【技术实现步骤摘要】
本专利技术属于医学成像，具体地，涉及基于稀疏角度锥形束ct的迭代重建网络方法及系统。具体是一种适用于高精度的稀疏角度锥形束ct迭代重建网络方法。
技术介绍
1、x射线计算机断层成像技术是一种非破坏性的成像技术，由于其精度高、无损伤等特点，被广泛应用于内部结构信息的三维定量检测。在针对动态过程的原位表征实验中，为满足动态实验时间分辨率要求，探测器需要高频率采样，而这与探测器曝光时间存在矛盾，因此，只能采用稀疏采样策略。
2、但是，稀疏采样违反nyquist-shannon采样定理，使用基于经典滤波反投影的锥形束重建方法fdk的结果存在明显的条形伪影。而采用代数迭代重建策略，通过添加基于压缩感知理论的总变分最小化(tvm)正则函数作为先验约束信息，使得重建图像能够一定程度的从稀疏信号中恢复。然而，原位力学样品结构复杂，不同样品断层图像差异性大，并不存在一致优异的通用正则函数；人工针对性设计的正则函数难以满足各种要求；而且，在投影信息高度缺失的情况下，代数迭代重建结果难以达到要求，重建断层图像劣化，严重影响了内部结构的定量化表征。
3、基于深度学习的卷积神经网络具备强大的特征拟合能力，能够通过稀疏采样信号重建优质结果。
4、然而，从ct图像角度出发的端到端重建网络，缺乏原始投影数据的补充，难以满足ct图像的一致性要求；从原始ct投影数据角度出发的双域联合重建网络，由于投影数据敏感性很高，容易造成过校正，引入新的伪影。并且，由于原位力学ct采集数据难度大且图像结构复杂而多样，很难有完备充足的数据集来训
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的是提供一种基于稀疏角度锥形束ct的迭代重建网络方法及系统。
2、根据本专利技术提供的一种基于稀疏角度锥形束ct的迭代重建网络方法，包括：
3、步骤s1：构建参数化物理模型与卷积神经网络模型φ；
4、步骤s2：基于步骤s1得到的模型结合深度学习，构建迭代重建网络模型ψ；
5、步骤s3：采集锥束ct图像，制作数据集；
6、步骤s4：根据数据集，训练迭代重建网络模型ψ，得到训练后的迭代重建网络模型ψ；
7、步骤s5:将待预测的稀疏采样投影图像与数据集中的ct实验几何参数输入迭代重建网络模型ψ，得到重建结果，即ct重建图像。
8、优选地，所述参数化物理模型，包括：ct成像模型proj与ct重建模型inv；
9、所述ct成像模型proj，用于模拟x射线透射的成像过程；
10、所述ct重建模型inv，用于ct代数迭代的重建过程；
11、所述卷积神经网络模型φ，主体框架为u-net网络结构，用于ct图像的去噪与重建，其迭代公式为：
12、xn+1＝res*xn-φ(xn)
13、其中，res表示残差系数，置为常数1；φ(xn)表示第n次迭代的断层图像x经过卷积神经网络模型φ的结果。
14、优选地，所述ct成像模型proj，数学表达式为：
15、
16、其中，y(θ,s)表示在ct扫描角度θ，探测器坐标s处采集的投影值，(α(i),β(i))表示在x射线光线路径上采样点为i处的坐标，α(i)表示x射线光线路径上第i个采样点的横坐标，β(i)表示x射线光线路径上第i个采样点的纵坐标；x为层图像；l表示离散的x射线光线路径，δl表示在x射线光线路径上的采样间隔；
17、所述ct重建模型inv，数学表达式为：
18、
19、其中，离散化的ram-lak斜坡滤波函数hr-l(s)，数学表达式为：
20、
21、其中，d表示采样间隔，取1；even表示偶数；odd表示奇数。
22、优选地，在所述步骤s2中：
23、步骤s2.1：将稀疏采样投影图像输入ct重建模型inv，得到初步重建结果；
24、步骤s2.2：将初步重建结果输入卷积神经网络模型φ，得到网络拟合断层图像；通过ct成像模型proj，得到拟合投影图像；
25、步骤s2.3：通过ct重建模型inv，将拟合投影图像与稀疏采样投影图像做差，得到残差断层图像；
26、步骤s2.4：令残差断层图像与拟合断层图像相结合，得到中间迭代输出结果，作为迭代重建的先验约束条件，并且判断是否达到目标迭代次数；是，则得出重建断层图像；否，则执行步骤s2.2；
27、所述迭代重建网络模型ψ中，包含6次迭代过程，数学表达式为：
28、xn+1＝xn-λ*inv[proj(φ(xn))-ylabel]
29、其中，λ为迭代参数；
30、在所述步骤s3中：
31、在所述数据集中，重建断层图像作为标签数据集xlabel，稀疏采样投影图像作为标签数据集ylabel，即作为稀疏采样投影图像ylabel。
32、优选地，在所述步骤s4中：
33、所述迭代重建网络模型ψ，输入端为稀疏采样投影图像ylabel，输出端为作为重建断层图像的重建断层结果；
34、所述迭代重建网络模型ψ的网络使用的损失函数，为输出端的重建断层结果与标签数据集xlabel的均方误差损失均方误差损失的表达式为：
35、
36、其中，ψ(y)表示输入为稀疏采样投影图像ylabel的输出端重建结果；║║表示范数符号；下标“2”表示l2范数；
37、在所述步骤s5中：
38、所述迭代重建网络模型ψ，使用ct成像模型proj与ct重建模型inv对卷积神经网络模型φ进行约束，表达式为：
39、
40、其中，minx表示取x的最小值。
41、根据本专利技术提供的一种基于稀疏角度锥形束ct的迭代重建网络系统，包括：
42、模块m1：构建参数化物理模型与卷积神经网络模型φ；
43、模块m2：基于模块m1得到的模型结合深度学习，构建迭代重建网络模型ψ；
44、模块m3：采集锥束ct图像，制作数据集；
45、模块m4：根据数据集，训练迭代重建网络模型ψ，得到训练后的迭代重建网络模型ψ；
46、模块m5:将待预测的稀疏采样投影图像与数据集中的ct实验几何参数输入迭代重建网络模型ψ，得到重建结果，即ct重建图像。
47、优选地，所述参数化物理模型，包括：ct成像模型proj与ct重建模型inv；
48、所述ct成像模型proj，用于模拟x射线透射的成像过程；
49、所述ct重建模型inv，用于ct代数迭代的重建过程；
50、所述卷积神经网络模型φ，主体框架为u-net网络结构，用于ct图像本文档来自技高网...
【技术保护点】
1.一种基于稀疏角度锥形束CT的迭代重建网络方法，其特征在于，包括：
2.根据权利要求1所述的基于稀疏角度锥形束CT的迭代重建网络方法，其特征在于，所述参数化物理模型，包括：CT成像模型proj与CT重建模型inv；
3.根据权利要求2所述的基于稀疏角度锥形束CT的迭代重建网络方法，其特征在于，所述CT成像模型proj，数学表达式为：
4.根据权利要求3所述的基于稀疏角度锥形束CT的迭代重建网络方法，其特征在于，在所述步骤S2中：
5.根据权利要求4所述的基于稀疏角度锥形束CT的迭代重建网络方法，其特征在于，在所述步骤S4中：
6.一种基于稀疏角度锥形束CT的迭代重建网络系统，其特征在于，包括：
7.根据权利要求6所述的基于稀疏角度锥形束CT的迭代重建网络系统，其特征在于，所述参数化物理模型，包括：CT成像模型proj与CT重建模型inv；
8.根据权利要求7所述的基于稀疏角度锥形束CT的迭代重建网络系统统，其特征在于，所述CT成像模型proj，数学表达式为：
9.根据权利要求8所述的
10.根据权利要求9所述的基于稀疏角度锥形束CT的迭代重建网络系统，其特征在于，在所述模块M4中：
...【技术特征摘要】
1.一种基于稀疏角度锥形束ct的迭代重建网络方法，其特征在于，包括：
2.根据权利要求1所述的基于稀疏角度锥形束ct的迭代重建网络方法，其特征在于，所述参数化物理模型，包括：ct成像模型proj与ct重建模型inv；
3.根据权利要求2所述的基于稀疏角度锥形束ct的迭代重建网络方法，其特征在于，所述ct成像模型proj，数学表达式为：
4.根据权利要求3所述的基于稀疏角度锥形束ct的迭代重建网络方法，其特征在于，在所述步骤s2中：
5.根据权利要求4所述的基于稀疏角度锥形束ct的迭代重建网络方法，其特征在于，在所述步骤s4中：
<...【专利技术属性】
技术研发人员：许峰，笪文涛，李经纬，肖宇，胡小方，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。