1.基于残差多尺度特征提取的低剂量CT图像去噪网络,其特征在于,采用编码器—解码器框架,包括:将多尺度特征提取模块添加到编码器和解码器卷积层的残差连接中;
采用MSE损失、SSIM损失、感知损失组成的混合损失函数指导去噪网络;
其中,所述编码器由6层卷积层组成,6层卷积层为2层5×5浅特征提取层和4层3×3深特征提取层;所述解码器由6层反卷积层组成,6层反卷积层为4层3×3反卷积层和2层5×5反卷积层;
每层所述卷积层后都添加了BN层;所述编码器的卷积层由ReLU函数激活;所述解码器的反卷积层由PReLU函数激活;
所述残差连接包括第一残差连接、第二残差连接和第三残差连接;
所述第一残差连接从原始输入连接到解码器最后一层的BN层后;
所述第二残差连接从编码器第二层BN之后连接到解码器倒数第二层的BN后;
所述第三残差连接从编码器第四层BN之后连接到解码器倒数第四层的BN后。
2.根据权利要求1所述的基于残差多尺度特征提取的低剂量CT图像去噪网络,其特征在于,所述卷积层均使用零填充确保输入和输出的图像尺寸一致。
3.根据权利要求1所述的基于残差多尺度特征提取的低剂量CT图像去噪网络,其特征在于,所述多尺度特征提取模块,记为MSFE模块;所述MSFE模块包括MSFEA模块和MSFEB模块;所述MSFEA模块添加到第二残差连接中;所述MSFEB模块添加到第三残差连接中。
4.根据权利要求3所述的基于残差多尺度特征提取的低剂量CT图像去噪网络,其特征在于,所述MSFEA模块将输入分成4条路径进行多尺度特征提取,分别为3条卷积分支和1条直连分支,3条卷积分支的卷积核大小分别为(1×1),(1×1,3×3),(3×3,3×3,3×3),通道数分别为16,(16,16),(16,24,32),将3条卷积分支的输出结果按维度拼接后,通过一个卷积核大小为1×1,通道数为96的卷积层,将其输出结果与直连分支进行元素相加,送入去噪网络的PReLU层;所述MSFEA模块的每个卷积层后都添加BN层,且由ReLU非线性激活。
5.根据权利要求3所述的基于残差多尺度特征提取的低剂量CT图像去噪网络,其特征在于,所述MSFEB模块将输入分成3条路径进行多尺度特征提取,分别为2条卷积分支和一条直连分支,2条卷积分支的卷积核大小分别为(1×1),(1×1,1×7,7×1),通道数分别为96,(96,80,64),将2条卷积分支的输出结果按维度拼接后,通过一个卷积核大小为1×1,通道数为96的卷积层,将其输出结果与直连分支进行元素相加,送入去噪网络的PReLU层;所述MSFEB模块的每个卷积层后都添加BN层,且由ReLU非线性激活。
6.根据权利要求1所述的基于残差多尺度特征提取的低剂量CT图像去噪网络,其特征在于,所述MSE损失为:(1)
其中,(1)式中表示去噪网络,X表示LDCT图像,Y表示NDCT图像;
所述感知损失为:
(2)
其中,(2)式中表示由去噪模型生成的去噪图像,表示从特征提取网络中提取的第i层特征;
所述SSIM为:
(3)
其中,(3)式中,分别表示和的平均值,表示和的协方差,和分别表示和的方差,,为常数,所述SSIM损失为:
(4)。
7.根据权利要求6所述的基于残差多尺度特征提取的低剂量CT图像去噪网络,其特征在于,所述混合损失函数为:(5)
其中,(5)式中的,,是相应损失函数的权重系数。