【技术实现步骤摘要】
本专利技术涉及一种thz-ct图像重建方法，具体涉及一种基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法。
技术介绍
1、thz-ct是一种基于太赫兹波的非接触成像技术。作为一种非电离辐射，太赫兹波的能力远低于x射线，因此不会对生物组织或工业材料造成电离损伤，特别适用于活体检测，能够在不损伤患者或样本的前提下安全进行成像。然而，thz-tds系统采用逐点扫描的方式对样品大面积进行扫描时，采样速度较慢，难以满足实时成像的需求。其中一种可以有效解决上述问题的方法就是减少thz-tds系统采样的视角数量，进行稀疏视角重建，但由于没有达到其重建所需的满角度时，其重建的图像会产生许多条纹伪影，并随着视角的减少，其产生的条纹伪影情况越严重。目前，被广泛应用于稀疏角度重建的算法有滤波反投影算法和代数重建算法，但随着投影角度的减少，两种算法在重建图像中会产生大量伪影和噪声，并伴随波束硬化效应，从而导致图像质量显著下降。而基于深度学习的重建算法，典型代表u-net能够同时捕捉图像的全局和局部信息，并在去除噪声的同时保持图像的细节和结构。但对于极端稀疏角度来说，大部分网络对于图像的高频及边缘信息丢失严重，导致重建图像质量差。
技术实现思路
1、本专利技术的目的在于克服现在技术的不足，提供一种基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，所述的thz-ct重建算法可实现直接对极端稀疏视角的正弦图进行重建，能够保留丰富高频细节与边缘信息。
2、本专利技术解决
3、一种基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，包括以下步骤：
4、(s1)、使用太赫兹时域光谱系统的探测元件以等间隔角度移动采集对应视角的强度数据(正弦图)放入图像集a中；
5、(s2)、将图像集a中的图像再进行等间隔提取，得到极端稀疏采样视角的正弦图图像集b并制作图像集b的掩模图集c；
6、(s3)、将图集b和图集c中的图像放入训练好的正弦域图像处理模型中，得到优化后的正弦图图集d；
7、(s4)、基于pytorch中搭建的fista算法将图集d中的优化后的正弦图初始重建为ct图像集e；
8、(s5)、将ct图像集e放入训练好的图像域处理模型中，得到优化后的ct图像。
9、根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，在步骤(s3)中，正弦域图像处理模型的训练包括以下步骤：
10、(s3-1)、将图像集b中的图像首先放入正弦域图像重建网络得到优化后的图像集new，然后将图像集b、图像集c和图像集new同时输入数据一致性层中，得到图像集sino-after；
11、(s3-2)、计算正弦域图像处理模型最终输出图像集sino-after与图像集a之间的损失函数值。
12、根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，在步骤(s5)中，图像域处理模型的训练包括以下步骤：
13、(s5-1)、利用fista算法对s1采集的正弦图重建后的ct图像放入图像集image-label中；
14、(s5-2)、构建一个多层次编解码器框架的图像域处理模型，其中包括图像域重建网络和高频重建层的构建；
15、(s5-3)、计算图像域处理模型最终数据图像集image-after与图像集image-label之间的损失函数值；
16、(s5-4)、将(s3-2)与(s5-3)两者损失函数结合并反向传播更新网络权重与参数，训练的优化器为adam，当达到设定的轮次时停止更新模型权重和偏置参数，得到训练完备的多域多尺度特征融合神经网络。
17、优选的，在步骤(s1)中，等间隔采集对应视角的强度数据为thz-ct重建中所需满角度180个的1/5。
18、优选的，在步骤(s2)中，对图像集a再进行等间隔提取为thz-ct重建中所需满角度180个的1/15、1/20、1/30、1/60。
19、优选的，根据权利要求2所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，正弦域图像重建网络将通道数分割为正弦域分支和傅里叶正弦域分支；首先将通道数为1的特征图经过2次通道扩展至128，然后放入正弦域图像重建网络，正弦域分支包括多层卷积层和通道空间注意力机制，其中卷积层为4个3×3卷积块组成；傅里叶正弦域分支采用快速傅里叶变换对特征图的特征进行提取并使用1个3×3卷积块组成；随后将两个分支输出进行通道合并且加入残差连接；最后使用1个3×3卷积恢复至输入形态；数据一致性层将优化后的正弦图与掩模图像相乘，得到未采样部分的优化图像，将其与极端稀疏采样正弦图像集b中的图像相加，最终得到正弦域图像处理模型优化后的正弦图。
20、优选的，根据权利要求3所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，图像域处理模型包括编码器、解码器、浅层提取模块、图像域重建网络和高频重建层；初级编码器将ct图下采样通道数以2n的形式递增；高级编码器上采样通道则以2n的形式递减，其中初级编码器通道数为64的ct图通过浅层提取模块来捕捉不同尺度的特征；图像域重建网络与正弦域图像重建网络类似，分为图像域分支与图像傅里叶域分支，图像域分支采用gru门控卷积单元增强时序特征的捕捉能力，图像傅里叶域分支则与正弦域图像重建网络一致；低级解码器则将图像域重建网络的输出进行上采样至与高级编码器保持一致；高级解码器即高频重建层引入拉普拉斯金字塔提取图像中的轮廓和细节，融合低频特征、边缘特征及高频特征对ct图像进行高质量重建。
21、优选的，训练网络的损失函数包括3个，分别为如下：正弦域图像处理模型中的由l1损失构成和由多尺度结构相似性损失构成，图像域处理模型中的由均方误差损失构成。l1损失函数为：
22、
23、其中，y是正弦图真实值；是正弦图预测值；多尺度结构相似性损失函数为：
24、
25、均方误差损失函数为：
26、
27、其中，x是ct真实值；是ct预测值；
28、最后网络损失函数为：
29、
30、其中，z是网络输出真实值；是网络输出预测值；α和β均为0.5。本专利技术与现有技术相比具有以下的有益效果：
31、1、本专利技术的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法将数据一致性层融入正弦域图像处理模型中，确保正弦域图像重建网络优化后的正弦图与极端稀疏采样数据的保真性，避免因网络过度优化而丢失原始成功采样的数据，同时避免在图像生成过程中引入虚假信息导致失真现象。
32、2、本专利技术的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建本文档来自技高网...
【技术保护点】
1.一种基于多域多尺度特征融合神经网络的极端稀疏角度THz-CT重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度THz-CT重建方法，其特征在于，在步骤(S3)中，正弦域图像处理模型的训练包括以下步骤：
3.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度THz-CT重建方法，其特征在于，在步骤(S5)中，图像域处理模型的训练包括以下步骤：
4.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度THz-CT重建方法，其特征在于，在步骤(S1)中，等间隔采集对应视角的强度数据为THz-CT重建中所需满角度180个的1/5，即36个。
5.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度THz-CT重建方法，其特征在于，在步骤(S2)中，对图像集A再进行等间隔提取为THz-CT重建中所需满角度180个的1/15、1/20、1/30、1/60，即12、9、6、3个。
6.根据权利要求2所述的基于多域多尺度特征融合神经网络的极
7.根据权利要求3所述的基于多域多尺度特征融合神经网络的极端稀疏角度THz-CT重建方法，其特征在于，图像域处理模型包括编码器、解码器、浅层提取模块、图像域重建网络和高频重建层；初级编码器将CT图下采样通道数以2N的形式递增；高级编码器上采样通道则以2N的形式递减，其中初级编码器通道数为64的CT图通过浅层提取模块来捕捉不同尺度的特征；图像域重建网络与正弦域图像重建网络类似，分为图像域分支与图像傅里叶域分支，图像域分支采用GRU门控卷积单元增强时序特征的捕捉能力，图像傅里叶域分支则与正弦域图像重建网络一致；低级解码器则将图像域重建网络的输出进行上采样至与高级编码器保持一致；高级解码器即高频重建层引入拉普拉斯金字塔提取图像中的轮廓和细节，融合低频特征、边缘特征及高频特征对CT图像进行高质量重建。
8.根据权利要求2与权利要求3所述的基于多域多尺度特征融合神经网络的极端稀疏角度THz-CT重建方法，其特征在于，训练网络的损失函数包括3个，分别为如下：正弦域图像处理模型中的由L1损失构成和由多尺度结构相似性损失构成，图像域处理模型中的由均方误差损失构成。L1损失函数为：
...【技术特征摘要】
1.一种基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，在步骤(s3)中，正弦域图像处理模型的训练包括以下步骤：
3.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，在步骤(s5)中，图像域处理模型的训练包括以下步骤：
4.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，在步骤(s1)中，等间隔采集对应视角的强度数据为thz-ct重建中所需满角度180个的1/5，即36个。
5.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，在步骤(s2)中，对图像集a再进行等间隔提取为thz-ct重建中所需满角度180个的1/15、1/20、1/30、1/60，即12、9、6、3个。
6.根据权利要求2所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，正弦域图像重建网络将通道数分割为正弦域分支和傅里叶正弦域分支；首先将通道数为1的特征图经过两次通道扩展至128，然后放入正弦域图像重建网络，正弦域分支包括多层卷积层和通道空间注意力机制，其中卷积层为4个3×3卷积块组成；傅里叶正弦域分支采用快速傅里叶变换对...
【专利技术属性】
技术研发人员：邸江磊，方炯燊，豆嘉真，钟丽云，秦玉文，
申请(专利权)人：广东工业大学，
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。