一种图像处理方法、系统及其应用技术方案

本申请属于图像合成技术领域，特别是涉及一种图像处理方法、系统及其应用。现有的技术中高低能CT量信号相互干扰，时间间隔干扰，高能CT扫描时间长导致的剂量增加。本申请提供了一种图像处理方法，提取低能CT图像中的高频信息与低频信息，将所述高频信息和所述低频信息进行重建得到高能CT图像；采用多尺度特征图对所述高能CT图像进行约束，提高所述高能CT图像质量得到合成的高能CT图像。实现通过一次低能CT扫描直接合成高能CT图像的技术，在保证图像结构相似度与纹理细节的同时，降低了低能CT图像中的骨伪影与金属伪影，大量减少噪声，提高了信噪比，从而得到更加满足诊断需求的CT图像。像。像。

【技术实现步骤摘要】
一种图像处理方法、系统及其应用


[0001]本申请属于图像合成
，特别是涉及一种图像处理方法、系统及其应用。

技术介绍

[0002]双能计算机断层扫描(Dual
‑
energy CT)，成为一种更有效的非侵入式诊断方法应用于传统的CT扫描，它通过两种不同能量的x射线得到的数据集拥有更丰富的扫描信息，可以适用于更多的临床应用，比如尿路结石检测，痛风石检测和去除骨骼与金属伪影。并且相对于传统CT扫描，双能CT的扫描方式通过使用一半的低能CT扫描替代原来的高能CT扫描，实现了辐射剂量的降低。然而，现有的双能CT的实现方式仍存在不同的缺点，包括高低能CT量扫描时出现的信号交叉干扰，高低能CT扫描存在短时间的时间间隔。并且由于高能CT扫描的能量积累，依然会造成各种疾病发生的可能性，进而影响人体健康。因此，研究和开发更低剂量下的无干扰无偏差的高质量CT图像重建方法，对于目前的医疗诊断领域都有着重要的科学意义和广阔的应用前景。
[0003]现有的使用深度学习来将高能CT图像的先验知识加入到低能CT图像中，来获得合成的伪高能CT图像。该方法实现保证了深度学习可以有效学习到高低能CT图像之间的差异，并且通过低能CT可以合成高质量的伪高能CT图像。也有在深度学习网络的基础上加入了残差结构对低能CT图像先进行去噪处理，再采用4层编码与解码的U
‑
net架构方式来提取特征，使得图像获得了更多的细节以及更好的视觉效果。
[0004]但是现有的技术中高低能CT量信号相互干扰，时间间隔干扰，高能CT扫描时间长导致的剂量增加。

技术实现思路

[0005]1.要解决的技术问题
[0006]基于现有的技术中高低能CT量信号相互干扰，时间间隔干扰，高能CT扫描时间长导致的剂量增加的问题，本申请提供了一种图像处理方法、系统及其应用。
[0007]2.技术方案
[0008]为了达到上述的目的，本申请提供了一种图像处理方法，提取低能CT图像中的高频信息与低频信息，将所述高频信息和所述低频信息进行重建得到高能CT图像；采用多尺度特征图对所述高能CT图像进行约束，提高所述高能CT图像质量得到合成的高能CT图像。
[0009]本申请提供的另一种实施方式为：所述高频信息包括高维特征和局部特征；所述低频信息包括低维特征和非局部特征
[0010]本申请提供的另一种实施方式为：所述提取低能CT图像中的高频信息与低频信息，建立所述低能CT图像与所述高能CT图像之间的映射关系。
[0011]本申请提供的另一种实施方式为：所述多尺度特征图对所述高能CT图像的纹理细节进行保持，去除伪影与噪声。
[0012]本申请提供的另一种实施方式为：所述合成高能CT图像为高纹理低噪声的高能CT
图像。
[0013]本申请还提供一种图像处理系统，包括生成器模块、判别器模块和损失函数模块；所述生成器模块，用于提取低能CT图像特征信息，对所述低能CT图像进行重建得到高能CT图像；所述判别器模块，用于判别输出图像是否为真；所述损失函数模块，用于提高所述高能CT图像的图像质量。
[0014]本申请提供的另一种实施方式为：所述生成器模块包括特征提取子模块和重建子模块，所述特征提取子模块以U型网络为框架，残差网络为骨干网络。
[0015]本申请提供的另一种实施方式为：所述U型网络包括4层编码和解码，所述编码与解码之间采用残差网络，所述残差网络为所述骨干网络。
[0016]本申请提供的另一种实施方式为：所述损失函数模块以多尺度特征图约束作为损失函数。
[0017]本申请还提供一种图像处理方法的应用，将所述的图像处理方法应用于图像重建、图像超分辨或者图像降噪。
[0018]3.有益效果
[0019]与现有技术相比，本申请提供的一种图像处理方法、系统及其应用及应用的有益效果在于：
[0020]本申请提供的图像处理方法，采用基于多尺度特征图约束的生成对抗网络，实现通过一次低能CT扫描直接合成高能CT图像的技术，在保证图像结构相似度与纹理细节的同时，降低了低能CT图像中的骨伪影与金属伪影，大量减少噪声，提高了信噪比，从而得到更加满足诊断需求的CT图像。
[0021]本申请提供的图像处理方法，通过使用U型网络架构来提取高频特征，使用残差网络作为骨干网络提取图像的低频特征；并且通过使用多尺度特征图在对生成器得到的图像进行约束，构造相应的损失函数，在保证图像结构相似度与纹理细节的同时，降低了低能CT图像中的骨伪影与金属伪影，大量减少噪声，提高了信噪比，从而得到更加满足诊断需求的CT图像。
[0022]本申请提供的图像处理方法，可以有效的提高图像的质量。
附图说明
[0023]图1是本申请的图像处理的流程示意图；
[0024]图2是本申请的生成器模块结构示意图；
[0025]图3是本申请的判别器模块结构示意图；
[0026]图4是本申请的多尺度特征图约束结构示意图；
[0027]图5是本申请的实验结果示意图。
具体实施方式
[0028]在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
[0029]由于在使用低能CT量的X射线的会导致重建图像产生大量噪声和金属伪影；由于物理结构限制，导致高低能CT图像存在时间偏差；由于扫描时间长，导致病人受到高能CT辐射的剂量增加。高能CT图像为高能量X射线扫描得到重建图像，高低能指的是x射线的能量不同。
[0030]参见图1～5，本申请提供一种图像处理方法，提取低能CT图像中的高频信息与低频信息，将所述高频信息和所述低频信息进行重建得到高能CT图像；在训练过程中采用多尺度特征图对所述高能CT图像合成过程进行约束，提高所述合成高能CT图像质量。
[0031]进一步地，所述高频信息包括高维特征和局部特征；所述低频信息包括低维特征和非局部特征。
[0032]进一步地，所述提取低能CT图像中的高频信息与低频信息，建立所述低能CT图像与所述高能CT图像之间的映射关系。
[0033]进一步地，所述多尺度特征图对所述高能CT图像的纹理细节进行保持，去除伪影与噪声。
[0034]进一步地，所述第二高能CT图像为高纹理低噪声的高能CT图像。
[0035]本申请还提供一种图像处理系统，包括生成器模块、判别器模块和损失函数模块；所述生成器模块，用于提取低能CT图像特征信息，对所述低能CT图像进行重建得到高能CT图像；所述判别器模块，用于判别输出图像是否为真；所述损失函数模块，用于提高所述高能CT图像的图像质量。
[0036]设置以U型网络为框架，残差网络为骨干网络的端到端的生成器模块。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于：提取低能CT图像中的高频信息与低频信息，将所述高频信息和所述低频信息进行重建得到高能CT图像；采用多尺度特征图对所述高能CT图像进行约束，提高所述高能CT图像质量得到合成的高能CT图像。2.如权利要求1所述的图像处理方法，其特征在于：所述高频信息包括高维特征和局部特征；所述低频信息包括低维特征和非局部特征。3.如权利要求1所述的图像处理方法，其特征在于：所述提取低能CT图像中的高频信息与低频信息，建立所述低能CT图像与所述高能CT图像之间的映射关系。4.如权利要求1所述的图像处理方法，其特征在于：所述多尺度特征图对所述高能CT图像的纹理细节进行保持，去除伪影与噪声。5.如权利要求1～4中任一项所述的图像处理方法，其特征在于：所述合成高能CT图像为高纹理低噪声的高能CT图像。6.一种图像处理系统，其特征在于：包...

【专利技术属性】
技术研发人员：郑海荣，李彦明，万丽雯，周豪杰，胡战利，庞志峰，
申请(专利权)人：深圳高性能医疗器械国家研究院有限公司，
类型：发明
国别省市：