基于改进噪声表示的低剂量CT图像解剖学先验去噪方法

作     者：顾凌锐 

作者单位：中山大学 

学位级别：硕士

导师姓名：郭雪梅

授予年度：2024年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1006[医学-中西医结合] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 08[工学] 080203[工学-机械设计及理论] 1010[医学-医学技术（可授医学、理学学位）] 0802[工学-机械工程] 100106[医学-放射医学] 10[医学] 100602[医学-中西医结合临床] 

主      题：低剂量CT 图像去噪 噪声表示 解剖学先验 

摘      要：X射线计算机断层扫描(CT)已成为临床诊断的重要方式,为临床医生提供了强有力的帮助。但CT检测时产生的辐射对患者产生的伤害不容忽视。近年来,利用低剂量技术降低辐射对人体的影响,已广泛应用于临床诊断。然而,辐射剂量的减少导致投影数据受到污染,使得CT图像在重建时产生大量噪声和伪影,对图像质量和诊断精度产生了不利影响。因此,如何在减少CT扫描剂量的同时提高图像质量,成为了CT成像领域的重要研究方向。 目前,深度学习在低剂量CT(Low-dose CT,LDCT)图像去噪方法方面已经取得了不错的效果。然而,现有的低剂量CT图像去噪算法主要集中在改进网络结构和优化损失函数,不能有效地表达噪声,缺乏解剖学的先验知识,并且单一模型无法适用于多种场景,从而限制了其性能和应用。在低剂量CT图像中,噪声呈现复杂多样的混合泊松-高斯分布,这增加了去噪工作的难度。混合泊松高斯分布结合了泊松分布和高斯分布的特点,包含了许多难以预料的噪声特征,因此对深度学习模型的预测构成了巨大挑战。为了对抗这种噪声,有必要专门设计一个模块来处理这种复杂的噪声表示方式。 过去的方法一般从随机初始化的权重出发开始训练,但随机初始化的权重中未包含解剖学先验知识,无益于模型的训练。因此,本研究提出了一个预训练框架,以获得解剖学先验,这将有助于处理低剂量CT图像去噪任务。同时,本研究分析发现,当前网络结构在各CT扫描参数、重建参数下的通用性不足,并提出了基于Prompt的多场景通用性优化方案。在使用了该方案后,一个模型可以在多场景下具有不错的表现。基于以上,本文的创新点主要有以下几点: (1)提出了基于分布回归的低剂量CT图像噪声表示模型。通过改善网络建模方式,将噪声建模为通用分布,使用Distribution Regression Layer替代传统的回归层,实现对噪声更准确的预测。同时,为了提升训练速度和预测精度,加入了联合损失函数。并通过消融实验和预测结果可视化来验证了本方法的有效性。 (2)提出基于解剖学先验的预训练框架。在预训练的过程中,基于CT图像的序列特性,引导模型学习解剖结构的先验知识,从而提供大量有用的信息。这种学习方式大幅度提高了模型在处理下游任务,即低剂量CT图像去噪任务时的表现。通过优化,预训练框架使模型更有能力理解并处理图像信息,实现了高质量的图像去噪。通过进行可视化实验和有效性讨论,证实了该框架的有效性,验证了设计的合理性。 (3)提出了基于Prompt的多场景通用性优化方案。在现有的模型结构下,由于模型能力的限制,在同时训练多种场景的数据时,一个模型往往无法有效应对各种通用场景。因此,本研究利用Prompt Module,引入了可学习的Prompt参数。这种做法可以引导模型进行有效的任务识别、特征选择和场景建模,从而提高了模型的通用性能。实验证明,经过优化后的模型在表现上超过只进行单一场景训练的模型。