基于深度融合神经网络的稀疏视角CT成像方法和设备技术

本发明专利技术公开了一种基于深度融合神经网络的稀疏视角CT成像方法和设备。该方法通过获取稀疏视角的投影测量数据来降低单次CT扫描照射剂量，并使用滤波反投影法得到初始CT图像；构建由初始CT图像编码器、投影测量数据编码器、深层特征融合模块、融合特征解码器和全局信息补充模块构成的深度融合神经网络，训练深度融合神经网络，在训练过程中使用模拟退火进行人工衰减，损失函数由平均绝对误差和结构相似性误差组合而成，最终获得高质量CT重建图像。本发明专利技术与其他计算量相当的CT重建方法如滤波反投影法相比，能够更有效地去除稀疏视角CT图像中的重建伪影，并能够显著提升经典的图像度量指标如均方根误差、峰值信噪比、结构相似性指标等。性指标等。性指标等。

【技术实现步骤摘要】
基于深度融合神经网络的稀疏视角CT成像方法和设备


[0001]本专利技术涉及医学图像重建领域及机器学习领域，尤其涉及一种基于深度融合神经网络的稀疏视角CT成像方法和设备。

技术介绍

[0002]X射线计算机层析成像(Computed Tomography)技术，简称CT技术，是现代医学重要的人体组织扫描和成像手段，被广泛运用于疾病筛查和临床诊断。其原理是根据朗博比尔定律，利用X射线在人体不同组织内的衰减不同，让X射线的发射端和接收端围绕着人体旋转，通过平扫(parallel beam)或锥形扫描(cone beam)的方式获得目标区域的三维信息。X射线的发射角度越多，从不同角度得到的人体组织信息越多，重建成像越清晰，但人体受到的辐射越多，扫描和重建时间也越长。如何平衡重建图像质量、辐射剂量和扫描/重建时间是CT成像算法研发的重点问题。
[0003]传统CT图像重建方法有三大类：反投影法、迭代重建算法和解析法。首先，反投影法将投影数据按照原投影路径平均分配到每一个点上。在对各个角度的投影值都进行了反投影后，把每个角度的反投影图像进行累加，从而重建图像。由于投影累加在图像中心处稠密但在边缘处稀疏，高频信号可能有所失真，导致图像中人体组织的边缘模糊。同时，反投影图像进行累加的过程会伴随明显的伪影(artifact)，投影数据越少，伪影越明显。反投影法重建速度快，但要求各个方向上的投影数据必须完备，扫描采样的角度越少，重建图像质量越低，所以反投影法无法在稀疏视角采样的条件下重建高质量图像。与之不同的是，迭代重建算法从一个初始猜测的图像出发，通过对反问题求近似解的方式，采用逐步逼近的方法将理论投影值和测量投影值不断进行迭代更新，直到最终获得最优解。此方法可使用不完整的采样数据如稀疏视角采样的投影测量数据，减少了噪声对重建图像质量的影响，并不再伴随明显的伪影，但由于该方法巨大的计算量导致图像重建速度缓慢。最后，解析法中，滤波反投影法在反投影法的基础上加入滤波函数从而减少投影数据的低频信号，增强高频信号。先对投影信号通过傅里叶变换在频域上进行滤波，再使用傅里叶逆变换后进行反投影的重建方法。其可以选择不同的滤波器使重建图像在震荡窗效应(震荡伪影)和在高频段(轮廓)较差的重建效果间进行平衡。该方法重建速度快，成像质量较高，但成像质量仍然受限于投影数据采样角度的完备程度。压缩感知方法可在信号采集端低的采样率的情况下，通过借助有效的信号先验信息如稀疏性(sparsity)，达到对图像的完美重建。该方法与其他传统方法相比，虽然可使用更少的投影信号重建出更精准的CT图像，符合使用稀疏视角采样数据的标准，但是计算量大和先验信息依赖性等问题依然没有有效解决。
[0004]随着硬件计算力的发展，深度神经网络得到了更为广泛的研究和运用。深度神经网络利用层序构造大规模复杂的算法模型，其具有自动化特征工程和强泛化能力等特点。在医疗图像领域，利用神经网络的图像重建算法模型开始作为传统医学图像重建方法的改良和补足，并在重建图像质量与重建速度上获得了显著提升。将深度神经网络技术应用在稀疏视角采样的CT图像重建领域的方法主要可分为两类：第一类直接通过稀疏视角采样所
得到的投影测量数据通过神经网络进行特征学习，直接从信号域到图像域跨模态重建生成重建图像。其优势在于输入数据需求单一，网络结构简单。然而为了更好的学习投影数据的全局特征，网络模型中需要使用多个全连接层，极大的提升了网络计算复杂性，导致网络的训练难度增大。第二类通过基于模型的神经网络方法，将传统CT图像重建算法分成多个模块，将其中单个或多个数学计算过程替换为神经网络进行实现。例如在滤波反投影法中，反投影的实现过程使用传统数学计算，再使用深度神经网络对其输出的重建图像进行后处理。该方法虽然避免了过于复杂的全连接层的计算，但是重建图像的质量依赖于重建模型的选择，导致投影数据中有效信息的损失。

技术实现思路

[0005]本专利技术针对现有技术的不足，提出一种基于深度融合神经网络的稀疏视角CT成像方法和设备，该方法基于传统的滤波反投影法对输入的CT投影测量数据做预处理，同时使用CT投影测量数据和初始CT图像的特征，通过神经网络的映射学习实现稀疏视角采样下的高质量CT图像重建。该方法有效利用了CT投影测量数据和初始CT图像中的信息，相对单一输入的神经网络提高了网络模型特征学习的有效性，在与稀疏视角和密集视角采样下的传统CT图像重建方法相比，该方法显著提升了重建图像的质量。本专利技术构建的深度融合神经网络包括：初始CT图像编码器，用于提取初始CT图像的深层图像特征；投影测量数据编码器，用于提取CT投影测量数据的正弦特征；深层特征融合模块，用于融合深层图像特征和正弦特征得到深层混合特征；融合特征解码器，用于解码深层混合特征，生成与初始CT图像张量尺寸相同的CT重建图像；全局信息补充模块，用于生成全局信息补充特征图对网络运算过程中遗失的全局特征进行补全；最后，针对整体网络模型设计混合损失函数。
[0006]根据本专利技术的第一方面，提供一种基于深度融合神经网络的稀疏视角CT成像方法，该方法包括以下步骤：S1，获取稀疏视角的CT投影测量数据；S2，对所述CT投影测量数据使用滤波反投影法得到初始CT图像；S3，构建深度融合神经网络，所述深度融合神经网络包括五个部分：初始CT图像编码器、投影测量数据编码器、深层特征融合模块、融合特征解码器和全局信息补充模块；所述初始CT图像编码器用于提取所述初始CT图像的深层图像特征；所述投影测量数据编码器用于提取所述CT投影测量数据的正弦特征；所述深层特征融合模块采用拼接操作，融合所述深层图像特征和所述正弦特征，得到深层混合特征；所述融合特征解码器用于解码所述深层混合特征，生成与所述初始CT图像张量尺寸相同的CT重建图像；所述全局信息补充模块由多个卷积层组成，分为若干级别，各级别依次连接，当前级别包含上一级别的所有卷积层及参数，并增加一层卷积核大于上一级别最大卷积核的卷积层，各级别输出的特征图尺寸与所述初始CT图像相同，且具有复数的通道数，将所有级别输出的特征图进行叠加，生成全局信息补充特征图；将所述融合特征解码器生成的CT重建图像和所述全局信息补充模块生成的全局信息补充特征图进行拼接，经过卷积层进行通道数合并，输出最终CT重建图像；
S4，训练深度融合神经网络，在训练过程中使用模拟退火进行人工衰减，损失函数由平均绝对误差和结构相似性误差组合而成；S5，将相同稀疏视角采样的CT投影测量数据输入训练好的深度融合神经网络中，得到CT重建图像。
[0007]进一步地，对CT扫描所获得的投影测量数据或计算机生成的仿真图像进行拉东正变换后得到的投影测量数据进行滤波反投影计算，得到初始CT图像。具体地，CT扫描所需要的物理参数包括：探测器位置、尺寸、采样间隔、射线源位置、采集角度和重建图像的尺寸，从而得到稀疏采样的投影测量数据；对计算机生成的仿真图像进行拉东正变换时可调整并模拟采集视角的稀疏度，生成不同稀疏度的投影测量数据。
[0008]进一步地，所述初始CT图像编码器逐级别提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度融合神经网络的稀疏视角CT成像方法，其特征在于，包括以下步骤：S1，获取稀疏视角的CT投影测量数据；S2，对所述CT投影测量数据使用滤波反投影法得到初始CT图像；S3，构建深度融合神经网络，所述深度融合神经网络包括五个部分：初始CT图像编码器、投影测量数据编码器、深层特征融合模块、融合特征解码器和全局信息补充模块；所述初始CT图像编码器用于提取所述初始CT图像的深层图像特征；所述投影测量数据编码器用于提取所述CT投影测量数据的正弦特征；所述深层特征融合模块采用拼接操作，融合所述深层图像特征和所述正弦特征，得到深层混合特征；所述融合特征解码器用于解码所述深层混合特征，生成与所述初始CT图像张量尺寸相同的CT重建图像；所述全局信息补充模块由多个卷积层组成，分为若干级别，各级别依次连接，当前级别包含上一级别的所有卷积层及参数，并增加一层卷积核大于上一级别最大卷积核的卷积层，各级别输出的特征图尺寸与所述初始CT图像相同，且具有复数的通道数，将所有级别输出的特征图进行叠加，生成全局信息补充特征图；将所述融合特征解码器生成的CT重建图像和所述全局信息补充模块生成的全局信息补充特征图进行拼接，经过卷积层进行通道数合并，输出最终CT重建图像；S4，训练深度融合神经网络，在训练过程中使用模拟退火进行人工衰减，损失函数由平均绝对误差和结构相似性误差组合而成；S5，将相同稀疏视角采样的CT投影测量数据输入训练好的深度融合神经网络中，得到CT重建图像。2.根据权利要求1所述的基于深度融合神经网络的稀疏视角CT成像方法，其特征在于，所述初始CT图像编码器逐级别提取输入的初始CT图像的特征并下采样；每一级别的特征提取操作按批量标准化层、卷积层、激活函数层、卷积层顺序执行，并使用最大池化层进行下采样；末级通过dropout层输出提取的深层图像特征。3.根据权利要求2所述的基于深度融合神经网络的稀疏视角CT成像方法，其特征在于，所述融合特征解码器逐级别对深层混合特征进行解码；每一级别的解码操作按批量标准化层、上采样层、卷积层顺序执行；每一级别的上采样层输出与初始CT图像编码器的同级别输出特征进行长跳跃式连接；末级通过上采样层和dropout层，dropout层输出与初始CT图像进行长跳跃式连接，最后通过卷积层输出与初始CT...

【专利技术属性】
技术研发人员：徐阳迪，林宏翔，许莹莹，李劲松，
申请(专利权)人：之江实验室，
类型：发明
国别省市：