【技术实现步骤摘要】
本专利技术属于ct成像，公开了一种用于抑制低剂量ct噪声与伪影、便于后期精确地医学诊断与分析的基于正弦图域和图像域的双域半监督学习重建方法。
技术介绍
1、计算机断层扫描(computed tomography，ct)是一种利用x射线穿透人体的衰减信息进行重建来获得物体断层图像信息的技术，已成为临床诊断中一项重要的无创检查手段，它能够提供高分辨率的人体内部结构信息。然而，相对较高的辐射剂量会对人体造成新陈代谢异常、癌症或白血病等的潜在危害，制约着ct成像技术在医学诊疗领域的进一步发展。低剂量ct(low-dosect，ldct)技术只使用较少剂量的x射线进行成像，能减少对人体健康的辐射伤害，但获取的ldct图像密度分辨率较低、出现明显斑点噪声和条状伪影。如何在尽可能低的辐射剂量条件(如降低管电流、降低管电压、减少x射线数目)下，获取与常规剂量扫描质量相同或者更利于医疗诊断的ct图像，已经成为相关领域学者最关心的问题。
2、近年，本领域学者的研究兴趣主要集中基于深度学习的ldct重建方法来克服传统重建算法的局限性。目前用于改善ldct重建质量的方法大致可分为三类：投影域类方法、图像域类方法、双域类方法。
3、投影域类方法(即投影域网络+bp)是以投影数据为分析对象，研究如何改善在投影域中构建滤波模型，其焦点在于对投影域上欠完备的投影数据进行修正或者对带噪声的投影数据进行滤波，再利用反投影算法对处理后的投影数据进行重构，实现投影数据的统计建模及噪声抑制。由于正弦图的微小重建误差会对图像造成不可预测的影响，该类
4、图像域类方法(即bp+图像域网络)是以抑制ldct图像中噪声和伪影为研究目标，直接对经过bp重建图像进行处理。由于其在图像域进行操作，不依赖于原始投影数据，可移植性较强，便于推广。虽然该类网络的性能有了很大的提高，但由于现有的cnn方法大多工作在图像域，缺乏来自投影数据的约束，因此，恢复的图像仍然存在外观模糊和缺乏纹理细节的问题。
5、双域类方法可以分为两类，一种是投影域网络+bp+图像域的端到端网络，另一种是交互式双域并行网络。其中，投影域网络+bp+图像域网络是以渐进的方式处理投影数据和ct图像，也就是先训练正弦图域网络，然后在此基础上再训练另一个图像域网络。一部分研究者们通常采用将投影域网络、域转换函数与图像域网络按照先后次序进行连接的研究思路来设计双域网络。这类方法大多都是通过特定的顺序来处理投影域数据和图像域数据，无论是在投影域和图像域端到端训练还是分阶段训练进行重建设计，都并未考虑两个域中数据之间的潜在信息交互，不可避免地会受到前向正弦图网络的累积误差，常导致重建结果中出现新的伪影。由此，许多学者尝试通过另一类方法——交互式双域并行网络的交互训练来建立投影域与图像域之间的联系，实现在投影域和图像域的高质量ldct重建。在双域并行重建网络的设计过程中，需要考虑如何有效地将实际得到的受伪影噪声影响的正弦图域和人眼可直接理解的图像域组织起来，并进行互补融合来解决在单域上信息提取不充分的问题。
6、上述三类方法都是深度学习在ct双域重建中的成功尝试，大多采用成对的ct数据进行有监督训练，其网络性能依赖于一定规模的完全成对的数据集。受现实因素影响，在临床上很难实现采用不同剂量对同一受检者重复多次进行扫描，所以模拟数据在实践中得到了广泛的应用，但有监督模型可能与模拟数据过度匹配，不能很好地推广到真实的临床数据。目前公开发表的ct数据集存在样本数量少、成对数据有限、数据来源于不同设备等特点。又有许多学者专注于探索如何通过改善网络训练机制(如无监督类学习、半监督类学习)，来解决由数据集限制引起的降噪网络性能不佳的问题。无监督学习类方法的训练数据集为完全不成对的ct图像，网络的训练机制一般为循环生成对抗或对比学习，损失函数是网络的输入和输出构成的自监督关系。在半监督学习类方法中，用以学习样本局部特征的监督训练和用以学习样本整体分布规律的无监督训练，通常分别在少量成对数据集和大量完全不成对数据集上进行。
7、基于此，受现实因素(例如在ct数据获取过程中，临床上很难实现采用不同剂量对同一受检者重复多次进行扫描)制约，现有技术有待改进，寻找适合的训练模式和适合的双域低剂量ct重建技术，仍是目前亟待解决的问题。
技术实现思路
1、为解决现有技术存在的技术问题，本专利技术在半监督模式下，进行配对ct数据集的有监督学习阶段和不配对ct数据集的无监督学习阶段交替迭代训练，并提出了一种基于正弦图域和图像域的双域并行生成对抗网络，实现对受噪声和伪影影响的低剂量投影数据的高质量重建。
2、为实现上述目的，本专利技术所采用的技术方案为：双域并行生成对抗网络用于低剂量ct的重建方法，具体如下：
3、步骤一、选择ldct图像重建模型，构建基于配对ct数据集(每一个正弦图均有与之对应的ndct)和不配对ct数据集(每一个正弦图均无与之对应的ndct)的半监督训练模式；
4、步骤二、同时将有标签的正弦图和不带标签的正弦图输入正弦图域和图像域的双域并行重建生成器子网中，双域并行重建生成器子网内设基于u-net编码器-解码器的正弦图域特征提取网络、基于u-net编码器-解码器的图像域特征提取网络，其中两个双域并行网络解码器之间还设有多尺度双域特征交互模块和双域重建特征融合模块；
5、步骤三、与网络训练模式相对应的多描述损失函数对半监督双域并行重建生成器子网中重建的ct结果图进行约束；
6、步骤四、ndct图像与步骤三中得到的重建ct结果图共同输入inception判别器中，inception判别器尽可能对步骤三重建ct图像和ndct的真假做出更加准确的判断，并将判断结果反馈给生成器。
7、步骤五、输出最终重建ct结果图。
8、步骤三中的多描述损失函数包括：针对配对训练数据集的有监督训练设计了相应的损失函数均方误差损失、结构相似性损失和配对ct子数据集的对抗损失；针对不配对数据集的无监督训练分别设计了不配对ct子数据集的对抗损失和双域自监督损失。
9、步骤一所述的基于半监督的训练模式突破了监督学习和无监督学习的固有缺陷，采用有监督学习和无监督学习交替迭代的半监督学习进行网络训练提取ct双域特征，在一次迭代过程中首先使用配对数据学习网络参数，然后使用不配对数据来进一步更新权重，经多次迭代使网络达到最优。
10、步骤二所述的双域并行重建生成器中基于u-net编码器-解码器的正弦图域特征提取网络来学习给定正弦图域的最优过滤器。编解码子网络的数目设置为4级，每级由卷积核大小为1×3的卷积层、批归一化层和relu激活函数层组成。在编码子网络的每一阶段之后，有一个本文档来自技高网...
【技术保护点】
1.双域并行生成对抗网络用于低剂量CT的重建方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的双域并行生成对抗网络用于低剂量CT的重建方法，其特征在于，步骤三中的多描述损失函数包括：
3.根据权利要求1所述的双域并行生成对抗网络用于低剂量CT的重建方法，其特征在于，在步骤一中，采用有监督学习和无监督学习交替迭代的半监督学习进行网络训练提取CT双域特征，在一次迭代过程中首先使用配对数据学习网络参数，然后使用不配对数据来进一步更新权重，经多次迭代使网络达到最优。
4.根据权利要求1所述的双域并行生成对抗网络用于低剂量CT的重建方法，其特征在于，步骤二将LDCT重建的目标转化为构建一个基于深度学习的生成对抗双域重建网络，具体重建过程表示为：
5.根据权利要求1所述的双域并行生成对抗网络用于低剂量CT的重建方法，其特征在于，步骤二所述的双域并行重建生成器中，基于U-Net编码器-解码器的正弦图域特征提取网络来学习给定正弦图域的最优过滤器，编解码子网络的数目设置为4级，每级由卷积核大小为1×3的卷积层、批归一化层和RELU激活函数层组
6.根据权利要求1所述的双域并行生成对抗网络用于低剂量CT的重建方法，其特征在于，在步骤二所述的双域并行重建生成器中，基于U-Net编码器-解码器的图像域特征提取网络以从滤波反投影层的输出恢复重建图像，编解码子网络的级数设置为4级，每级包括2个由卷积核大小为3×3的卷积层、批归一化层和RELU激活函数层组成，利用卷积核函数从获取的特征图中提取特征，在编码子网络的每个阶段后，布置窗口大小为2×2和步长为2×2的最大池化操作，在解码器子网络的每一级后，设置一个窗口大小为2×2窗口和步长为2×2的上采样运算。
7.根据权利要求1所述的双域并行生成对抗网络用于低剂量CT的重建方法，其特征在于，步骤二所述的双域并行重建生成器中内设多尺度双域特征交互模块对高层语义特征进行解码，得到初步重建CT图像，双域并行重建生成器中内设一个双域重建特征融合模块进行互补，进一步细化最终重建结果，具体最终重建结果为：
8.根据权利要求2所述的双域并行生成对抗网络用于低剂量CT的重建方法，其特征在于，通过均方误差损失对正弦图域特征提取网络重建结果、图像域特征提取网络重建结果和双域并行重建生成器子网最终重建结果进行约束，计算重建CT图像与原始配对的NDCT图像之间的像素级别差异平均值的平方；
9.根据权利要求2所述的双域并行生成对抗网络用于低剂量CT的重建方法，其特征在于，针对不配对数据集的无监督训练，将无监督训练过程中双域重建的结果通过均方误差损失和不配对CT子数据集的对抗损失进行约束。
...【技术特征摘要】
1.双域并行生成对抗网络用于低剂量ct的重建方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的双域并行生成对抗网络用于低剂量ct的重建方法，其特征在于，步骤三中的多描述损失函数包括：
3.根据权利要求1所述的双域并行生成对抗网络用于低剂量ct的重建方法，其特征在于，在步骤一中，采用有监督学习和无监督学习交替迭代的半监督学习进行网络训练提取ct双域特征，在一次迭代过程中首先使用配对数据学习网络参数，然后使用不配对数据来进一步更新权重，经多次迭代使网络达到最优。
4.根据权利要求1所述的双域并行生成对抗网络用于低剂量ct的重建方法，其特征在于，步骤二将ldct重建的目标转化为构建一个基于深度学习的生成对抗双域重建网络，具体重建过程表示为：
5.根据权利要求1所述的双域并行生成对抗网络用于低剂量ct的重建方法，其特征在于，步骤二所述的双域并行重建生成器中，基于u-net编码器-解码器的正弦图域特征提取网络来学习给定正弦图域的最优过滤器，编解码子网络的数目设置为4级，每级由卷积核大小为1×3的卷积层、批归一化层和relu激活函数层组成，在编码子网络的每一阶段之后，设置一个窗口大小为1×2和步长1×2的最大池化操作，来实现特征下采样和增加感受野的大小，在每个池化层之后，通道数量增加一倍，在解码器子网络的每一级之后，设置一个窗口大小为1×2和步长1×2的上采样运算，用于将每个特征图的大小加倍实现正弦图数据解码，编码器与解码器之间采用多尺度跨层跳跃连接。
【专利技术属性】
技术研发人员：上官宏，任慧莹，张雄，王悦，崔学英，李丁，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。