(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210424881.4 (22)申请日 2022.04.22 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 李章勇　王芸　伍佳　黄志伟　 秦对　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 卢胜斌 (51)Int.Cl. G06T 11/00(2006.01) G06T 5/00(2006.01) G06T 5/50(2006.01) G06K 9/62(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于无监督学习的低剂量CT图像恢复 方法及系统 (57)摘要 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。 权利要求书3页 说明书8页 附图2页 CN 114708352 A 2022.07.05 CN 114708352 A 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： Idet(x,y)＝I(x,y)‑Ibase(x,y)； 其中， I(x,y)表示归一 化图像， Ibase(x,y)表示基础 层图像， Idet(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， Ibase(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： 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。 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： Gx＝Ibase1(x,y)*A；权　利　要　求　书 1/3 页 2 CN 114708352 A 2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： Gy＝Ibase1(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， Ibase1(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， Ns为细节层图像数量， Idet1＝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。 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； 对细权　利　要　求　书 2/3 页 3 CN 114708352 A 3