CN115689923A - 低剂量ct图像降噪系统与降噪方法 - Google Patents
低剂量ct图像降噪系统与降噪方法 Download PDFInfo
- Publication number
- CN115689923A CN115689923A CN202211329115.6A CN202211329115A CN115689923A CN 115689923 A CN115689923 A CN 115689923A CN 202211329115 A CN202211329115 A CN 202211329115A CN 115689923 A CN115689923 A CN 115689923A
- Authority
- CN
- China
- Prior art keywords
- image
- dose
- low
- projection
- noise reduction
- 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.)
- Pending
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于医学图像处理领域,尤其涉及一种低剂量CT图像降噪系统与降噪方法,所述降噪系统包括:数据重建模块,用于采集正常剂量CT图像,生成对应的正常计量投影数据,并通过模拟得到低剂量投影数据,对低剂量投影数据进行反投影重建,得到低剂量CT图像;降噪GAN模块,用于对低剂量CT图像进行降噪处理,得到恢复图像;器官分割模块,用于对恢复图像和正常剂量CT图像进行语义分割,并计算差异作为器官分割损失,反馈给降噪GAN模块;投影模块,用于根据恢复图像生成对应的低剂量投影恢复数据,并计算差异作为投影损失,反馈给降噪GAN模块。本发明利用生成对抗的形式使降噪后的低剂量图像向正常剂量图像逼近,优化了降噪效果。
Description
技术领域
本发明属于医学图像处理领域,尤其涉及一种低剂量CT图像降噪系统与降噪方法。
背景技术
低剂量CT提升图像质量的方式主要分为投影域降噪、CT重建流程优化及图像域降噪。其中,投影域降噪和CT重建流程优化两种方式均需获取CT的原始投影域图像,而在实际应用中,原始投影域图像一般不易于获取,而传统的图像域降噪技术受限于图像算法和硬件资源的限制,效果不是很好。在基于深度学习的图像处理技术不断发展的前提下,越来越多的研究也将深度学习结合到医学图像处理中来,但目前为止还没有实用的基于深度学习的CT图像降噪方法被投入实际中使用,仍有较大的发展空间。
发明内容
本发明提供一种低剂量CT图像降噪系统,旨在解决现有技术对于低剂量CT图像的处理方式没有结合深度学习方法进行优化的问题。
第一方面,本发明实施例提供了一种低剂量CT图像降噪系统,包括:
数据重建模块,用于采集正常剂量CT图像,生成对应的正常计量投影数据,并通过模拟所述正常计量投影数据得到低剂量投影数据,对所述低剂量投影数据进行反投影重建,得到低剂量CT图像;
降噪GAN模块,用于对所述低剂量CT图像进行降噪处理,得到恢复图像;
器官分割模块,用于对所述恢复图像和所述正常剂量CT图像进行语义分割,得到分割器官形状编码,并计算对应的所述分割器官形状编码之间的差异作为器官分割损失,反馈给所述降噪GAN模块;
投影模块,用于根据所述恢复图像生成对应的低剂量投影恢复数据,并计算所述恢复图像与所述低剂量投影恢复数据之间的差异作为投影损失,反馈给所述降噪GAN模块。
更进一步地,所述降噪GAN模块基于预设生成对抗网络,所述预设生成对抗网络包括生成器网络和判别器网络,其中:
所述生成器网络用于对所述低剂量CT图像进行降噪处理,得到恢复图像;
所述判别器网络用于计算所述恢复图像与所述正常剂量CT图像之间的差异作为感知损失。
更进一步地,所述判别器网络具有判别损失,定义所述生成器网络的损失为LGeneator,所述器官分割损失为LOrganSeg,所述投影损失为LProj,图像域损失为LImage,则所述生成器网络的损失LGeneator满足以下关系式:
LGeneator=α×LOrganseg+β×LProj+LImage;
其中,所述图像预损失LImage为所述感知损失和所述判别损失的和。
更进一步地,所述器官分割模块基于预设深度学习语义分割网络,所述预设深度学习语义分割网络的参数在所述降噪GAN模块处理图像时参数冻结。
更进一步地,所述器官分割模块得到所述分割器官形状编码时使用自编码器。
更进一步地,所述器官分割模块计算对应的所述分割器官形状编码之间的差异时使用欧式距离。
更进一步地,所述投影模块计算所述恢复图像与所述低剂量投影恢复数据之间的差异时使用L1距离。
第二方面,本发明实施例还提供一种低剂量CT图像降噪方法,包括以下步骤:
采集正常剂量CT图像,生成对应的正常计量投影数据,并通过模拟所述正常计量投影数据得到低剂量投影数据,对所述低剂量投影数据进行反投影重建,得到低剂量CT图像;
对所述低剂量CT图像进行降噪处理,得到恢复图像;
对所述恢复图像和所述正常剂量CT图像进行语义分割,得到分割器官形状编码,并计算对应的所述分割器官形状编码之间的差异作为器官分割损失,反馈给对所述低剂量CT图像进行降噪处理的步骤中;
根据所述恢复图像生成对应的低剂量投影恢复数据,并计算所述恢复图像与所述低剂量投影恢复数据之间的差异作为投影损失,反馈给对所述低剂量CT图像进行降噪处理的步骤中。
本发明所达到的有益效果,由于采用生成对抗网络作为低剂量CT图像的降噪结构,能够保持有生成对抗网络对于图像处理的优点,从而提高降噪后图像的质量,同时,还结合了基于语义分割和投影反馈的设计,能够使降噪系统整合器官分割模块和投影模块的优化方向,利用生成对抗的形式使降噪后的CT图像向正常剂量图像逼近,从而优化低剂量CT图像的降噪效果。
附图
图1是本发明实施例提供的低剂量CT图像降噪系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参照图1,图1是本发明实施例提供的低剂量CT图像降噪系统的结构示意图,所述低剂量CT图像降噪系统包括:
数据重建模块,用于采集正常剂量CT图像,生成对应的正常计量投影数据,并通过模拟所述正常计量投影数据得到低剂量投影数据,对所述低剂量投影数据进行反投影重建,得到低剂量CT图像;
降噪GAN模块,用于对所述低剂量CT图像进行降噪处理,得到恢复图像;
器官分割模块,用于对所述恢复图像和所述正常剂量CT图像进行语义分割,得到分割器官形状编码,并计算对应的所述分割器官形状编码之间的差异作为器官分割损失,反馈给所述降噪GAN模块;
投影模块,用于根据所述恢复图像生成对应的低剂量投影恢复数据,并计算所述恢复图像与所述低剂量投影恢复数据之间的差异作为投影损失,反馈给所述降噪GAN模块。
更进一步地,所述降噪GAN模块基于预设生成对抗网络,所述预设生成对抗网络包括生成器网络和判别器网络,其中:
所述生成器网络用于对所述低剂量CT图像进行降噪处理,得到恢复图像;
所述判别器网络用于计算所述恢复图像与所述正常剂量CT图像之间的差异作为感知损失。
更进一步地,所述判别器网络具有判别损失,定义所述生成器网络的损失为LGeneator,所述器官分割损失为LOrganSeg,所述投影损失为LProj,图像域损失为LImage,则所述生成器网络的损失LGeneator满足以下关系式:
LGeneator=α×LOrganSeg+β×LProj+LImage;
其中,所述图像预损失LImage为所述感知损失和所述判别损失的和。
更进一步地,所述器官分割模块基于预设深度学习语义分割网络,所述预设深度学习语义分割网络的参数在所述降噪GAN模块处理图像时参数冻结。
更进一步地,所述器官分割模块得到所述分割器官形状编码时使用自编码器。
更进一步地,所述器官分割模块计算对应的所述分割器官形状编码之间的差异时使用欧式距离。
更进一步地,所述投影模块计算所述恢复图像与所述低剂量投影恢复数据之间的差异时使用L1距离。
本发明所达到的有益效果,由于采用生成对抗网络作为低剂量CT图像的降噪结构,能够保持有生成对抗网络对于图像处理的优点,从而提高降噪后图像的质量,同时,还结合了基于语义分割和投影反馈的设计,能够使降噪系统整合器官分割模块和投影模块的优化方向,利用生成对抗的形式使降噪后的CT图像向正常剂量图像逼近,从而优化低剂量CT图像的降噪效果。
本发明实施例还提供一种低剂量CT图像降噪方法,包括以下步骤:
采集正常剂量CT图像,生成对应的正常计量投影数据,并通过模拟所述正常计量投影数据得到低剂量投影数据,对所述低剂量投影数据进行反投影重建,得到低剂量CT图像;
对所述低剂量CT图像进行降噪处理,得到恢复图像;
对所述恢复图像和所述正常剂量CT图像进行语义分割,得到分割器官形状编码,并计算对应的所述分割器官形状编码之间的差异作为器官分割损失,反馈给对所述低剂量CT图像进行降噪处理的步骤中;
根据所述恢复图像生成对应的低剂量投影恢复数据,并计算所述恢复图像与所述低剂量投影恢复数据之间的差异作为投影损失,反馈给对所述低剂量CT图像进行降噪处理的步骤中。
所述低剂量CT图像降噪方法基于所述低剂量CT图像降噪系统实现,且能实现相同的技术效果,为避免重复,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random AccessMemory,简称RAM)等。例如,在一种可能的实施方式中,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例提供的低剂量CT图像降噪方法中的各个过程及步骤,且能实现相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,所揭露的仅为本发明较佳实施例而已,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式用等同变化,均属于本发明的保护之内。
Claims (8)
1.一种低剂量CT图像降噪系统,其特征在于,包括:
数据重建模块,用于采集正常剂量CT图像,生成对应的正常计量投影数据,并通过模拟所述正常计量投影数据得到低剂量投影数据,对所述低剂量投影数据进行反投影重建,得到低剂量CT图像;
降噪GAN模块,用于对所述低剂量CT图像进行降噪处理,得到恢复图像;
器官分割模块,用于对所述恢复图像和所述正常剂量CT图像进行语义分割,得到分割器官形状编码,并计算对应的所述分割器官形状编码之间的差异作为器官分割损失,反馈给所述降噪GAN模块;
投影模块,用于根据所述恢复图像生成对应的低剂量投影恢复数据,并计算所述恢复图像与所述低剂量投影恢复数据之间的差异作为投影损失,反馈给所述降噪GAN模块。
2.如权利要求1所述的低剂量CT图像降噪系统,其特征在于,所述降噪GAN模块基于预设生成对抗网络,所述预设生成对抗网络包括生成器网络和判别器网络,其中:
所述生成器网络用于对所述低剂量CT图像进行降噪处理,得到恢复图像;
所述判别器网络用于计算所述恢复图像与所述正常剂量CT图像之间的差异作为感知损失。
3.如权利要求2所述的低剂量CT图像降噪系统,其特征在于,所述判别器网络具有判别损失,定义所述生成器网络的损失为LGeneator,所述器官分割损失为LOrganSeg,所述投影损失为LProj,图像域损失为LImage,则所述生成器网络的损失LGeneator满足以下关系式:
LGeneator=α×LOrganSeg+β×LProj+LImage;
其中,所述图像预损失LImage为所述感知损失和所述判别损失的和。
4.如权利要求1所述的低剂量CT图像降噪系统,其特征在于,所述器官分割模块基于预设深度学习语义分割网络,所述预设深度学习语义分割网络的参数在所述降噪GAN模块处理图像时参数冻结。
5.如权利要求1所述的低剂量CT图像降噪系统,其特征在于,所述器官分割模块得到所述分割器官形状编码时使用自编码器。
6.如权利要求1所述的低剂量CT图像降噪系统,其特征在于,所述器官分割模块计算对应的所述分割器官形状编码之间的差异时使用欧式距离。
7.如权利要求1所述的低剂量CT图像降噪系统,其特征在于,所述投影模块计算所述恢复图像与所述低剂量投影恢复数据之间的差异时使用L1距离。
8.一种低剂量CT图像降噪方法,其特征在于,包括以下步骤:
采集正常剂量CT图像,生成对应的正常计量投影数据,并通过模拟所述正常计量投影数据得到低剂量投影数据,对所述低剂量投影数据进行反投影重建,得到低剂量CT图像;
对所述低剂量CT图像进行降噪处理,得到恢复图像;
对所述恢复图像和所述正常剂量CT图像进行语义分割,得到分割器官形状编码,并计算对应的所述分割器官形状编码之间的差异作为器官分割损失,反馈给对所述低剂量CT图像进行降噪处理的步骤中;
根据所述恢复图像生成对应的低剂量投影恢复数据,并计算所述恢复图像与所述低剂量投影恢复数据之间的差异作为投影损失,反馈给对所述低剂量CT图像进行降噪处理的步骤中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329115.6A CN115689923A (zh) | 2022-10-27 | 2022-10-27 | 低剂量ct图像降噪系统与降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329115.6A CN115689923A (zh) | 2022-10-27 | 2022-10-27 | 低剂量ct图像降噪系统与降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115689923A true CN115689923A (zh) | 2023-02-03 |
Family
ID=85099650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211329115.6A Pending CN115689923A (zh) | 2022-10-27 | 2022-10-27 | 低剂量ct图像降噪系统与降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115689923A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930318A (zh) * | 2019-10-31 | 2020-03-27 | 中山大学 | 一种低剂量ct图像修复去噪方法 |
CN111488865A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 图像优化方法、装置、计算机存储介质以及电子设备 |
CN112132265A (zh) * | 2020-09-22 | 2020-12-25 | 平安科技(深圳)有限公司 | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 |
CN113298807A (zh) * | 2021-06-22 | 2021-08-24 | 北京航空航天大学 | 一种计算机断层扫描图像处理方法及装置 |
-
2022
- 2022-10-27 CN CN202211329115.6A patent/CN115689923A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930318A (zh) * | 2019-10-31 | 2020-03-27 | 中山大学 | 一种低剂量ct图像修复去噪方法 |
CN111488865A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 图像优化方法、装置、计算机存储介质以及电子设备 |
CN112132265A (zh) * | 2020-09-22 | 2020-12-25 | 平安科技(深圳)有限公司 | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 |
CN113298807A (zh) * | 2021-06-22 | 2021-08-24 | 北京航空航天大学 | 一种计算机断层扫描图像处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
YIKUN ZHANG ET AL.: ""CLEAR: Comprehensive Learning Enabled Adversarial Reconstruction for Subtle Structure Enhanced Low-Dose CT Imaging"", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110612538B (zh) | 生成输入数据项的离散潜在表示 | |
CN111031346B (zh) | 一种增强视频画质的方法和装置 | |
CN110798636B (zh) | 字幕生成方法及装置、电子设备 | |
CN111226258B (zh) | 信号转换系统和信号转换方法 | |
EP4290448A1 (en) | Image generation model training method, generation method, apparatus, and device | |
EP4239585A1 (en) | Video loop recognition method and apparatus, computer device, and storage medium | |
CN113963409A (zh) | 一种人脸属性编辑模型的训练以及人脸属性编辑方法 | |
CN110929564B (zh) | 基于对抗网络的指纹模型生成方法以及相关装置 | |
CN114240954B (zh) | 网络模型的训练方法及装置、图像分割方法及装置 | |
CN113554742A (zh) | 一种三维图像的重建方法、装置、设备及存储介质 | |
CN116188912A (zh) | 主题图像的图像合成模型的训练方法、装置、介质及设备 | |
CN114862861B (zh) | 基于少样本学习的肺叶分割方法和装置 | |
CN114662666A (zh) | 基于β-GVAE的解耦合方法、系统和相关设备 | |
CN117078921A (zh) | 一种基于多尺度边缘信息的自监督小样本汉字生成方法 | |
CN115689923A (zh) | 低剂量ct图像降噪系统与降噪方法 | |
CN114612618A (zh) | 图像生成方法、装置、设备、存储介质及计算机程序产品 | |
KR102526415B1 (ko) | 준지도 학습 방식의 단일 영상 깊이 추정 시스템 및 방법과 이를 위한 컴퓨터 프로그램 | |
CN111078886B (zh) | 基于dmcnn的特殊事件提取系统 | |
CN113781491A (zh) | 图像分割模型的训练、图像分割方法及装置 | |
Li et al. | Engineering drawing recognition model with convolutional neural network | |
CN106650777B (zh) | 结合字典群的目标分割方法 | |
CN111652004B (zh) | 一种用于机器翻译系统的融合方法及装置 | |
CN116704588B (zh) | 面部图像的替换方法、装置、设备及存储介质 | |
CN116363261B (zh) | 图像编辑模型的训练方法、图像编辑方法和装置 | |
CN111612861B (zh) | 一种图像合成方法及装置 |
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 |