(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 202211070585.5 (22)申请日 2022.09.02 (71)申请人 山东财经大学 地址 250000 山东省济南市历下区二环东 路7366号 申请人 山东九德智能科技有限公司 (72)发明人 蹇木伟　于小洋　靳悦　王芮　 (74)专利代理 机构 济南泉城专利商标事务所 37218 专利代理师 张贵宾 (51)Int.Cl. G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于图像增强和扩散模型的低剂量CT 图像降噪方法 (57)摘要 本发明提供了一种基于图像增强和扩散模 型的低剂量CT图像降噪方法,S1： 构建低剂量CT 图像样本集 ， 对 进行多步处 理以达到 的成像水平； S2： 将 通过 滤波器， 得到 输出 ； S3： 对 进行CT图像特征增强， 得到输 出 ； S4： 通过残差卷积模块对图像进行 降噪重建， 输出图像 ； S5： 将 输入到公开的深 度生成模型扩散去噪模型 （DDPM） 中， 将原始数据 分布变为正态分布 ， 使用参数化的U ‑Net神经 网络将 从正态分布恢复到原始数据分布 。 通 过 本发 明的 技 术 方 案 ， 采 用基 于 视 觉 Transformer和扩散概率模型的低剂量CT图像联 合降噪技术来实现 降低CT图像噪点以达到提升 图像质量的目标。 具体实施时， 本发明技术方案 可采用计算机软件技 术实现自动运行流 程。 权利要求书3页 说明书8页 附图1页 CN 115409733 A 2022.11.29 CN 115409733 A 1.一种基于 图像增强和扩散模型的低剂量CT图像降噪方法， 其特征在于,具体包括以 下步骤： S1： 构建低剂量CT图像样本集 ， 其中 为低剂量CT图像， 为普通剂量CT图像， 对 进行多步处 理以达到 的成像水平； S2： 将 通过 滤波器， 得到 输出 ； S3： 对 进行CT图像特征增强， 通过局部注意力模块， 在图像空间域应用滑动窗口计 算注意力， 在特 征空间域应用聚类 计算注意力， 最终得到 输出 ； S4： 通过残差卷积模块对图像进行降噪重建， 输出图像 ； 对经过纹理增强后的图 像进行降噪可以在获得降噪效果的同时不丢失纹 理细节； S5： 将 输入到公开的深度生 成模型扩散去噪模 型 （DDPM） 中， 模型分为扩散过程和逆扩 散过程两个阶段， 在扩散阶段， 通过不断对 添加高斯噪声， 将原始数据分布变为正态分布 ； 在逆扩散阶段， 使用参数化的U ‑Net神经网络将 从正态分布恢复到原 始数据分布 。 2.根据权利要求1所述的一种基于 图像增强和扩散模型的低剂量CT图像降噪方法,其 特征在于,所述 步骤S2具体包括以下步骤： S2‑1： 将两种类型包括垂直、 水平方向的算子定义为一组， 与 进行卷积运算， 获得一 组特征图 ， 以提取边 缘信息； S2‑2： 将上一 步输出的特 征图与 在通道维度上叠加， 得到该模块的最终输出 ； (1) 其中， 表示利用 算子进行 卷积运算。 3.根据权利要求1所述的一种基于 图像增强和扩散模型的低剂量CT图像降噪方法,其 特征在于,所述 步骤S3具体包括以下步骤： S3‑1： 利用公开的预训练模型ViT中线性嵌入层的操作,对 进行变换得到该模块的 输入 ； (2) 其中， 为线性嵌入层操作， 该操作将每个二维图像块展平为一维向量嵌入然后将其 线性投影到所需的输入维度中； S3‑2： 通过局部注意力机制模块 ， ： (3) 其中， 表示第一阶段局部注意力机制模块； S3‑3： 依次输入到 ， ， 中， 共计4阶段， 并在相邻局部注 意力机制模块中间插 入一次卷积层作为特 征融合， 共计3次， 最终得到 输出 ； (7) (8)权　利　要　求　书 1/3 页 2 CN 115409733 A 2(9) 其中， 表示开源的Pyt hon机器学习库torch.nn中的Conv2d函数， 卷积 核为3×3 大小， 步长为2。 4.根据权利要求3所述的一种基于 图像增强和扩散模型的低剂量CT图像降噪方法,其 特征在于,所述 步骤S3‑2具体包括以下步骤： S3‑2‑1： 通过正则化层与公开的预训练模型Swin  Transformer中图像空间局部注意 力模块 后在图像空间域进行 特征增强得到 ； (4) 其中 是图像空间局部注意力模块， 是正则化层， 过程采用了开源的Python 机器学习库torch.nn中的LayerNorm函数， 后续提及的正则化层均为当前正则化层的相同 操作； S3‑2‑2： 先后通过正则化层和公开的预训练模型BOAT中图像特征空间局部注意力 模块 中， 得到 ； (5) 其中， 表示图像特 征空间局部注意力模块； S3‑2‑3： 通过正则化层和全连接层后得到第一阶段局部注意力模块的输出 ， 此过程包含残差快速链接； (6) 其中， 表示全连接层。 5.根据权利要求1所述的一种基于 图像增强和扩散模型的低剂量CT图像降噪方法,其 特征在于,所述 步骤S4具体包括以下步骤： S4‑1： 对 变形为特征图 ， 输送到包含两个卷积层和一个激活层的ResNet模块中得 到输出 ； (10) S4‑2： 类似地， 通过另一个相同的 模块后得到 输出 ；  (11) 其中， 表示torch.nn中的Conv2d函数， 卷积核为3 ×3大小， 步长为1, 表 示torch.nn中的ReLU函数， 变形操作采用了开源 的数值计算扩展库Numpy中的reshape函 数。 6.根据权利要求1所述的一种基于 图像增强和扩散模型的低剂量CT图像降噪方法,其 特征在于,所述 步骤S5具体包括以下步骤： S5‑1： 执行扩散过程， 在扩散过程方差设置为从 到 线性增加的常 数， 设置为1000， 直到图像信号被完全破坏， 通过马尔可夫过程的特性可以推导出任意时权　利　要　求　书 2/3 页 3 CN 115409733 A 3