基于深度学习的头部低剂量CT图像钙化点保留方法与流程

本发明涉及一种基于深度学习的头部低剂量ct图像钙化点保留方法，属于ct图像处理技术领域。

背景技术：

电子计算机断层扫描（computedtomography，ct），利用精确准直的x线束与灵敏度极高的探测器一同围绕人体的某一部位做一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查，如今ct已经成为医院中最重要的检查工具之一。

随着ct越来越广泛的应用，其缺点也在逐渐暴露，近年来一些研究表明，x射线扫描产生的辐射会对患者的健康造成不利的影响，如果扫描剂量控制的不得当有可能诱发癌症等病变。全世界每年有上千万次的ct检查，ct扫描产生的辐射对于患者所造成的潜在危害也受到了越来越广泛的关注。因此发展能够在ct扫描检测中减少对患者辐射剂量的新技术已经成为医学领域的迫切需求。

然而，在ct扫描检测中减少辐射剂量往往会增加图像的噪声和伪影，从而影响医生的阅片和诊断。因此，设计更好的低剂量ct图像重建或图像处理方法已成为人们广泛关注的问题。近年来随着深度学习技术的飞速发展，为低剂量ct图像重建提供了新的思路。目前已有大量研究把卷积神经网络（convolutionalneuralnetwork，cnn）、生成对抗神经网络（generativeadversarialnetwork,gan）等深度学习方法运用到了低剂量ct图像重建中，这些方法都可以有效地去除图像伪影和噪声，并能较好地保留图像的关键信息。深度学习方法的原理主要是最小化低剂量ct图像和高剂量ct图像之间的均方误差（mean-squared-error），使重建出的低剂量ct图像的信噪比（peaksignal-to-noiseratio）和高剂量ct图像的信噪比达到相同水平，提高低剂量ct图像的清晰度。

但在头部ct图像中存在着一种和噪声点特征（ct值的大小和所占像素数目多少）十分相似的结构即钙化点。在使用深度学习网络为头部低剂量图像降噪时，网络因无法区分噪声点和钙化点，会错误地把钙化点当作噪声点来处理，对存在钙化点的头部低剂量ct图像进行降噪后，其钙化点信息将被减弱甚至被去除。如果为了提升头部低剂量ct图像的质量，而致使图像中原有的组织丢失，便违背了为头部低剂量ct图像降噪的目的（通过去除一些不必要的噪声和伪影，提高图像的质量，便于医生的诊断）。头部钙化点是诊断患者是否存在病变的重要依据之一，如果因钙化点信息被减弱或被去除而造成漏诊的结果，便失去了低剂量ct图像重建的意义。因此在为头部低剂量ct图像降噪的同时，保留图像中原有的钙化点是十分重要的。

换言之，目前现有技术中，钙化点的识别和保留大都是在高剂量ct图像上进行的，高剂量ct图像上一般不会存在和钙化点特征相似的噪声点，因此识别和保留钙化点都比较方便。一般做法是首先计算出ct图像上各像素点的ct值，根据设置的阈值判断各像素点是否为钙化像素点；然后利用连接成分算法把图像中各钙化像素点连接成块，得到钙化点，最后把得到的钙化点进行标注保留。但上述方法仅适用于正常剂量的ct图像，无法应用于低剂量ct图像中钙化点的标注和保留。前述也提到，在头部低剂量ct图像中存在较多的噪声点，这些噪声点的特征（所占像素数目和ct值）与钙化点十分相似，如果仅根据上述方法并不能准确地把钙化点和噪声点区分出来。

基于此，做出本申请。

技术实现要素：

为了解决现有技术中存在的上述缺陷，本发明提供了一种基于深度学习的头部低剂量ct图像钙化点保留方法，不仅可去除头部低剂量ct图像上的噪声和伪影，并保留和噪声点十分相似的钙化点，即在提高头部低剂量ct图像质量的同时保留图像上的关键特征。

为了实现上述目的，本发明采取的技术方案如下：

本发明将深度学习方法运用于头部低剂量ct图像钙化点保留中，在为头部低剂量ct图像降噪的同时保留原头部低剂量ct图像中的钙化点。本发明内容主要包含两部分，一部分为头部低剂量ct图像降噪，另一部分为降噪后头部ct图像钙化点恢复。其中低剂量ct图像降噪，具体包括获取数据：获得原始头部低剂量ct图像和与之对应的原始头部高剂量ct图像；数据预处理：将头部低剂量ct图像和头部高剂量ct图像分割为图像块，并将分割得到的低剂量ct图像块和高剂量ct图像块的ct值归一化；构建网络模型一，并初始化网络参数；训练网络模型一：将头部低剂量ct图像块和头部高剂量ct图像块输入网络模型一中训练网络，当网络模型一的损失函数值达到设置的阈值时，保存网络模型一的最优参数；低剂量ct图像降噪：使用网络模型一的最优参数即把网络模型一的参数设置为上述中保存的最优参数，向网络模型一输入原始的头部低剂量ct图像，网络输出即为降噪后的头部低剂量ct图像；

头部低剂量ct图像降噪后，不仅去除了图像中的噪声，还去除了和噪声点十分相似的钙化点。因为头部钙化点是医生诊断的依据之一，所以头部剂量ct图像降噪后还需恢复图像中的钙化点。降噪后ct图像恢复钙化点具体包括获取数据：将降噪后的头部低剂量ct图像和原始的头部低剂量ct图像融合，获得融合ct图像；数据预处理：将原始头部低剂量ct图像、原始头部高剂量ct图像和融合ct图像分割为图像块，并将得到的原始头部低剂量ct图像块和融合ct图像块的ct值归一化；构建网络模型二，并初始化网络参数；训练网络模型二：将头部低剂量ct图像块和融合ct图像块同时输入网络模型二中训练网络，当网络模型二的损失函数值达到设置的阈值时，保存网络模型二的最优参数；降噪后ct图像钙化点恢复：使用网络模型二的最优参数即把网络模型二的参数设置为上述中保存的最优参数，向网络模型二中输入原始头部低剂量ct图像和融合ct图像，网络输出即为钙化点被恢复且清晰的头部ct图像。

本发明使用u-net网络为降噪后的头部低剂量ct图像恢复钙化点，其网络结构如图2所示。本发明的u-net网络包含两个输入即输入1和输入2，其中输入1为头部低剂量ct图像，输入2为头部低剂量ct图像和降噪后的头部ct图像的融合ct图像。u-net网络设计两个输入的好处在于：如果仅向u-net网络输入降噪后的头部ct图像（降噪后的ct图像中钙化点基本消失不见），网络因得不到钙化点的较多信息而导致该u-net网络无法为降噪后的ct图像恢复钙化点的结果。为解决该问题，本方法设计为u-net网络增加了一个输入即输入1。输入1是采集得到的头部低剂量ct图像，图像上的钙化点保留完好，把钙化点保留完好的ct图像输入到网络中便可使u-net网络获取钙化点信息。u-net网络的输入2为头部低剂量ct图像和降噪后头部ct图像的融合图像，把融合ct图像而非降噪后的头部ct图像作为网络的输入原因在于：降噪后的头部ct图像中不仅钙化点信息被减弱了，而且与原头部低剂量ct图像相比，降噪后的ct图像上损失了一些图像细节（噪声和钙化点除外）。因此本发明采用头部低剂量ct图像和降噪后的头部ct图像相融合的办法，融合得到的ct图像会恢复图像丢失的信息（如钙化点、噪声等），恢复的钙化点有助于网络提取到更多的钙化点信息，而恢复的噪声信息却不会影响图像的降噪效果，因为u-net网络也具有一定的降噪效果。

现有技术一般都是在清晰的ct图像中识别和保留钙化点，首先计算出图像上各像素点的ct值，根据设置的阈值得到钙化的像素点，然后再使用成分连接算法把钙化像素点连接成块后，得到钙化点，最后标注保留，便于以后对有钙化点的图像进行后处理时，避免钙化点被处理掉的后果。与现有技术相比，本发明具有以下有益效果：

（1）本发明采用深度学习网络为低剂量ct图像降噪的同时保留图像中的钙化点。

（2）本发明提出的方法，无需先识别出头部低剂量ct图像中的钙化点，而是把降噪后的头部ct图像输入到训练好的深度学习网络中，网络输出的ct图像中不仅保持了输入图像的清晰度，还恢复了原低剂量ct图像中的钙化点（如果原低剂量ct图像中存在钙化点）。

（3）本发明在为头部低剂量ct图像降噪之前，无需人工或者使用特殊方法标注出ct图像中的钙化点，大幅减轻工作量。

附图说明

图1为本实施例降噪网络（网络模型一）的结构图；

图2为本实施例钙化点恢复网络（网络模型二）的结构图；

图3为本实施例采用深度学习网络为头部低剂量ct图像降噪过程图；

图4为本实施例采用深度学习网络恢复头部ct图像钙化点过程图；

图5为本实施例降噪后的结果图；

图6为本实施例钙化点的恢复结果图。

具体实施方式

为了使本发明的技术手段及其所能达到的技术效果，能够更清楚更完善的披露，兹提供了一个实施例，并结合附图作如下详细说明：

一种基于深度学习的头部低剂量ct图像钙化点保留方法，包括

s100低剂量ct图像降噪和s200降噪后ct图像钙化点恢复；

其中s100具体包括

s101获取数据：获得原始头部低剂量ct图像和与之对应的原始头部高剂量ct图像。

s102数据预处理：将头部低剂量ct图像和头部高剂量ct图像分割为图像块，并将分割得到的头部低剂量ct图像块和头部高剂量ct图像块的ct值归一化。具体过程为：得到的原始低剂量ct图像和高剂量ct图像的大小为n×n（本实施例中使用的原始头部低剂量ct图像的尺寸为512×512）图像尺寸过大，为了节省电脑的内存和显存，同时也为了增加训练数据量，需要对得到的原始头部ct图像进行分割，本实施中把原始头部低剂量ct图像和高剂量ct图像分割为尺寸大小为m×m的图像块（图像块大小可随意调节，本实施例中使用的图像块大小为64×64），然后把得到的低剂量ct图像块和与之对应的高剂量ct图像块归一化到[0,1]。

s103构建网络模型一（gan网络），gan网络包含生成网络和判别网络，初始化生成网络和判别网络的网络参数。具体来说，降噪网络使用的生成对抗网络（generatoradversarialnetwork,gan），生成对抗网络包含生成网络和判别网络，其网络结构如图1所示。生成网络的输入为头部低剂量ct图像，输出为降噪后的头部ct图像，即网络生成高剂量ct图像，判别网络用来判别输入图像的真假，把网络生成高剂量ct图像和高剂量ct图像输入到判别网络中，输出为网络生成高剂量ct图像和高剂量ct图像为真的概率。

s104训练网络模型一：将分割得到的头部低剂量ct图像块和头部高剂量ct图像块输入网络模型一中训练网络，当网络模型一的损失函数值达到设置的阈值时，保存网络模型一的最优参数；将分割得到的头部低剂量ct图像块（以low表示，即此时的实际输入为步骤s102处理得到的头部低剂量ct图像块）输入到生成网络中，得到网络生成头部高剂量ct图像块，将分割得到的头部高剂量ct图像块（以normal表示，即此时的实际输入为步骤s102处理得到的头部高剂量ct图像块）和网络生成高剂量ct图像块输入到判别网络中，判别网络生成高剂量ct图像块为真实图像块的概率和高剂量ct图像块为真实图像块的概率，根据得到的概率值更新生成网络和判别网络的网络参数；重复进行此步骤，直到判别网络判别不出网络生成高剂量ct图像块和高剂量ct图像块的真假时（网络生成高剂量ct图像和高剂量ct图像为真概率值几乎相等），保存此时网络的参数（即为最优参数）。

s105低剂量ct图像降噪：使用网络模型一的最优参数，向网络模型一输入原始的头部低剂量ct图像，输出降噪后的头部低剂量ct图像；具体为：用s104得到的生成网络参数初始化生成网络，把需要降噪的原始头部低剂量ct图像（此时的图像不需要分割，输入的完整的头部ct图像）输入到生成网络中，得到降噪后的头部ct图像，结果如图5。图中low代表原始头部低剂量ct图像，normal代表与low相对应原始头部高剂量ct图像，predict为使用生成网络降噪后的头部ct图像，low和predict相比较可以发现predict中噪声降低了很多，但是predict中钙化点比low中的钙化点更加模糊（箭头标示处）。

其中s200具体包括

s201获取数据：将降噪后的头部低剂量ct图像和原始的头部低剂量ct图像进行融合，获得融合ct图像；具体为：使用s100中获取到的原始头部低剂量ct图像和原始头部高剂量ct图像，把原始头部低剂量ct图像输入到训练的生成网络中，输出得到降噪后的头部ct图像，将原始头部低剂量ct图像和与之对应的降噪后图像融合在一起得到融合ct图像（即图2中的输入2，输入2=a*low+（1-a）*predict，a控制了低剂量ct图像和降噪后的ct图像的融合比例，a的取值可以通过实际调试得到，0<a<1，公式中low为原始头部低剂量ct图像，predict为降噪后的头部ct图像）。

s202数据预处理：将原始头部低剂量ct图像、原始头部高剂量ct图像和融合ct图像进行分割，并对分割后的图像块进行ct值归一化处理，其方法同步骤s102中所述。

s203构建网络模型二（u-net网络），初始化网络参数。

s204训练网络模型二：将分割后的头部低剂量ct图像和分割后的融合ct图像同时输入到网络模型二中训练，保存网络模型二的最优参数。具体为：把分割得到的头部低剂量ct图像块和分割得到的融合ct图像块输入到网络中，网络的输出为钙化点恢复ct图像块，根据网络模型二的损失函数计算出钙化点恢复ct图像块与头部高剂量ct图像块之间的损失值，根据损失值更新网络参数；不断的根据损失函数计算出钙化点恢复ct图像块与头部高剂量ct图像块之间的损失值更新网络参数，直至损失值达到设置的阈值时，保存网络的最优参数。

s205降噪ct图像钙化点恢复：使用网络模型二的最优参数即把网络模型二的参数设置为s204中保存的参数，向网络模型二中输入原始头部低剂量ct图像和融合ct图像，得到钙化点被恢复且清晰的头部ct图像。具体为：把需要降噪的头部低剂量ct图像先使用降噪网络进行降噪，然后把降噪后头部ct图像和原始头部低剂量ct图像融合，得到融合ct图像，把原始头部低剂量ct图像和融合ct图像同时输入到经训练后的u-net网络中，网络输出即为钙化点得以恢复且清晰的ct图像，结果如图6所示。其中low为原始头部低剂量ct图像，predict为降噪后的头部ct图像，output为钙化点恢复后的头部ct图像，normal为原始头部高剂量ct图像。predict图像和output图像的噪声水平与low相比都有所下降，且output图像中的钙化点比predict图像中的钙化点更为清晰（箭头标出）。

因此本实施例一种基于深度学习的头部低剂量ct图像重建的钙化点保留方法，能够在为头部低剂量ct图像降噪的同时保留图像中与噪声点十分相似的钙化点，在头部低剂量ct图像诊断中起到了至关重要的作用。

以上内容是结合本发明的优选实施方式对所提供技术方案所作的进一步详细说明，不能认定本发明具体实施只局限于上述这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。