT图像、RED-CNN处理后的结果和NAS-CNN处理后的结果)；

图6为本发明实施例中矢向常规剂量CT图像和冠向低剂量CT图像(a：常规剂量；b：低剂量)；

图7为本发明实施例中矢向临床低剂量CT图像使用RED-CNN方法和使用本发明方法NAS-CNN处理后的结果的结果(a：RED-CNN；b：NAS-CNN)；

图8为本发明实施例中矢向临床低剂量CT图像对比实验中结果的局部放大图(a、b、c、d分别为常规剂量CT图像、低剂量CT图像、RED-CNN处理后的结果和NAS-CNN处理后的结果)。

具体实施方式

本实施例提供了一种基于噪声伪影抑制卷积神经网络的低剂量CT图像处理系统，如图1所示，包括图像预处理模块、噪声伪影抑制卷积神经网络建立模块、网络训练模块、网络处理模块和噪声伪影抑制模块，下面对各模块进行详细介绍。

图像预处理模块具体包括低剂量CT图像处理单元和常规剂量CT图像处理单元，低剂量CT图像处理单元用于将低剂量扫描下的CT投影数据通过解析的FBP重建算法获得低剂量CT图像V_s ^ld；常规剂量CT图像处理单元用于将常规剂量扫描下的CT投影数据经过GDSIR(Global Dictionary Based Statistical Iterative Reconstruction)迭代重建算法获得常规剂量CT图像V_s ^rd，具体执行如下步骤：

A、获取常规剂量扫描下的CT投影数据；

B、建立重建目标函数为：

式中，G为投影矩阵，u为重建CT图像，W为CT投影数据的统计权重，按照CT投影数据p的方差来计算；||·||_w为加权L2范数，||·||₀为L₀范数，λ为正则化参数，E_i为在重建图像u的i个位置选取三维图像块的操作，I为图像块总数，D为特征字典，α_i为第i个图像块的稀疏表示向量，M_i为第i个图像块的均值，T为稀疏度，ε为误差限度；

C、对上述重建目标函数进行迭代，从而得到常规剂量CT图像数据V_s ^rd。

噪声伪影抑制卷积神经网络建立模块用于将低剂量CT图像V_s ^ld作为训练图像，噪声伪影图像N_s作为标签图像，建立低剂量CT图像V_s ^ld与噪声伪影图像N_s之间的映射卷积神经网络，作为噪声伪影抑制卷积神经网络。所述噪声伪影抑制卷积神经网络包含CBR模块、分支模块和残差模块。CBR模块用于对输入的提取低剂量CT图像进行卷积、尺度变化和ReLU激活，以提取低剂量CT图像的低层特征信息。分支模块用于通过增加网络宽度混合CBR模块提取的特征信息，以提高网络的表示能力。残差模块通过卷积、尺度变化和ReLU激活来缩短训练时间，降低同等表示能力下特征卷积核的冗余度，避免训练中梯度弥散。

网络训练模块用于将多个低剂量CT图像V_s ^ld作为输入，对应的噪声伪影图像作为输出，通过降低神经网络损失函数，来训练和学习噪声伪影抑制卷积神经网络中的参数。具体的，将训练集中的低剂量CT图像V_s ^ld和噪声伪影图像N_s按照一定的尺寸n×n×t和像素间隔l₁×l₂×l₃进行分块(如：图块尺寸为65×65×32像素，分块间隔为12×12×12像素)，分别得到图像块集P_s ^ld和P_s ^N，特别的，这里的两种图像块选取的位置是完全匹配的。将图像块集P_s ^ld和P_s ^N放入网络中，通过降低神经网络损失函数Loss，也就是预测的噪声伪影图像块集与实际噪声伪影图像块集P_s ^N的欧氏距离，来训练和学习NAS-CNN中的参数，最终得到泛化能力较强的神经网络。损失函数Loss定义为：

网络处理模块用于将待处理低剂量CT图像V_t ^ld输入已训练好的映射卷积神经网络进行处理，得到预测的噪声伪影图像。具体的，首先，将需要处理的低剂量CT图像V_t ^ld按照尺寸为n×n×t和像素间隔为l₁×l₂×l₃进行分块，得到图像块集P_t ^ld；然后，将P_t ^ld输入训练完成的NAS-CNN中，得到预测的噪声伪影图像块集接下来，按照像素间隔l₁×l₂×l₃将图像块集组合成噪声伪影图像

噪声伪影抑制模块，用于将待处理低剂量CT图像V_t ^ld减去预测的噪声伪影图像得到噪声伪影抑制后的图像V_t ^p。其关系式可表示为：

下面对本发明方法进行评估。

1、效果评估准则

首先获得多组腹部数据，实验中所使用Low Dose Challenge比赛公布的数据，来自Somatom Definition AS+CT设备，具体的扫描参数为：管电压100KVp，管电流为360mAs(常规剂量)/85mAs(低剂量)，探测器大小为736×64，每个探测器单元尺寸为1.2856×1.0947mm²，射线源到物体中心和探测器中心的距离分别为59.5cm和108.56cm，全角度模式下每圈采集1152个投影数据，螺距为0.6，其它参数采用机器默认值。分别通过FDK(Feldkamp,Davis,Kress Algorithm)和GDSIR重建后得到重建图像，重建图像大小为512×512，像素大小为0.8×0.8mm²，层厚为1mm，三维连续性较好。

选取其中九组扫描数据作为训练数据，其中五幅典型的轴向训练图如图2所示；一组扫描数据作为测试数据，其中所选取的轴向CT图像如图3所示(常规剂量与低剂量)和所选取的矢向CT图像如图6所示(常规剂量与低剂量)。低剂量CT图像、正常剂量CT图像及处理后图像的显示窗宽为300HU(Housfield Units,HU)，窗位为50HU。

2、视觉评估

通过观察图3、图4、图5的常规剂量和低剂量的CT图像，以及RED-CNN方法和本发明NAS-CNN方法处理后的图像，可以看到RED-CNN方法虽然能去除低剂量CT图像中的噪声和条状伪影，但在处理过程中，解剖结构成分丢失了部分组织细节，部分区域有一定的模糊，像肝脏、脾静脉血管和血管囊肿区域；而使用本发明方法处理后的CT图像，视觉效果有了明显改善，图像组织能够很好的保留下来，噪声伪影基本上被完全去除掉，处理后的图像，图像视觉纹理更加接近于常规剂量下CT图像。

3、量化评估

为了量化的验证本发明方法的有效性，我们通过计算比较了整张图像(低剂量CT图、RED-CNN处理后的图像和本发明NAS-CNN处理后的图像)与常规剂量CT图的峰值信噪比与结构相似度，这里峰值信噪比PSNR的定义为：

其中此处I代表正常剂量CT图像，K代表含此处代表待计算的图像,L_I代表图像I可代表的最大图像像素值，i，j分别为图像的像素索引。结构相似度SSIM的定义为：

其中μ_I、μ_K分别是图像I，K的均值，σ_I、σ_K分别是I，K的标准差，σ_IK是图像I与K的协方差，C₁和C₂为两个常数，其中C₁＝(0.01×L)²，C₂＝(0.03×L)²。从下表1可以看到本发明的分解方法能够大幅度降低分解后解剖结构成分中的噪声，提高信噪比，获得更加接近正常剂量的CT图像。

表1

为对比了RED-CNN与本发明所提NAS-CNN网络的计算耗时，我们在GPU为NVIDIAGTX1080的环境下使用TensorFlow平台，对512×512×200大小的测试图进行计算，发现RED-CNN平均耗时3.72秒，而本发明NAS-CNN平均耗时1.08秒。

从上述实验可以看到，采用本发明的方法可以有效快速的处理低剂量CT图像，可获得接近正常剂量水平的CT信息的人体解剖组织衰减图像。而且本发明方法中，网络一旦构建好后，无需重复训练，实际处理时间短，速度快，具有较大的应用范围。

以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.一种基于噪声伪影抑制卷积神经网络的低剂量CT图像处理系统，其特征在于，包括：

图像预处理模块，用于获得多组匹配的低剂量CT图像V_s ^ld和常规剂量CT图像V_s ^rd，并将低剂量CT图像和常规剂量CT图像相减获得噪声伪影图像N_s＝V_s ^ld-V_s ^rd；

噪声伪影抑制卷积神经网络建立模块，用于将低剂量CT图像V_s ^ld作为训练图像，噪声伪影图像N_s作为标签图像，建立低剂量CT图像V_s ^ld与噪声伪影图像N_s之间的映射卷积神经网络，作为噪声伪影抑制卷积神经网络；

网络训练模块，用于将多个低剂量CT图像V_s ^ld作为输入，对应的噪声伪影图像作为输出，通过降低神经网络损失函数，来训练和学习噪声伪影抑制卷积神经网络中的参数；

网络处理模块，用于将待处理低剂量CT图像V_t ^ld输入已训练好的映射卷积神经网络进行处理，得到预测的噪声伪影图像

噪声伪影抑制模块，用于将待处理低剂量CT图像V_t ^ld减去预测的噪声伪影图像得到噪声伪影抑制后的图像V_t ^p。

2.如权利要求1所述一种基于噪声伪影抑制卷积神经网络的低剂量CT图像处理系统，其特征在于：所述图像预处理模块具体包括：

低剂量CT图像处理单元，用于将低剂量扫描下的CT投影数据通过解析的FBP重建算法获得低剂量CT图像V_s ^ld；

常规剂量CT图像处理单元，用于将常规剂量扫描下的CT投影数据经过GDSIR迭代重建算法获得常规剂量CT图像V_s ^rd。

3.如权利要求2所述一种基于噪声伪影抑制卷积神经网络的低剂量CT图像处理系统，其特征在于：所述常规剂量CT图像处理单元具体用于执行如下步骤：

获取常规剂量扫描下的CT投影数据；

建立重建目标函数为：

式中，G为投影矩阵，u为重建CT图像，W为CT投影数据的统计权重，按照CT投影数据p的方差来计算；||·||_w为加权L₂范数，||·||₀为L₀范数，λ为正则化参数，E_i为在重建图像u的i个位置选取三维图像块的操作，I为图像块总数，D为特征字典，α_i为第i个图像块的稀疏表示向量，M_i为第i个图像块的均值，T为稀疏度，ε为误差限度；

对上述重建目标函数进行迭代，从而得到常规剂量CT图像数据V_s ^rd。

4.如权利要求1所述一种基于噪声伪影抑制卷积神经网络的低剂量CT图像处理系统，其特征在于：所述噪声伪影抑制卷积神经网络包含CBR模块、分支模块和残差模块。

5.如权利要求4所述一种基于噪声伪影抑制卷积神经网络的低剂量CT图像处理系统，其特征在于：所述CBR模块用于对输入的提取低剂量CT图像进行卷积、尺度变化和ReLU激活，以提取低剂量CT图像的低层特征信息。

6.如权利要求4所述一种基于噪声伪影抑制卷积神经网络的低剂量CT图像处理系统，其特征在于：所述分支模块用于通过增加网络宽度混合CBR模块提取的特征信息，以提高网络的表示能力。

7.如权利要求4所述一种基于噪声伪影抑制卷积神经网络的低剂量CT图像处理系统，其特征在于：所述残差模块通过卷积、尺度变化和ReLU激活来缩短训练时间，降低同等表示能力下特征卷积核的冗余度，避免训练中梯度弥散。

8.如权利要求1所述一种基于噪声伪影抑制卷积神经网络的低剂量CT图像处理系统，其特征在于：所述损失函数Loss为：

式中，为低剂量CT图像V_s ^ld分块后得到的图像块，P_s ^N为噪声伪影图像N_s分块后得到的图像块，Ω为图像区域。