一种针对低剂量CT的医学图像超分辨率重建方法

本发明涉及学图像处理，特别是一种针对低剂量ct的医学图像超分辨率重建方法。

背景技术：

1、目前医学ct影像已成为一项重要的临床医学诊断的重要辅助工具。在ct成像的过程中，过量的x射线辐射剂量会使患者有患癌的风险。减少ct扫描危害一般采用减少使用的x射线辐射剂量来进行，即低剂量ct。低剂量ct扫描在临床实践中起着关键作用，有效降低了放射科医生和患者的患癌风险。

2、目前主流的图像超分辨率重建方法是通过深度学习模型训练后进行图像超分辨率重建，现阶段，大多专家学者及企业基于先进的通用超分辨率重建算法上进行改进设计，比如srcnn、vdsr和srgan等算法。目前大多医学ct成像为减小射线对人体的损害，通常会采用低剂量射线的方式来降低射线对人体造成伤害的风险。然而，低剂量射线的使用会给生成的ct图像引入明显的噪声。在对低剂量ct图像进行超分辨率重建时，若没有考虑到噪声对重建图像的影响，则很容易导致重建的ct超分辨率图像存在对比度低，细节模糊的问题。大部分技术改进都是通过在图像空域下直接学习低剂量ct图像到全剂量ct图像端到端的映射，以达到超分辨率重建的效果。但是这类重建方法忽略了噪声在图像频域上的分布特点，即低剂量ct图像中的噪声信息主要分布在其高频分量中，低剂量ct图像和全剂量ct图像的低频分量变化相差不大。所以这种在图像空域下直接进行学习的方式，很容易会造成重建图像带有明显的噪声，导致图像对比度低、细节模糊和清晰度下降等问题，甚至会影响医生的诊断结果，给患者带来更为严重的危害。

3、发明专利申请公布号cn115953491a公开了一种基于双支路联合学习的低剂量ct图像超分辨率重建方法，其特点是并行处理ct图像的去噪重建和超分辨率重建。同时，双支路联合学习框架可以通过去噪任务和超分辨率任务的交互来学习多任务之间的潜在联系，进而有效的重建出高分辨率ct图像。上述方法存在两个不足：一是将去噪任务和超分辨率重建任务并行训练学习，大大地增加了模型的复杂度，不易于模型训练，且训练出来的模型效果较差，未能对重建图像的噪声进行有效抑制，不利于在实际的低剂量ct图像超分辨率重建任务中应用。二是在超分支路中的特征提取模块采用的残差网络存在残差特征利用不充分、细节丢失的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种针对低剂量ct的医学图像超分辨率重建方法，有效解决重建后的ct图像存在明显噪声的问题，且降低模型训练的难度；针对第二个不足设计了mm模块，在进行深度特征提取时，采用感受野扩展的密集残差结构来提取图像的高频细节，有效丰富了重建图像的细节纹理。

2、为实现上述目的，本发明采用如下技术方案一种针对低剂量ct的医学图像超分辨率重建方法，包括以下步骤：

3、步骤s1：构建ct图像重建数据集，选用现有的低剂量ct重建数据集，其中包括若干成对的低-全剂量的ct图像，使用双三次插值算法对数据集中的低-全剂量ct图像进行下采样处理，进而构建一种训练/测试数据集，表示为{x，y}，x为低分辨率的低剂量ct图像，y为高分辨率的全剂量ct图像；

4、步骤s2：构建改进的esrgan医学图像超分辨率重建网络模型，所述改进模型是以esrgan网络结构为核心加以改进所得，改进模型是在esrgan生成器网络中浅层特征提取前引入haar模块，使用mm模块替换深层特征提取网络的rrdb模块，在深层特征提取网络和重建网络之间插入cbam模块，在重建网络后引入inverse haar模块，以及修改训练时的损失函数；

5、步骤s3：将步骤s1得到的训练数据集输入到步骤s2中构建改进的esrgan医学图像超分辨率重建网络模型进行训练，依次通过改进的esrgan医学图像超分辨率重建网络模型的浅层特征提取网络、深层特征提取网络和重建网络，前向传播获得低剂量ct图像的超分辨率重建结果，通过修改后的损失函数计算重建图像和实际图像之间的损失值，并通过反向传播算法不断优化网络模型的参数；

6、步骤s4：利用步骤s1得到的测试数据集对改进的esrgan医学图像超分辨率重建网络模型进行指标评估，采用峰值信噪比和结构相似度进行效果评价；

7、步骤s5：利用步骤s4中得到的改进模型，用待超分的ct图像作为模型输入进行超分辨率重建；重建后可得到低噪声、高分辨率的ct图像。

8、在一较佳的实施例中，所述步骤s2中，haar模块是由哈尔小波变换组成，在esrgan生成网络中浅层特征提取前引入haar模块，通过haar模型滤波后，得到不同频率子带信号。

9、在一较佳的实施例中，所述步骤s2中，mm模块由3个rfrd模块以残差连接的方式组成，其中，β为0.2；所述rfrd模块包含5个rfdm模块，前4个rfdm模块后均接一个lrelu激活函数，每个rfdm模块的输入是所有前面rfdm模块的输出特征拼接而成，最终输出是所有特征图拼接后通过第5个rfdm模块操作得到的结果；所述rfdm模块先采用1×1卷积核卷积改变输入图片的特征通道数，接着通过三条分支处理特征，第一条分支由空洞率为1的3×3卷积核组成，第二条分支由依次连接的3×3卷积核和空洞率为3的3×3卷积核组成，第三条分支由5×5卷积核和空洞率为5的3×3卷积核组成，然后通过concatenate层将三条分支的输出特征图融合，并采用跳跃连接的方式连接输入的特征图，再经过lrelu激活函数处理。

10、在一较佳的实施例中，所述步骤s2中，cbam模块由cam通道注意力模块和sam空间注意力模块两部分组成，cam通道注意力通过对特征图在通道维度上进行最大池化和平均池化，得到两个不同的通道特征表示，然后通过全连接层和激活函数，生成一个通道权重向量；sam空间注意力则是通过对通道注意力生成的特征图进行最大池化和平均池化，得到两个不同的空间特征表示，然后同样通过全连接层和激活函数，生成一个空间权重向量；在深层特征提取网络和重建网络之间插入cbam模块，处理由深层特征提取输出的特征图，加强网络对不同通道和空间位置的关注，提高网络的表征能力。

11、在一较佳的实施例中，所述步骤s2中，inverse haar模块由哈尔小波逆变换组成，在esrgan重建网络后插入inverse haar模块，将频率子带重建信号进行哈尔小波逆变换后得到ct重建图像。

12、在一较佳的实施例中，所述步骤s2中，修改后的损失函数由三部分组成；

13、

14、

15、lgan＝logd(y)+log(1-d(1-d(g(x)))      公式三；

16、l＝l1+λ1lp+λ2lgan        公式四；

17、其中，l1表示像素级损失函数，表示网络模型对第k个像素的预测值，yk表示高分辨率ct图像在目标像素的真实值，k为像素总数；lp表示局部感知损失函数，是指将预测图像和目标图像之间的特征差异作为损失函数的一种方法，可以得到更多的图像细节，表示vgg19作为网络的特征提取函数，n表示使用vgg19网络的第n层提取特征，n表示特征提取总层数；lgan表示对抗损失函数，d(*)表示真实数据经由判别器判别为真的概率，g(x)表示通过生成网络重建的图像，y表示高分辨率标签图像；l表示总损失函数，λ1、λ2表示损失超参数。

18、与现有技术相比，本发明具有以下有益效果：本发明能够对低剂量ct图像进行超分辨率重建，针对低剂量ct图像超分重建后存在明显噪声的问题，采用对不同频率子带信号进行学习重建，在提高原始ct图像分辨率的同时，还能显著降低图像的噪声水平，增强对比度和提升细节分辨能力，从而最终实现提升ct图像质量的目的，为下游的医学任务提供了极大的便利。