【技术实现步骤摘要】
本专利技术涉及放射医学图像处理，具体涉及一种基于深度学习的有限角投影相衬ct图像重建方法及装置。
技术介绍
1、相比传统x射线吸收ct成像技术，x射线相衬ct成像技术可以对弱吸收样本产生更高的衬度对比度和空间分辨率，在生物医学成像及临床成像上具有巨大的应用潜力。目前，较长的ct扫描时间和较高的辐射剂量是阻碍x射线相衬ct成像技术应用的重要问题，而基于有限角投影的相衬ct重建是解决上述问题的可行策略之一。
2、传统的x射线相衬ct图像重建技术主要可以分为三类，分别是：(1)基于中心切片定理的解析法，比如滤波反投影算法(fbp)；(2)基于精确的数学建模的迭代重建技术，包括代数迭代重建技术(例如art)和压缩感知算法(比如全变分最小化类算法tv)；(3)基于深度学习的重建方法(例如fbpcovnet)。解析法依赖于完备的投影数据才能重建出高质量的相衬ct图像，面临着高辐射剂量的问题；迭代重建技术具有较高的计算成本，导致重建时间较长，且通常依赖于手头可用的先验知识(例如压缩感知算法)进行优化重建ct图像，因而容易影响其泛化应用能力。此外，迭代重建技术对重建图像质量的控制有限；随着深度学习技术的发展，利用深度神经网络从大数据中对x射线相衬ct重建问题进行建模及优化，可以更高效地完成相衬ct重建任务，尤其是针对其有限角ct重建需求。然而，纯数据驱动型的深度学习方法由于没有很好地结合相衬ct成像的物理成像特性，比如ddnet和fbpcovnet，在有限角相衬ct重建问题上缺乏一定的可解释性，且重建效果有限。
3、因此
技术实现思路
1、为此，本专利技术提供基于深度学习的有限角投影相衬ct图像重建方法及装置。该方法通过利用x射线相衬ct成像的物理成像特性对深度神经网络的结构进行设计，不仅能够快速、高效地进行相衬ct图像重建，而且能有效抑制有限角重建伪影并提高图像质量。
2、为了实现上述目的，本专利技术提供如下技术方案：基于深度学习的有限角投影相衬ct图像重建方法，包括：
3、通过等角度增量策略获取x射线相衬ct扫描的有限角投影数据；
4、将获得的所述有限角投影数据进行平场校正及暗场校正预处理，获得相位恢复前的所述有限角投影数据；将相位恢复前的所述有限角投影数据通过相位恢复策略进行预处理，获得相位恢复后的所述有限角投影数据；
5、将相位恢复前的所述有限角投影数据及相位恢复后的所述有限角投影数据，分别通过滤波反投影策略进行ct重建，获得有限角投影的相位恢复前的ct图像和相位恢复后的ct图像；
6、构建相衬ct智能图像重建网络模型；所述相衬ct智能图像重建网络模型包括边缘增强网络模型和多尺度重建网络模型；通过设定数据分别对所述边缘增强网络模型及所述多尺度重建网络模型进行训练，获得训练好的所述相衬ct智能图像重建网络模型；
7、将有限角投影的所述相位恢复前的ct图像及所述相位恢复后的ct图像输入训练好的所述相衬ct智能图像重建网络模型；通过训练好的所述相衬ct智能图像重建网络模型重建处理，获得重建的相衬ct图像。
8、作为基于深度学习的有限角投影相衬ct图像重建方法的优选方案，在通过所述等角度增量策略获取x射线相衬ct扫描的有限角投影数据的过程中，所述等角度增量策略的计算公式为：
9、
10、式中，δd为角度增量；n为单个投影角度下样本最大厚度所对应的探测器单元的个数。
11、作为基于深度学习的有限角投影相衬ct图像重建方法的优选方案，在将获得的所述有限角投影数据进行平场校正及暗场校正预处理，获得相位恢复前的所述有限角投影数据的过程中，所述平场校正及所述暗场校正的校正表达式为：
12、
13、式中，itomo为校正前相衬ct投影图像；iflat为平场图像的平均图像，idark为暗场图像的平均图像；
14、在将相位恢复前的所述有限角投影数据通过相位恢复策略进行预处理，获得相位恢复后的所述有限角投影数据的过程中，所述相位恢复策略表达式为：
15、
16、式中，(x,y)为探测器平面坐标；(ξ,v)为(x,y)在频域对应的坐标；是样本到探测器距离为d且投影角度为θ时探测器记录的光强；为相位恢复后的图像；γ为常数系数；λ为x射线波长；f和f-1为傅里叶变换及其逆变换。
17、作为基于深度学习的有限角投影相衬ct图像重建方法的优选方案，在通过所述设定数据分别对所述边缘增强网络模型及所述多尺度重建网络模型进行训练的过程中，通过所述相位恢复前的ct图像及真实边缘图像数据对所述边缘增强网络模型进行训练；通过所述相位恢复后的ct图像及全投影的相位恢复后的ct图像对所述多尺度重建网络模型进行训练。
18、作为基于深度学习的有限角投影相衬ct图像重建方法的优选方案，所述相衬ct智能图像重建网络模型的损失函数表达式为：
19、
20、式中，分别为像素一致性损失、感知损失和边缘损失。α1，α2分别用来控制感知损失和边缘损失的权重。
21、本专利技术还提供基于深度学习的有限角投影相衬ct图像重建装置，采用以上所述的基于深度学习的有限角投影相衬ct图像重建方法，包括：
22、有限角投影数据获取模块，用于通过等角度增量策略获取x射线相衬ct扫描的有限角投影数据；
23、投影数据预处理模块，用于将获得的所述有限角投影数据进行平场校正及暗场校正预处理，获得相位恢复前的所述有限角投影数据；将相位恢复前的所述有限角投影数据通过相位恢复策略进行预处理，获得相位恢复后的所述有限角投影数据；
24、ct图像重建模块，用于将相位恢复前的所述有限角投影数据及相位恢复后的所述有限角投影数据，分别通过滤波反投影策略进行ct重建，获得有限角投影的相位恢复前的ct图像和相位恢复后的ct图像；
25、相衬ct智能图像重建网络模型构建及训练模块，用于构建相衬ct智能图像重建网络模型；所述相衬ct智能图像重建网络模型包括边缘增强网络模型和多尺度重建网络模型；通过设定数据分别对所述边缘增强网络模型及所述多尺度重建网络模型进行训练，获得训练好的所述相衬ct智能图像重建网络模型；
26、重建相衬ct图像获取模块，用于将有限角投影的所述相位恢复前的ct图像及所述相位恢复后的ct图像输入训练好的所述相衬ct智能图像重建网络模型；通过训练好的所述相衬ct智能图像重建网络模型重建处理，获得重建的相衬ct图像。
27、作为基于深度学习的有限角投影相衬ct图像重建装置的优选方案，所述有限角投影数据获取模块中，在通过所述等角度增量策略获取x射线相衬ct扫描的有限角投影数据的过程中，所述等角度增量策略的计算公式为：
28、
29、式中，δ本文档来自技高网...
【技术保护点】
1.基于深度学习的有限角投影相衬CT图像重建方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的有限角投影相衬CT图像重建方法，其特征在于，在通过所述等角度增量策略获取X射线相衬CT扫描的有限角投影数据的过程中，所述等角度增量策略的计算公式为：
3.根据权利要求2所述的基于深度学习的有限角投影相衬CT图像重建方法，其特征在于，在将获得的所述有限角投影数据进行平场校正及暗场校正预处理，获得相位恢复前的所述有限角投影数据的过程中，所述平场校正及所述暗场校正的校正表达式为：
4.根据权利要求3所述的基于深度学习的有限角投影相衬CT图像重建方法，其特征在于，在通过所述设定数据分别对所述边缘增强网络模型及所述多尺度重建网络模型进行训练的过程中，通过所述相位恢复前的CT图像及真实边缘图像数据对所述边缘增强网络模型进行训练；通过所述相位恢复后的CT图像及全投影的相位恢复后的CT图像对所述多尺度重建网络模型进行训练。
5.根据权利要求4所述的基于深度学习的有限角投影相衬CT图像重建方法，其特征在于，所述相衬CT智能图像重建网络模型的损失
6.基于深度学习的有限角投影相衬CT图像重建装置，采用权利要求1-5任一项所述的基于深度学习的有限角投影相衬CT图像重建方法，其特征在于，包括：
7.根据权利要求6所述的基于深度学习的有限角投影相衬CT图像重建装置，其特征在于，所述有限角投影数据获取模块中，在通过所述等角度增量策略获取X射线相衬CT扫描的有限角投影数据的过程中，所述等角度增量策略的计算公式为：
8.根据权利要求7所述的基于深度学习的有限角投影相衬CT图像重建装置，其特征在于，所述投影数据预处理模块中，在将获得的所述有限角投影数据进行平场校正及暗场校正预处理，获得相位恢复前的所述有限角投影数据的过程中，所述平场校正及所述暗场校正的校正表达式为：
9.根据权利要求8所述的基于深度学习的有限角投影相衬CT图像重建装置，其特征在于，所述相衬CT智能图像重建网络模型构建及训练模块中，在通过所述设定数据分别对所述边缘增强网络模型及所述多尺度重建网络模型进行训练的过程中，通过所述相位恢复前的CT图像及真实边缘图像数据对所述边缘增强网络模型进行训练；通过所述相位恢复后的CT图像及全投影的相位恢复后的CT图像对所述多尺度重建网络模型进行训练。
10.根据权利要求9所述的基于深度学习的有限角投影相衬CT图像重建装置，其特征在于，所述相衬CT智能图像重建网络模型构建及训练模块中，所述相衬CT智能图像重建网络模型的损失函数表达式为：
...【技术特征摘要】
1.基于深度学习的有限角投影相衬ct图像重建方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的有限角投影相衬ct图像重建方法，其特征在于，在通过所述等角度增量策略获取x射线相衬ct扫描的有限角投影数据的过程中，所述等角度增量策略的计算公式为：
3.根据权利要求2所述的基于深度学习的有限角投影相衬ct图像重建方法，其特征在于，在将获得的所述有限角投影数据进行平场校正及暗场校正预处理，获得相位恢复前的所述有限角投影数据的过程中，所述平场校正及所述暗场校正的校正表达式为：
4.根据权利要求3所述的基于深度学习的有限角投影相衬ct图像重建方法，其特征在于，在通过所述设定数据分别对所述边缘增强网络模型及所述多尺度重建网络模型进行训练的过程中，通过所述相位恢复前的ct图像及真实边缘图像数据对所述边缘增强网络模型进行训练；通过所述相位恢复后的ct图像及全投影的相位恢复后的ct图像对所述多尺度重建网络模型进行训练。
5.根据权利要求4所述的基于深度学习的有限角投影相衬ct图像重建方法，其特征在于，所述相衬ct智能图像重建网络模型的损失函数表达式为：
6.基于深度学习的有限角投影相衬ct图像重建装置，采用权利要求1-5任一项所述的基于深度学习的有限角投影相衬c...
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。