基于半近端算子的低剂量电子计算机断层扫描成像方法技术

本发明专利技术公开了一种基于半近端算子的低剂量电子计算机断层扫描成像方法，其特点是结合深度卷积残差高斯去噪网络和半近端交替方向乘子法，解决低剂量断层扫描成像问题，具体包括：训练数据集预处理；建立深度卷积残差高斯去噪网络模型；模型推理，得到重建结果等步骤。本发明专利技术与现有其他方法相比，同时考虑并且融合了能量泛函模型和深度学习算法，有效解决了在医学图像上稀疏断层扫描成像效果不好的问题，使用模型对低剂量断层扫描数据进行高质量成像是临床检查和辅助治疗的关键。像是临床检查和辅助治疗的关键。像是临床检查和辅助治疗的关键。

【技术实现步骤摘要】
基于半近端算子的低剂量电子计算机断层扫描成像方法


[0001]本专利技术涉及计算机断层扫描成像
，是一种基于半近端算子的低剂量电子计算机断层扫描成像方法。

技术介绍

[0002]X射线计算机断层扫描(CT)是一种广泛应用于医学诊断目的的无损检测。然而，使用X射线作为成像介质会对暴露于电离辐射的患者造成伤害。因此，当今X射线CT研究的主要目标之一是减少患者受到的辐射照射。一种降低剂量的方法是稀疏视角CT透视，其目的是减少X射线的照射角度。然而，尽管这种方法降低了患者的总辐射剂量，但这种稀疏投影会使重建图像中产生条纹伪影。因此，为了提高CT图像质量，减少辐射对患者的伤害，研究低剂量电子计算机扫描的成像方法具有重要意义。
[0003]自深度学习发展以来，以卷积神经网络为代表的方法已被广泛应用于计算机视觉的各个领域中，也出现了各种基于编码器
‑
解码器结构的网络模型来实现稀疏CT图像重建。这些方法泛化性弱，其严重依赖于数据集以及成像角度的数量。例如，用60个角度的腹部CT数据集训练出来的网络模型，应用到45个角度的腰部CT数据上时，效果无法让人满意。此外，有些方法考虑到能量泛函优化模型，并引入神经网络作为去噪器，迭代的重建CT图像。然而，现有方法往往需要多次迭代，存在着计算量大、优化困难、实时性差等缺点。因此，如何设计一种泛化性强、迭代次数少、重建质量高的低剂量CT成像算法具有挑战性。

技术实现思路

[0004]本专利技术的目的在于，针对现有技术的不足，提出了一种基于半近端算子的低剂量电子计算机断层扫描成像方法，该方法是基于带有隐式正则的能量泛函模型。它采用变量分裂法，由基于半近端交替方向乘子法的即插即用算法(PnP
‑
spADMM)迭代求解。其中使用了以自然图像集作为训练集的高斯去噪神经网络。所提出的迭代方法以稀疏投影后的正弦域数据作为输入，交替的进行去噪
‑
投影
‑
增广变量更新等步骤直至收敛。模型输出的是高质量的CT重建图像，较好的解决了低剂量CT图像重建问题中泛化性弱、重建时间长、图像质量低的问题，可以减少患者所受的辐射剂量，便于精准的辅助医疗诊断。
[0005]实现本专利技术目的的具体技术方案是：
[0006]一种基于半近端算子的低剂量电子计算机断层扫描成像方法，特点是对于能量泛函模型和深度学习算法的融合，该方法包括以下具体步骤：
[0007]步骤1：对数据集进行预处理
[0008]对DIV2K数据集，从高分辨率的自然图像中，划分出训练集与验证集，通过随机的水平翻转、垂直翻转和缩放，对图像进行数据增强，并对数据进行归一化，此外，将腹部、胸部和骨盆的CT图像作为测试集；
[0009]步骤2：高斯去噪神经网络模型的构建
[0010]基于PyTorch深度学习框架，构建深度卷积残差高斯去噪神经网络模型；
[0011]步骤3：网络模型的训练
[0012]将步骤1中预处理后的训练集中的数据样本输入所述神经网络模型进行训练，并保存在验证集上性能表现最好的网络模型权重；
[0013]步骤4：低剂量断层扫描成像
[0014]CT图像重建模型为：
[0015][0016]其中，u为待重建的高质量CT图像，f为扫描后的正弦域数据，R为低剂量稀疏扫描的系统矩阵，F(u)为由网络模型隐式定义的图像先验项，称为模型的数据项，||
·
||为Frobenius范数，λ>0为先验项和数据项之间的平衡参数；表示取得最小值时的图像u；当能量泛函取得最小值时的那个图像u即为重建出来的CT图像；另外，把滤波反重建矩阵记作R
+
；采用交替方向乘子法即ADMM，分裂的变量记作v，增广变量记作b，模型超参数为α,λ,β>0，最大迭代次数N；上标代表迭代次数；那么，基于ADMM的第k+1步为：
[0017][0018][0019]b
k+1
＝b
k
+Ru
k+1
‑
v
k+1
.
[0020]然而，由于系统矩阵往往不满秩，且维数较大，故u子问题难以求解；为了解决这一难题，在u子问题上加上一个半近端项其中矩阵P＝αI
‑
βR
T
R，I指单位矩阵，R
T
表示矩阵的转置矩阵；当矩阵P半正定时，为矩阵x的用P导出的半范数；这样，算法变成：
[0021][0022][0023]b
k+1
＝b
k
+Ru
k+1
‑
v
k+1
[0024]记保存的最佳网络模型记作D0，给定图像y，假设网络模型D0解决的是如下的极小化问题
[0025][0026]初始化变量u＝R
+
f,v＝f,b＝0，那么经过推导，本专利技术提出的基于半近端交替方向乘子法的即插即用算法PnP
‑
spADMM迭代的第k+1步的等价形式为：
[0027][0028][0029]b
k+1
＝b
k
+Ru
k+1
‑
v
k+1
[0030]在测试集上，利用步骤3保存的最佳网络模型权重，根据PnP
‑
spADMM算法，迭代求解能量泛函模型，直至收敛，并可视化最终结果。
[0031]步骤4的基于半近端交替方向乘子法的即插即用算法，融合了高斯去噪神经网络，利用迭代算法求解能量泛函模型。
[0032]本专利技术在原有的基于交替方向乘子法的即插即用算法的基础上，增加了半近端项，解决了去噪子问题无法求解的问题；所运用的神经网络为高斯去噪网络，并使用自然图像DIV2K训练。
[0033]本专利技术与现有技术相比具有以下有益的技术效果：
[0034]1)构建的模型中的去噪网络以自然图像集训练，无需特定的CT图像，对数据集依赖性低；
[0035]2)使用基于半近端算子的基于半近端交替方向乘子法的即插即用算法，收敛快，迭代少，重建时间短；
[0036]3)在不同的CT图像和不同数量的投影角度情况下皆可实现较好的图像重建质量，泛化性较好。
附图说明
[0037]图1为本专利技术构建的网络模型示意图；
[0038]图2
‑
3为实施例的模型实验结果图。
具体实施方式
[0039]参阅图1，本专利技术按下述步骤进行CT图像重建：
[0040]步骤1：对数据集进行预处理
[0041]在DIV2K数据集上实现，从高分辨率的自然图像中，划分出训练集与验证集，通过随机的水平翻转、垂直翻转和缩放，对图像进行数据增强，并对数据进行归一化；此外，将腹部、胸部和骨盆的CT图像作为方法的测试集；
[0042]步骤2：高斯去噪神经网络模型的构建
[0043]基于PyTor本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半近端算子的低剂量电子计算机断层扫描成像方法，其特征在于，该方法包括以下具体步骤：步骤1：对数据集进行预处理对DIV2K数据集，从高分辨率的自然图像中，划分出训练集与验证集，通过随机的水平翻转、垂直翻转和缩放，对图像进行数据增强，并对数据进行归一化，此外，将腹部、胸部和骨盆的CT图像作为测试集；步骤2：高斯去噪神经网络模型的构建基于PyTorch深度学习框架，构建深度卷积残差高斯去噪神经网络模型；步骤3：网络模型的训练将步骤1中预处理后的训练集中的数据样本输入所述神经网络模型进行训练，并保存在验证集上性能表现最好的网络模型权重；步骤4：低剂量断层扫描成像CT图像重建模型为：其中，u为待重建的高质量CT图像，f为扫描后的正弦域数据，R为低剂量稀疏扫描的系统矩阵，F(u)为由网络模型隐式定义的图像先验项，称为模型的数据项，||
·
||为Frobenius范数，λ>0为先验项和数据项之间的平衡参数；表示取得最小值时的图像u；当能量泛函取得最小值时的那个图像u即为重建出来的CT图像；另外，把滤波反重建矩阵记作R
+
；采用交替方向乘子法即ADMM，分裂的变量记作v，增广变量记作b，模型超参数为α,λ,β>0，最大迭代次数N；上标代表迭代次数；那么，基于ADMM的第k+1步为：ADMM的第k+1步为：b
k+1
＝b
k
+Ru
k+1
‑
v

【专利技术属性】
技术研发人员：韦德亮，黎芳，曾铁勇，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：