基于物理信息流匹配的LDCT图像去噪方法及相关设备
本技术属于医学影像处理,尤其涉及一种基于物理信息流匹配的ldct图像去噪方法及相关设备。
背景技术:
1、计算机断层扫描(ct)是临床应用最广泛的横断面影像模态之一。由于ct扫描伴随电离辐射,临床应用中遵循合理低剂量(alara ,as low as reasonably achievable)原则,普遍采用降低管电流的低剂量计算机断层扫描(ldct)协议以减少患者辐射暴露。然而,剂量降低会减少探测器接收到的光子数量,放大量子噪声和电子噪声,导致重建图像信噪比下降,出现明显的颗粒伪影、纹理退化以及低对比结构丢失,影响临床阅片、定量ct值(hu值是 ct 图像中用于量化组织密度的计量单位)评估以及下游影像组学(radiomics)任务。
2、传统手工先验类方法代表性方法包括块匹配三维滤波(bm3d)、字典学习(dictionary learning)以及全变分(tv,total variation)正则化等。该类方法基于稀疏性、低秩性或局部光滑性等手工设计的图像先验,在轻中度噪声下具有一定效果,但其分析型先验无法适应ldct中与剂量水平、解剖区域及探测器响应耦合的空间相关、非平稳噪声结构,去噪结果常残留明显颗粒噪声或出现过度平滑。
3、监督式深度学习方法包括基于残差编解码网络(red-cnn)、wasserstein生成对抗网络结合感知损失(wgan-vgg)、transformer结构(ctformer)、扩散模型(corediff)、状态空间模型(ct-mamba)等的监督式去噪网络。该类方法依赖严格配准的成对ldct-ndct(ndct为正常剂量计算机断层扫描)图像作为监督信号。然而,在临床实践中获取大规模标准化成对数据存在以下障碍:(1)对同一患者短时间内重复进行不同剂量扫描会带来额外辐射暴露,难以通过伦理审查;(2)幻影数据和投影域剂量仿真无法完全反映真实患者的解剖与病理多样性;(3)即便在同一台扫描仪上,校准漂移、协议更新和重建软件升级也会使数据分布随时间变化。因此,监督式方法在大规模、跨设备、跨时间的临床部署中受到根本性限制。
4、自监督、零样本与未配对分布匹配方法包括noise2self、noise2context、noise2sim、zero-noise2noise、pixel2pixel等基于相邻切片自监督、像素遮挡(mask-based)或深度图像先验的方法,以及基于循环一致性的未配对图像翻译方法。该类方法在一定程度上摆脱了成对监督需求,但其训练或调参过程通常仍与特定扫描仪、剂量协议或噪声分布绑定。当推理输入来自不同厂商、不同型号或不同重建管线的扫描仪时,其噪声功率谱与训练分布产生偏离,模型容易出现过度平滑、纹理丢失或残留设备特异性伪影。
5、近年来,基于生成式先验的后验采样方法尝试仅在高质量ndct图像上训练扩散模型(diffusion model)或流匹配模型(flow matching),将清洁ct分布作为生成式先验,在推理阶段以ldct作为观测约束进行后验采样去噪。代表性方法包括基于扩散概率先验的去噪框架以及泊松流模型(pfcm,poisson flow consistency models)等。该方式在推理过程中会引入局部平均ct值偏移,进而干扰基于衰减的组织密度评估、病灶定量测量和影像组学特征,造成去噪效果差。
技术实现思路
1、本技术实施例提供了一种基于物理信息流匹配的ldct图像去噪方法及相关设备,可以解决ldct图像去噪需要成对ldct-ndct监督、去噪效果差的问题。
2、第一方面,本技术实施例提供了一种基于物理信息流匹配的ldct图像去噪方法,包括:
3、基于物理信息积分不变性约束和ndct图像训练集对流匹配网络进行训练;物理信息积分不变性约束用于通过约束roi平均ct值的不变性,引导流匹配网络在去噪的同时保留定量ct值;
4、获取待去噪ldct图像,并利用训练后的流匹配网络对待去噪ldct图像进行处理,得到待去噪ldct图像在多个时刻的预测去噪图像;多个时刻为预设流匹配时间内的多个时刻;
5、基于待去噪ldct图像和得到的预测去噪图像,构建图像域加权目标函数,并对图像域加权目标函数进行迭代求解,得到待去噪ldct图像的最终去噪图像;图像域加权目标函数用于在图像域内对去噪结果同时施加流匹配先验约束与观测一致性约束。
6、可选的,图像域加权目标函数为:
7、;
8、其中,表示待去噪ldct图像在时刻的最优去噪图像,表示待去噪ldct图像在时刻的去噪图像,表示待去噪ldct图像在时刻的预测去噪图像,表示时刻对应的控制观测约束强度,表示待去噪ldct图像。
9、可选的,预设流匹配时间为,对图像域加权目标函数进行迭代求解,得到待去噪ldct图像的最终去噪图像,包括:
10、步骤1,对图像域加权目标函数进行闭式求解,得到图像域加权目标函数的闭式解;
11、步骤2,基于闭式解,计算待去噪ldct图像在时刻的去噪图像朝最优去噪图像演化的速度;
12、步骤3,基于速度得到待去噪ldct图像在时刻的去噪图像;
13、步骤4,判断时刻是否为时刻1,若是,则将待去噪ldct图像在时刻1的去噪图像作为待去噪ldct图像的最终去噪图像,否则,将图像域加权目标函数中的时刻迭代为时刻,得到新的图像域加权目标函数,并将新的图像域加权目标函数作为步骤1中的图像域加权目标函数,返回执行步骤1。
14、可选的,闭式解为:
15、;
16、;
17、;
18、其中,表示权重,表示全局观测强度超参数。
19、可选的,步骤2包括:
20、将闭式解代入并展开简化,得到待去噪ldct图像在时刻的去噪图像朝最优去噪图像演化的速度为:
21、;
22、其中,表示先验速度,,表示观测速度,。
23、可选的,待去噪ldct图像在时刻的去噪图像为:
24、;
25、;
26、其中,表示迭代求解的次数,表示多个时刻中的起始时刻。
27、可选的,对流匹配网络进行训练时的总损失函数为:
28、;
29、;
30、其中,表示总损失函数的值,表示ndct图像训练集中ndct图像样本的数量,表示第个ndct图像样本的损失函数的值,表示对时刻、第个ndct图像样本在时刻的去噪图像、高斯噪声取期望,表示预测速度场,是流匹配网络中unet模型对去噪图像的处理结果,表示unet模型的网络可学习参数,表示hu保持正则项权重,表示随机采样的roi掩膜的数量,表示流匹配网络在时刻对第个ndct图像样本进行处理得到的预测去噪图像,表示从预测去噪图像的前景掩膜中随机采样的第个roi掩膜的roi平均ct值,表示从去噪图像的前景掩膜中随机采样的第个roi掩膜的roi平均ct值。
31、第二方面,本技术实施例提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的基于物理信息流匹配的ldct图像去噪方法。
32、第三方面,本技术实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述的基于物理信息流匹配的ldct图像去噪方法。
33、本技术的上述方案有如下的有益效果:
34、在本技术的实施例中,在训练阶段,通过ndct图像训练集和物理信息积分不变性约束对流匹配网络进行训练,在推理阶段,利用训练后的流匹配网络在流匹配的多个时刻对待去噪ldct图像进行处理,得到各个时刻的预测去噪图像,最终基于待去噪ldct图像和预测去噪图像构建图像域加权目标函数,并对该图像域加权目标函数进行迭代求解,得到最终去噪图像。其中,与现有技术相比,本技术在训练阶段无需任何成对ldct-ndct监督,仅基于未配对ndct图像训练集即可完成训练,同时在训练过程中引入了物理信息积分不变性约束,从而使得训练后的流匹配网络在推理阶段能够抑制定量ct值漂移,保持定量ct值稳定性,使最终去噪图像相较于现有技术得到的去噪图像更干净,大大提高去噪效果。
35、本技术的其它有益效果将在随后的具体实施方式部分予以详细说明。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com