一种制造技术

本申请实施例提供了一种

【技术实现步骤摘要】
一种CT图像重建方法及装置


[0001]本申请实施例涉及计算机
，尤其涉及一种
CT
图像重建方法及装置
。

技术介绍

[0002]计算机断层扫描
(computed tomography,CT)
技术通过探测从不同角度穿过物体的
X
射线，重建整个物体的线衰减系数，最终反映出物体内部的物质与结构，增强了人们对物体内部结构的观察能力
。CT
技术具有测速度快
、
检测费用低
、
成像质量高
、
限制条件少等优点，因而被广泛应地应用于医学诊疗
、
图像引导介入
、
工业无损检测等领域
。
[0003]近年来，随着
CT
技术的广泛应用，
CT
重建算法也取得了长足发展
。
特别是随着人工智能技术方兴未艾，深度学习技术已逐步成为
CT
技术的一种主要重建方法，许多传统
CT
重建方法中存在的问题有望借助于深度学习技术得到更好的解决
。
将深度学习技术应用于
CT
重建的主要思路是将神经网络融入重建过程中，比如将解析重建算法中的加权
、
滤波
、
反投影等计算步骤用神经网络实现，或者将迭代重建算法中的迭代计算步骤用神经网络替代
。
[0004]将深度学习技术应用于
CT
重建，显著地提高了
CT
图像的成像质量
。
但是受深度神经网络黑箱特性的影响，深度学习技术与
CT
重建方法相结合仍然存在一些挑战，即重建网络的健壮性和泛化性
。
正是由于深度神经网络缺乏可解释性，导致了所设计的神经网络严重依赖于数据集的质量，需要海量的高精度数据进行训练，且输入数据分布的微弱变化都有可能导致计算结果不正确
。
为了克服传统深度学习方法缺乏可解释性的缺点，研究者提出通过展开基于模型的迭代算法构造深度神经网络来解决
。
针对这一思路，业界提出一些方案，但是这些方案或者需要采用较多的近似计算，导致
CT
重建方法的计算精度降低，从而降低迭代展开神经网络的计算精度，或者需要直接采用神经网络替换压缩感知正则项，没有进行神经网络展开，导致构造的
CT
重建网络的可解释性降低
。

技术实现思路

[0005]本申请实施例提供了一种
CT
图像重建方法及装置，用以提高整体
CT
重建网络的可解释性，从而可以改善重建的
CT
图像的成像质量
。
[0006]第一方面，本申请实施例提供了一种
CT
图像重建方法，包括：
[0007]获取第一对象的投影数据；
[0008]将所述投影数据输入至
CT
迭代展开重建网络，得到所述第一对象对应的目标
CT
图像；
[0009]其中，所述
CT
迭代展开重建网络是对
CT
迭代重建算法中的保真项以及压缩感知正则项或总变分
TV
正则项进行神经网络展开得到的
。
[0010]上述技术方案中，通过针对
CT
迭代重建算法中的保真项以及压缩感知正则项或总变分
TV
正则项直接进行神经网络展开，即可得到完整的
CT
迭代展开重建网络，如此可以提高整体
CT
重建网络的可解释性，从而可以改善重建的
CT
图像的成像质量
。
[0011]在一种可能的实现方式中，所述投影数据是
CT
系统根据系统参数对所述第一对象
进行扫描得到的，或者所述投影数据是计算设备根据所述系统参数对所述第一对象进行模拟得到的
。
[0012]上述技术方案，投影数据的获取方式灵活多样，可以满足不同用户的需求，从而使得该方案的应用场景较为广泛
。
[0013]在一种可能的实现方式中，所述
CT
迭代展开重建网络包括依次串联处理的
m
个子网络，所述
m
个子网络的网络结构相同，所述
m
为大于1的整数
。
[0014]上述技术方案中，通过采用多个串联连接的子网络，可以实现对投影数据的有效迭代处理，以此获得重建的
CT
图像，并可以提高整体
CT
重建网络的可解释性
。
[0015]在一种可能的实现方式中，将所述投影数据输入至
CT
迭代展开重建网络，得到所述第一对象对应的目标
CT
图像，包括：
[0016]将所述投影数据依次通过所述
m
个子网络，得到所述目标
CT
图像
。
[0017]上述技术方案中，通过多个串联连接的子网络对投影数据进行迭代处理，可以有效完成针对投影数据的重建，以此获得视觉质量比较高的目标
CT
图像
。
[0018]在一种可能的实现方式中，所述
m
个子网络中包括的位于起始位置的第一子网络用于作为所述
CT
迭代展开重建网络的输入端，所述
m
个子网络中包括的位于末尾位置的第
m
子网络用于作为所述
CT
迭代展开重建网络的输出端，所述第一子网络获取的输入数据中包括所述投影数据，所述第
m
子网络确定的输出数据中包括所述目标
CT
图像；
[0019]所述
m
个子网络中包括的第
i
子网络，用于根据所述投影数据以及第
i
‑1子网络输出的多个不同类型的第一数据，确定多个不同类型的第二数据，所述多个不同类型的第二数据以及所述投影数据用于作为第
i+1
子网络的输入数据，所述多个不同类型的第二数据与所述多个不同类型的第一数据一一对应，所述第
i
子网络为所述
m
个子网络中除所述第一子网络和所述第
m
子网络之外的其它子网络中的任一个子网络
。
[0020]上述技术方案中，通过将投影数据以及多个不同类型的初始数据输入至处于起始位置的第一子网络，可以得到多个不同类型的数据，并将该投影数据以及多个不同类型的数据输入至下一个子网络，以此类推，直至到处于末尾位置的子网络，如此可以有效地迭代出视觉质量高的
CT
图像
。
[0021]在一种可能的实现方式中，任一个子网络中包括正投影网络层
、
多个反投影网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种计算机断层扫描
CT
图像重建方法，其特征在于，包括：获取第一对象的投影数据；将所述投影数据输入至
CT
迭代展开重建网络，得到所述第一对象对应的目标
CT
图像；其中，所述
CT
迭代展开重建网络是对
CT
迭代重建算法中的保真项以及压缩感知正则项或总变分
TV
正则项进行神经网络展开得到的
。2.
如权利要求1所述的方法，其特征在于，所述投影数据是
CT
系统根据系统参数对所述第一对象进行扫描得到的，或者所述投影数据是计算设备根据所述系统参数对所述第一对象进行模拟得到的
。3.
如权利要求1或2所述的方法，其特征在于，所述
CT
迭代展开重建网络包括依次串联处理的
m
个子网络，所述
m
个子网络的网络结构相同，所述
m
为大于1的整数
。4.
如权利要求3所述的方法，其特征在于，将所述投影数据输入至
CT
迭代展开重建网络，得到所述第一对象对应的目标
CT
图像，包括：将所述投影数据依次通过所述
m
个子网络，得到所述目标
CT
图像
。5.
如权利要求4所述的方法，其特征在于，所述
m
个子网络中包括的位于起始位置的第一子网络用于作为所述
CT
迭代展开重建网络的输入端，所述
m
个子网络中包括的位于末尾位置的第
m
子网络用于作为所述
CT
迭代展开重建网络的输出端，所述第一子网络获取的输入数据中包括所述投影数据，所述第
m
子网络确定的输出数据中包括所述目标
CT
图像；所述
m
个子网络中包括的第
i
子网络，用于根据所述投影数据以及第
i
‑1子网络输出的多个不同类型的第一数据，确定多个不同类型的第二数据，所述多个不同类型的第二数据以及所述投影数据用于作为第
i+1
子网络的输入数据，所述多个不同类型的第二数据与所述多个不同类型的第一数据一一对应，所述第
i
子网络为所述
m
个子网络中除所述第一子网络和所述第
m
子网络之外的其它子网络中的任一个子网络
。6.
如权利要求5所述的方法，其特征在于，任一个子网络中包括正投影网络层
、
多个反投影网络层和多个卷积神经网络层，所述多个反投影网络层相同，所述多个卷积神经网络层各不相同，所述多个卷积神经网络层中包括第一卷积神经网络层
、
第二卷积神经网络层
、
第三卷积神经网络层
、
第四卷积神经网络层
、
第五卷积神经网络层和第六卷积神经网络层；针对所述第
i
子网络，所述第
i

【专利技术属性】
技术研发人员：桂志国，张鹏程，张丽媛，刘祎，舒华忠，陈阳，
申请(专利权)人：中北大学，
类型：发明
国别省市：