本發(fā)明屬于圖像去噪，尤其涉及一種基于無監(jiān)督深度學(xué)習(xí)低劑量ct圖像去噪方法。

背景技術(shù)：

1、在現(xiàn)代醫(yī)學(xué)成像技術(shù)的前沿，x射線計算機斷層掃描(computed?tomography,ct)以其卓越的成像能力，成為了臨床醫(yī)學(xué)中不可或缺的診斷利器。ct掃描通過x射線從不同角度對目標(biāo)區(qū)域進行照射，并借助計算機算法重建出詳盡的三維解剖結(jié)構(gòu)圖像，為醫(yī)生提供了直觀且精確的患者內(nèi)部視圖。然而，這一技術(shù)的廣泛應(yīng)用也伴隨著挑戰(zhàn)——高劑量x射線雖然能生成高對比度的清晰圖像，但長期或高頻次的使用卻可能對患者健康造成不利影響，如增加患癌風(fēng)險等。因此，開發(fā)低劑量ct掃描技術(shù)，以在保障圖像質(zhì)量的同時降低輻射劑量，成為了醫(yī)學(xué)影像學(xué)領(lǐng)域的重要研究方向。

2、低劑量ct掃描技術(shù)的引入，雖然顯著降低了患者接受的輻射量，但隨之而來的卻是圖像質(zhì)量的下降，主要表現(xiàn)為噪聲和偽影的顯著增加。這些噪聲不僅干擾了醫(yī)生的視覺判斷，還可能掩蓋關(guān)鍵病變信息，進而影響診斷的準(zhǔn)確性和可靠性。因此，如何有效去除低劑量ct圖像中的噪聲，恢復(fù)其清晰度和細節(jié)信息，成為了醫(yī)學(xué)圖像處理領(lǐng)域亟待解決的關(guān)鍵問題。

3、傳統(tǒng)上，圖像去噪多依賴于基于統(tǒng)計特性或空間域濾波的方法，如高斯濾波、中值濾波等。然而，這些方法在處理低劑量ct圖像中的復(fù)雜噪聲時往往力不從心，難以在抑制噪聲的同時保留圖像的細節(jié)結(jié)構(gòu)。近年來，隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展，基于深度神經(jīng)網(wǎng)絡(luò)的圖像去噪方法逐漸嶄露頭角。這類方法通過大量訓(xùn)練數(shù)據(jù)學(xué)習(xí)噪聲與清晰圖像之間的映射關(guān)系，能夠自動提取圖像特征，實現(xiàn)更為精準(zhǔn)和高效的去噪效果。然而，現(xiàn)有的基于無監(jiān)督深度學(xué)習(xí)的去噪方法大多依賴于大量標(biāo)注或未標(biāo)注的低劑量ct圖像進行訓(xùn)練，這不僅在數(shù)據(jù)收集上存在巨大挑戰(zhàn)，還涉及患者隱私保護、數(shù)據(jù)獲取成本高昂以及訓(xùn)練過程耗時等問題。更為關(guān)鍵的是，由于真實世界中低劑量ct圖像的噪聲來源復(fù)雜多變，模擬噪聲與真實噪聲之間的差異往往導(dǎo)致訓(xùn)練出的模型在真實應(yīng)用場景中泛化能力不足。

4、現(xiàn)有的基于深度學(xué)習(xí)的去噪方法大多依賴于監(jiān)督學(xué)習(xí)框架，即需要成對的干凈-噪聲圖像作為訓(xùn)練數(shù)據(jù)。在ct圖像去噪的場景中，這樣的數(shù)據(jù)對極難獲取。一方面，對同一患者進行多次ct掃描以獲取配對數(shù)據(jù)在倫理和實際操作上均不可行；另一方面，即使通過模擬噪聲生成配對數(shù)據(jù)，也往往難以準(zhǔn)確反映真實場景中的噪聲特性，導(dǎo)致模型在真實數(shù)據(jù)上的泛化能力受限。此外，ct掃描過程中患者的不自主運動(如呼吸、心跳等)導(dǎo)致的圖像非對齊問題，更是進一步增加了監(jiān)督學(xué)習(xí)方法的實施難度。數(shù)據(jù)集選擇2016年aapm-mayoclinic?low?dose?ct?grand?challenge(mayo2016)的公開數(shù)據(jù)。數(shù)據(jù)集中包含十個病人的真實正常劑量ct圖像以及對應(yīng)的1/4劑量ct圖像。

技術(shù)實現(xiàn)思路

1、本發(fā)明就是針對上述問題，提供一種基于無監(jiān)督深度學(xué)習(xí)低劑量ct圖像去噪方法。

2、為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案，本發(fā)明包括以下步驟：

3、步驟1：對低劑量ct灰度圖像進行比特平面分解，獲取多個反映圖像不同信息層次的比特平面圖像；

4、步驟2：利用比特平面圖像，構(gòu)造出多組相似但非完全一致的圖像對；

5、步驟3：利用圖像對進行去噪訓(xùn)練處理。

6、作為一種優(yōu)選方案，本發(fā)明所述步驟1中，在對低劑量ct灰度圖像進行比特平面分解之前，將低劑量ct灰度圖像轉(zhuǎn)成256級灰度圖像。

7、作為另一種優(yōu)選方案，本發(fā)明所述步驟2中，通過隨機組合或微小修改的方式，構(gòu)造出多組相似但非完全一致的圖像對。

8、作為另一種優(yōu)選方案，本發(fā)明所述隨機組合或微小修改的方式具體為:替換低階比特平面，通過計算機隨機生成一張只含0和1的低階比特平面；或讓低階比特平面隨機旋轉(zhuǎn)一個角度，最后把替換的低階比特平面和原來高階比特平面重構(gòu)成灰度值為0到255的灰度圖像。

9、作為另一種優(yōu)選方案，本發(fā)明所述讓低階比特平面隨機旋轉(zhuǎn)5°到10°。

10、作為另一種優(yōu)選方案，本發(fā)明所述步驟2中，相似但非完全一致的圖像對是指:圖像對通過計算l1范數(shù)算出損失值，當(dāng)損失值大于設(shè)定的范圍(不同劑量噪聲對損失值不同，相差較大，這里給出參考值，具體值可以視數(shù)據(jù)集而定。以mayo2016數(shù)據(jù)集為例，1/4劑量時，構(gòu)造噪聲對損失值大于15)時，認為圖像對相似但不相同。

11、作為另一種優(yōu)選方案，本發(fā)明所述步驟3中，采用去噪網(wǎng)絡(luò)進行去噪訓(xùn)練處理。

12、作為另一種優(yōu)選方案，本發(fā)明所述去噪網(wǎng)絡(luò)接收低劑量ct灰度圖像和圖像對，圖像對的去噪結(jié)果與低劑量ct灰度圖像做約束，進行去噪網(wǎng)絡(luò)的去噪訓(xùn)練。

13、其次，本發(fā)明所述去噪網(wǎng)絡(luò)采用卷積神經(jīng)網(wǎng)絡(luò)，包括兩組由48通道3×3卷積核構(gòu)成的第一卷積層，每第一卷積層后接relu激活函數(shù)；圖像通過第一卷積層進行特征提取后，再通過一個1×1的第二卷積層進行特征整合，并應(yīng)用sigmoid激活函數(shù)輸出去噪后的ct圖像。

14、另外，本發(fā)明所述第一卷積層重復(fù)三次。

15、本發(fā)明有益效果。

16、本發(fā)明將比特平面分解技術(shù)創(chuàng)造性地引入低劑量ct圖像去噪領(lǐng)域，旨在通過深度剖析圖像數(shù)據(jù)在不同層次上的二進制表示，揭示并利用圖像內(nèi)在的信息結(jié)構(gòu)與噪聲特性。

17、比特平面分解將一幅灰度圖像的每個像素值拆解為多個獨立的二進制位平面，每個平面承載了圖像在不同分辨率層次上的信息。高位平面通常包含圖像的全局輪廓與主要特征，而低位平面則富含細微的紋理與細節(jié)。通過對比特平面的精細操作，能夠?qū)崿F(xiàn)對圖像信息的逐層解析與重構(gòu)，使去噪策略更為精細化。

18、本發(fā)明首先通過對低劑量ct圖像進行比特平面分解，獲取多個反映圖像不同信息層次的比特平面圖像。隨后，利用這些比特平面圖像，通過隨機組合或微小修改的方式，構(gòu)造出多組相似但非完全一致的圖像對。這些圖像對在視覺上保持了與原始圖像的高度一致性，但在比特層面上卻引入了微小的差異，這些差異正是模擬了低劑量ct圖像中復(fù)雜噪聲的多樣性。通過這種方式，本發(fā)明不僅能夠豐富訓(xùn)練數(shù)據(jù)的多樣性，提高模型的泛化能力，還能為去噪模型提供更多關(guān)于噪聲特性的學(xué)習(xí)線索，使其能夠更準(zhǔn)確地識別并去除圖像中的結(jié)構(gòu)化噪聲。

技術(shù)特征：

1.一種基于無監(jiān)督深度學(xué)習(xí)低劑量ct圖像去噪方法，其特征在于包括以下步驟：

2.根據(jù)權(quán)利要求1所述一種基于無監(jiān)督深度學(xué)習(xí)低劑量ct圖像去噪方法，其特征在于所述步驟1中，在對低劑量ct灰度圖像進行比特平面分解之前，將低劑量ct灰度圖像轉(zhuǎn)成256級灰度圖像。

3.根據(jù)權(quán)利要求1所述一種基于無監(jiān)督深度學(xué)習(xí)低劑量ct圖像去噪方法，其特征在于所述步驟2中，通過隨機組合或微小修改的方式，構(gòu)造出多組相似但非完全一致的圖像對。

4.根據(jù)權(quán)利要求3所述一種基于無監(jiān)督深度學(xué)習(xí)低劑量ct圖像去噪方法，其特征在于所述隨機組合或微小修改的方式具體為:替換低階比特平面，通過計算機隨機生成一張只含0和1的低階比特平面；或讓低階比特平面隨機旋轉(zhuǎn)一個角度，最后把替換的低階比特平面和原來高階比特平面重構(gòu)成灰度值為0到255的灰度圖像。

5.根據(jù)權(quán)利要求4所述一種基于無監(jiān)督深度學(xué)習(xí)低劑量ct圖像去噪方法，其特征在于所述讓低階比特平面隨機旋轉(zhuǎn)5°到10°。

6.根據(jù)權(quán)利要求1所述一種基于無監(jiān)督深度學(xué)習(xí)低劑量ct圖像去噪方法，其特征在于所述步驟2中，相似但非完全一致的圖像對是指:圖像對通過計算l1范數(shù)算出損失值，當(dāng)損失值大于設(shè)定的范圍時，認為圖像對相似但不相同。

7.根據(jù)權(quán)利要求1所述一種基于無監(jiān)督深度學(xué)習(xí)低劑量ct圖像去噪方法，其特征在于所述步驟3中，采用去噪網(wǎng)絡(luò)進行去噪訓(xùn)練處理。

8.根據(jù)權(quán)利要求7所述一種基于無監(jiān)督深度學(xué)習(xí)低劑量ct圖像去噪方法，其特征在于所述去噪網(wǎng)絡(luò)接收低劑量ct灰度圖像和圖像對，圖像對的去噪結(jié)果與低劑量ct灰度圖像做約束，進行去噪網(wǎng)絡(luò)的去噪訓(xùn)練。

9.根據(jù)權(quán)利要求7所述一種基于無監(jiān)督深度學(xué)習(xí)低劑量ct圖像去噪方法，其特征在于所述去噪網(wǎng)絡(luò)采用卷積神經(jīng)網(wǎng)絡(luò)，包括兩組由48通道3×3卷積核構(gòu)成的第一卷積層，每第一卷積層后接relu激活函數(shù)；圖像通過第一卷積層進行特征提取后，再通過一個1×1的第二卷積層進行特征整合，并應(yīng)用sigmoid激活函數(shù)輸出去噪后的ct圖像。

10.根據(jù)權(quán)利要求9所述一種基于無監(jiān)督深度學(xué)習(xí)低劑量ct圖像去噪方法，其特征在于所述第一卷積層重復(fù)三次。

技術(shù)總結(jié)
一種基于無監(jiān)督深度學(xué)習(xí)低劑量CT圖像去噪方法屬于圖像去噪技術(shù)領(lǐng)域，尤其涉及一種基于無監(jiān)督深度學(xué)習(xí)低劑量CT圖像去噪方法。本發(fā)明提供一種基于無監(jiān)督深度學(xué)習(xí)低劑量CT圖像去噪方法。本發(fā)明包括以下步驟：步驟1：對低劑量CT灰度圖像進行比特平面分解，獲取多個反映圖像不同信息層次的比特平面圖像；步驟2：利用比特平面圖像，構(gòu)造出多組相似但非完全一致的圖像對；步驟3：利用圖像對進行去噪訓(xùn)練處理。

技術(shù)研發(fā)人員：王鵬飛,陳思絲,龔蘇淇
受保護的技術(shù)使用者：廣州醫(yī)科大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19