CN110992295A - 基于小波-red卷积神经网络的低剂量ct重建方法 - Google Patents

Abstract

本发明公开了一种基于小波‑RED卷积神经网络的低剂量CT重建方法，通过小波分解模块代替经典RED卷积神经网络中的编码器，利用小波分解模块的多尺度分析特性，在不同尺度上按频率段逐层提取噪声信息，然后在低剂量CT小波分解系数图像的基础上，利用可训练的解码器，层层提取噪声信息，生成低剂量CT的负噪声图像，最后与低剂量图像相加，获得重建图像，这样可以高效地去除低剂量CT图像上的噪声，同时保留图像的细节信息。

Description

基于小波-RED卷积神经网络的低剂量CT重建方法

技术领域

本发明属于图像处理技术领域，更为具体地讲，涉及一种基于小波-RED卷积神经网络的低剂量CT重建方法。

背景技术

目前，人们对CT辐射剂量对人体可能造成的潜在危害问题越来越重视。通过降低管电流强度(低剂量CT)和减少采样的次数(稀疏角度CT)，能够实现降低辐射剂量。但这样破坏了投影数据的完备性，由传统重建算法直接重建出的图像质量会严重退化。因此，如何在降低辐射剂量的同时保证重建图像的质量成为近年来CT研究的一个热点。

近年来，为了去除低剂量CT图像噪声而出现的经典算法有很多，主要是是基于非局部相似性理论、稀疏表示和字典学习理论及其他理论的各种算法。其中，非局部均值(NLM)算法、匹配三维滤波方法和基于字典学习的稀疏表示方法—K-奇异值分解都是目前公认效果较好的低剂量CT图像降噪算法，但是这些降噪算法都存在去除噪声不完全或使图像过度模糊的缺点。

此外，基于变换滤波理论的降噪方法也被众多学者广泛研究。在变换域中对变换系数进行阈值滤波，然而阈值滤波过程中的阈值难以估计和调整，从而难以达到理想的去噪效果。

近年来，随着深度学习的发展，卷积神经网络已经在图像分类、语音识别、目标检测和文字识别等方面均取得了突破性研究。将将卷积神经网络应用于自然图像和LDCT图像降噪也引起了广大研究者的兴趣。用深度学习的方法学习噪声图像和去噪图像之间的映射关系，可以提高图像的信噪比并保留图像细节信息。其中，一种RED(Residual Encoder-Decoder)卷积神经网络用于低剂量CT图像降噪，可以有效地抑制噪声和伪影。然而，传统RED神经网络模型中，需要编码器对输入图像的特征进行层层提取，且需要训练大量的参数，这样导致模型训练难得加大，且耗时长。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于小波-RED卷积神经网络的低剂量CT重建方法，用小波分解模块代替经典RED卷积神经网络中的编码器，然后利用小波分解模块在不同频率尺度上提取图像的噪声信息，进而生成低剂量CT的负噪声图像，在图像重建时能够保留图像的细节信息。

为实现上述发明目的，本发明一种基于小波-RED卷积神经网络的低剂量CT重建方法，其特征在于，包括以下步骤：

(1)、构建训练样本

采集不同患者的标准剂量CT投影数据，再通过反投影重建得到标准剂量CT图像；

对同一标准剂量CT投影数据添加噪声，再通过反投影重建得到相应的低剂量CT图像；

将每一对低剂量CT图像与标准剂量CT图像构成一个训练样本，表示为{X,Y}，其中，X为低剂量CT图像，Y为标准剂量CT图像；

(2)、构建小波-RED神经网络模型

用小波分解模块代替传统RED神经网络模型中的编码器，传统RED神经网络模型中的其余模块保持不变；

其中，小波分解模块与传统RED神经网络模型中的解码器的级数均为N；小波分解模块分解后的第n级小波系数W_n与解码器第N-n层反卷积层的输出E_n同尺寸，W_n与E_n进行通道拼接后，输入至第N-n+1层反卷积层，输出得到升维的特征图E_n-1，然后以此类推，直到第N层反卷积层，最后以W₁与E₁拼接后的多通道特征图为输入，经反卷积得到单通道特征图E₀；

(3)、训练小波-RED神经网络模型

(3.1)、小波-RED神经网络模型初始化；

(3.2)、随机选取一个训练样本{X,Y}，将X输入至小波-RED卷积神经网络模型；

先利用小波分解模块对X进行小波分解，得到各级小波系数W_n和对应的低频系数L_n，然后将最后一级小波系数W_N连同低频系数L_N构成特征图W_N′，并输入到解码器，解码器逐层进行反卷积操作，得到单通道特征图E₀，最后将E₀与X相加得到重建图像Y′；

(3.3)、计算重建图像Y′与真实标准剂量图像Y之间像素误差平方和，记为Σ，判断Σ与预设阈值的大小，如果Σ小于预设阈值，则训练结束，得到训练好的小波-RED神经网络模型；否则，进入步骤(3.4)；

(3.4)、利用随机梯度下降算法更新小波-RED神经网络模型中的权重参数，然后再返回步骤(3.2)；

(4)、获取真实的低剂量CT图像，将其输入至训练好的小波-RED神经网络模型，从而输出重建后的标准剂量CT图像。

本发明的发明目的是这样实现的：

本发明基于小波-RED卷积神经网络的低剂量CT重建方法，通过小波分解模块代替经典RED卷积神经网络中的编码器，利用小波分解模块的多尺度分析特性，在不同尺度上按频率段逐层提取噪声信息，然后在低剂量CT小波分解系数图像的基础上，利用可训练的解码器，层层提取噪声信息，生成低剂量CT的负噪声图像，最后与低剂量图像相加，获得重建图像，这样可以高效地去除低剂量CT图像上的噪声，同时保留图像的细节信息。

同时，本发明基于小波-RED卷积神经网络的低剂量CT重建方法还具有以下有益效果：

(1)、本发明方法设计的小波-RED卷积神经网络模型中，用小波分解模块代替传统RED神经网络的编码器，小波分解模块中不包含需要训练的参数，整个网络模型中，仅解码器的参数需要训练。相当于大大减少了需要训练的参数个数，加速了模型的训练。

(2)、小波变换将低剂量图像进行了多尺度分解，利用小波的多尺度分析特性，在不同尺度上按频率段逐层提取噪声信息，解码器可以逐层提取噪声信息并合成负噪声图像，这样可以使训练和计算简单，容易实现；

(3)、本发明利用小波的多尺度分析特性，在不同尺度上按频率段逐层提取噪声信息，可以高效地去除低剂量CT图像上的噪声，同时保留图像的细节信息。

附图说明

图1是本发明基于小波-RED卷积神经网络的低剂量CT重建方法流程图；

图2是小波-RED神经网络模型一种具体实施方式结构图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：

RED(Residual Encoder-Decoder)：残差编码解码器；

FBP(Filtered Back projection)：滤波反投影重建算法；

图1是本发明基于小波-RED卷积神经网络的低剂量CT重建方法流程图。

在本实施例中，如图1所示，本发明一种基于小波-RED卷积神经网络的低剂量CT重建方法，包括以下步骤：

S1、构建训练样本

采集不同患者的标准剂量CT投影数据，再通过FBP算法进行反投影重建，得到标准剂量CT图像；

对同一标准剂量CT投影数据添加泊松噪声，再通过FBP算法进行反投影重建，得到相应的低剂量CT图像；

将每一对低剂量CT图像与标准剂量CT图像构成一个训练样本，表示为{X,Y}，其中，X为低剂量CT图像，Y为标准剂量CT图像；

在本实施例中，设标准剂量和低剂CT图像大小均为512×512，共收集100对512×512大小的标准剂量和低剂量CT图像，每对CT图像构成一个训练样本，最终形成包含100个训练样本的训练集。

S2、构建小波-RED神经网络模型

用小波分解模块代替传统RED神经网络模型中的编码器，传统RED神经网络模型中的其余模块保持不变；

其中，小波分解模块与传统RED神经网络模型中的解码器的级数均为N；小波分解模块分解后的第n级小波系数W_n与解码器第N-n层反卷积层的输出E_n同尺寸，W_n与E_n进行通道拼接后，输入至第N-n+1层反卷积层，输出得到升维的特征图E_n-1，然后以此类推，直到第N层反卷积层，最后以W₁与E₁拼接后的多通道特征图为输入，经反卷积得到单通道特征图E₀；

在本实施例中，如图2所示，小波分解模块采用三级小波分解，将输入图像X(512×512)分解为W₁，W₂，W₃′，其中，W₁是由第1级三个方向(水平方向低频垂直方向高频、水平方向高频垂直方向低频和水平方向高频垂直方向高频)的小波分解系数图像(256×256)组成的三通道特征图(256×256×3)，W₂是由第2级三个方向的小波分解系数图像(128×128)组成的3通道特征图(128×128×3)，W₃′是由最后一级三个方向的小波分解系数图像和低频图像(64×64)组成的4通道特征图(128×128×4)。

解码器也采用相应的三层结构。第一层反卷积层(DeConv1)将W₃′通过上采样、卷积和非线性激活函数等操作提升为5通道的特征图E₂(128×128×5)；W₂与E₂通过通道拼接的方式组合成128×128×8的特征图，经第二层反卷积层(DeConv2)的提升，得到4通道的特征图E₁(256×256×4)；W₁与E₁通过通道拼接的方式组合成256×256×7的特征图，经最后一层反卷积层(DeConv3)的提升，得到单通道的特征图E₀(512×512)；

S3、训练小波-RED神经网络模型

S3.1、小波-RED神经网络模型初始化；

S3.2、随机选取一个训练样本{X,Y}，将X输入至小波-RED卷积神经网络模型；

先利用小波分解模块对X进行小波分解，得到各级小波系数W_n和对应的低频系数L_n，然后将最后一级小波系数W_N连同低频系数L_N构成特征图W_N′，并输入到解码器，解码器逐层进行反卷积操作，得到单通道特征图E₀，最后将E₀与X相加得到重建图像Y′；

S3.3、计算重建图像Y′与真实标准剂量图像Y之间像素误差平方和，记为Σ，判断Σ与预设阈值的大小，如果Σ小于预设阈值，则训练结束，得到训练好的小波-RED神经网络模型；否则，进入步骤S3.4；

S3.4、利用随机梯度下降算法更新小波-RED神经网络模型中的权重参数，然后再返回步骤S3.2；

在本实施例中，执行完50轮训练后(卷积核参数经过100×50次更新)，验证100个真实标准剂量CT图像与实际输出图像像素误差平方和的总和，满足精度要求，结束训练。

S4、获取真实的低剂量CT图像，将其输入至训练好的小波-RED神经网络模型，从而输出重建后的标准剂量CT图像。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于小波-RED卷积神经网络的低剂量CT重建方法，其特征在于，包括以下步骤：

(1)、构建训练样本

采集不同患者的标准剂量CT投影数据，再通过反投影重建得到标准剂量CT图像；

对同一标准剂量CT投影数据添加噪声，再通过反投影重建得到相应的低剂量CT图像；

将每一对低剂量CT图像与标准剂量CT图像构成一个训练练样本，表示为{X,Y}，其中，X为低剂量CT图像，Y为标准剂量CT图像；

(2)、构建小波-RED神经网络模型

用小波分解模块代替传统RED神经网络模型中的编码器，传统RED神经网络模型中的其余模块保持不变；

其中，小波分解模块与传统RED神经网络模型中的解码器的级数均为N；小波分解模块分解后的第n级小波系数W_n与解码器第N-n层反卷积层的输出E_n同尺寸，W_n与E_n进行通道拼接后，输入至第N-n+1层反卷积层，输出得到升维的特征图E_n-1，然后以此类推，直到第N层反卷积层，最后以W₁与E₁拼接后的多通道特征图为输入，经反卷积得到单通道特征图E₀；

(3)、训练小波-RED神经网络模型

(3.1)、小波-RED神经网络模型初始化；

(3.2)、随机选取一个训练样本{X,Y}，将X输入至小波-RED卷积神经网络模型；

先利用小波分解模块对X进行小波分解，得到各级小波系数W_n和对应的低频系数L_n，然后将最后一级小波系数W_N连同低频系数L_N构成特征图W_N′，并输入到解码器，解码器逐层进行反卷积操作，得到单通道特征图E₀，最后将E₀与X相加得到重建图像Y′；

(3.3)、计算计算重建图像Y′与真实标准剂量图像Y之间像素误差平方和，记为Σ，判断Σ与预设阈值的大小，如果Σ小于预设阈值，则训练结束，得到训练好的小波-RED神经网络模型；否则，进入步骤(3.4)；

(3.4)、利用随机梯度下降算法更新小波-RED神经网络模型中的权重参数，然后再返回步骤(3.2)；

(4)、获取真实的低剂量CT图像，将其输入至训练好的小波-RED神经网络模型，从而输出重建后的标准剂量CT图像。

Images