CN114331921A - 一种低剂量ct图像降噪方法及装置 - Google Patents

Abstract

本发明公开了一种低剂量CT图像降噪方法及装置，采集若干个CT匹配图像对，并基于采集的CT匹配图像对构建训练数据集；构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型；利用训练数据集训练神经网络模型，得到CT图像降噪模型；将待优化的低剂量CT图像输入至CT图像降噪模型中，得到降噪处理后的高剂量CT图像。可见，本申请可将低剂量CT图像经降噪处理得到质量相对较高的高剂量CT图像，即无需增加辐射剂量也能保证CT图像质量。

Description

一种低剂量CT图像降噪方法及装置

技术领域

本发明涉及CT图像降噪领域，特别是涉及一种低剂量CT图像降噪方法及装置。

背景技术

CT（computerized tomography，计算机断层）扫描是一种用于放射学的医学成像技术，用于以无创方式获取身体的详细图像。CT扫描仪的原理是：使用旋转的X射线管和放置在机架中的一排探测器来测量体内不同组织的X射线衰减，然后使用重建算法在计算机上处理从不同角度拍摄的多个X射线测量结果，以生成身体的断层扫描（横截面）图像。

由于近年来接受CT扫描的患者迅速增加，CT扫描时受到的辐射影响受到广泛关注。高剂量CT扫描的电流电压较高，扫描时间较长；低剂量CT扫描的电流电压较低，扫描时间较短。研究表明，高剂量CT的高电流、高电压和较长的扫描时间导致患者辐射暴露时间较长，造成的辐射较高，有可能导致癌症的发生，但高剂量CT图像清晰、准确度高；低剂量CT造成的辐射较低，但是低剂量CT图像噪声较多。

因此，如何提供一种在保证CT图像质量的同时降低辐射剂量的方案是本领域的技术人员目前需要解决的问题。

发明内容

本发明的目的是提供一种低剂量CT图像降噪方法及装置，可将低剂量CT图像经降噪处理得到质量相对较高的高剂量CT图像，即无需增加辐射剂量也能保证CT图像质量。

为解决上述技术问题，本发明提供了一种低剂量CT图像降噪方法，包括：

采集若干个CT匹配图像对，并基于采集的CT匹配图像对构建训练数据集；其中，每个CT匹配图像对均包括高剂量CT图像和图像质量低于所述高剂量CT图像的低剂量CT图像；同一CT匹配图像对中高剂量CT图像和低剂量CT图像对应同一患者的相同扫描位置；

构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型；

利用所述训练数据集训练所述神经网络模型，得到CT图像降噪模型；

将待优化的低剂量CT图像输入至所述CT图像降噪模型中，得到降噪处理后的高剂量CT图像。

可选地，采集若干个CT匹配图像对，包括：

采集不同患者的高剂量CT原始数据，并分别将不同患者的所述高剂量CT原始数据通过FBP算法重建出高剂量CT图像；

分别在不同患者的所述高剂量CT原始数据上添加不同种类的噪声，得到不同CT噪声原始数据，并分别将不同所述CT噪声原始数据通过所述FBP算法重建出CT噪声图像；

将目标患者对应的CT噪声图像作为与所述目标患者对应的高剂量CT图像配对的低剂量CT图像，以得到若干个由高剂量CT图像和低剂量CT图像组成的CT匹配图像对；其中，所述目标患者为任一所述患者。

可选地，在得到若干个由高剂量CT图像和低剂量CT图像组成的CT匹配图像对之后，在基于采集的CT匹配图像对构建训练数据集之前，所述低剂量CT图像降噪方法还包括：

对若干个所述CT匹配图像对中的高剂量CT图像和低剂量CT图像进行归一化处理和/或图像切片处理和/或数据扩增处理，以基于处理后的CT匹配图像对构建训练数据集。

可选地，构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型，包括：

构建用于将低剂量CT图像处理为高剂量CT图像的生成器；

构建用于分辨模仿的高剂量CT图像和真实的高剂量CT图像的判别器；

则利用所述训练数据集训练所述神经网络模型，得到CT图像降噪模型，包括：

向所述生成器输入目标低剂量CT图像，以使所述生成器模仿与所述目标低剂量CT图像配对的目标高剂量CT图像，得到高剂量CT模仿图像；其中，所述目标低剂量CT图像为任一所述CT匹配图像对中的低剂量CT图像；

分别向所述判别器输入所述目标高剂量CT图像和所述高剂量CT模仿图像，以使所述判别器从所述目标高剂量CT图像和所述高剂量CT模仿图像中分辨出模仿图像和真实图像；

计算由所述生成器和所述判别器组成的神经网络模型的第一损失函数，并基于所述第一损失函数不断优化所述生成器及所述判别器的参数，直至所述判别器无法分辨出模仿图像和真实图像，得到训练完成的所述生成器，以将训练完成的所述生成器作为所述CT图像降噪模型使用。

可选地，所述生成器为由多个RRDB堆叠形成的生成器；或者，所述生成器为由N+1个作为编码层的第一残差U型模块和N个作为解码层的第二残差U型模块依次连接形成的U型编码-反编码结构；其中，前N个所述第一残差U型模块的输出一一叠加至在U型结构上对称的所述第二残差U型模块的输入上，最后一个所述第一残差U型模块和N个所述第二残差U型模块的输出叠加作为所述生成器的输出；N为正整数；所述判别器为马尔可夫判别器。

可选地，计算由所述生成器和所述判别器组成的神经网络模型的第一损失函数，并基于所述第一损失函数不断优化所述生成器及所述判别器的参数，包括：

计算所述生成器的第一图像内容损失，计算所述生成器的第一感知损失，计算所述生成器与所述判别器的第一对抗损失；

分别为所述第一图像内容损失、所述第一感知损失及所述第一对抗损失赋予预设损失权重值并相加，得到第一总损失；

以将所述第一总损失降低至0为优化目标，对所述生成器及所述判别器的参数进行优化调整。

可选地，构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型，包括：

构建用于将低剂量CT图像处理为高剂量CT图像的第一生成器；

构建用于将高剂量CT图像处理为低剂量CT图像的第二生成器；

构建用于分辨合成的高剂量CT图像和真实的高剂量CT图像的第一判别器；

构建用于分辨合成的低剂量CT图像和真实的低剂量CT图像的第二判别器；

则利用所述训练数据集训练所述神经网络模型，得到CT图像降噪模型，包括：

向所述第一生成器输入目标低剂量CT图像，以使所述第一生成器输出高剂量CT合成图像，并使所述第二生成器基于所述高剂量CT合成图像生成低剂量CT重建图像；其中，所述目标低剂量CT图像为任一所述CT匹配图像对中的低剂量CT图像；

向所述第一判别器输入与所述目标低剂量CT图像配对的目标高剂量CT图像，以使所述第一判别器从所述目标高剂量CT图像和所述高剂量CT合成图像中分辨出合成图像和真实图像；

向所述第二生成器输入所述目标高剂量CT图像，以使所述第二生成器输出低剂量CT合成图像，并使所述第一生成器基于所述低剂量CT合成图像生成高剂量CT重建图像；

向所述第二判别器输入所述目标低剂量CT图像，以使所述第二判别器从所述目标低剂量CT图像和所述低剂量CT合成图像中分辨出合成图像和真实图像；

计算由两个生成器及两个判别器组成的神经网络模型的第二损失函数，并基于所述第二损失函数不断优化两个所述生成器及两个所述判别器的参数，直至两个所述判别器均无法分辨出合成图像和真实图像，得到训练完成的所述第一生成器，以将训练完成的所述第一生成器作为所述CT图像降噪模型使用。

可选地，所述第一生成器和所述第二生成器均为由多个RRDB堆叠形成的生成器；所述第一判别器和所述第二判别器均为马尔可夫判别器。

可选地，计算由两个生成器及两个判别器组成的神经网络模型的第二损失函数，并基于所述第二损失函数不断优化两个所述生成器及两个所述判别器的参数，包括：

分别计算两个所述生成器的第二图像内容损失，分别计算两个所述生成器的第二感知损失，分别计算所述第一生成器与所述第一判别器及所述第二生成器与所述第二判别器的第二对抗损失，计算所述第一生成器与所述第二生成器的循环一致性损失，分别计算两个所述生成器的自身损失；

分别为所述第二图像内容损失、所述第二感知损失、所述第二对抗损失、所述循环一致性损失及所述自身损失赋予预设损失权重值并相加，得到第二总损失；

以将所述第二总损失降低至0为优化目标，对两个所述生成器及两个所述判别器的参数进行优化调整。

为解决上述技术问题，本发明还提供了一种低剂量CT图像降噪装置，包括：

存储器，用于存储计算机程序；

处理器，用于在执行所述计算机程序时实现上述任一种低剂量CT图像降噪方法的步骤。

本发明提供了一种低剂量CT图像降噪方法，采集若干个CT匹配图像对，并基于采集的CT匹配图像对构建训练数据集；构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型；利用训练数据集训练神经网络模型，得到CT图像降噪模型；将待优化的低剂量CT图像输入至CT图像降噪模型中，得到降噪处理后的高剂量CT图像。可见，本申请可将低剂量CT图像经降噪处理得到质量相对较高的高剂量CT图像，即无需增加辐射剂量也能保证CT图像质量。

本发明还提供了一种低剂量CT图像降噪装置，与上述降噪方法具有相同的有益效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种低剂量CT图像降噪方法的流程图；

图2为本发明实施例提供的一种RRDB的结构示意图；

图3为本发明实施例提供的第一种生成器的结构示意图；

图4为本发明实施例提供的第二种生成器的结构示意图。

具体实施方式

本发明的核心是提供一种低剂量CT图像降噪方法及装置，可将低剂量CT图像经降噪处理得到质量相对较高的高剂量CT图像，即无需增加辐射剂量也能保证CT图像质量。

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。

请参照图1，图1为本发明实施例提供的一种低剂量CT图像降噪方法的流程图。

该低剂量CT图像降噪方法包括：

步骤S1：采集若干个CT匹配图像对，并基于采集的CT匹配图像对构建训练数据集。

具体地，本申请采集若干个CT匹配图像对，每个CT匹配图像对均包括一个高剂量CT图像（相当于在辐射剂量大于预设剂量阈值下得到的CT图像）和一个低剂量CT图像（相当于在辐射剂量小于预设剂量阈值下得到的CT图像，可以是仿真的低剂量CT图像），且同一CT匹配图像对中高剂量CT图像和低剂量CT图像对应同一患者的相同扫描位置。可以理解的是，同一CT匹配图像对中高剂量CT图像的图像质量高于低剂量CT图像的图像质量。

本申请基于采集的CT匹配图像对构建训练数据集，以为后续训练构建的神经网络模型使用。

步骤S2：构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型。

具体地，本申请构建一个用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型，即神经网络模型在应用时，输入的是低剂量CT图像，输出的是与输入对应的高剂量CT图像，以在低辐射剂量下经过图像处理也能得到高质量的CT图像。

步骤S3：利用训练数据集训练神经网络模型，得到CT图像降噪模型。

具体地，本申请利用构建的训练数据集训练神经网络模型，得到CT图像降噪模型，CT图像降噪模型便可投入实际应用中，用于将低剂量CT图像进行降噪处理得到高剂量CT图像。

步骤S4：将待优化的低剂量CT图像输入至CT图像降噪模型中，得到降噪处理后的高剂量CT图像。

具体地，在得到CT图像降噪模型之后，本申请可将待优化的低剂量CT图像输入至CT图像降噪模型中，CT图像降噪模型便可对输入的低剂量CT图像进行降噪处理，低剂量CT图像降噪处理后更接近高剂量CT图像，图像整体噪声更少，信噪比更高，相当于得到一个降噪处理后的高剂量CT图像。

可见，本申请可将低剂量CT图像经降噪处理得到质量相对较高的高剂量CT图像，即无需增加辐射剂量也能保证CT图像质量。

在上述实施例的基础上：

作为一种可选的实施例，采集若干个CT匹配图像对，包括：

采集不同患者的高剂量CT原始数据，并分别将不同患者的高剂量CT原始数据通过FBP算法重建出高剂量CT图像；

分别在不同患者的高剂量CT原始数据上添加不同种类的噪声，得到不同CT噪声原始数据，并分别将不同CT噪声原始数据通过FBP算法重建出CT噪声图像；

将目标患者对应的CT噪声图像作为与目标患者对应的高剂量CT图像配对的低剂量CT图像，以得到若干个由高剂量CT图像和低剂量CT图像组成的CT匹配图像对；其中，目标患者为任一患者。

具体地，本申请采集CT匹配图像对的过程包括：1）采集不同患者的高剂量CT原始数据（患者在高辐射剂量下进行CT扫描得到的CT数据），并分别将不同患者的高剂量CT原始数据通过FBP（Filtered back projection，滤波反投影）算法重建出高剂量CT图像，即得到不同患者对应的高剂量CT图像；2）分别在不同患者的高剂量CT原始数据上添加不同种类的噪声（需要说明的是，在一个患者的高剂量CT原始数据上只需添加一种噪声），可得到不同患者对应的CT噪声原始数据，并分别将不同患者对应的CT噪声原始数据通过FBP算法重建出CT噪声图像，即得到不同患者对应的CT噪声图像。可以理解的是，任一患者（称为目标患者）对应的CT噪声图像可作为与目标患者对应的高剂量CT图像配对的低剂量CT图像（仿真的低剂量CT图像），从而得到若干个由高剂量CT图像和低剂量CT图像组成的CT匹配图像对。

基于上述采集的CT匹配图像对训练得到的CT图像降噪模型能够对具有不同类型噪声的低剂量CT图像进行处理。

作为一种可选的实施例，在得到若干个由高剂量CT图像和低剂量CT图像组成的CT匹配图像对之后，在基于采集的CT匹配图像对构建训练数据集之前，低剂量CT图像降噪方法还包括：

对若干个CT匹配图像对中的高剂量CT图像和低剂量CT图像进行归一化处理和/或图像切片处理和/或数据扩增处理，以基于处理后的CT匹配图像对构建训练数据集。

进一步地，本申请在得到若干个由高剂量CT图像和低剂量CT图像组成的CT匹配图像对之后，可对若干个CT匹配图像对中的高剂量CT图像和低剂量CT图像进行归一化处理，还可对若干个CT匹配图像对中的高剂量CT图像和低剂量CT图像进行图像切片处理（缩小图像尺寸），还可对若干个CT匹配图像对中的高剂量CT图像和低剂量CT图像进行数据扩增处理（通过改变图像亮度、对比度或旋转图像得到新CT图像，从而扩增样本数量）。

更具体地，对若干个CT匹配图像对中的高剂量CT图像和低剂量CT图像进行归一化处理，包括：根据预设归一化关系式Y=(x-min)/(max-min) 或Y=(max-x)/(max-min)对高剂量CT图像和低剂量CT图像进行归一化处理；其中，x为待归一化的图像数据；Y为归一化后的图像数据；以CT图像的一个序列的所有像素值的最大值或一定百分比的较大值作为归一化最大值max，并以该序列的所有像素值的最小值或一定百分比的较小值作为归一化最小值min。一定百分比可能的范围为0-10%。

作为一种可选的实施例，构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型，包括：

构建用于将低剂量CT图像处理为高剂量CT图像的生成器；

构建用于分辨模仿的高剂量CT图像和真实的高剂量CT图像的判别器；

则利用训练数据集训练神经网络模型，得到CT图像降噪模型，包括：

向生成器输入目标低剂量CT图像，以使生成器模仿与目标低剂量CT图像配对的目标高剂量CT图像，得到高剂量CT模仿图像；其中，目标低剂量CT图像为任一CT匹配图像对中的低剂量CT图像；

分别向判别器输入目标高剂量CT图像和高剂量CT模仿图像，以使判别器从目标高剂量CT图像和高剂量CT模仿图像中分辨出模仿图像和真实图像；

计算由生成器和判别器组成的神经网络模型的第一损失函数，并基于第一损失函数不断优化生成器及判别器的参数，直至判别器无法分辨出模仿图像和真实图像，得到训练完成的生成器，以将训练完成的生成器作为CT图像降噪模型使用。

具体地，本申请的神经网络模型的第一种网络设计为：构建用于将低剂量CT图像处理为高剂量CT图像的生成器，并构建用于分辨模仿的高剂量CT图像和真实的高剂量CT图像的判别器，以得到由生成器和判别器组成的神经网络模型。

基于此，神经网络模型的训练过程包括：1）向生成器输入任一CT匹配图像对中的低剂量CT图像（称为目标低剂量CT图像），生成器可模仿与目标低剂量CT图像配对的目标高剂量CT图像（从最初采集的CT匹配图像对中得出，为真实的高剂量CT图像），得到高剂量CT模仿图像。2）分别向判别器输入目标高剂量CT图像和高剂量CT模仿图像，判别器可从目标高剂量CT图像和高剂量CT模仿图像中分辨出哪个是模仿图像、哪个是真实图像。3）计算由生成器和判别器组成的神经网络模型的第一损失函数，并基于第一损失函数优化生成器及判别器的参数，并返回执行步骤1），直至判别器无法分辨出模仿图像和真实图像，得到训练完成的生成器，训练完成的生成器便可作为CT图像降噪模型使用（CT图像降噪模型的输入和输出分别是图像尺寸相同的噪声图像和去噪图像）。

可见，在神经网络模型的训练过程中，生成器的目的是不断地欺骗判别器，这样生成器和判别器在网络训练时，相互对抗，不断优化各自的参数，生成器的最终目的就是使判别器无法判断出生成器的输出图像是否为模仿图像还是真实图像。

作为一种可选的实施例，生成器为由多个RRDB堆叠形成的生成器；或者，生成器为由N+1个作为编码层的第一残差U型模块和N个作为解码层的第二残差U型模块依次连接形成的U型编码-反编码结构；其中，前N个第一残差U型模块的输出一一叠加至在U型结构上对称的第二残差U型模块的输入上，最后一个第一残差U型模块和N个第二残差U型模块的输出叠加作为生成器的输出；N为正整数；判别器为马尔可夫判别器。

具体地，在神经网络模型的第一种网络设计下，生成器包含两种可能的结构：1）生成器由多个RRDB（Residual in Residual Dense Block，残差模块）堆叠形成（生成器包含的RRDB数量不做限定）。RRDB的结构如图2所示，每个Dense Block（稠密模块）的结构均包括多个ConV层（卷积层）和多个LReLU（激活函数一）层。RRDB除了将单个卷积层的输入叠加到其输出上，RRDB中的每一个卷积层的输出还会叠加之前每一个卷积层的输出，这样的生成器网络中，残差连接更多、结构更深，嵌套的稠密模块也易于训练，有利于网络的收敛，由此能在保证训练稳定进行的情况下学习到更复杂的图像特征。另外，生成器在多个RRDB结构的基础上，还可增加其它结构，如图3所示（图3的Basic block(基本模块)即RRDB），增加多个ConV层（卷积层）。2）生成器包括N+1个作为编码层的第一残差U型模块和N个作为解码层的第二残差U型模块，N+1个第一残差U型模块和N个第二残差U型模块依次连接，即生成器为U型编码-反编码结构，且前N个第一残差U型模块的输出一一叠加至在U型结构上对称的第二残差U型模块的输入上，最后一个第一残差U型模块和N个第二残差U型模块的输出叠加作为生成器的输出。如图4所示，生成器包括6个作为编码层的第一残差U型模块（En_1至En_6）和5个作为解码层的第二残差U型模块（De_1至De _5），且第一残差U型模块En_m和第二残差U型模块De_m（m=1、2、3、4、5）的内部网络结构相同，第一残差U型模块和第二残差U型模块均为多层复合结构，在图4中，结构（1）由Conv层（卷积层）、BN（Batch Normalization，批量归一化）层及RELU（激活函数二）层复合而成；结构（2）由Downsample×1/2层（下采样二分之一，即采样率降低2倍）、Conv层、BN层及RELU层复合而成；结构（3）由Conv层、BN层及RELU层复合而成，dilation（卷积核膨胀系数）是Conv里的一个超参，dilation=2；结构（4）由Conv层、BN层及RELU层复合而成，dilation=4；结构（5）由Conv层、BN层及RELU层复合而成，dilation=8；结构（6）由Upsample×2层（上采样两倍，即采样率提高2倍）、Conv层、BN层及RELU层复合而成；激活函数三为Sigmoid。此生成器网络结构具有以较低的内存和计算成本提取并整合多尺度特征的优点。需要说明的是，结构（1）和结构（2）在图4中不易辨别，为了更清楚区分结构（1）和结构（2），本申请在图4中具体标注出结构（1）（则未标注出的灰色立方体为结构（2）），由于第一残差U型模块En_m和第二残差U型模块De_m的内部网络结构相同，所以只对第一残差U型模块进行结构（1）的标注。

在神经网络模型的第一种网络设计下，判别器可选用马尔可夫判别器（PatchGAN），其输出为一个二维的矩阵，以此稳定对抗训练，获得更好的训练结果。

另外，本申请的生成器结构可以使用任何基于残差模块的网络；判别器结构可以使用其它类型的结构，如VGG网络（卷积神经网络）的结构、U-Net网络（全卷积网络）的结构，可以输出一个二维的矩阵作为结果，也可以输出单个代表概率的值。

作为一种可选的实施例，计算由生成器和判别器组成的神经网络模型的第一损失函数，并基于第一损失函数不断优化生成器及判别器的参数，包括：

计算生成器的第一图像内容损失，计算生成器的第一感知损失，计算生成器与判别器的第一对抗损失；

分别为第一图像内容损失、第一感知损失及第一对抗损失赋予预设损失权重值并相加，得到第一总损失；

以将第一总损失降低至0为优化目标，对生成器及判别器的参数进行优化调整。

具体地，本申请优化生成器及判别器的参数的过程包括：1）计算生成器的图像内容损失（称为第一图像内容损失）；图像内容损失即生成器网络输出的去噪图像与真实的高剂量CT图像的绝对差异，由L1损失函数（L1损失函数也被叫做最小绝对值误差）计算；2）计算生成器的感知损失（称为第一感知损失）；感知损失即生成器输出的去噪图像经过一个特征提取网络VGG（这个VGG网络自带一个预训练好的权重）提取的特征与真实的高剂量CT图像经过此特征提取网络VGG提取的特征的绝对差异，由L1损失函数计算；3）计算生成器与判别器的对抗损失（称为第一对抗损失）；对抗损失为生成器与判别器组成的生成对抗网络的对抗损失（Vanila GAN(Generative Adversarial Networks，生成对抗网络)），由二分类交叉熵损失函数计算，也可使用更为进阶的损失函数来计算，如WGAN（Wasserstein GAN）、RGAN（Relativistic GAN）、LSGAN（loss sensitive GAN，最小二乘GAN）损失函数；4）分别为第一图像内容损失、第一感知损失及第一对抗损失赋予预设损失权重值并相加，得到第一总损失；5）以将第一总损失降低至0为优化目标，对生成器及判别器的参数进行优化调整。

作为一种可选的实施例，构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型，包括：

构建用于将低剂量CT图像处理为高剂量CT图像的第一生成器；

构建用于将高剂量CT图像处理为低剂量CT图像的第二生成器；

构建用于分辨合成的高剂量CT图像和真实的高剂量CT图像的第一判别器；

构建用于分辨合成的低剂量CT图像和真实的低剂量CT图像的第二判别器；

则利用训练数据集训练神经网络模型，得到CT图像降噪模型，包括：

向第一生成器输入目标低剂量CT图像，以使第一生成器输出高剂量CT合成图像，并使第二生成器基于高剂量CT合成图像生成低剂量CT重建图像；其中，目标低剂量CT图像为任一CT匹配图像对中的低剂量CT图像；

向第一判别器输入与目标低剂量CT图像配对的目标高剂量CT图像，以使第一判别器从目标高剂量CT图像和高剂量CT合成图像中分辨出合成图像和真实图像；

向第二生成器输入目标高剂量CT图像，以使第二生成器输出低剂量CT合成图像，并使第一生成器基于低剂量CT合成图像生成高剂量CT重建图像；

向第二判别器输入目标低剂量CT图像，以使第二判别器从目标低剂量CT图像和低剂量CT合成图像中分辨出合成图像和真实图像；

计算由两个生成器及两个判别器组成的神经网络模型的第二损失函数，并基于第二损失函数不断优化两个生成器及两个判别器的参数，直至两个判别器均无法分辨出合成图像和真实图像，得到训练完成的第一生成器，以将训练完成的第一生成器作为CT图像降噪模型使用。

具体地，本申请的神经网络模型的第二种网络设计为：构建用于将低剂量CT图像处理为高剂量CT图像的第一生成器，构建用于将高剂量CT图像处理为低剂量CT图像的第二生成器，构建用于分辨合成的高剂量CT图像和真实的高剂量CT图像的第一判别器，构建用于分辨合成的低剂量CT图像和真实的低剂量CT图像的第二判别器，以得到由第一生成器、第二生成器、第一判别器及第二判别器组成的神经网络模型。

基于此，神经网络模型的训练过程包括：1）向第一生成器输入任一CT匹配图像对中的低剂量CT图像（称为目标低剂量CT图像），第一生成器可基于目标低剂量CT图像生成高剂量CT合成图像，并将高剂量CT合成图像输出至第二生成器和第一判别器。第二生成器可基于高剂量CT合成图像生成低剂量CT重建图像。可以理解的是，第二生成器生成的低剂量CT重建图像与第一生成器输入的目标低剂量CT图像应尽可能相似。2）向第一判别器输入与目标低剂量CT图像配对的目标高剂量CT图像（从最初采集的CT匹配图像对中得出，为真实的高剂量CT图像），第一判别器可从目标高剂量CT图像和高剂量CT合成图像中分辨出合成图像和真实图像。3）向第二生成器输入任一CT匹配图像对中的高剂量CT图像（称为目标高剂量CT图像），第二生成器可基于目标高剂量CT图像生成低剂量CT合成图像，并将低剂量CT合成图像输出至第一生成器和第二判别器。第一生成器可基于低剂量CT合成图像生成高剂量CT重建图像。可以理解的是，第一生成器生成的高剂量CT重建图像与第二生成器输入的目标高剂量CT图像应尽可能相似。4）向第二判别器输入与目标高剂量CT图像配对的目标低剂量CT图像（从最初采集的CT匹配图像对中得出，为真实的低剂量CT图像），第二判别器可从目标低剂量CT图像和低剂量CT合成图像中分辨出合成图像和真实图像。5）计算由第一生成器、第二生成器、第一判别器及第二判别器组成的神经网络模型的第二损失函数，并基于第二损失函数优化第一生成器、第二生成器、第一判别器及第二判别器的参数，并返回执行步骤1），直至第一判别器和第二判别器均无法分辨出合成图像和真实图像，得到训练完成的第一生成器，以将训练完成的第一生成器作为CT图像降噪模型使用。

作为一种可选的实施例，第一生成器和第二生成器均为由多个RRDB堆叠形成的生成器；第一判别器和第二判别器均为马尔可夫判别器。

具体地，在神经网络模型的第二种网络设计下，第一生成器和第二生成器均可由多个RRDB堆叠形成，第一判别器和第二判别器均可选用马尔可夫判别器（上述实施例已介绍此结构，本申请在此不再赘述）。

另外，本申请的第一生成器和第二生成器结构可以使用任何基于残差模块的网络；第一判别器和第二判别器结构可以使用其它类型的结构，如VGG网络的结构、U-Net网络的结构，可以输出一个二维的矩阵作为结果，也可以输出单个代表概率的值。

作为一种可选的实施例，计算由两个生成器及两个判别器组成的神经网络模型的第二损失函数，并基于第二损失函数不断优化两个生成器及两个判别器的参数，包括：

分别计算两个生成器的第二图像内容损失，分别计算两个生成器的第二感知损失，分别计算第一生成器与第一判别器及第二生成器与第二判别器的第二对抗损失，计算第一生成器与第二生成器的循环一致性损失，分别计算两个生成器的自身损失；

分别为第二图像内容损失、第二感知损失、第二对抗损失、循环一致性损失及自身损失赋予预设损失权重值并相加，得到第二总损失；

以将第二总损失降低至0为优化目标，对两个生成器及两个判别器的参数进行优化调整。

具体地，本申请优化第一生成器、第二生成器、第一判别器及第二判别器的参数的过程包括：1）分别计算第一生成器和第二生成器的图像内容损失（称为第二图像内容损失），由L1损失函数计算；2）分别计算第一生成器和第二生成器的感知损失（称为第二感知损失），由L1损失函数计算；3）分别计算第一生成器与第一判别器及第二生成器与第二判别器的对抗损失（称为第二对抗损失），由L2损失函数（L2损失函数也被叫做最小平方误差）计算；4）计算第一生成器与第二生成器的循环一致性损失；循环一致性损失即第二生成器重建的低剂量CT图像和原始真实的低剂量CT图像的绝对差异，与第一生成器重建的高剂量CT图像和原始真实的高剂量CT图像的绝对差异之和，由L1损失函数计算；5）分别计算第一生成器和第二生成器的自身损失；第一生成器还将高剂量CT图像作为输入，用来验证第一生成器保留原始图像特征的能力，第一生成器输出的图像和第一生成器对应输入的图像的绝对差异，即为第一生成器的自身损失；同理，第二生成器还将低剂量CT图像作为输入，用来验证第二生成器保留原始图像特征的能力，第二生成器输出的图像和第二生成器对应输入的图像的绝对差异，即为第二生成器的自身损失，由L1损失函数计算；6）分别为第一生成器和第二生成器的第二图像内容损失、第一生成器和第二生成器的第二感知损失、第一生成器与第一判别器及第二生成器与第二判别器的第二对抗损失、第一生成器与第二生成器的循环一致性损失及第一生成器和第二生成器的自身损失赋予预设损失权重值并相加，得到第二总损失；7）以将第二总损失降低至0为优化目标，对第一生成器、第二生成器、第一判别器及第二判别器的参数进行优化调整。

在本申请中，神经网络模型是在Pytorch（一个开源的Python机器学习库）框架下搭建，使用Adam（Adaptive moment estimation，自适应矩估计）优化器迭代训练神经网络权重。

本申请还提供了一种低剂量CT图像降噪装置，包括：

存储器，用于存储计算机程序；

处理器，用于在执行计算机程序时实现上述任一种低剂量CT图像降噪方法的步骤。

处理器实现的低剂量CT图像降噪方法，包括：

采集若干个CT匹配图像对，并基于采集的CT匹配图像对构建训练数据集；其中，每个CT匹配图像对均包括高剂量CT图像和图像质量低于高剂量CT图像的低剂量CT图像；同一CT匹配图像对中高剂量CT图像和低剂量CT图像对应同一患者的相同扫描位置；

构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型；

利用训练数据集训练神经网络模型，得到CT图像降噪模型；

将待优化的低剂量CT图像输入至CT图像降噪模型中，得到降噪处理后的高剂量CT图像。

作为一种可选的实施例，采集若干个CT匹配图像对，包括：

采集不同患者的高剂量CT原始数据，并分别将不同患者的高剂量CT原始数据通过FBP算法重建出高剂量CT图像；

分别在不同患者的高剂量CT原始数据上添加不同种类的噪声，得到不同CT噪声原始数据，并分别将不同CT噪声原始数据通过FBP算法重建出CT噪声图像；

将目标患者对应的CT噪声图像作为与目标患者对应的高剂量CT图像配对的低剂量CT图像，以得到若干个由高剂量CT图像和低剂量CT图像组成的CT匹配图像对；其中，目标患者为任一患者。

作为一种可选的实施例，在得到若干个由高剂量CT图像和低剂量CT图像组成的CT匹配图像对之后，在基于采集的CT匹配图像对构建训练数据集之前，低剂量CT图像降噪方法还包括：

对若干个CT匹配图像对中的高剂量CT图像和低剂量CT图像进行归一化处理和/或图像切片处理和/或数据扩增处理，以基于处理后的CT匹配图像对构建训练数据集。

作为一种可选的实施例，构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型，包括：

构建用于将低剂量CT图像处理为高剂量CT图像的生成器；

构建用于分辨模仿的高剂量CT图像和真实的高剂量CT图像的判别器；

则利用训练数据集训练神经网络模型，得到CT图像降噪模型，包括：

向生成器输入目标低剂量CT图像，以使生成器模仿与目标低剂量CT图像配对的目标高剂量CT图像，得到高剂量CT模仿图像；其中，目标低剂量CT图像为任一CT匹配图像对中的低剂量CT图像；

分别向判别器输入目标高剂量CT图像和高剂量CT模仿图像，以使判别器从目标高剂量CT图像和高剂量CT模仿图像中分辨出模仿图像和真实图像；

计算由生成器和判别器组成的神经网络模型的第一损失函数，并基于第一损失函数不断优化生成器及判别器的参数，直至判别器无法分辨出模仿图像和真实图像，得到训练完成的生成器，以将训练完成的生成器作为CT图像降噪模型使用。

作为一种可选的实施例，生成器为由多个RRDB堆叠形成的生成器；或者，生成器为由N+1个作为编码层的第一残差U型模块和N个作为解码层的第二残差U型模块依次连接形成的U型编码-反编码结构；其中，前N个第一残差U型模块的输出一一叠加至在U型结构上对称的第二残差U型模块的输入上，最后一个第一残差U型模块和N个第二残差U型模块的输出叠加作为生成器的输出；N为正整数；判别器为马尔可夫判别器。

作为一种可选的实施例，计算由生成器和判别器组成的神经网络模型的第一损失函数，并基于第一损失函数不断优化生成器及判别器的参数，包括：

计算生成器的第一图像内容损失，计算生成器的第一感知损失，计算生成器与判别器的第一对抗损失；

分别为第一图像内容损失、第一感知损失及第一对抗损失赋予预设损失权重值并相加，得到第一总损失；

以将第一总损失降低至0为优化目标，对生成器及判别器的参数进行优化调整。

作为一种可选的实施例，构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型，包括：

构建用于将低剂量CT图像处理为高剂量CT图像的第一生成器；

构建用于将高剂量CT图像处理为低剂量CT图像的第二生成器；

构建用于分辨合成的高剂量CT图像和真实的高剂量CT图像的第一判别器；

构建用于分辨合成的低剂量CT图像和真实的低剂量CT图像的第二判别器；

则利用训练数据集训练神经网络模型，得到CT图像降噪模型，包括：

向第一生成器输入目标低剂量CT图像，以使第一生成器输出高剂量CT合成图像，并使第二生成器基于高剂量CT合成图像生成低剂量CT重建图像；其中，目标低剂量CT图像为任一CT匹配图像对中的低剂量CT图像；

向第一判别器输入与目标低剂量CT图像配对的目标高剂量CT图像，以使第一判别器从目标高剂量CT图像和高剂量CT合成图像中分辨出合成图像和真实图像；

向第二生成器输入目标高剂量CT图像，以使第二生成器输出低剂量CT合成图像，并使第一生成器基于低剂量CT合成图像生成高剂量CT重建图像；

向第二判别器输入目标低剂量CT图像，以使第二判别器从目标低剂量CT图像和低剂量CT合成图像中分辨出合成图像和真实图像；

计算由两个生成器及两个判别器组成的神经网络模型的第二损失函数，并基于第二损失函数不断优化两个生成器及两个判别器的参数，直至两个判别器均无法分辨出合成图像和真实图像，得到训练完成的第一生成器，以将训练完成的第一生成器作为CT图像降噪模型使用。

作为一种可选的实施例，第一生成器和第二生成器均为由多个RRDB堆叠形成的生成器；第一判别器和第二判别器均为马尔可夫判别器。

作为一种可选的实施例，计算由两个生成器及两个判别器组成的神经网络模型的第二损失函数，并基于第二损失函数不断优化两个生成器及两个判别器的参数，包括：

分别计算两个生成器的第二图像内容损失，分别计算两个生成器的第二感知损失，分别计算第一生成器与第一判别器及第二生成器与第二判别器的第二对抗损失，计算第一生成器与第二生成器的循环一致性损失，分别计算两个生成器的自身损失；

分别为第二图像内容损失、第二感知损失、第二对抗损失、循环一致性损失及自身损失赋予预设损失权重值并相加，得到第二总损失；

以将第二总损失降低至0为优化目标，对两个生成器及两个判别器的参数进行优化调整。

本申请提供的降噪装置的介绍请参考上述降噪方法的实施例，本申请在此不再赘述。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种低剂量CT图像降噪方法，其特征在于，包括：

采集若干个CT匹配图像对，并基于采集的CT匹配图像对构建训练数据集；其中，每个CT匹配图像对均包括高剂量CT图像和图像质量低于所述高剂量CT图像的低剂量CT图像；同一CT匹配图像对中高剂量CT图像和低剂量CT图像对应同一患者的相同扫描位置；

构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型；

利用所述训练数据集训练所述神经网络模型，得到CT图像降噪模型；

将待优化的低剂量CT图像输入至所述CT图像降噪模型中，得到降噪处理后的高剂量CT图像；

其中，采集若干个CT匹配图像对，包括：

采集不同患者的高剂量CT原始数据，并分别将不同患者的所述高剂量CT原始数据通过FBP算法重建出高剂量CT图像；

分别在不同患者的所述高剂量CT原始数据上添加不同种类的噪声，得到不同CT噪声原始数据，并分别将不同所述CT噪声原始数据通过所述FBP算法重建出CT噪声图像；

将目标患者对应的CT噪声图像作为与所述目标患者对应的高剂量CT图像配对的低剂量CT图像，以得到若干个由高剂量CT图像和低剂量CT图像组成的CT匹配图像对；其中，所述目标患者为任一所述患者。

2.如权利要求1所述的低剂量CT图像降噪方法，其特征在于，在得到若干个由高剂量CT图像和低剂量CT图像组成的CT匹配图像对之后，在基于采集的CT匹配图像对构建训练数据集之前，所述低剂量CT图像降噪方法还包括：

对若干个所述CT匹配图像对中的高剂量CT图像和低剂量CT图像进行归一化处理和/或图像切片处理和/或数据扩增处理，以基于处理后的CT匹配图像对构建训练数据集。

3.如权利要求1-2任一项所述的低剂量CT图像降噪方法，其特征在于，构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型，包括：

构建用于将低剂量CT图像处理为高剂量CT图像的生成器；

构建用于分辨模仿的高剂量CT图像和真实的高剂量CT图像的判别器；

则利用所述训练数据集训练所述神经网络模型，得到CT图像降噪模型，包括：

向所述生成器输入目标低剂量CT图像，以使所述生成器模仿与所述目标低剂量CT图像配对的目标高剂量CT图像，得到高剂量CT模仿图像；其中，所述目标低剂量CT图像为任一所述CT匹配图像对中的低剂量CT图像；

分别向所述判别器输入所述目标高剂量CT图像和所述高剂量CT模仿图像，以使所述判别器从所述目标高剂量CT图像和所述高剂量CT模仿图像中分辨出模仿图像和真实图像；

计算由所述生成器和所述判别器组成的神经网络模型的第一损失函数，并基于所述第一损失函数不断优化所述生成器及所述判别器的参数，直至所述判别器无法分辨出模仿图像和真实图像，得到训练完成的所述生成器，以将训练完成的所述生成器作为所述CT图像降噪模型使用。

4.如权利要求3所述的低剂量CT图像降噪方法，其特征在于，所述生成器为由多个RRDB堆叠形成的生成器；或者，所述生成器为由N+1个作为编码层的第一残差U型模块和N个作为解码层的第二残差U型模块依次连接形成的U型编码-反编码结构；其中，前N个所述第一残差U型模块的输出一一叠加至在U型结构上对称的所述第二残差U型模块的输入上，最后一个所述第一残差U型模块和N个所述第二残差U型模块的输出叠加作为所述生成器的输出；N为正整数；所述判别器为马尔可夫判别器。

5.如权利要求3所述的低剂量CT图像降噪方法，其特征在于，计算由所述生成器和所述判别器组成的神经网络模型的第一损失函数，并基于所述第一损失函数不断优化所述生成器及所述判别器的参数，包括：

计算所述生成器的第一图像内容损失，计算所述生成器的第一感知损失，计算所述生成器与所述判别器的第一对抗损失；

分别为所述第一图像内容损失、所述第一感知损失及所述第一对抗损失赋予预设损失权重值并相加，得到第一总损失；

以将所述第一总损失降低至0为优化目标，对所述生成器及所述判别器的参数进行优化调整。

6.如权利要求1-2任一项所述的低剂量CT图像降噪方法，其特征在于，构建用于将低剂量CT图像进行降噪处理得到高剂量CT图像的神经网络模型，包括：

构建用于将低剂量CT图像处理为高剂量CT图像的第一生成器；

构建用于将高剂量CT图像处理为低剂量CT图像的第二生成器；

构建用于分辨合成的高剂量CT图像和真实的高剂量CT图像的第一判别器；

构建用于分辨合成的低剂量CT图像和真实的低剂量CT图像的第二判别器；

则利用所述训练数据集训练所述神经网络模型，得到CT图像降噪模型，包括：

向所述第一生成器输入目标低剂量CT图像，以使所述第一生成器输出高剂量CT合成图像，并使所述第二生成器基于所述高剂量CT合成图像生成低剂量CT重建图像；其中，所述目标低剂量CT图像为任一所述CT匹配图像对中的低剂量CT图像；

向所述第一判别器输入与所述目标低剂量CT图像配对的目标高剂量CT图像，以使所述第一判别器从所述目标高剂量CT图像和所述高剂量CT合成图像中分辨出合成图像和真实图像；

向所述第二生成器输入所述目标高剂量CT图像，以使所述第二生成器输出低剂量CT合成图像，并使所述第一生成器基于所述低剂量CT合成图像生成高剂量CT重建图像；

向所述第二判别器输入所述目标低剂量CT图像，以使所述第二判别器从所述目标低剂量CT图像和所述低剂量CT合成图像中分辨出合成图像和真实图像；

计算由两个生成器及两个判别器组成的神经网络模型的第二损失函数，并基于所述第二损失函数不断优化两个所述生成器及两个所述判别器的参数，直至两个所述判别器均无法分辨出合成图像和真实图像，得到训练完成的所述第一生成器，以将训练完成的所述第一生成器作为所述CT图像降噪模型使用。

7.如权利要求6所述的低剂量CT图像降噪方法，其特征在于，所述第一生成器和所述第二生成器均为由多个RRDB堆叠形成的生成器；所述第一判别器和所述第二判别器均为马尔可夫判别器。

8.如权利要求6所述的低剂量CT图像降噪方法，其特征在于，计算由两个生成器及两个判别器组成的神经网络模型的第二损失函数，并基于所述第二损失函数不断优化两个所述生成器及两个所述判别器的参数，包括：

分别计算两个所述生成器的第二图像内容损失，分别计算两个所述生成器的第二感知损失，分别计算所述第一生成器与所述第一判别器及所述第二生成器与所述第二判别器的第二对抗损失，计算所述第一生成器与所述第二生成器的循环一致性损失，分别计算两个所述生成器的自身损失；

分别为所述第二图像内容损失、所述第二感知损失、所述第二对抗损失、所述循环一致性损失及所述自身损失赋予预设损失权重值并相加，得到第二总损失；

以将所述第二总损失降低至0为优化目标，对两个所述生成器及两个所述判别器的参数进行优化调整。

9.一种低剂量CT图像降噪装置，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于在执行所述计算机程序时实现如权利要求1-8任一项所述的低剂量CT图像降噪方法的步骤。

Images