基于残差扩散模型的两阶段低剂量CT去噪方法和介质

本发明属于医学图像处理，尤其是涉及一种基于残差扩散模型的两阶段低剂量ct去噪方法和介质。

背景技术：

1、电子计算机断层扫描(computed tomography,ct)是一种医学成像技术，通过使用x射线和计算机处理，可以生成代表人体内部结构的二维或三维图像，被广泛用于医学诊断、治疗计划和疾病监测等领域。但x射线具有电离辐射，为了保护患者免受放射线的潜在风险，ct扫描时通常要降低x射线的剂量，但低剂量扫描会导致成像质量降低、噪声增加以及对细小解剖结构的可视化能力减弱。对低剂量ct(ldct)图像进行去噪是当前的研究热点，基于深度学习的方法可以端到端地学习源图像和目标图像之间的非线性映射，显示出比其他方法更高的去噪能力，但依旧存在许多局限。

2、现有的方法使用的最广泛的方法就是深度监督学习，通过对大量配对的ldct图像和正常剂量的ct图像(ndct)进行训练，实现ldct到ndct的域到域的变换，所使用的模型主要为基于卷积神经网络的模型或者基于transformer的模型，例如，中国发明专利cn116385317b公开了一种基于自适应卷积与transformer混合结构的低剂量ct图像恢复方法，将cnn、transformer的混合编解码结构与w-msa/sw-msa机制相结合，可以避免上下采样可能造成的信息损失，实现高分辨率低剂量ct图像的去噪。也有不少基于生成对抗网络gan方法的研究，该方法由生成网络和鉴别网络两个部分组成，通过生成网络学习ndct的数据分布，生成由ldct去噪后的的ndct，通过鉴别器区分生成的ndct和原始的ndct，当两个网络达到平衡状态即完成训练，例如，中国专利申请cn115456890a公开了一种基于多尺度双域判别器的生成对抗医学ct图像去噪方法，以一种包含多尺度特征提取模块的判别器来替代gan结构中的鉴别器，通过提取图像相同尺度下的多尺度特征扩展模块中的感受野，同时新增图像梯度域的判别器，增强去噪网络减轻条纹伪影和获取图像边缘信息的能力。

3、但基于一般监督学习去噪方法容易出现细节丢失和边缘模糊的问题，而基于gan的方法通常难以训练，需要仔细设计模型结构和反复调整超参数确保收敛。并且，现有的方法大都是针对25％低剂量的ct图像进行去噪，这个剂量的ct中的噪声强度较小，但是对于10％低剂量的ct图像，其中的噪声强度非常大，一般的方法难以在有效去噪的同时保留细节。因此，需要设计一种低剂量ct去噪方法，进一步提升低剂量ct图像的去噪效果。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于残差扩散模型的两阶段低剂量ct去噪方法和介质，以进一步提升低剂量ct图像的去噪效果。

2、本发明的目的可以通过以下技术方案来实现：

3、本发明提供一种基于残差扩散模型的两阶段低剂量ct去噪方法，包括以下步骤：

4、获取低剂量ct图像，进行预处理后输入第一阶段模型，生成中间状态ct图像；将所述中间状态ct图像输入第二阶段模型，获得最终的低剂量ct去噪图像；

5、其中，所述第一阶段模型为改进扩散模型，用于对低剂量ct图像初步去噪，所述第一阶段模型中，以向常规剂量ct图像中逐步添加噪声使其退化为低剂量ct图像为扩散过程，以逐步消除低剂量ct图像中的噪声为逆扩散过程，所述噪声为低剂量ct图像与其相应常规剂量ct图像之间的残差；

6、所述第二阶段模型用于消除所述第一阶段模型的积累误差。

7、进一步地，所述预处理包括将低剂量ct图像转化为归一化矩阵数据。

8、进一步地，通过所述扩散过程学习噪声引入过程，所述扩散过程具体表示为：

9、

10、其中，xt为退化算子，t为扩散步数，离散化为时间步t，xt为低剂量ct图像，x0为常规剂量ct图像，xres为xt和x0的残差。

11、进一步地，所述逆扩散过程根据所述扩散过程的学习结果学习图像去噪过程，所述逆扩散过程具体表示为：

12、

13、其中，r(xt,t)为根据所述退化算子预测的常规剂量ct图像。

14、进一步地，所述第一阶段模型的训练过程如下：

15、获取常规剂量ct图像和对应的低剂量ct图像，进行归一化后划分为第一阶段训练集和第二阶段训练集；

16、将所述第一阶段训练集输入所述第一阶段模型，以最小化第一损失函数为目标，通过adam优化器迭代更新所述第一阶段模型中的参数，直至达到预设迭代次数，其中，所述第一损失函数基于所述第一阶段模型的预测值与实际值之差构建。

17、进一步地，所述第二阶段模型的训练过程如下：

18、将所述第二阶段训练集输入训练好的第一阶段模型，生成中间状态ct图像并输入所述第二阶段模型，以最小化第二损失函数为目标，通过adam优化器迭代更新所述第二阶段模型中的参数，直至达到预设迭代次数，其中，所述第二损失函数基于所述第二阶段模型的预测值与实际值之差构建。

19、进一步地，所述第一阶段模型的积累误差为表达式如下：

20、

21、其中，x0为常规剂量ct图像，t为扩散步数，离散化为时间步t，r(xt,t)为第一阶段模型的预测值。

22、进一步地，所述第一阶段模型基于unet结构搭建，包括下采样模块和上采样模块，二者之间引入跳跃连接。

23、进一步地，所述第二阶段模型包括多尺度卷积模块和反卷积模块，二者之间引入残差连接。

24、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法。

25、与现有技术相比，本发明具有以下有益效果：

26、1、本发明将低剂量ct图像与其相应常规剂量ct图像之间的残差作为噪声，相较于传统扩散模型中基于高斯和泊松的混合噪声，无需按照噪声类型训练相应的扩散模型进行去噪，可以避免大量迭代步骤，简化模型训练和推理过程，逆扩散过程直接从低剂量ct图像开始，也可以避免产生新的高斯噪声；本发明提出一种基于残差扩散模型的两阶段低剂量ct去噪方法，通过第一阶段模型对低剂量ct图像初步去噪，通过第二阶段模型消除第一阶段模型的积累误差，可以解决第一阶段模型去噪不完全的问题，进一步提升低剂量ct图像的去噪效果。

27、2、本发明中，第二阶段模型包括多尺度卷积模块和反卷积模块，二者之间引入残差连接，其中，多尺度卷积能够捕获不同层级的特征信息，减少信息丢失；反卷积能够逐步恢复图像的细节信息，产生更平滑、更准确的输出结果；残差结构引入跳跃连接，有助于解决深度神经网络中的退化问题，以及缓解梯度消失问题，通过第二阶段模型，可以保留更多、更清晰的细节，进一步提升低剂量ct图像的去噪效果。

技术特征：

1.一种基于残差扩散模型的两阶段低剂量ct去噪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于残差扩散模型的两阶段低剂量ct去噪方法，其特征在于，所述预处理包括将低剂量ct图像转化为归一化矩阵数据。

3.根据权利要求1所述的一种基于残差扩散模型的两阶段低剂量ct去噪方法，其特征在于，通过所述扩散过程学习噪声引入过程，所述扩散过程具体表示为：

4.根据权利要求3所述的一种基于残差扩散模型的两阶段低剂量ct去噪方法，其特征在于，所述逆扩散过程根据所述扩散过程的学习结果学习图像去噪过程，所述逆扩散过程具体表示为：

5.根据权利要求1所述的一种基于残差扩散模型的两阶段低剂量ct去噪方法，其特征在于，所述第一阶段模型的训练过程如下：

6.根据权利要求5所述的一种基于残差扩散模型的两阶段低剂量ct去噪方法，其特征在于，所述第二阶段模型的训练过程如下：

7.根据权利要求1所述的一种基于残差扩散模型的两阶段低剂量ct去噪方法，其特征在于，所述第一阶段模型的积累误差为表达式如下：

8.根据权利要求1所述的一种基于残差扩散模型的两阶段低剂量ct去噪方法，其特征在于，所述第一阶段模型基于unet结构搭建，包括下采样模块和上采样模块，二者之间引入跳跃连接。

9.根据权利要求1所述的一种基于残差扩散模型的两阶段低剂量ct去噪方法，其特征在于，所述第二阶段模型包括多尺度卷积模块和反卷积模块，二者之间引入残差连接。

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，所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。

技术总结本发明涉及一种基于残差扩散模型的两阶段低剂量CT去噪方法和介质，包括以下步骤：获取低剂量CT图像，进行预处理后输入第一阶段模型，生成中间状态CT图像；将所述中间状态CT图像输入第二阶段模型，获得最终的低剂量CT去噪图像；其中，所述第一阶段模型为改进扩散模型，用于对低剂量CT图像初步去噪，所述第一阶段模型中，以向常规剂量CT图像中逐步添加噪声使其退化为低剂量CT图像为扩散过程，以逐步消除低剂量CT图像中的噪声为逆扩散过程，所述噪声为低剂量CT图像与其相应常规剂量CT图像之间的残差；所述第二阶段模型用于消除所述第一阶段模型的积累误差。与现有技术相比，本发明可以进一步提升低剂量CT图像的去噪效果。技术研发人员：王中杰,蒋珍存受保护的技术使用者：同济大学技术研发日：技术公布日：2024/7/29