CN111445406B - 一种低剂量ct图片质量改善方法、系统及设备 - Google Patents
一种低剂量ct图片质量改善方法、系统及设备 Download PDFInfo
- Publication number
- CN111445406B CN111445406B CN202010212722.9A CN202010212722A CN111445406B CN 111445406 B CN111445406 B CN 111445406B CN 202010212722 A CN202010212722 A CN 202010212722A CN 111445406 B CN111445406 B CN 111445406B
- Authority
- CN
- China
- Prior art keywords
- picture
- dose
- h5py
- low
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006872 improvement Effects 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 238000011084 recovery Methods 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 85
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010017076 Fracture Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种低剂量CT图片质量改善方法、系统及设备，包括：选择包含有低剂量图片和高剂量图片的CT文件并转化为H5PY矩阵数据；使用多方向的梯度算子对H5PY矩阵进行卷积运算，将多方向卷积计算结果与H5PY矩阵进行合并，将合并数据输入到VGG‑16神经网络模型中进行训练，对训练好的VGG‑16神经网络模型进行评价，选择出CT图片改善模型；将低剂量CT图片输入到CT图片改善模型中，得到图片质量改善后的低剂量CT图片。本发明多方向梯度算子应用于低剂量CT图片质量的改善之中，多方向梯度算子抗干扰能力强，能够去除图片中的噪音，同时注重细节恢复，有效获取图片的细节纹理，大大提高网络的人眼感受效果。
Description
技术领域
本发明图片质量改善技术领域，尤其涉及一种低剂量CT图片质量改善方法、系统及设备。
背景技术
目前，计算机断层扫描(CT)是一种准确，无创的方法，使用CT可以检测人体内部异常部位，例如肿瘤，骨折和血管疾病。然而，在胸部CT扫描期间，放射线暴露则等于两年的背景放射线。考虑到CT扫描诊断的优势，找到解决辐射问题的方法至关重要。降低辐射风险的一种方法是使用较低剂量的X射线电流。但是，该方法生成的CT图片不如正常剂量CT图片清晰明了，它们对于诊断结果来说将是不可靠的。因此，如何去除低剂量CT图片中的噪声，增强图片质量显得至关重要。
低剂量CT的噪声减少工作大体分为前处理和后处理，前处理依赖具体CT设备或者投影数据，而后处理可以直接在重建的CT上工作，独立于扫描仪供应商。后处理即图片空间去噪算法分为两类：一类是传统机器学习，一类是深度学习。传统机器学习算法，针对单一问题时，效果好，但对于复杂问题往往效果有限，而且模型的通用性不高。对于深度学习，近年来，通过使用深度学习(DL)在图片处理领域取得了许多进步，实现的效果在许多方面远超传统机器学习算法。
近年来许多使用深度学习来进行低剂量CT图片质量增强或者去噪的研究表明，训练出来的神经网络，只在相关指标PSNR以及SSIM上表现良好，而在人眼的视觉感受上的表现，并没有明显提升。
低剂量CT图片的增强网络使用均方误差进行设计，但是遇到复杂背景而不是模拟噪声时，比如一些真实的低剂量图片，增强后的结果出现会过渡模糊的问题。实践表明，使用更复杂网络比如残差或者GAN网络等，虽然能继续提升PSNR值，但PSNR值并不完全匹配人眼视觉效果。
综上所述，现有技术中神经网络输出的CT图片虽然指标高，但是存在着人眼感受图片模糊以及纹理细节差的技术问题。
发明内容
本发明提供了一种低剂量CT图片质量改善方法、系统及设备，用于解决现有技术中神经网络输出的CT图片虽然指标高，但是存在着人眼感受图片模糊以及纹理细节差的技术问题。
一种低剂量CT图片质量改善方法，包括以下步骤：
选择包含有低剂量图片和高剂量图片的CT文件，将CT文件中的低剂量图片和高剂量图片转化为H5PY矩阵数据；
提取出H5PY矩阵数据中的H5PY矩阵，使用多方向的梯度算子对H5PY矩阵进行卷积运算，获得多方向卷积计算结果；
将多方向卷积计算结果与H5PY矩阵进行合并，得到合并数据；
将合并数据输入到VGG-16神经网络模型中进行训练，得到训练好的VGG-16神经网络模型；
对训练好的VGG-16神经网络模型进行评价，根据评价结果选择出CT图片改善模型；
将低剂量CT图片输入到CT图片改善模型中，得到图片质量改善后的低剂量CT图片。
优选的，H5PY矩阵数据包括H5PY矩阵以及标签。
优选的，H5PY矩阵数据中，低剂量图片标签为‘train’，高剂量图片标签为‘label’。
优选的，多方向的梯度算子具体为八方向的梯度算子。
优选的，八方向的梯度算子的梯度方向为0°、45°、90°、135°、180°、225°、270°以及315°。
优选的，使用多方向的梯度算子对H5PY矩阵进行卷积运算时，对卷积进行填充处理。
优选的，VGG-16神经网络模型采用均方误差作为损失函数。
优选的，对训练好的VGG-16神经网络模型进行评价的具体过程为：
根据峰值信噪比、结构相似性以及视觉效果对训练好的VGG-16神经网络模型输出的图片进行评价。
一种低剂量CT图片质量改善系统，包括CT文件选择模块、H5PY矩阵数据转换模块、卷积运算模块、数据合并模块、神经网络模型模块、评价模块、图片输出模块；
所述CT文件选择模块用于选择包含有低剂量图片和高剂量图片的CT文件；
所述H5PY矩阵数据转换模块用于将CT文件中的低剂量图片和高剂量图片转化为H5PY矩阵数据；
所述卷积运算模块用于调取出H5PY矩阵数据中的H5PY矩阵，使用多方向的梯度算子对H5PY矩阵进行卷积运算，获得多方向卷积计算结果；
所述数据合并模块用于将多方向卷积计算结果与H5PY矩阵进行合并，得到合并数据；
所述神经网络模型模块用于将合并数据输入到VGG-16神经网络模型中进行训练，得到训练好的VGG-16神经网络模型；
所述评价模块用于对训练好的VGG-16神经网络模型进行评价，根据评价结果选择出CT图片改善模型；
所述图片输出模块用于将低剂量CT图片输入到CT图片改善模型中，得到图片质量改善后的低剂量CT图片。
一种低剂量CT图片质量改善设备，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述的一种低剂量CT图片质量改善方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例将多方向梯度算子应用于低剂量CT图片质量的改善之中，多方向梯度算子抗干扰能力强，能够去除图片中的噪音，同时注重细节恢复，有效获取图片的细节纹理，大大提高网络的人眼感受效果，解决了现有技术中神经网络输出的CT图片虽然指标高，但是存在着人眼感受图片模糊以及纹理细节差的技术问题，在实际应用中具有指导意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种低剂量CT图片质量改善方法、系统及设备的方法流程图。
图2为本发明实施例提供的一种低剂量CT图片质量改善方法、系统及设备的系统结构图。
图3为本发明实施例提供的一种低剂量CT图片质量改善方法、系统及设备的设备框架图。
图4(a)为本发明实施例提供的一种低剂量CT图片质量改善方法、系统及设备的高剂量图片。
图4(b)为本发明实施例提供的一种低剂量CT图片质量改善方法、系统及设备的低剂量图片。
图5为本发明实施例提供的一种低剂量CT图片质量改善方法、系统及设备的使用VGG-16网络训练获取的CT图像。
图6为本发明实施例提供的一种低剂量CT图片质量改善方法、系统及设备的引入八方向sobel算子的VGG-16网络训练获取的CT图像。
图7为本发明实施例提供的一种低剂量CT图片质量改善方法、系统及设备的引入八方向prewitt算子的VGG-16网络训练获取的CT图像。
具体实施方式
本发明实施例提供了一种低剂量CT图片质量改善方法、系统及设备，用于解决现有技术中神经网络输出的CT图片虽然指标高，但是存在着人眼感受图片模糊以及纹理细节差的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
请参阅图1，图1为本发明实施例提供的一种低剂量CT图片质量改善方法、系统及设备的方法流程图。
本发明实施例提供的一种低剂量CT图片质量改善方法，包括以下步骤：
选择包含有低剂量图片和高剂量图片的待处理的CT文件(dicom格式)，如图4(a)所示，高剂量图片是真实场景下的CT图片，如图4(b)所示，低剂量图片是相同条件下降低CT过程的辐射量所获取的图片；将CT文件中的低剂量图片和高剂量图片转化为H5PY矩阵数据，H5PY矩阵数据是常用的数据处理文件格式，H5PY矩阵数据包含标签和H5PY矩阵，通过python语言的第三方库H5PY即可将图片转化为H5PY格式。
在第三方库中通过调用h5py.File(XXXX.h5','r')读取出H5PY矩阵数据中的H5PY矩阵，记为H5，使用多方向的梯度算子S对H5PY矩阵H5进行卷积运算，获得多方向卷积计算结果SCT，多方向卷积计算结果SCT的大小与原始H5数据一致；在本实施例中，多方向的梯度算子具体为八方向的梯度算子。图片的每一个方向对应着一个梯度算子，扩充意味着使用更多方向，将算子扩充到八方向，即上下左右四个方向，以及斜对角线四个方向。八方向sobel算子具有抗干扰能力强，去除噪声效果好的特点；八方向prewitt算子能够将局部细节信息保留更完整。本实施例中以八方向梯度算子S为例展示过程；八方向的梯度算子的梯度方向为0°、45°、90°、135°、180°、225°、270°以及315°。
进行卷积计算的具体是将八方向梯度算子S在图像上从左到右从上到下滑动，滑动步数可以根据需要设置，对应位置相乘求和。卷积过程是在图像每个位置进行线性变换映射成新值的过程，将卷积核看成权重，若转换成向量则记为w，图像对应位置的像素转换成向量则记为x，则该位置卷积结果为y＝w′x+by，即向量内积+偏置，将x变换为y。卷积的具体公式如下：
其中，
表示图像的卷积运算。
将多方向卷积计算结果S_CT与H5PY矩阵H5进行合并，得到合并数据；，合并数据包含一个原始的H5PY矩阵H5和8个卷积结果，其维度相同，具体公式如下：
newCT＝{SCT，H5}
其中，newCT为合并数据。
将合并数据输入到VGG-16神经网络模型中进行训练，得到训练好的VGG-16神经网络模型；
对训练好的VGG-16神经网络模型进行评价，根据评价结果选择出CT图片改善模型；
将低剂量CT图片输入到CT图片改善模型中，得到图片质量改善后的低剂量CT图片。
作为一个优选的实施例，H5PY矩阵数据中，低剂量图片标签为‘train’，高剂量图片标签为‘label’，通过设置标签从而对低剂量图片和高剂量图片进行区分。
作为一个优选的实施例，使用多方向的梯度算子对H5PY矩阵进行卷积运算时，对卷积进行填充处理，即在H5PY矩阵H5的外围填充一层0，使得卷积的结果保持与H5PY矩阵H5的大小一致。
作为一个优选的实施例，VGG-16神经网络模型采用均方误差作为损失函数，具体公式如下：
其中
代表损失函数，θ表示预测数据，
表示预测值，y表示真值。
作为一个优选的实施例，对训练好的VGG-16神经网络模型进行评价的具体过程为：
根据峰值信噪比、结构相似性以及视觉效果对训练好的VGG-16神经网络模型输出的图片进行评价，具体的公式如下：
其中I是目标图片，K是比较图片，即高剂量图片，MSE为均方误差。获取均方误差后进行一个指数变换，获取峰值信噪比PSNR值，峰值信噪比PSNR值越大，代表和原图越接近。
μx、μy分别表示低剂量图片和高剂量图片的均值，σx、σy分别表示低剂量图片和高剂量图片的标准差，σ2 x、σ2 y分别表示低剂量图片和高剂量图片的方差。σxy代表低剂量图片和高剂量图片协方差。c1，c2和c3为常数，是为了避免分母为0而维持稳定。通常取c1＝(K1*L)^2,c2＝(K2*L)^2,c3＝c2/2,一般地K1＝0.01,K2＝0.03,L＝255(像素值的动态范围，取为255)。SSIM值越好，代表和原图越接近。
如图2所示，一种低剂量CT图片质量改善系统，包括CT文件选择模块201、H5PY矩阵数据转换模块202、卷积运算模块203、数据合并模块204、神经网络模型模块205、评价模块206、图片输出模块207；
所述CT文件选择模块201用于选择包含有低剂量图片和高剂量图片的CT文件；
所述H5PY矩阵数据转换模块202用于将CT文件中的低剂量图片和高剂量图片转化为H5PY矩阵数据；
所述卷积运算模块203用于调取出H5PY矩阵数据中的H5PY矩阵，使用多方向的梯度算子对H5PY矩阵进行卷积运算，获得多方向卷积计算结果；
所述数据合并模块204用于将多方向卷积计算结果与H5PY矩阵进行合并，得到合并数据；
所述神经网络模型模块205用于将合并数据输入到VGG-16神经网络模型中进行训练，得到训练好的VGG-16神经网络模型；
所述评价模块206用于对训练好的VGG-16神经网络模型进行评价，根据评价结果选择出CT图片改善模型；
所述图片输出模块207用于将低剂量CT图片输入到CT图片改善模型中，得到图片质量改善后的低剂量CT图片。
如图3所示，一种低剂量CT图片质量改善设备30，所述设备包括处理器300以及存储器301；
所述存储器301用于存储程序代码302，并将所述程序代码302传输给所述处理器；
所述处理器300用于根据所述程序代码302中的指令执行上述的一种低剂量CT图片质量改善方法实施例中的步骤。
示例性的，所述计算机程序302可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器301中，并由所述处理器300执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序302在所述终端设备30中的执行过程。
所述终端设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器300、存储器301。本领域技术人员可以理解，图3仅仅是终端设备30的示例，并不构成对终端设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器300可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器301可以是所述终端设备30的内部存储单元，例如终端设备30的硬盘或内存。所述存储器301也可以是所述终端设备30的外部存储设备，例如所述终端设备30上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器301还可以既包括所述终端设备30的内部存储单元也包括外部存储设备。所述存储器301用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器301还可以用于暂时地存储已经输出或者将要输出的数据。
实施例2
在本实施例中，以VGG-16来作为基础网络，使用python语言和tensorflow框架以及keras高级API，具体过程如下：
实验中所用到的数据集为体膜数据集：在管电压120V，管电流420mA下，将X射线剂量为350mAs值作为常规剂量，并定义为100％剂量。通过降低X射线的mAs值来降低X射线的剂量。剂量为280、210、140、70mAs分别对应为80％、60％、40％、20％剂量。具体CT图像如图所示。
选取20％的剂量作为训练图片，100％剂量图片作为ground truth(即100％剂量)。
具体的的实施过程如下：
(一)：选取低剂量CT体模数据集，处理成矩阵格式；
(二)：选取要使用的多方向梯度算子；
(三)：使用多方向梯度算子对CT数据进行卷积；
(四)：将卷积后的数据和CT数据进行聚合；
(五)：对VGG-16网络进行训练，获取低剂量CT网络模型；
(六)：使用低剂量CT网络模型，对测试集图片进行测试，获得预测图片；
(七)：计算各种图片之间的PSNR值和SSIM值；
(八)：通过PSNR和SSIM指标以及人眼判断实验结果。
在上述的过程结执行完毕后，低剂量CT网络模型的输出的图像与其他条件下输出的图像的PSNR和SSIM指标如表1所示，使用VGG-16网络训练获取的CT图像如图5所示，引入八方向sobel算子的VGG-16网络训练获取的CT图像如图6所示，引入八方向prewitt算子的VGG-16网络训练获取的CT图像如图7所示。
表1
从定量指标上看，sobel算子抗干扰能力强，但是细节信息获取能力欠佳，如表1显示，八方向sobel算子训练的模型，在去噪方面，PSNR值取得了最高；八方向prewitt算子训练的模型，注重细节恢复，相比原始VGG-16，SSIM即图像结构信息取得了更好数值。
从定性指标上看，由于sobel算子抗干扰能力强，八方向sobel算子训练的模型的结果的噪声要比VGG-16少；八方向prewitt算子训练的模型相比VGG-16局部纹理细节恢复更好。
综上，本发明实施例提出的多方向梯度算子用于改进低剂量CT网络是有效的。本发明实施例将多方向梯度算子应用于低剂量CT图片质量的改善之中，多方向梯度算子抗干扰能力强，能够去除图片中的噪音，同时注重细节恢复，有效获取图片的细节纹理，大大提高网络的人眼感受效果，解决了现有技术中神经网络输出的CT图片虽然指标高，但是存在着人眼感受图片模糊以及纹理细节差的技术问题，在实际应用中具有指导意义。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种低剂量CT图片质量改善方法，其特征在于，包括以下步骤：
选择包含有低剂量图片和高剂量图片的CT文件，将CT文件中的低剂量图片和高剂量图片转化为H5PY矩阵数据；
提取出H5PY矩阵数据中的H5PY矩阵，使用多方向的梯度算子对H5PY矩阵进行卷积运算，获得多方向卷积计算结果，具体包括，
所述多方向的梯度算子为八方向梯度算子；
所述卷积运算公式为：
其中，S为八方向的梯度算子，
表示图像的卷积运算，H5为H5PY矩阵数据中的H5PY矩阵，SCT为多方向卷积计算结果；
将多方向卷积计算结果与H5PY矩阵进行合并，得到合并数据，具体公式如下：
newCT＝{SCT，H5}；
其中，newCT为合并数据；
将合并数据输入到VGG-16神经网络模型中进行训练，得到训练好的VGG-16神经网络模型；
对训练好的VGG-16神经网络模型进行评价，根据评价结果选择出CT图片改善模型；
将低剂量CT图片输入到CT图片改善模型中，得到图片质量改善后的低剂量CT图片。
2.根据权利要求1所述的一种低剂量CT图片质量改善方法，其特征在于，H5PY矩阵数据包括H5PY矩阵以及标签。
3.根据权利要求2所述的一种低剂量CT图片质量改善方法，其特征在于，H5PY矩阵数据中，低剂量图片标签为‘train’，高剂量图片标签为‘label’。
4.根据权利要求3所述的一种低剂量CT图片质量改善方法，其特征在于，多方向的梯度算子具体为八方向的梯度算子。
5.根据权利要求4所述的一种低剂量CT图片质量改善方法，其特征在于，八方向的梯度算子的梯度方向为0°、45°、90°、135°、180°、225°、270°以及315°。
6.根据权利要求5所述的一种低剂量CT图片质量改善方法，其特征在于，使用多方向的梯度算子对H5PY矩阵进行卷积运算时，对卷积进行填充处理。
7.根据权利要求6所述的一种低剂量CT图片质量改善方法，其特征在于，VGG-16神经网络模型采用均方误差作为损失函数。
8.根据权利要求7所述的一种低剂量CT图片质量改善方法，其特征在于，对训练好的VGG-16神经网络模型进行评价的具体过程为：
根据峰值信噪比、结构相似性以及视觉效果对训练好的VGG-16神经网络模型输出的图片进行评价。
9.一种低剂量CT图片质量改善系统，其特征在于，包括CT文件选择模块、H5PY矩阵数据转换模块、卷积运算模块、数据合并模块、神经网络模型模块、评价模块、图片输出模块；
所述CT文件选择模块用于选择包含有低剂量图片和高剂量图片的CT文件；
所述H5PY矩阵数据转换模块用于将CT文件中的低剂量图片和高剂量图片转化为H5PY矩阵数据；
所述卷积运算模块用于调取出H5PY矩阵数据中的H5PY矩阵，使用多方向的梯度算子对H5PY矩阵进行卷积运算，获得多方向卷积计算结果，具体包括，
所述多方向的梯度算子为八方向梯度算子；
所述卷积运算公式为：
其中，S为八方向的梯度算子，
表示图像的卷积运算，H5为H5PY矩阵数据中的H5PY矩阵，SCT为多方向卷积计算结果；
所述数据合并模块用于将多方向卷积计算结果与H5PY矩阵进行合并，得到合并数据，具体公式如下：
newCT＝{SCT，H5}；
其中，newCT为合并数据；；
所述神经网络模型模块用于将合并数据输入到VGG-16神经网络模型中进行训练，得到训练好的VGG-16神经网络模型；
所述评价模块用于对训练好的VGG-16神经网络模型进行评价，根据评价结果选择出CT图片改善模型；
所述图片输出模块用于将低剂量CT图片输入到CT图片改善模型中，得到图片质量改善后的低剂量CT图片。
10.一种低剂量CT图片质量改善设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-8中任意一种低剂量CT图片质量改善方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010212722.9A CN111445406B (zh) | 2020-03-24 | 2020-03-24 | 一种低剂量ct图片质量改善方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010212722.9A CN111445406B (zh) | 2020-03-24 | 2020-03-24 | 一种低剂量ct图片质量改善方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111445406A CN111445406A (zh) | 2020-07-24 |
| CN111445406B true CN111445406B (zh) | 2023-05-05 |
Family
ID=71650703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010212722.9A Active CN111445406B (zh) | 2020-03-24 | 2020-03-24 | 一种低剂量ct图片质量改善方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445406B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112347945B (zh) * | 2020-11-10 | 2023-01-17 | 北京航空航天大学 | 一种基于深度学习的含噪遥感图像增强方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194877A (zh) * | 2017-06-16 | 2017-09-22 | 南京大学金陵学院 | 一种基于单幅图像的保边插值超分辨率计算方法 |
| CN108304911A (zh) * | 2018-01-09 | 2018-07-20 | 中国科学院自动化研究所 | 基于记忆神经网络的知识抽取方法以及系统和设备 |
| CN108492269A (zh) * | 2018-03-23 | 2018-09-04 | 西安电子科技大学 | 基于梯度正则卷积神经网络的低剂量ct图像去噪方法 |
| CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 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 |
| CN110706181A (zh) * | 2019-10-09 | 2020-01-17 | 中国科学技术大学 | 一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统 |
-
2020
- 2020-03-24 CN CN202010212722.9A patent/CN111445406B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194877A (zh) * | 2017-06-16 | 2017-09-22 | 南京大学金陵学院 | 一种基于单幅图像的保边插值超分辨率计算方法 |
| CN108304911A (zh) * | 2018-01-09 | 2018-07-20 | 中国科学院自动化研究所 | 基于记忆神经网络的知识抽取方法以及系统和设备 |
| CN108492269A (zh) * | 2018-03-23 | 2018-09-04 | 西安电子科技大学 | 基于梯度正则卷积神经网络的低剂量ct图像去噪方法 |
| CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 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 |
| CN110706181A (zh) * | 2019-10-09 | 2020-01-17 | 中国科学技术大学 | 一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111445406A (zh) | 2020-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Masoudi et al. | Quick guide on radiology image pre-processing for deep learning applications in prostate cancer research | |
| Tang et al. | Unpaired low‐dose CT denoising network based on cycle‐consistent generative adversarial network with prior image information | |
| JP2023025056A (ja) | ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減 | |
| Li et al. | High-resolution chest x-ray bone suppression using unpaired CT structural priors | |
| US8682051B2 (en) | Smoothing of dynamic data sets | |
| Kudo et al. | Virtual thin slice: 3D conditional GAN-based super-resolution for CT slice interval | |
| US10867375B2 (en) | Forecasting images for image processing | |
| Chen et al. | Bone suppression of chest radiographs with cascaded convolutional networks in wavelet domain | |
| Li et al. | Incorporation of residual attention modules into two neural networks for low‐dose CT denoising | |
| Li et al. | Learning non-local perfusion textures for high-quality computed tomography perfusion imaging | |
| Wu et al. | Masked joint bilateral filtering via deep image prior for digital X-ray image denoising | |
| CN117813055A (zh) | 用于从快速spect扫描和ct图像合成spect图像的多模态和多尺度特征聚合 | |
| Feng et al. | Dual residual convolutional neural network (DRCNN) for low-dose CT imaging | |
| Liu et al. | MRCON-Net: Multiscale reweighted convolutional coding neural network for low-dose CT imaging | |
| Yin et al. | Unpaired low-dose CT denoising via an improved cycle-consistent adversarial network with attention ensemble | |
| CN111445406B (zh) | 一种低剂量ct图片质量改善方法、系统及设备 | |
| Li et al. | Unpaired low‐dose computed tomography image denoising using a progressive cyclical convolutional neural network | |
| Zhang et al. | Research progress of deep learning in low-dose CT image denoising | |
| Azour et al. | Deep learning denoising of low-dose computed tomography chest images: a quantitative and qualitative image analysis | |
| WO2020106393A2 (en) | Skeletal maturity determination using radiographs of portions of a hand | |
| Jin et al. | Low-dose CT image restoration based on noise prior regression network | |
| Fonseca et al. | X-ray image enhancement: A technique combination approach | |
| Li et al. | Medical image fusion based on local Laplacian decomposition and iterative joint filter | |
| Li et al. | A multi-pronged evaluation for image normalization techniques | |
| Gottschalk et al. | Deep learning based metal inpainting in the projection domain: Initial results |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |