公开(公告)号：CN116645283A

公开(公告)日：2023-08-25

申请号：CN202310523498.9

申请日：2023-05-10

申请人： 曲阜师范大学

发明人： 张元科 ,  万兆翠 ,  王栋

IPC分类号： G06T5/00 ,  G06V10/52 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/09

摘要： 本发明公开了一种基于自监督感知损失多尺度卷积神经网络的纹理保持低剂量CT图像去噪方法，属于医学图像处理技术领域。本发明首先提出多尺度卷积模块，以刻画CT图像结构的多尺度特性。基于该模块，本发明设计了多尺度编码‑解码去噪网络模型，并在模型中引入多尺度空间金字塔注意力机制，以弥补编码器与解码器间语义差距。此外，本发明提出自监督多尺度感知损失模块，以刻画不同语义层级的感知损失，并引入权重参数自适应加权各语义层级感知损失的重要程度。本发明通过设计能够捕获CT图像中局部结构尺度间变化特性的网络模型，并采用基于自监督多尺度感知损失的网络训练策略，实现了具有纹理保持能力的低剂量CT图像去噪。

公开(公告)号：CN116596785A

公开(公告)日：2023-08-15

申请号：CN202310544345.2

申请日：2023-05-16

申请人： 曲阜师范大学

发明人： 张元科 ,  王栋 ,  万兆翠

IPC分类号： G06T5/00 ,  G06V10/80 ,  G06T7/40 ,  G06N3/0464 ,  G06V10/774 ,  G06V10/82

摘要： 本发明公开了一种基于纹理特征引导的纹理保持低剂量CT图像去噪方法，属于医学图像处理领域。本发明具体公开了一种具有的纹理特征引导的多尺度深度残差注意网络模型，使其应用到低剂量CT成像中。主体网络模型包含四个子模型，一是多尺度初始去噪网络模型对低剂量CT进行去噪，另一个网络用于提取初始去噪网络后的纹理细节，两部分网络协同工作。提取的纹理细节与初始的低剂量CT经过多尺度图像和纹理特征融合网络模型相融合后，进入多尺度主去噪网络进一步对低剂量CT进行去噪，这有利于主去噪网络学习更多不明显的细节。本发明所公开的低剂量CT图像去噪的方法高效地去除了低剂量CT图像中的噪声和条纹伪影，同时保留了图像中的结构信息和纹理特征细节信息。