一种基于无监督学习的低剂量CT图像恢复方法及系统

一种基于无监督学习的低剂量ct图像恢复方法及系统
技术领域
1.本发明属于医学图像处理技术领域，更为具体的讲，涉及一种基于无监督学习的低剂量ct图像恢复方法及系统。


背景技术：

2.计算机断层扫描(computed tomography，ct)技术因其操作简单，价格低廉等优点，在临床的筛查、诊断影像引导放疗等方面得到广泛应用，然而过量的ct剂量会诱发白血病、癌症以及其他遗传性疾病。因此在实际运用中通过降低ct剂量来减弱辐射风险，其中在临床上常用通过降低射线管电流的方法来降低辐射剂量。但是辐射剂量的降低会导致图像出现严重的伪影与噪声污染，进而出现边缘、角落对比度降低等问题，导致ct图像质量的下降，严重影响下游医学图像处理任务和临床诊断的准确性。因此，研究低剂量ct图像恢复算法与系统具有重要的临床意义。
3.国内外相关领域专家在低剂量ct图像恢复做出的相关研究主要分为三类：投影域方法、迭代方法和图像后处理方法。投影域方法充分利用统计噪声分布等先验信息，很容易地将滤波集成到现有的ct系统中，但是恢复后图像往往会丢失边缘和有用的纹理细节；迭代方法可在少量的投影数据下重建出图像，但是计算量大，运算时间长；图像后处理方法，可有效抑制噪声和条形伪影。传统的图像后处理方法可以有效地抑制低剂量ct图像中的噪声，克服以前方法中性能不稳定的缺点，但是此类方法通常只对特定类型的噪声有效，在实际扫描中先验知识不准确或噪声不均匀的情况下，其效果并不理想。随着深度学习的发展，一些监督学习方法可以自动提取图像数据中有用的特征，从而更容易适应新数据演化训练模型，显著提高了图像质量。但是监督学习需要像素级匹配的低剂量ct图像和正常剂量图像的进行训练。而在实际应用中，患者不可能同时采集低剂量和正常剂量ct图像，导致配对的标签数据集获取十分困难。
4.为解决训练数据问题，一些无监督学习开始应用于低剂量ct图像恢复,这些方法与监督学习方法相当。但是要求噪声对信号独立或只针对特定噪声的假设，而当这些前提不满足时，效果并不理想。本发明旨在没有配对的数据集下，完成低剂量ct图像对未知噪声去除以及图像增强的恢复任务，提高临床诊断准确率与效率。


技术实现要素：

5.本发明的目的在于克服现有的低剂量ct图像恢复的不足，提供一种基于无监督学习的低剂量ct图像恢复方法及系统，使得在没有成对的低剂量ct图像和正常剂量的ct图像的数据标签下，完成低剂量ct图像对噪声的去除以及对比度的增强任务，实现低剂量ct图像的恢复。
6.在第一方面，提出了一种基于无监督学习的低剂量ct图像恢复方法，包括：
7.s1.获取低剂量ct图像并归一化，采用全变分模型分解归一化图像，得到基础层图像和细节层图像；
8.s2.对基础层图像进行下采样，得到内容特征层图像和潜在纹理层图像，对内容特征层图像进行图像增强得到基础层增强图像；
9.s3.基于预训练的去噪处理器，对细节层图像进行降噪处理得到细节层降噪图像；
10.s4.将潜在纹理层图像、基础层增强图像和细节层降噪图像分段融合得到低剂量ct恢复图像。
11.进一步的，为避免图像增强对噪声水平的放大，本发明使用全变分模型原理对低剂量ct图像归一化后的图像进行特征分解，得到基础层图像和细节层图像，实现图像增强和噪声抑制的解耦合。基础层图像保留低剂量ct图像的基础信息，细节层图像保留低剂量ct图像的细节与噪声信息；步骤s1具体包括：
12.s11.将低剂量ct图像归一化得到归一化图像，利用全变分模型分解归一化图像得到基础层图像；
13.s12.将归一化图像图像与基础层图像进行差值运算，得到细节层图像，表示为：
14.i
det
(x,y)＝i(x,y)-i
base
(x,y)；
15.其中，i(x,y)表示归一化图像，i
base
(x,y)表示基础层图像，i
det
(x,y)表示细节层图像。
16.进一步的，根据全变量特征分解原理提出了本发明最小化能量泛函表达式，其表示为：
[0017][0018]
其中，i
base
(x,y)表示基础层图像，i(x,y)表示归一化图像，λ为正则化参数，其计算公式为：
[0019][0020][0021]
m与n分别分别表示归一化图像的宽与高，*表示卷积操作，ts为卷积矩阵。
[0022]
进一步的，基础层图像包含了大量的背景信息，以及潜在纹理特征。背景信息直接影响图像对比度，纹理特征可帮助细节层恢复。故本发明使用索贝尔卷积算子a对内容特征层图像进行卷积运算，获得内容特征层图像的水平边缘增强图像，利用卷积算子b对内容特征层图像进行卷积运算，获得内容特征层图像的垂直边缘增强图像，将水平边缘增强图像与垂直边缘增强图像融合得到基础层增强图像i
base1
，其具体过程为：
[0023]
s21.连续使用三个步长为2的卷积层，从基础层图像中提取出内容特征层图像；
[0024]
s22.使用一个步长为2的卷积层，从内容特征层图像中获取潜在纹理层图像；
[0025]
s23.对内容特征层图像进行图像增强，包括：
[0026]
采用索贝尔卷积算子a对内容特征层图像进行卷积运算，得到水平边缘增强图像，水平边缘增强图像和索贝尔算子a分别表示为：
[0027]gx
＝i
base1
(x,y)*a；
[0028][0029]
采用索贝尔卷积算子b对内容特征层图像进行卷积运算，得到垂直边缘增强图像，垂直边缘增强图像和索贝尔算子b分别表示为：
[0030]gy
＝i
base1
(x,y)*b；
[0031][0032]
融合水平边缘增强图像与垂直边缘增强图像，得到基础层增强图像，表示为：
[0033][0034]
其中，i
base1
(x,y)表示内容特征层图像，i
′
base1
(x,y)为基础层增强图像。
[0035]
进一步的，预训练的去噪处理器的训练过程为：
[0036]
获取低剂量ct图像并归一化，采用全变分模型对其分解得到细节层图像；
[0037]
将细节层图像下采样得到低分辨率图像，根据低分辨率图像构建与其相似的子图像组；
[0038]
采用低剂量ct图像和子图像组训练去噪处理器；
[0039]
其中，子图像组包括多张相似子图像，分别用于替代低分辨率图像所对应的清晰的低剂量ct图像和有噪声的低剂量ct图像。
[0040]
进一步的，细节层图像进行去噪处理的过程中，通过最小化以下的损失函数，以达到去噪效果,在此过程中不需要噪声的先验知识，采用的损失函数为：
[0041][0042]
其中，ns表示图像数量，i
det1
＝si+ni表示低分辨率图像，表示低分辨率图像的相似的子图像。
[0043]
进一步的，潜在纹理层图像与细节层降噪图像相加，将相加结果馈送到resnet网络上采样，获得第一特征层图像；将第一特征层图像和基础层增强图像融合，将融合结果馈送至resnet网络上采样获得恢复后的ct图像。
[0044]
在第二方面，基于第一方面的方法，提供了一种基于无监督学习的低剂量ct图像恢复系统，包括：
[0045]
获取模块，用于获取低剂量ct图像；
[0046]
解耦模块，用于采用全变分模型对低剂量ct图像进行特征解耦，得到基础层图像和细节层图像；
[0047]
下采样模块，用于对基础层图像下采样得到内容特征层图像和潜在纹理层图像；对细节层图像下采样获得低分辨率图像；
[0048]
增强模块，用于采用两种索贝尔算子分别对内容特征层图像的水平边缘和垂直边
缘进行增强，将两个增强图像融合得到基础层增强图像；
[0049]
去噪模块，用于对细节层图像进行相似性降噪处理，得到细节层降噪图像；
[0050]
融合模块，用于将基础层增强图像、潜在纹理层图像和细节层降噪图像分段融合，得到低剂量ct恢复图像。
[0051]
本发明的有益效果：
[0052]
本发明提供了一种基于无监督学习的低剂量ct图像恢复方法，针对未配对的低剂量ct图像，采用全变分分解的方法将ldct图像基础层和细节层分开，实现对比度增强和去噪的解耦合，恢复低剂量ct图像质量。
[0053]
现有的深度学习ldct图像恢复算法只能针对特定噪声，依赖先验知识去噪，而特定噪声并不完全反映实际ct设备噪声分布情况。本发明利用特征相似性对噪声去除，使其先验知识不准确或者噪声不均匀时，仍有较好表现。而深度学习在去除噪声抑制时会出现轮廓、角落对比度降低问题，甚至是病灶区域的过平滑现象，影响临床医生对相关疾病的诊断，故本发明将低剂量ct图像进行解耦，对低频内容特征进行对比度增强，对高频区进行去噪，使用分段融合图像方式获得低剂量ct恢复图像，提高了整体图像质量，减少医生误诊率。
附图说明
[0054]
图1为本发明的低剂量ct图像恢复方法的流程图；
[0055]
图2为本发明一实施例的低剂量ct图像恢复流程；
[0056]
图3为本发明的细节层图像去噪原理示意图；
具体实施方式
[0057]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0058]
现有的监督学习训练数据集需要像素级配对的低剂量和正常剂量ct图像。而获取这样的数据集要求病人同时进行两种不同剂量的ct扫描，这在临床应用上是不合理的，即使采用两种剂量对病人同时扫描，也可能会因为病人呼吸，仪器设备等原因导致两者无法实现像素完全配准。因此本发明提出了一种基于无监督学习的低剂量ct图像恢复方法及系统，实现在无像素级配对数据集下完成低剂量ct恢复任务。
[0059]
一种基于无监督学习的低剂量ct图像恢复方法，如图1-3所示，包括：
[0060]
s1.获取低剂量ct图像并归一化，采用全变分模型分解归一化图像，得到基础层图像和细节层图像；
[0061]
s2.对基础层图像进行下采样，得到内容特征层图像和潜在纹理层图像，对内容特征层图像进行图像增强得到基础层增强图像；
[0062]
s3.基于预训练的去噪处理器，对细节层图像进行降噪处理得到细节层降噪图像；
[0063]
s4.将潜在纹理层图像、基础层增强图像和细节层降噪图像分段融合得到低剂量ct恢复图像。
[0064]
在一实施例中，如图2所示，采用2016nihaapm-mayo clinic low-dose ct grand challenge的1/4剂量的腹部ct数据进行实验，将图像归一化增加细节可辨度，采用全变分模型对归一化后的腹部ct数据进行处理，实现后续任务基础层增强和细节层降噪的解耦合，具体包括：
[0065]
s11.将低剂量的腹部ct图像归一化得到归一化图像i(x,y)，利用全变分模型分解归一化图像得到基础层图像；
[0066]
优选地，建立全变分模型：设i(x,y)受到均值为0，方差为σ2高斯噪声n(x,y)干扰，图像噪声模型为
[0067]
i(x,y)＝i0(x,y)+n(x,y),(x,y)∈ω；
[0068]
一般情况下，含噪声图像i(x,y)的全变分会显著大于原始纯净图像i0(x,y)的全变分，因此可以通过最小化全变分的方法达到对图像去噪的目的，图像最小化全变分可以理解为整体梯度幅值最小化，因为当图像整体梯度幅值越小，意味着图像灰度变化越小，整体表现越平滑，也就代表噪声对图像的影响越小。这里的梯度幅值是指图像像素点对应灰度变化最快的方向。全变分模型的最小能量泛函表示为：
[0069][0070]
其中(i,n)∈bv
×
l2表示此tv模型中原图i属于有界变差bv空间，噪声n属于l2空间，λ是拉格朗日乘子。
[0071]
具体地，在全变分模型中，根据全变量特征分解原理提出最小化能量泛函表达式，其表示为：
[0072][0073]
其中i
base
表示低频结构层即基础层图像，i(x,y)表示低剂量的腹部ct图像归一化后的归一化图像，上式中第一项(i
base
(x,y)-i(x,y)2)是数据保真项，使i
base
(x,y)具有从归一化图像i中提取的主要结构，第二项为正则项，确保i
base
(x,y)局部尽可能平滑。其中将正则化参数λ(即拉格朗日乘子)作为限制全变分的条件变量，从而有效地控制结构粗糙度的水平。将正则项变为原来的2倍，对高频部分约束更强，可以更好地将图像细节保留下来并去除多余的噪声。
[0074]
采用梯度下降法求解最小化能量泛函表达式，得到对应方程：
[0075][0076]
将时间步长引入此方程，结合梯度下降法，得到时间演化公式：
[0077][0078]
|ω|表示完整图像i区域的面积。
[0079]
由上式提出正则化参数计算公式为：
[0080][0081][0082]
其中m与n分别分别表示原图宽与高，*表示卷积操作，ts为卷积矩阵，使用卷积矩阵对归一化图像进行卷积是为了保证的扩散系数是各项异性扩散，以至于在得到基础层图像的同时更好的消除噪声，还可以保护图像的边缘和细节；
[0083]
s12.将归一化图像与基础层图像进行差值运算，得到细节层图像，表示为：
[0084]idet
(x,y)＝i(x,y)-i
base
(x,y)；
[0085]
其中，i(x,y)表示归一化图像，i
base
(x,y)表示基础层图像，i
det
(x,y)表示细节层图像。
[0086]
优选地，基础层图像包含了大量的背景信息，以及潜在纹理特征。背景信息直接影响图像对比度，纹理特征可帮助细节层恢复。故本发明使用索贝尔卷积算子a对内容特征层图像进行卷积运算，获得内容特征层图像的水平边缘增强图像，利用卷积算子b对内容特征层图像进行卷积运算，获得内容特征层图像的垂直边缘增强图像，将水平边缘增强图像与垂直边缘增强图像融合得到基础层增强图像，具体过程为：
[0087]
s21.设i(x,y)尺寸大小为h
×
w，i(x,y)经过三个步长为2的卷积层，从基础层图像中提取出内容特征层图像再使用一个步长为2的卷积层获得潜在纹理层图像
[0088]
s22.对内容特征层图像i
base1
进行图像增强，包括：
[0089]
采用索贝尔卷积算子a对内容特征层图像进行卷积运算，得到水平边缘增强图像，水平边缘增强图像和索贝尔算子a分别表示为：
[0090]gx
＝i
base1
(x,y)*a；
[0091][0092]
采用索贝尔卷积算子b对内容特征层图像进行卷积运算，得到垂直边缘增强图像，垂直边缘增强图像和索贝尔算子b分别表示为：
[0093]gy
＝i
base1
(x,y)*b；
[0094][0095]
融合水平边缘增强图像与垂直边缘增强图像，得到基础层增强图像，表示为：
[0096][0097]
其中，i
′
base1
(x,y)为基础层增强图像。
[0098]
优选地，步骤s3的预训练去噪处理器的训练过程中，对细节层图像i
det
下采样获得低分辨率图像对低分辨率图像i
det1
进行相似性降噪处理，即根据任一低分辨率图像构建一组与其相似的子图像，使用该组相似的子图像替代该细节层图像所对应的清晰的低剂量ct图像和有噪声的低剂量ct图像，本实施例采用的相似性降噪原理如图3所示，将输入图像(低剂量ct图像、代替有噪声的低剂量ct图像的子图像)与构造的目标图像(代替清晰的低剂量ct图像的子图像)进行差值运算，对于不相似部分予以剔除，从而抑制低剂量ct图像噪声和伪影，该去噪过程无需低剂量ct图像对应的正常剂量ct图像作为训练样本。
[0099]
具体地，将低剂量ct图像、代替有噪声的低剂量ct图像的子图像和代替清晰的低剂量ct图像的子图像作为训练样本，不断剔除不相似的部分(噪声)，训练得到去噪处理器，采用去噪处理器得到细节层降噪图像。
[0100]
在一实施例中，使用低分辨率图像i
det1
＝si+ni构建一组相似的子图像，分别表示为和其中，si表示干净的低剂量ct图像，ni和n
′i是不同的噪声，δi是干净的低剂量ct图像间的差异，采用子图像替代低分辨率图像i
det1
＝si+ni对应的清晰的低剂量ct图像，采用子图像替代细节层图像i
det1
＝si+ni对应的有噪声的低剂量ct图像。
[0101]
基于监督学习进行图像恢复的算法中，采用的是低剂量与正常剂量成对的ct图像进行训练，其使用的损失函数表示为：
[0102][0103]
但是在实际应用中，患者不可能同时采集低剂量和正常剂量ct图像，导致配对的标签数据集获取十分困难，当成对的图像不可用时，监督学习的损失函数将受到限制。而本发明在噪声去除过程中通过最小化以下的损失函数，以达到去噪效果，在此过程中不需要噪声的先验知识，设θs是用构造的相似数据对优化的网络参数的向量：
[0104][0105]
其中，ns为细节层图像数量，当满足和e[δi|si+ni]＝0时，θs无限接近θc，即认为所有像素噪声彼此独立时，基于相似性的去噪方法有效。在相关噪声下，本实例进行如下实验，证明满足以上条件,可对相关噪声去除。
[0106]
本实例使用低剂量ct高频图像即细节层图像，包括4800个512
×
512的切片，使用零均值高斯噪声，其标准差设置为25，使用下式估算e[δi|si+ni]＝0：
[0107][0108]
和是给定细节层图像的随机构造的一组相似图像对，m设置为4800
×
500＝2.4
×
106，即每个图像重复使用了500次。实验中结果为e[δi|si+ni]∈[-0.0014,0.0013]，其中si标准化为[0,1],估计值接近为0，满足约束条件。
[0109]
去噪网络及其参数设置，在低剂量ct图像高频区域去噪实验中，本发明使用三层u-net作为去噪网络，深度为3，内核大小为3，最后一层是一个线性激活函数，并在每个激活函数前添加了批标准化层。
[0110]
具体地，本实例中采用adam作为优化器，设置学习率为0.0005，最大迭代次数为300，批量大小设置为32，动量参数分别为0.1和0.99。整个训练过程在pytorh框架下运行,服务器采用intel xeon e5-2680 v4(2.4ghz/14c)，256gb内存，14.4tb机械硬盘。
[0111]
优选地，将潜在纹理层图像、基础层增强图像和细节层降噪图像分段融合得到低剂量ct图像的过程包括：
[0112]
首先将潜在纹理层图像与细节层降噪图像相加，将相加结果馈送到两层“conv+leaky-relu(lrelu)”的resnet网络中并上采样，获得第一特征层图像将第一特征层图像和卷积算子增强后的基础层增强图像融合，将融合结果馈送至两层“conv+leaky-relu(lrelu)”的resnet网络中，并上采样获得恢复后的ct图像。
[0113]
在一实施例中，提供了一种基于无监督学习的低剂量ct图像恢复系统，包括：
[0114]
获取模块，用于获取低剂量ct图像，并归一化；
[0115]
解耦模块，用于采用全变分模型对低剂量ct图像进行特征解耦，得到基础层图像和细节层图像；
[0116]
下采样模块，用于对基础层图像下采样得到内容特征层图像和潜在纹理层图像；对细节层图像下采样获得低分辨率图像；
[0117]
增强模块，用于采用两种索贝尔算子分别对内容特征层图像的水平边缘和垂直边缘进行增强，将两个增强图像融合得到基础层增强图像；
[0118]
去噪模块，用于对细节层图像进行相似性降噪处理，得到细节层降噪图像；
[0119]
融合模块，用于将基础层增强图像、潜在纹理层图像和细节层降噪图像分段融合，得到低剂量ct恢复图像。
[0120]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种基于无监督学习的低剂量ct图像恢复方法，其特征在于，包括：s1.获取低剂量ct图像并归一化，采用全变分模型分解归一化图像，得到基础层图像和细节层图像；s2.对基础层图像进行下采样，得到内容特征层图像和潜在纹理层图像，对内容特征层图像进行图像增强得到基础层增强图像；s3.基于预训练的去噪处理器，对细节层图像进行降噪处理得到细节层降噪图像；s4.将潜在纹理层图像、基础层增强图像和细节层降噪图像分段融合得到低剂量ct恢复图像。2.根据权利要求1所述的一种基于无监督学习的低剂量ct图像恢复方法，其特征在于，步骤s1具体包括：s11.将低剂量ct图像归一化得到归一化图像，利用全变分模型分解归一化图像得到基础层图像；s12.将归一化图像图像与基础层图像进行差值运算，得到细节层图像，表示为：i
det
(x,y)＝i(x,y)-i
base
(x,y)；其中，i(x,y)表示归一化图像，i
base
(x,y)表示基础层图像，i
det
(x,y)表示细节层图像。3.根据权利要求1所述的一种基于无监督学习的低剂量ct图像恢复方法，其特征在于，全变分模型中根据全变分原理提出的最小化能量泛函表达式为：其中，i
base
(x,y)表示基础层图像，i(x,y)表示归一化图像，λ为正则化参数，正则化参数计算公式为：计算公式为：m与n分别分别表示归一化图像的宽与高，*表示卷积操作，t
s
为卷积矩阵。4.根据权利要求1所述的一种基于无监督学习的低剂量ct图像恢复方法，其特征在于，对基础层图像的处理过程：s21.连续使用三个步长为2的卷积层，从基础层图像中提取出内容特征层图像；s22.使用一个步长为2的卷积层，从内容特征层图像中获取潜在纹理层图像；s23.对内容特征层图像进行图像增强，包括：采用索贝尔卷积算子a对内容特征层图像进行卷积运算，得到水平边缘增强图像，水平边缘增强图像和索贝尔算子a分别表示为：g
x
＝i
base1
(x,y)*a；
采用索贝尔卷积算子b对内容特征层图像进行卷积运算，得到垂直边缘增强图像，垂直边缘增强图像和索贝尔算子b分别表示为：g
y
＝i
base1
(x,y)*b；融合水平边缘增强图像与垂直边缘增强图像，得到基础层增强图像，表示为：其中，i
base1
(x,y)表示内容特征层图像，i
′
base1
(x
,y
)为基础层增强图像。5.根据权利要求1所述的一种基于无监督学习的低剂量ct图像恢复方法，其特征在于，预训练的去噪处理器的训练过程为：获取低剂量ct图像并归一化，采用全变分模型对其分解得到细节层图像；将细节层图像下采样得到低分辨率图像，根据低分辨率图像构建与其相似的子图像组；采用低剂量ct图像和子图像组训练去噪处理器；其中，子图像组包括多张相似子图像，分别用于替代低分辨率图像所对应的清晰的低剂量ct图像和有噪声的低剂量ct图像。6.根据权利要求5所述的一种基于无监督学习的低剂量ct图像恢复方法，其特征在于，细节层图像进行去噪处理的过程中，采用的损失函数为：其中，n
s
为细节层图像数量，i
det1
＝s
i
+n
i
表示低分辨率图像，表示低分辨率图像的相似的子图像。7.根据权利要求1所述的一种基于无监督学习的低剂量ct图像恢复方法，其特征在于，步骤s4中图像融合过程为：潜在纹理层图像与细节层降噪图像相加，将相加结果馈送到resnet网络上采样，获得第一特征层图像；第一特征层图像和基础层增强图像融合，将融合结果馈送至resnet网络上采样获得恢复后的ct图像。8.一种基于无监督学习的低剂量ct图像恢复系统，其特征在于，包括：获取模块，用于获取低剂量ct图像，并归一化；解耦模块，用于采用全变分模型对低剂量ct图像进行特征解耦，得到基础层图像和细节层图像；下采样模块，用于对基础层图像下采样得到内容特征层图像和潜在纹理层图像；对细
节层图像下采样获得低分辨率图像；增强模块，用于采用两种索贝尔算子分别对内容特征层图像的水平边缘和垂直边缘进行增强，将两个增强图像融合得到基础层增强图像；去噪模块，用于对细节层图像进行相似性降噪处理，得到细节层降噪图像；融合模块，用于将基础层增强图像、潜在纹理层图像和细节层降噪图像分段融合，得到低剂量ct恢复图像。

技术总结
本发明属于医学图像处理技术领域，涉及一种基于无监督学习的低剂量CT图像恢复方法及系统；包括获取低剂量CT图像并采用全变分模型进行特征分解，得到基础层图像和细节层图像；对基础层图像下采样得到内容特征图像和潜在纹理层图像，分别对内容特征层图像和细节层图像进行图像增强和降噪处理，得到基础层增强图像和细节层降噪图像；将潜在纹理层图像、基础层增强图像和细节层降噪图像分段融合得到低剂量CT恢复图像；本发明将低剂量CT图像进行解耦，对低频区进行对比度增强，对高频区进行去噪，提高了整体图像质量，减少医生误诊率。减少医生误诊率。减少医生误诊率。


技术研发人员：李章勇 王芸 伍佳 黄志伟 秦对
受保护的技术使用者：重庆邮电大学
技术研发日：2022.04.22
技术公布日：2022/7/5