基于卷积稀疏编码网络的低剂量CT图像噪声伪影分解方法

基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法
技术领域
1.本发明涉及低剂量ct图像处理方法，更具体地说，涉及基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法，属于计算机断层成像技术领域。


背景技术：

2.临床中的计算机断层成像(computed tomography，ct)是利用人体检测组织的x射线衰减差异信息，无创的重建出检测组织结构信息的影像技术。ct扫描具有空间分辨率高、成本低、时间短等一系列优势，是各级医院不可缺少的医疗设备之一，在疾病筛查、诊断和治疗过程中提供准确的影像数据。然而，ct扫描中过多的x射线会损伤检测组织，其累积效应还会增加检测者获得潜在疾病的风险，这种伤害问题也备受关注。为此，国际辐射防护委员会曾经建议，在不影响ct图像的诊断条件下，尽可能的去降低x射线剂量。
3.采用低管电流管电压的扫描模式，来降低x射线照射强度，是低剂量ct成像的一种有效途径。然而，降低射线剂量会导致采集信号减弱，噪声干扰变大，进而引起重建的ct图像退化，尤其是会导致组织细节丢失，增加重建图的条状伪影，导致医师在阅片时出现漏诊和误诊的情况。为提高低剂量ct成像效果：一方面，从ct图像角度出发，研究人员们不断设计更加专业的图像复原及处理算法，以抑制伪影，增强图像细节。但不同扫描设备、模式及重建方法下，ct图像的伪影表征差异大，这也导致该方法泛化能力差。另一方面，从ct投影数据角度出发，对原始数据或对数变换后的投影数据进行去噪、复原等处理，以提高投影数据的一致性，进而可提高成像效果。但由于投影数据敏感性较高，处理过程中易影响数据一致性。近年来数据驱动的学习型方法，具有处理时间短、效果好及泛化能力强等优势，已逐步应用于低剂量ct成像领域中，是数据量充足条件下优先考虑的算法类型。
4.将卷积稀疏编码作为先验模型，构成约束项，已逐渐应用于低剂量ct图像处理中。随着卷积稀疏编码的广泛应用，其优越的性能也逐步显露出来。卷积稀疏编码方法主要是通过样本训练构造卷积核，并利用卷积核对信号进行特征编码解码，在特征提取、分类和复原等领域中受到广泛关注。此外，通过卷积神经网络，也可有效抑制伪影及噪声，如申请号201810706749.6的发明专利提出了一种基于卷积神经网络的低剂量ct图像分解方法，可来处理临床低剂量ct图像，得到伪影及噪声图像，从而实现低剂量ct图像的分解。这也表明卷积神经网络在低剂量ct图像分解中的优势，但是这类方法难以处理高强度的噪声和伪影特征，分解后的解剖结构成分图像中残留部分噪声伪影，同时该网络采用分块处理的，训练时间长，易引起分解不均匀，出现块叠加伪影现象。为此，本发明将在前期的研究基础上，提出一种基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法，通过结合卷积稀疏编码与深度卷积网络强大的表示能力的优势，建立可解释的网络模型，以实现低剂量ct图像噪声伪影及解剖结构之间的分解，可避免基于图像块处理后出现的块叠加伪影，分解不均匀等问题。
5.公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。


技术实现要素：

6.1.发明要解决的技术问题
7.本发明的目的在于克服现有技术中，低剂量ct图像噪声伪影分解方法存在的图像质量不高、伪影残留多、组织细节丢失、对比度低等问题，拟提供一种基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法，称之为卷积稀疏编码网络(convolutional sparse coding network，简称csc
‑
net)。该方法是在不改变现有的ct硬件成本条件下，通过卷积稀疏编码网络的学习，实现低剂量ct图像中的噪声伪影特征编码及表示，以获取其中的噪声伪影成分，为低剂量ct优质成像服务。
8.2.技术方案
9.为达到上述目的，本发明提供的技术方案为：
10.本发明的基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法，包括以下步骤：
11.步骤1、获取多组匹配的低剂量ct图像与常规剂量的ct图像，组建训练数据集；
12.步骤2、建立关于低剂量ct图像与噪声伪影图像的卷积稀疏编码网络，逐步获取低剂量ct图像中的噪声伪影特征；
13.步骤3、使用训练数据集对已构建好的卷积稀疏编码网络进行训练，获得网络模型参数；
14.步骤4、用训练好的网络来处理低剂量ct图像，实现低剂量ct图像中噪声伪影的分解。
15.更进一步地，步骤1中组建训练数据集的步骤为：首先获取多组匹配的低剂量ct图像和常规剂量的ct图像然后，将低剂量和常规剂量的ct图像相减以获得噪声伪影图像n
t
，即最后组成训练数据集，其中为样本数据，n
t
为标签数据。
16.更进一步地，步骤2中构建的卷积稀疏编码网络包括三个不同阶段，分别为：输入特征提取阶段，学习型卷积稀疏编码阶段和噪声伪影重建阶段。
17.更进一步地，步骤2中的输入特征提取阶段，包括两个卷积层，f0和f1，每个卷积层后均使用relu激活函数，为初步提取输入图像的噪声伪影特征信息，有利于后续学习型卷积稀疏编码阶段的特征表示。
18.更进一步地，步骤2中的学习型卷积稀疏编码阶段任务为特征的编码，采用权重卷积稀疏编码为基本模块，该模块包括：两个注意力权重学习层awl
α
和awl
β
、一个relu激活函数、一个卷积层s；学习型卷积稀疏编码阶段开始与结束时采用对偶卷积层g1和g2，中间循环级联25个权重卷积稀疏编码模块。
19.更进一步地，步骤2中的注意力权重学习层结构先后顺序为：一个平均池化层、一个全连接层、一个relu激活函数、一个全连接层及一个sigmoid激活函数。
20.更进一步地，步骤2中的噪声伪影重建阶段，包括一个卷积层r和一个relu激活函数，用于输出预测后的噪声伪影图像。
21.更进一步地，步骤3中具体过程为：将低剂量ct图像输入神经网络中，输出预测后的噪声伪影图像并以均方误差的形式建立预测噪声伪影图像与标签数据之间的损失函数；通过小批量随机梯度下降算法来迭代更新网络模型参数，降低损失值；当训练周期
前后损失值变化在2％范围内停止迭代，得到网络模型参数。
22.更进一步地，步骤4中具体过程为：将需要处理的低剂量ct图像i
ld
输入训练完成的网络中，输出分解后的噪声伪影成分图像n
p
，并得到分解后的解剖结构成分图像i
p
＝i
ld
‑
n
p
。
23.3.有益效果
24.采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
25.本发明的基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法，首先，获得多组匹配的低剂量和常规剂量的ct图像，将低剂量和常规剂量的ct图像相减以获得噪声伪影图像，并组成训练数据集；其次，建立关于低剂量ct图像与噪声伪影图像的卷积稀疏编码网络，该网络包括三个不同阶段，逐步获取低剂量ct图像中的噪声伪影特征；然后，使用训练数据集对已构建好的卷积稀疏编码网络进行训练，获得网络模型参数；最后，用训练好的网络来处理低剂量ct图像，实现低剂量ct图像中噪声伪影的分解。本方法可将低剂量ct图像中的噪声伪影和人体解剖组织结构有效区分，使得分解后的图像质量得到提高，降低噪声伪影对临床诊断和分析的影响。实验结果验证了在约1/4常规剂量的ct图像分解中，本发明方法(csc
‑
net)与传统的噪声伪影分离卷积神经网络(noiseartifact separation convolutional neural network，nascnn)相比，可有效的分解低剂量ct图像中的斑点噪声及条状伪影等噪声伪影成分，分解后的解剖结构成分图像具有较好的视觉效果与对比度。本发明方法有望为国内医院影像科室和ct制造商提供先进实用的低剂量ct图像处理框架，为患者降低额外辐射，增加诊疗收益，具有较高的应用和推广前景。
26.本发明的基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法，是在前期的研究基础上，通过结合卷积稀疏编码与深度卷积网络强大的表示能力的优势，建立可解释的网络模型，以实现低剂量ct图像噪声伪影及解剖结构之间的分解，可避免基于图像块处理后出现的块叠加伪影，分解不均匀等问题。
附图说明
27.图1为本发明实施例中基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法的流程示意图；
28.图2为本发明实施例中五幅典型的训练数据(a1～a5：低剂量ct图像；b1～b5：噪声伪影图)；
29.图3为本发明实施例中用于验证的横断面常规剂量ct图像、低剂量ct图像及噪声伪影图像(a：常规剂量ct图像；b：低剂量ct图像；c：噪声伪影图像)；
30.图4为本发明实施例中使用噪声伪影分离卷积神经网络nascnn分解后的横断面结果(a：低剂量ct图像；b：解剖结构成分；c：噪声伪影成分)；
31.图5为本发明实施例中使用本发明方法csc
‑
net分解后的横断面结果(a：低剂量ct图像；b：解剖结构成分；c：噪声伪影成分)；
32.图6为本发明实施例中用于验证的冠状面常规剂量ct图像、低剂量ct图像及噪声伪影图像(a：常规剂量ct图像；b：低剂量ct图像；c：噪声伪影图像)；
33.图7为本发明实施例中使用噪声伪影分离卷积神经网络nascnn分解后的冠状面结果(a：低剂量ct图像；b：解剖结构成分；c：噪声伪影成分)；
34.图8为本发明实施例中使用本发明方法csc
‑
net分解后的冠状面结果(a：低剂量ct
图像；b：解剖结构成分；c：噪声伪影成分)；
35.图9为本发明实施例中不同方法分解后图像的profile曲线(a：横断面；b：冠状面)。
具体实施方式
36.为进一步了解本发明的内容，结合附图对本发明作详细描述。
37.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
38.下面结合实施例对本发明作进一步的描述。
39.实施例1
40.本实施例的基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法，其流程图如图1所示，具体步骤如下：
41.步骤1、获取多组匹配的低剂量ct图像与常规剂量的ct图像，组建训练数据集ω；
42.具体的，组建特定的训练数据集，如对腹部进行低剂量ct扫描，可使用除扫描电流参数不同，其它参数均相同(如：扫描管电压、扫描角度、体素大小)的策略进行数据采集。其基本步骤为：首先获取多组匹配的低剂量ct图像和常规剂量的ct图像然后，将低剂量和常规剂量的ct图像相减以获得噪声伪影图像n
t
，即最后组成训练数据集，其中为样本数据，n
t
为标签数据。
43.步骤2、建立关于低剂量ct图像与噪声伪影图像的卷积稀疏编码网络，该网络包括三个不同阶段，逐步获取低剂量ct图像中的噪声伪影特征；
44.具体的，使用以低剂量ct图像为样本数据，噪声伪影图像n
t
为标签数据的训练集，来设计端到端的从低剂量图像到噪声伪影图像之间的映射的卷积稀疏编码网络，来估计低剂量ct图像中的噪声伪影成分。该网络我们称之为卷积稀疏编码网络(convolutional sparse coding network，简称csc
‑
net)，如图1所示。csc
‑
net网络包括三个不同阶段，分别为：输入特征提取阶段，学习型卷积稀疏编码阶段和噪声伪影重建阶段。输入特征提取阶段，包括两个卷积层，f0和f1，每个卷积层后均使用relu激活函数，为初步提取输入图像的噪声伪影特征信息，有利于后续学习型卷积稀疏编码阶段的特征表示。则输入特征提取阶段可表示为：
[0045][0046]
其中y为输入特征提取阶段的输出信号，relu(
·
)为relu激活函数，f0和f1为两个卷积层，为低剂量ct图像。
[0047]
学习型卷积稀疏编码阶段主要任务为特征的编码，采用权重卷积稀疏编码为基本模块，该模块包括两个注意力权重学习层，awl
α
和awl
β
，一个relu激活函数，一个卷积层s。每
个注意力权重学习层结构先后顺序依次为：一个平均池化层、一个全连接层、一个relu激活函数、一个全连接层及一个sigmoid激活函数。学习型卷积稀疏编码阶段开始与结束时采用对偶卷积层g1和g2，中间循环级联25个权重卷积稀疏编码模块。则学习型卷积稀疏编码阶段可表示为：
[0048]
r
(k)
＝s*z
(k)
+g1*y
ꢀꢀ
(2)
[0049]
z
(k+1)
＝awl
α
(relu(awl
β
(r
(k)
))
‑
θ)
ꢀꢀ
(3)
[0050]
x＝g2*z
(26)
ꢀꢀ
(4)
[0051]
其中x为学习型卷积稀疏编码阶段的输出，y为输入特征提取阶段的输出信号，r和z为中间变量，awl
α
(
·
)和awl
α
(
·
)分别为两个注意力权重学习层，relu(
·
)为relu激活函数，g1和g2为对偶卷积层，上标k为中间变量的处理次数，θ为训练获得的阈值参数。
[0052]
噪声伪影重建阶段，包括一个卷积层r和一个relu激活函数，用于重建预测后的噪声伪影图像。则噪声伪影重建阶段可表示为：
[0053][0054]
其中为输出预测的噪声伪影图像，r为卷积层，relu(
·
)为relu激活函数，x为学习型卷积稀疏编码阶段的输出。
[0055]
步骤3、使用训练数据集对已构建好的卷积稀疏编码网络进行训练，获得网络模型参数；
[0056]
具体的，将低剂量ct图像输入神经网络中，输出预测后的噪声伪影图像并以均方误差的形式建立预测噪声伪影图像与标签数据之间的损失函数；损失函数loss定义为：
[0057][0058]
其中为输出预测后的噪声伪影图像，为样本数据，n
t
为标签数据，ω为训练数据集。通过小批量随机梯度下降算法来迭代更新网络模型参数，降低损失值，实验中批量数据大小为128，动量为0.9，衰减权重为10
‑4；当训练周期前后损失值变化在2％范围内停止迭代，得到网络模型参数。
[0059]
步骤4、用训练好的网络来处理低剂量ct图像，实现低剂量ct图像中噪声伪影的分解。
[0060]
具体的，将实际需要处理的低剂量ct图像i
ld
输入训练完成的网络模型中，可输出分解后的噪声伪影成分图像n
p
，并得到分解后的解剖结构成分图像i
p
＝i
ld
‑
n
p
。
[0061]
效果评估准则
[0062]
实施例中将使用lowdose challenge比赛公布的数据，选取其中九组扫描数据作为训练数据集，一组数据用于本发明的验证。所有数据均来自somatom definition as+ct设备，扫描参数为：管电压100kvp，管电流为360mas(常规剂量)/85mas(约1/4常规剂量的低剂量条件)，探测器单元尺寸为1.2856
×
1.0947mm2，个数为736
×
64，射线源到物体中心和探测器中心的距离分别为595mm和1085.6mm。图像数据均来自扫描设备提供的fbp算法重建图，横断面图像素为512
×
512，单个像素物理尺寸为0.8
×
0.8mm2，重建层厚为1mm。
[0063]
图2为五幅典型的训练数据。图3为本发明实施例中用于验证的横断面常规剂量ct图像、低剂量ct图像及噪声伪影图像，图6为本发明实施例中用于验证的冠状面常规剂量ct图像、低剂量ct图像及噪声伪影图像。图3与图6为参照图，用于对比不同方法分解效果情况。所有图中，低剂量ct图像、正常剂量ct图像和分解后解剖结构成分的窗宽均为400hu(housfieldunits,hu)，窗位均为50hu；噪声伪影成分的窗宽均为200hu，窗位均为
‑
1000hu。
[0064]
视觉评估
[0065]
通过观察图3
‑
8的常规剂量和低剂量的ct图像，以及nascnn网络方法分解后的图像和本发明方法分解后的图像，可以看到本发明的分解方法获得的解噪声伪影成分没有解剖结构信息，且解剖结构成分图像视觉效果更好；nascnn网络方法虽然能分解出噪声和条状伪影，但解剖结构成分图像部分区域出现模糊现象，如囊肿区域边界不清晰，而使用本发明方法分解后获得的解剖结构成分图像质量明显提高，噪声伪影信息更少，细小的组织也能很好的被辨识，组织边界明显，视觉纹理更自然，接近常规剂量图像效果。
[0066]
量化评估
[0067]
在使用视觉效果评估本发明方法在低剂量扫描ct图像分解中的有效性的同时，实验将进一步采用psnr和ssim两个量化指标对重建图像进行评价，以量化确认本发明方法的有效性。psnr和ssim的计算方法如下：
[0068][0069][0070]
其中i
p
为分解后的解剖结构成分图像，i
rd
为常规剂量下的ct图像，n为图像像素总数；h
max
为i
p
的最大值，σ
ip
和σ
ird
分别表示ct图像i
p
和i
rd
中总像素ct值的标准差值，μ
ip
和μ
ird
分别表示ct图像i
p
和i
rd
中总像素ct值的平均值；σ
iprd
为ct图像i
p
和i
rd
的协方差，常数c1＝(0.01
×
h
max
)2，c2＝(0.03
×
h
max
)2。以用于模拟的高质量图像为参考图，计算不同数据重建图像的psnr和ssim值，其结果如表1所示。从下表1可以看到本发明的分解方法可更好的分解噪声伪影成分，获得更高质量的解剖结构成分图像，提高低剂量ct处理后的信噪比，获得更加接近常规剂量的ct图像。从图9中可以看出，在所选像素中(图9中ct图像白色线段标记区域)，csc
‑
net分解后图像曲线更加平滑，波动范围小，即噪声伪影干扰少，这也表明本发明的分解方法可更好的分解噪声伪影成分。
[0071]
表1
[0072][0073]
从上述实验可以看到，采用本发明的方法可以很好的分解低剂量ct图像中的噪声伪影成分，获得更高质量的人体解剖结构图像，更有利于临床医师对疾病的筛查和诊断，减少不必要的噪声伪影干扰。本发明方法中，网络具有很好的可解释性，且训练参数少，属于轻量级的网络，实际应用中具有时间短，速度快，泛化能力强、易部署等优势。
[0074]
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。