【技术实现步骤摘要】
本申请涉及图像去噪，尤其是涉及一种ldct图像去噪方法、产品、设备及介质。
技术介绍
1、ct技术的不断进步对现代医疗水平的提升起到了不可或缺的作用，其在临床诊断中的广泛应用日益普及。然而，其潜在的辐射风险对人体健康的影响已经引起了全球范围内的高度关注。常规剂量ct(normal-dose computed tomography，ndct)扫描中，ct管发射的x射线可能会增加患者患癌的风险。如果减少x射线的辐射剂量，可能会引起ct图像重建时光子数量不足和射线硬化等问题，导致图像出现严重的伪影和噪声。这些问题可能会影响医生对图像的阅片诊断能力。因此，在减少ct辐射剂量的同时提升重建图像质量的问题，已成为ct领域内的一个研究热点，这一问题不仅具有重要的科学研究价值，同时也具有临床应用价值。为此，引入了低剂量ct(low-dose computed tomography，ldct)图像去噪技术。
2、现有的ldct图像去噪模型主要可分为传统算法和深度学习算法两类。传统算法分细分为投影域去噪、迭代重建和图像后处理三大类，这些方法通常使用基于特定先验的物理模型来抑制噪声和伪影。然而，在实际应用中，这些方法也呈现出一些不足之处。首先，传统方法所采用的物理模型通常只能考虑局部图像特征，无法对全局信息进行充分利用，因此在复杂场景下可能会失效。其次，传统方法中所使用的先验信息可能存在误差或不完全准确，导致去噪效果不佳。此外，传统方法所需的计算量较大，需要较长时间进行图像去噪处理，从而限制了其在临床实践中的应用。现有的基于深度学习的ld
技术实现思路
1、为了在保留图像细节的前提下提高ldct图像的去噪精度，本申请提供一种ldct图像去噪方法、产品、设备及介质。
2、第一方面，本申请提供了一种ldct图像去噪方法，采用如下技术方案：
3、一种ldct图像去噪方法，包括：
4、获取ldct图像，并对所述ldct图像进行分解，得到所述ldct图像的低频分量信息和高频分量信息；
5、控制密集连接的多个稀疏transformer块对所述低频分量信息进行处理，得到低频处理分支输出特征；
6、基于所述低频分量信息，控制高频处理模块从所述高频分量信息中提取纹理结构信息，得到高频处理分支输出特征；
7、根据所述低频处理分支输出特征和所述高频处理分支输出特征，重建去噪后的ldct图像。
8、通过采用上述技术方案，将ldct图像分解为低频分量信息和高频分量信息，低频分量信息代表图像的全局特征，高频分量信息代表图像的局部细节特征，对图像进行分解有助于全面提取图像特征，稀疏transformer块通过稀疏连接减少计算量，密集连接能够增强特征服用，有助于在保留图像主要结构的同时，减少低频分量信息中的噪声，由于高频信息中包含噪声和有用的纹理结构信息，通过低频分量信息的引导，高频处理模块能够更准确地识别并提取有用的纹理结构信息，同时以致噪声，将低频处理分支输出特征和高频处理分支输出特征进行融合，能够保留图像平滑结构和纹理细节，可以生成去除噪声又保留细节的高质量ldct图像。
9、本申请在一较佳示例中可以进一步配置为：所述控制密集连接的多个稀疏transformer块对所述低频分量信息进行处理，得到低频处理分支输出特征，包括：
10、控制密集连接的多个稀疏transformer块中的第一个稀疏transformer块对所述低频分量信息进行处理，得到所述第一个稀疏transformer块的输出特征；
11、对于所述多个稀疏transformer块中除所述第一个稀疏transformer块之外的任一稀疏transformer块，将上一个稀疏transformer块的输出特征作为所述稀疏transformer块的输入特征并进行处理，得到所述稀疏transformer块的输出特征；
12、将所述低频分量信息和所述多个稀疏transformer块各自对应的输出特征进行残差连接，得到低频处理分支输出特征。
13、通过采用上述技术方案，密集连接的多个稀疏transformer块中每一个能够接收前面稀疏transformer块的输出作为输入，加强了特征的复用，实现了多尺度特征的融合，有助于捕捉到图像中不同层次的细节，从而提高去噪效果。
14、本申请在一较佳示例中可以进一步配置为：所述第一个稀疏transformer块包括tok-k稀疏注意力模块和混合前馈网络，
15、所述控制密集连接的多个稀疏transformer块中的第一个稀疏transformer块对所述低频分量信息进行处理，得到所述第一个稀疏transformer块的输出特征，包括：
16、控制所述tok-k稀疏注意力模块根据所述低频分量信息生成ql张量、kl张量和vl张量，并对所述ql张量、kl张量和vl张量进行重塑，根据重塑后的ql张量和kl张量生成低频注意力图，将所述低频注意力图和重塑后的vl张量执行矩阵乘法，得到低频分量中间特征，对所述低频分量中间特征和所述低频分量信息执行逐元素相加，得到稀疏注意力模块输出特征；
17、控制所述混合前馈网络对所述稀疏注意力模块输出特征进行处理，得到所述第一个稀疏transformer块的输出特征。
18、通过采用上述技术方案，tok-k稀疏注意力模块可以显著降低计算复杂度和内存消耗，提高处理效率，将低频分量信息生成ql张量、kl张量和vl张量，并进行重塑和注意力计算，可以有效地捕捉图像中的主要结构和形状信息，并生成低频注意力图，通过低频注意力图和vl张量进行矩阵乘法，能够确定低频分量信息中不同元素之间的依赖关系，将稀疏注意力模块输出特征和低频分量信息进行逐元素相加，有助于保留低频分量信息中的原始信息，同时利用注意力机制引入新的特征表示，混合前馈网络可以对稀疏注意力模块输出特征进行进一步的处理和转换，从而生成更具区分性的特征表示。
19、本申请在一较佳示例中可以进一步配置为：所述控制所述混合前馈网络对所述稀疏注意力模块输出特征进行处理，得到所述第一个稀疏transformer块的输出特征，包括：
20、控本文档来自技高网...
【技术保护点】
1.一种LDCT图像去噪方法，其特征在于，包括：
2.根据权利要求1所述的LDCT图像去噪方法，其特征在于，所述控制密集连接的多个稀疏Transformer块对所述低频分量信息进行处理，得到低频处理分支输出特征，包括：
3.根据权利要求2所述的LDCT图像去噪方法，其特征在于，所述第一个稀疏Transformer块包括Tok-k稀疏注意力模块和混合前馈网络，
4.根据权利要求3所述的LDCT图像去噪方法，其特征在于，所述控制所述混合前馈网络对所述稀疏注意力模块输出特征进行处理，得到所述第一个稀疏Transformer块的输出特征，包括：
5.根据权利要求1所述的LDCT图像去噪方法，其特征在于，所述高频处理模块包括引导交叉注意力模块，
6.根据权利要求5所述的LDCT图像去噪方法，其特征在于，所述控制所述引导交叉注意力模块对所述低频窗口特征和所述高频窗口特征进行交互，得到初始特征，包括：
7.根据权利要求1所述的LDCT图像去噪方法，其特征在于，所述方法还包括：
8.一种计算机程序产品，其特征在于
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机中执行时，令所述计算机执行权利要求1-7任一项所述的LDCT图像去噪方法。
...【技术特征摘要】
1.一种ldct图像去噪方法，其特征在于，包括：
2.根据权利要求1所述的ldct图像去噪方法，其特征在于，所述控制密集连接的多个稀疏transformer块对所述低频分量信息进行处理，得到低频处理分支输出特征，包括：
3.根据权利要求2所述的ldct图像去噪方法，其特征在于，所述第一个稀疏transformer块包括tok-k稀疏注意力模块和混合前馈网络，
4.根据权利要求3所述的ldct图像去噪方法，其特征在于，所述控制所述混合前馈网络对所述稀疏注意力模块输出特征进行处理，得到所述第一个稀疏transformer块的输出特征，包括：
5.根据权利要求1所述的ldct图像去噪方法，其特征在于，所述高频处理模...
【专利技术属性】
技术研发人员：何周燕，江国炜，骆挺，宋洋，金充充，
申请(专利权)人：宁波大学科学技术学院，
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。