CN113516586B 一种低剂量ct图像超分辨率去噪方法和装置 （浙江工业大学）

一种低剂量CT图像超分辨率去噪方法和装置本发明公开一种低剂量CT图像超分辨率去成器包括特征提取模块、至少1个轻量高效像素注意力模块、至少1个多尺度细节上下文模块和文细节紧密联系的特征向量进行融合处理得到预测高剂量CT图像；构建训练系统的总损失函2噪特征向量和上下文细节紧密联系特征向量进行融合处理得到预测高(3)构建训练系统的总损失函数，根据真实高剂量CT图像通过判别器输出第一判别信根据第二判别信息与第一判别信息的期望构建判别器根据预测高剂量CT图像与真实高剂量CT图像数据的均方差，第一判别信息3结果经过第一激活函数处理后得到第一通道去噪结果，所述第二通道采用至少1个卷积实道去噪结果和第二通道去噪结果进行融合得到现对输入第一拼接特征向量的轻量化得到去经过第二批归一化层和第三激活函数处理后得到上下文细节紧密联系9.一种低剂量CT图像超分辨率去噪装置，包括计算机计算机存储器中采用权利要求1～8任一项所述的低剂量CT图像超分辨率去噪方法构建的所述计算机处理器执行所述计算机程序时实现将低剂量CT图像输入至CT图像超分辨率去噪模型中，经计算获得超分辨去噪的CT图4[0001]本发明属于深度学习领域，具体涉及一种低剂量CT图像超分辨率去噪方法和装利用计算机处理许多的组合x射线测量了从不同角度产生的横断面的特定区域扫描对象，需要根据经验调节。图像域法分为两类，一是传统方法，例如Block-Matchingand3D5法还是图像域深度学习法都无法恢复重建图像中已噪特征向量和上下文细节紧密联系特征向量进行融合处理得到预测高[0011](3)构建训练系统的总损失函数，根据真实高剂量CT图像通过判别器输出第一判[0016]通过引入一种轻量高效像素注意力模块(lightweightpixelattention一通道包括第一分支和第二分支，每个分支均采用至少1个卷积实现对输入浅层特征向量通道采用至少1个卷积实现对输入浅层特征向量的去噪得到第二通道去噪结果，所述第一融合单元对输入第一通道去噪结果和第二通道去噪结果进行融合得到去噪结果经过第一激活函数处理后得到第一通道6至少一个1×1卷积层实现对输入第一拼接特征向量的轻量[0031]如果真实高剂量CT图像比预测高剂量CT图像更真实，则第一损失函数loss_d1为于对输入第二拼接特征向量扩大像素得到预测[0034]一种基于生成式对抗网络对低剂量CT图像超分辨率去噪装置，包括计算机存储7[0038]1.本发明提供了一种轻量级、高效的基于像素注意方案(lightweightpixel[0039]2.本发明提供了一种多尺度细节上下文模块(multiscaledetailcontext[0040]3.本发明通过上采样模块将采用像素注意模块得到的去噪特征向量与采用多尺[0041]图1为本发明实施例提供的一种低剂量CT图像超分辨率去噪方法的结构示意图，8了防止每个通道的剩余学习随着网络的增加而梯度下降，如式(2)和式(3)其中fLPAB表示-1为第k-1级LPAB。浅层特征向量的去噪，同时经过第二分支的1×1卷积和3×3卷积去噪得到目标特征向量，两个分支的去噪结果经过第一激活函数Sigmold处理后得到第一通道去噪结果，所述第二n-1为第n-1级MDCB。pcB(M9)(5)的提取结果经过第一批归一化层(BN)和第二激活函数(PRelu)处理后得到多尺寸特征向量低分辨率含噪声的CT图像(NoiseandLow-resolution)CHR为高分辨率和清晰，使用均为1)的卷积后，将卷积结果通过第四激活函数，输入到分辨率倍率为2(scale＝2)的9[0079]如果真实高剂量CT图像比预测高剂量CT图像更真实，则第一损失函数loss_d1为[0083]我们使用了来自2016年NIH-AAPMMayo诊所低剂量CT大挑战的实际临床数据集来[0085]按