本发明涉及图像重建
技术领域：
，尤其涉及一种低剂量图像去噪网络的训练方法、低剂量图像的去噪方法、计算机设备及存储介质。
背景技术：
：计算机断层成像(ct)是通过无损方式获取物体内部结构信息的一种重要成像手段，它拥有高分辨率、高灵敏度以及多层次等众多优点，是我国装机量最大的医疗影像诊断设备之一，被广泛应用于各个医疗临床检查领域。然而，由于ct扫描过程中需要使用x射线，随着人们对辐射潜在危害的逐步了解，ct辐射剂量问题越来越受到人们的重视。合理使用低剂量(aslowasreasonablyachievable，alara)原则要求在满足临床诊断的前提下，尽量降低对患者的辐射剂量，而随着剂量的降低，更多的噪声会出现在成像过程中，从而导致成像质量较差，因此，研究和开发新的低剂量ct成像方法，既能保证ct成像质量又减少有害的辐射剂量，对于医疗诊断领域具有重要的科学意义和应用前景。由于不同的解剖部位使用的辐射剂量会存在差异，而现有的低剂量ct成像方法通常基于同一解剖部位，鲁棒性较差。技术实现要素：为了解决现有技术的不足，本发明提供一种低剂量图像去噪网络的训练方法、低剂量图像的去噪方法、计算机设备及存储介质，将剂量等级信息融合到图像重建过程中，提升了去噪方法的鲁棒性以及重建图像的质量。本发明提出的具体技术方案为：提供一种低剂量图像去噪网络的训练方法，所述训练方法包括：获取训练数据集，所述训练数据集包括多个输入参数组，每一个所述输入参数组包括标准剂量图像、低剂量图像；建立训练网络，所述训练网络包括低剂量图像去噪网络、低剂量图像生成网络；将所述训练数据集输入所述训练网络，所述低剂量图像去噪网络根据所述低剂量图像生成所述低剂量图像的剂量等级估计值及标准剂量估计图像；所述低剂量图像生成网络根据所述标准剂量估计图像和所述剂量等级估计值生成低剂量估计图像；根据所述低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像构建损失函数；对所述损失函数进行优化，获得所述低剂量图像去噪网络的参数并更新所述低剂量图像去噪网络。进一步地，所述低剂量图像去噪网络包括依次连接的第一特征提取模块、第一下采样模块、剂量等级生成模块、第一融合模块、第一下采样模块、第一重建模块，所述剂量等级生成模块用于生成剂量等级估计值，所述第一融合模块用于将所述剂量等级估计值与所述低剂量图像的特征信息进行融合。进一步地，所述低剂量图像生成网络包括依次连接的第二特征提取模块、第二下采样模块、第二融合模块、第二下采样模块、第二重建模块，所述第二融合模块用于将所述剂量等级估计值与所述标准剂量估计图像的特征信息进行融合。进一步地，每一个所述输入参数组还包括所述低剂量图像对应的剂量等级值；所述训练网络还包括低剂量图像判别网络，所述低剂量图像判别网络用于根据所述低剂量图像和所述低剂量估计图像生成剂量等级预测值；所述根据所述低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像构建损失函数，包括：根据所述低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像、剂量等级预测值构建损失函数。进一步地，所述低剂量图像判别网络包括多个第一数值约束层、第一平铺层、第一全连接层。进一步地，所述训练网络还包括标准剂量图像判别网络，所述低剂量图像判别网络还包括第二全连接层，所述低剂量图像判别网络还用于根据所述低剂量图像和所述低剂量估计图像生成第一真伪预测值；所述标准剂量图像判别网络用于根据所述标准剂量图像和所述标准剂量估计图像生成第二真伪预测值；所述根据所述低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像构建损失函数，包括：根据所述低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像、剂量等级预测值、第一真伪预测值、第二真伪预测值构建损失函数。进一步地，所述标准剂量图像判别网络包括多个第二数值约束层、第二平铺层、第三全连接层。本发明还提供了一种低剂量图像的去噪方法，所述去噪方法包括：将待去噪的低剂量图像输入到利用如上所述的低剂量图像去噪网络的训练方法获得的低剂量图像去噪网络中，获得重建后的低剂量图像。本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如上任一项所述的训练方法。本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机指令，所述计算机指令被处理器执行时实现如上任一项所述的训练方法。本发明提供的低剂量图像去噪网络的训练方法中低剂量图像去噪网络会根据低剂量图像生成低剂量图像的剂量等级估计值及标准剂量估计图像，再根据标准剂量估计图像和剂量等级估计值生成低剂量估计图像，最后根据低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像构建损失函数，对损失函数进行优化，获得所述低剂量图像去噪网络的参数，从而将剂量等级信息融合到图像重建过程中，提升了去噪方法的鲁棒性以及重建图像的质量。附图说明下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其它有益效果显而易见。图1为本发明实施例一中低剂量图像去噪网络的训练方法的流程图；图2为本发明实施例一中训练网络的结构示意图；图3为本发明实施例一中低剂量图像去噪网络的结构示意图；图4为本发明实施例一中低剂量图像生成网络的结构示意图；图5a～5d为本发明实施例一中标准剂量图像、低剂量图像、低剂量估计图像、标准剂量估计图像的示意图；图6为本发明实施例二中低剂量图像判别网络的结构示意图；图7为本发明实施例二中低剂量图像判别网络的具体结构示意图；图8为本发明实施例三中标准剂量图像判别网络的结构示意图；图9为本发明实施例三中标准剂量图像判别网络的具体结构示意图；图10为本发明实施例三中低剂量图像判别网络的结构示意图；图11为本发明实施例三中低剂量图像判别网络的具体结构示意图；图12为本发明实施例四中低剂量图像去噪网络的训练系统的结构示意图；图13为本发明实施例六中计算机设备的结构示意图。具体实施方式以下，将参照附图来详细描述本发明的实施例。然而，可以以许多不同的形式来实施本发明，并且本发明不应该被解释为限制于这里阐述的具体实施例。相反，提供这些实施例是为了解释本发明的原理及其实际应用，从而使本领域的其他技术人员能够理解本发明的各种实施例和适合于特定预期应用的各种修改。在附图中，相同的标号将始终被用于表示相同的元件。本发明提出的低剂量图像去噪网络的训练方法包括：获取训练数据集，训练数据集包括多个输入参数组，每一个输入参数组包括标准剂量图像、低剂量图像；建立训练网络，训练网络包括低剂量图像去噪网络、低剂量图像生成网络；将训练数据集输入训练网络，低剂量图像去噪网络根据低剂量图像生成低剂量图像的剂量等级估计值及标准剂量估计图像；低剂量图像生成网络根据标准剂量估计图像和剂量等级估计值生成低剂量估计图像；根据低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像构建损失函数；对损失函数进行优化，获得低剂量图像去噪网络的参数并更新低剂量图像去噪网络。本发明提供的低剂量图像去噪网络的训练方法中低剂量图像去噪网络会根据低剂量图像生成低剂量图像的剂量等级估计值及标准剂量估计图像，再根据标准剂量估计图像和剂量等级估计值生成低剂量估计图像，从而将剂量等级信息融合到图像重建过程中，提升了去噪方法的鲁棒性以及重建图像的质量。下面以ct图像为例，通过几个具体的实施例并结合附图来对本申请中的低剂量图像去噪网络的训练方法、低剂量图像的去噪方法、计算机设备及存储介质进行详细的描述，需要说明的是，将ct图像作为示例并不用于对本申请的应用领域进行限定，本申请还可以应用到pet、spect等其他医学影像成像领域。实施例一参照图1，本实施例中的低剂量图像去噪网络的训练方法包括步骤：s1、获取训练数据集，其中，训练数据集包括多个输入参数组，每一个输入参数组包括标准剂量图像、低剂量图像；s2、建立训练网络，训练网络包括低剂量图像去噪网络、低剂量图像生成网络；s3、将训练数据集输入训练网络，低剂量图像去噪网络根据低剂量图像生成低剂量图像的剂量等级估计值及标准剂量估计图像；低剂量图像生成网络根据标准剂量估计图像和剂量等级估计值生成低剂量估计图像；s4、根据低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像构建损失函数；s5、对损失函数进行优化，获得低剂量图像去噪网络的参数并更新低剂量图像去噪网络。具体地，在步骤s1中，本实施例中的训练数据集为：d＝{(x1，y1)，(x2，y2)，......，(xi，yi)，......，(xn，yn)}，其中，n表示训练数据集中输入参数组的个数，xi表示第i个输入参数组中的低剂量图像，yi表示第i个输入参数组中的标准剂量图像，n个低剂量图像{x1，x2，......，xi，......，xn}为不同解剖部位的低剂量ct图像，也可以为不同剂量等级下的同一解剖部位的ct图像，即n个低剂量图像{x1，x2，......，xi，......，xn}的剂量等级不完全相同，n个低剂量图像{x1，x2，......，xi，......，xn}与n个标准剂量图像{y1，y2，......，yi，......，yn}中下标相同的xi和yi表示同一解剖部位的低剂量ct图像和标准剂量ct图像或者同一剂量等级下的低剂量ct图像和标准剂量ct图像。其中，不同解剖部位可以包括头颅、眼眶、鼻窦、颈部、肺腔、腹部、盆腔(男)、盆腔(女)、膝盖和腰椎等部位。这里需要说明的是，本实施例中用于训练的训练数据集中的低剂量图像和标准剂量图像是从本领域常用的样本数据集中选取的，这里不再具体限定。参照图2，本实施例中的训练网络包括低剂量图像去噪网络g1、低剂量图像生成网络g2。将训练数据集输入低剂量图像去噪网络g1，低剂量图像去噪网络g1根据低剂量图像生成低剂量图像的剂量等级估计值及标准剂量估计图像并将剂量等级估计值及标准剂量估计图像输出至低剂量图像生成网络g2，低剂量图像生成网络g2根据标准剂量估计图像和剂量等级估计值生成低剂量估计图像。参照图3，低剂量图像去噪网络g1包括依次连接的第一特征提取模块11、第一下采样模块12、剂量等级生成模块13、第一融合模块14、第一上采样模块15、第一重建模块16，剂量等级生成模块13用于生成剂量等级估计值，第一融合模块14用于将剂量等级估计值与低剂量图像的特征信息进行融合。作为示例，第一特征提取模块11为卷积层，该卷积层的卷积核的大小为1×1×1，卷积核的通道数为64，通过第一特征提取模块11可以将低剂量图像映射到64通道。第一下采样模块12包括依次连接的多个残差单元100，多个残差单元100用于对低剂量图像进行下采样，相邻两个残差单元100采用最大池化的方式在图像尺寸上进行2倍下采样，例如，低剂量图像的尺寸为512×512，经过第一个残差单元100下采样后获得尺寸为256×256的图像，经过第二个残差单元100下采样后获得尺寸为128×128的图像，以此类推。其中，残差单元100的个数可以根据低剂量图像的实际大小以及所要获得的图像的尺寸大小来确定。其中，图3中示例性的给出了第一下采样模块12包括两个残差单元100的情况。每个残差单元100包括三个卷积层101，第一个卷积层101的卷积核的大小为1×1×64，卷积核的通道数为64，第二个卷积层101的卷积核的大小为3×3×64，卷积核的通道数为16，第三个卷积层101的卷积核的大小为3×3×16，卷积核的通道数为64。每个残差单元100还包括一个激活函数102，在第二个卷积层101进行卷积操作后，还需要通过激活函数102对卷积操作后的数据进行非线性处理。其中，激活函数102为relu函数。较佳地，为了避免连续多次下采样造成的信息缺失，本实施例中每个残差单元100会将第三个卷积层101进行卷积操作后的图像与第二个卷积层101进行卷积操作后的图像进行融合。剂量等级生成模块13包括池化层130、池化层131、卷积层132，池化层130、池化层131分别连接于第一下采样模块12和全连接层132之间，池化层130采用平均池化的方法将第一下采样模块12输出的图像映射到1×1×64，池化层131采用最大池化的方法将第一下采样模块12输出的图像映射到1×1×64，卷积层132的卷积核大小为1×1×128，通道数为5，其中，卷积层132的卷积核的通道数与设置的剂量等级的数目相等，本实施例中作为示例将剂量等级的数目设置为5，如下表所示：表一剂量等级表扫描电流(ma)剂量等级0～30等级一30～130等级二130～230等级三230～330等级四≥330等级五卷积层132将池化层130、池化层131输出的图像映射到1×1×5，例如，卷积层132的输出为{0，1，0，0，0}则表示剂量等级估计值为等级二，即该图像是扫描电流为30～130ma时获得的ct图像。第一融合模块14包括卷积层140和激活函数(图未标)，卷积层140的卷积核的大小为1×1×5，通道数为64，在卷积层140进行卷积操作后通过激活函数对卷积操作后的数据进行非线性处理生成通道数为64的权重掩码，本实施例中的激活函数为sigmod函数，第一融合模块14再将通道数为64的权重掩码与第一下采样模块12中最后一个残差单元100的输入图像进行点乘，从而将剂量等级信息融合到图像重建过程中。第一上采样模块15包括依次连接的多个残差单元200，多个残差单元200用于对第一融合模块14输出的图像进行上采样，相邻两个残差单元200采用双三次插值的方式在图像尺寸上进行2倍上采样，例如，第一融合模块14输出的图像的尺寸为2×2，经过第一个残差单元200上采样后获得尺寸为4×4的图像，经过第二个残差单元200上采样后获得尺寸为8×8的图像，以此类推。其中，残差单元200的个数可以根据第一融合模块14输出的图像的大小以及所要获得的图像的尺寸大小来确定。图3中示例性的给出了第一上采样模块15包括两个残差单元200的情况。每个残差单元200包括三个卷积层201，第一个卷积层201的卷积核的大小为1×1×64，卷积核的通道数为64，第二个卷积层201的卷积核的大小为3×3×64，卷积核的通道数为16，第三个卷积层201的卷积核的大小为3×3×16，卷积核的通道数为64。每个残差单元200还包括一个激活函数202，在第二个卷积层201进行卷积操作后，还需要通过激活函数202对卷积操作后的数据进行非线性处理。其中，激活函数102为relu函数。较佳地，为了避免连续多次下采样造成的信息缺失，本实施例中每个残差单元100会将第三个卷积层101进行卷积操作后的图像与第二个卷积层101进行卷积操作后的图像进行融合。进一步地，为了避免连续多次下采样后再连续多次上采样造成的信息缺失，本实施例中每个残差单元200会将第三个卷积层101进行卷积操作后的图像与其对应的第一下采样模块12中的残差单元100的输入图像进行融合。第一重建模块16为卷积层，该卷积层的卷积核的大小为1×1×64，卷积核的通道数为1，通过第一重建模块16重建生成标准剂量估计图像。参照图4，低剂量图像生成网络g2包括依次连接的第二特征提取模块21、第二下采样模块22、第二融合模块23、第二上采样模块24、第二重建模块25，第二融合模块23用于将剂量等级生成模块13输出的剂量等级估计值与标准剂量估计图像的特征信息进行融合。具体地，第二特征提取模块21为卷积层，该卷积层的卷积核的大小为1×1×1，卷积核的通道数为64，通过第二特征提取模块21可以将标准剂量估计图像映射到64通道。第二下采样模块22包括依次连接的多个残差单元300，多个残差单元300用于对标准剂量估计图像进行下采样，相邻两个残差单元300采用最大池化的方式在图像尺寸上进行2倍下采样，例如，标准剂量估计图像的尺寸为512×512，经过第一个残差单元300下采样后获得尺寸为256×256的图像，经过第二个残差单元300下采样后获得尺寸为128×128的图像，以此类推。其中，残差单元300的个数可以根据标准剂量估计图像的实际大小以及所要获得的图像的尺寸大小来确定。图4中示例性的给出了第二下采样模块22包括两个残差单元300的情况。每个残差单元300包括三个卷积层301，第一个卷积层301的卷积核的大小为1×1×64，卷积核的通道数为64，第二个卷积层301的卷积核的大小为3×3×64，卷积核的通道数为16，第三个卷积层301的卷积核的大小为3×3×16，卷积核的通道数为64。每个残差单元300还包括一个激活函数302，在第二个卷积层301进行卷积操作后，还需要通过激活函数302对卷积操作后的数据进行非线性处理。其中，激活函数302为relu函数。较佳地，为了避免连续多次下采样造成的信息缺失，本实施例中每个残差单元300会将第三个卷积层301进行卷积操作后的图像与第二个卷积层301进行卷积操作后的图像进行融合。第二融合模块23包括卷积层230和激活函数(图未示)，卷积层230的卷积核的大小为1×1×5，通道数为64，卷积层230用于将剂量等级估计值映射到64通道，在卷积层230进行卷积操作后通过激活函数对卷积操作后的数据进行非线性处理生成通道数为64的权重掩码，本实施例中的激活函数为sigmod函数，第二融合模块23再将通道数为64的权重掩码与第二下采样模块22中最后一个残差单元300的输入图像进行点乘，从而将剂量等级信息融合到图像重建过程中。第二上采样模块24包括依次连接的多个残差单元400，多个残差单元400用于对第二融合模块23输出的图像进行上采样，相邻两个残差单元400采用双三次插值的方式在图像尺寸上进行2倍上采样，例如，第二融合模块23输出的图像的尺寸为2×2，经过第一个残差单元400上采样后获得尺寸为4×4的图像，经过第二个残差单元400上采样后获得尺寸为8×8的图像，以此类推。其中，残差单元400的个数可以根据第二融合模块23输出的图像的大小以及所要获得的图像的尺寸大小来确定。图4中示例性的给出了第二上采样模块24包括两个残差单元400的情况。每个残差单元400包括三个卷积层401，第一个卷积层401的卷积核的大小为1×1×64，卷积核的通道数为64，第二个卷积层401的卷积核的大小为3×3×64，卷积核的通道数为16，第三个卷积层401的卷积核的大小为3×3×16，卷积核的通道数为64。每个残差单元400还包括一个激活函数402，在第二个卷积层401进行卷积操作后，还需要通过激活函数402对卷积操作后的数据进行非线性处理。其中，激活函数402为relu函数。较佳地，为了避免连续多次下采样造成的信息缺失，本实施例中每个残差单元400会将第三个卷积层401进行卷积操作后的图像与第二个卷积层401进行卷积操作后的图像进行融合。进一步地，为了避免连续多次下采样后再连续多次上采样造成的信息缺失，本实施例中每个残差单元400会将第三个卷积层401进行卷积操作后的图像与其对应的第二下采样模块22中的残差单元300的输入图像进行融合。第二重建模块25为卷积层，该卷积层的卷积核的大小为1×1×64，卷积核的通道数为1，通过第二重建模块25重建生成低剂量估计图像。其中，为了避免信息缺失，第二下采样模块22中最后一个残差单元300中的第三个卷积层301卷积操作后输出的图像与第二个卷积层301进行卷积操作后的图像进行融合后的图像输出至第二重建模块25，以保留更多上下文信息。在步骤s4中，根据低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像构建的损失函数的表达式如下：其中，ltotal表示损失函数，n表示训练数据集中输入参数组的个数，α1、α2分别表示权重因子，xi、yi分别表示第i个低剂量图像、第i个标准剂量图像，分别表示第i个低剂量估计图像、第i个标准剂量估计图像。本实施例根据低剂量图像与低剂量估计图像以及标准剂量图像与标准剂量估计图像的均方误差来构建损失函数，当然，本实施例也可以采用其他方式来构建损失函数，例如，可以根据低剂量图像与低剂量估计图像以及标准剂量图像与标准剂量估计图像的绝对值误差来构建损失函数，这里仅仅作为示例示出，并不用于限定。在步骤s5中，可以根据实际应用来选择相应的优化方法对损失函数进行优化，例如，若将本实施例中的低剂量图像去噪网络g1应用到监督学习，则采用adam优化方法来对损失函数进行优化，若将本实施例中的低剂量图像去噪网络g1应用到生成对抗模型，则采用sdg优化方法来对损失函数进行优化。经过上述优化之后便可以得到更新后的低剂量图像去噪网络，本实施例提供的低剂量图像去噪网络的训练方法中将剂量等级信息融合到图像重建过程中，使得训练得到的低剂量图像去噪网络可以适用于不同剂量等级的图像，即适用于不同解剖结构或者适用于不同剂量等级下的同一解剖结构，提升了去噪方法的鲁棒性。参照图5a～5d，图5a～5d示例性的给出了本实施例中的标准剂量图像、低剂量图像、低剂量估计图像、标准剂量估计图像的示意图，从图中可以看出采用本实施例中的低剂量图像去噪网络重建后的低剂量图像能够很好的保留图像细节，重建图像清晰度也很高。实施例二参照图6～图7，本实施例中的训练网络还包括低剂量图像判别网络d1，本实施例中的每一个输入参数组还包括低剂量图像对应的剂量等级值。低剂量图像判别网络用于根据低剂量图像和低剂量估计图像生成剂量等级预测值。具体地，低剂量图像判别网络d1包括依次连接的多个第一数值约束层31、第一平铺层32、第一全连接层33。第一数值约束层31包括依次连接的卷积层310、正则化层311和激活函数312，其中，激活函数312为leakyrelu函数。本实施例示例性给出了低剂量图像判别网络d1包括7个第一数值约束层31，其中，7个第一数值约束层31中卷积层312以及第一全连接层33的网络参数如下表所示：表2低剂量图像判别网络d1的网络参数低剂量图像判别网络d1用于对低剂量图像和低剂量估计图像进行数值约束，使得最终输出的剂量等级预测值约束在0～1，从而避免数值过大，不利于分类。这里需要说明的是，剂量等级预测值中包括低剂量图像的剂量等级预测值和低剂量估计图像的剂量等级预测值。本实施例的步骤s4与实施例一中的也不同，具体地，步骤s4为根据低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像、剂量等级预测值构建损失函数，损失函数的表达式如下：其中，ltotal表示损失函数，n表示训练数据集中输入参数组的个数，α1、α2、α5、α6分别表示权重因子，xi、yi分别表示第i个低剂量图像、第i个标准剂量图像，分别表示第i个低剂量估计图像、第i个标准剂量估计图像，r3x、分别表示低剂量图像、低剂量估计图像的剂量等级预测值，d、分别表示剂量等级值、剂量等级估计值，crossentropy表示交叉熵。本实施例在实施例一的基础上增加了低剂量图像判别网络d1，通过低剂量图像判别网络d1获得低剂量图像的剂量等级预测值和低剂量估计图像的剂量等级预测值，然后在构建损失函数考虑低剂量图像的剂量等级预测值和低剂量估计图像的剂量等级预测值，从而进一步提升了去噪方法的鲁棒性。实施例三参照图8～11，本实施例中的训练网络还包括标准剂量图像判别网络d2，标准剂量图像判别网络d2用于根据标准剂量图像和标准剂量估计图像生成第二真伪预测值。本实施例中的低剂量图像判别网络d1还包括与第一平铺层32连接的第二全连接层34。具体地，标准剂量图像判别网络d2包括依次连接的多个第二数值约束层41、第二平铺层42、第三全连接层43。第二数值约束层41包括依次连接的卷积层410、正则化层411和激活函数412，其中，激活函数412为leakyrelu函数。本实施例示例性给出了标准剂量图像判别网络d2包括7个第二数值约束层41。其中，7个第二数值约束层41中卷积层412以及第三全连接层43、第二全连接层34的网络参数如下表所示：表3标准剂量图像判别网络d2的网络参数单元卷积通道数步幅第一个卷积层3x3x32322第二个卷积层3x3x32641第三个卷积层3x3x64642第四个卷积层3x3x641281第五个卷积层3x3x1281282第六个卷积层3x3x1282561第七个卷积层3x3x2562562第二全连接层1--第三全连接层1--标准剂量图像判别网络d2用于对标准剂量图像和标准剂量估计图像进行数值约束，使得最终输出的第二真伪预测值约束在0～1。低剂量图像判别网络d1还用于对低剂量图像和低剂量估计图像进行数值约束生成第一真伪预测值，使得最终输出的第一真伪预测值约束在0～1。其中，第一真伪预测值中包括低剂量图像和低剂量估计图像的第一真伪预测值，第二真伪预测值中包括标准剂量图像和标准剂量估计图像的第二真伪预测值，第一真伪预测值、第二真伪预测值为0或1。本实施例的步骤s4与实施例二中的也不同，具体地，步骤s4为根据低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像、剂量等级预测值、第一真伪预测值、第二真伪预测值构建损失函数，损失函数的表达式如下：其中，ltotal表示损失函数，n表示训练数据集中输入参数组的个数，α1、α2、α3、α4、α5、α6分别表示权重因子，xi、yi分别表示第i个低剂量图像、第i个标准剂量图像，分别表示第i个低剂量估计图像、第i个标准剂量估计图像，r1x、分别表示所述低剂量图像、低剂量估计图像的第一真伪预测值，r2y、分别表示所述所述标准剂量图像、标准剂量估计图像的第二真伪预测值，λ表示平衡因子，r3x、分别表示所述低剂量图像、低剂量估计图像的剂量等级预测值，d、分别表示所述剂量等级值、剂量等级估计值，e表示期望，crossentropy表示交叉熵。本实施例在实施例二的基础上增加了标准剂量图像判别网络d2且低剂量图像判别网络d1还包括第二全连接层34，通过标准剂量图像判别网络d2和低剂量图像判别网络d1可以获得标准剂量图像、标准剂量估计图像的第二真伪预测值以及低剂量图像、低剂量估计图像的第一真伪预测值，然后在构建损失函数考虑标准剂量图像、标准剂量估计图像的第二真伪预测值以及低剂量图像、低剂量估计图像的第一真伪预测值，引入对抗损失信息，提高了视觉效果，从而进一步提升了图像重建质量。实施例四参照图12，本实施例提供了一种低剂量图像去噪网络的训练系统，所述训练系统包括训练数据集获取模块100、网络构建模块101、训练模块102。训练数据集获取模块100用于获取训练数据集，训练数据集包括多个输入参数组，每一个输入参数组包括标准剂量图像、低剂量图像。本实施例中的训练数据集为：d＝{(x1，y1)，(x2，y2)，......，(xi，yi)，......，(xn，yn)}，其中，n表示训练数据集中输入参数组的个数，xi表示第i个输入参数组中的低剂量图像，yi表示第i个输入参数组中的标准剂量图像，n个低剂量图像{x1，x2，......，xi，......，xn}为不同解剖部位的低剂量ct图像，也可以为不同剂量等级下的同一解剖部位的ct图像，即n个低剂量图像{x1，x2，......，xi，......，xn}的剂量等级不完全相同，n个低剂量图像{x1，x2，......，xi，......，xn}与n个标准剂量图像{y1，y2，......，yi，......，yn}中下标相同的xi和yi表示同一解剖部位的低剂量ct图像和标准剂量ct图像或者同一剂量等级下的低剂量ct图像和标准剂量ct图像。其中，不同解剖部位可以包括头颅、眼眶、鼻窦、颈部、肺腔、腹部、盆腔(男)、盆腔(女)、膝盖和腰椎等部位。这里需要说明的是，本实施例中用于训练的训练数据集中的低剂量图像和标准剂量图像是从本领域常用的样本数据集中选取的，这里不再具体限定。网络构建模块101用于构建建立训练网络，训练网络包括低剂量图像去噪网络、低剂量图像生成网络；将训练数据集输入训练网络，低剂量图像去噪网络根据低剂量图像生成低剂量图像的剂量等级估计值及标准剂量估计图像；低剂量图像生成网络根据标准剂量估计图像和剂量等级估计值生成低剂量估计图像。训练模块102用于根据低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像构建损失函数并对损失函数进行优化，获得低剂量图像去噪网络的参数并更新所述低剂量图像去噪网络。实施例五本实施例提供了一种低剂量ct图像的去噪方法，该去噪方法包括：将待去噪的低剂量图像输入到利用实施例一～实施例三所述的低剂量图像去噪网络的训练方法获得的低剂量图像去噪网络中，获得重建后的低剂量图像。这里需要说明的是，本实施例中的去噪方法包括两种实施方式，第一种实施方式是将实施例一～实施例三训练好的低剂量图像去噪网络作为低剂量图像的去噪网络，将待去噪的低剂量图像输入到该低剂量图像去噪网络便可以获得重建后的低剂量图像。第二种实施方式是先利用实施例一～实施例三所述的低剂量图像去噪网络的训练方法对低剂量图像去噪网络进行训练，然后再将待去噪的低剂量图像输入到训练好的低剂量图像去噪网络，获得重建后的低剂量图像。通过本实施例的去噪方法，可以更好地提取原始图像的细节，使得重建后的图像更清晰。实施例六参照图13，本实施例提供了一种计算机设备，包括处理器200及存储器201，存储在存储器201上的计算机程序，处理器200执行计算机程序以实现如实施例一～实施例三所述的训练方法。存储器201可以包括高速随机存取存储器(randomaccessmemory，ram)，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。处理器200可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，实施例一～三所述的训练方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。处理器200也可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等，还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。存储器201用于存储计算机程序，处理器200在接收到执行指令后，执行该计算机程序以实现如实施例一～三所述的训练方法。本实施例还提供了一种计算机存储介质，计算机存储介质中存储有计算机程序，处理器200用于读取并执行计算机存储介质中存储的计算机程序，以实现如实施例一～三所述的训练方法。在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机存储介质中，或者从一个计算机存储介质向另一个计算机存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solidstatedisk，ssd))等。本发明实施例是参照根据本发明实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。以上所述仅是本申请的具体实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。当前第1页1 2 3
技术特征：1.一种低剂量图像去噪网络的训练方法，其特征在于，所述训练方法包括：
获取训练数据集，所述训练数据集包括多个输入参数组，每一个所述输入参数组包括标准剂量图像、低剂量图像；
建立训练网络，所述训练网络包括低剂量图像去噪网络、低剂量图像生成网络；
将所述训练数据集输入所述训练网络，所述低剂量图像去噪网络根据所述低剂量图像生成所述低剂量图像的剂量等级估计值及标准剂量估计图像；所述低剂量图像生成网络根据所述标准剂量估计图像和所述剂量等级估计值生成低剂量估计图像；
根据所述低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像构建损失函数；
对所述损失函数进行优化，获得所述低剂量图像去噪网络的参数并更新所述低剂量图像去噪网络。
2.根据权利要求1所述的训练方法，其特征在于，所述低剂量图像去噪网络包括依次连接的第一特征提取模块、第一下采样模块、剂量等级生成模块、第一融合模块、第一下采样模块、第一重建模块，所述剂量等级生成模块用于生成剂量等级估计值，所述第一融合模块用于将所述剂量等级估计值与所述低剂量图像的特征信息进行融合。
3.根据权利要求2所述的训练方法，其特征在于，所述低剂量图像生成网络包括依次连接的第二特征提取模块、第二下采样模块、第二融合模块、第二下采样模块、第二重建模块，所述第二融合模块用于将所述剂量等级估计值与所述标准剂量估计图像的特征信息进行融合。
4.根据权利要求1～3任一项所述的训练方法，其特征在于，每一个所述输入参数组还包括所述低剂量图像对应的剂量等级值；所述训练网络还包括低剂量图像判别网络，所述低剂量图像判别网络用于根据所述低剂量图像和所述低剂量估计图像生成剂量等级预测值；所述根据所述低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像构建损失函数，包括：
根据所述低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像、剂量等级预测值构建损失函数。
5.根据权利要求4所述的训练方法，其特征在于，所述低剂量图像判别网络包括多个第一数值约束层、第一平铺层、第一全连接层。
6.根据权利要求5所述的训练方法，其特征在于，所述训练网络还包括标准剂量图像判别网络，所述低剂量图像判别网络还包括第二全连接层，所述低剂量图像判别网络还用于根据所述低剂量图像和所述低剂量估计图像生成第一真伪预测值；所述标准剂量图像判别网络用于根据所述标准剂量图像和所述标准剂量估计图像生成第二真伪预测值；所述根据所述低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像构建损失函数，包括：
根据所述低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像、剂量等级预测值、第一真伪预测值、第二真伪预测值构建损失函数。
7.根据权利要求6所述的训练方法，其特征在于，所述标准剂量图像判别网络包括多个第二数值约束层、第二平铺层、第三全连接层。
8.一种低剂量图像的去噪方法，其特征在于，所述去噪方法包括：将待去噪的低剂量图像输入到利用如权利要求1～7任一项所述的低剂量图像去噪网络的训练方法获得的低剂量图像去噪网络中，获得重建后的低剂量图像。
9.一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1～7任一项所述的训练方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现如权利要求1～7任一项所述的训练方法。
技术总结本发明提供了一种低剂量图像去噪网络的训练方法、低剂量图像的去噪方法、计算机设备及存储介质，本发明提供的低剂量图像去噪网络的训练方法中低剂量图像去噪网络会根据低剂量图像生成低剂量图像的剂量等级估计值及标准剂量估计图像，再根据标准剂量估计图像和剂量等级估计值生成低剂量估计图像，最后根据低剂量图像、低剂量估计图像、标准剂量图像、标准剂量估计图像构建损失函数，对损失函数进行优化，获得所述低剂量图像去噪网络的参数，从而将剂量等级信息融合到图像重建过程中，提升了去噪方法的鲁棒性以及重建图像的质量。
技术研发人员：郑海荣;胡战利;黄振兴;梁栋;刘新
受保护的技术使用者：深圳先进技术研究院
技术研发日：2020.12.07
技术公布日：2021.03.12
