一种基于深度训练网络的一步式双能有限角CT重建方法

一种基于深度训练网络的一步式双能有限角ct重建方法
技术领域
1.本发明涉及一种基于深度训练网络的一步式双能有限角ct重建方法，属于计算机图像处理领域。


背景技术：

2.双能计算机断层扫描(dect)在物质鉴定和定量分析方面显示出很好的临床意义。大多数双能量ct扫描系统使用两套x射线源和探测器进行全面扫描来同时获取材料在高能量和低能量水平的x射线数据。但是重建的高能和低能ct图像在能量域具有光谱冗余性，且这种扫描方式增加了扫描时间和射线剂量，本研究提出的基于深度训练网络的一步式双能有限角ct重建方法能够避免这种光谱冗余性，降低双能ct的剂量，用有限角度扫描的方式代替全角度扫描的方式。在保证与全扫描方式下的成像质量相同情况下，降低双能ct的扫描时间和剂量，改善双能ct的工作条件，增加双能ct的工作效率。
3.为了提高双能量ct的质量，基于能量域的信息冗余和空间域的一致性进行成像已经进行了许多研究。迭代方法在双能ct成像算法中发挥着不可替代的作用。考虑到不同能量的图像之间的相关性，张量字典学习被认为是光谱ct重建的有效方法之一。
4.近期随着深度学习技术在各领域都显示出了强大的特征学习能力，本发明针对双能有限角ct重建的现有问题，提出一种基于深度训练网络的一步式双能有限角ct重建方法，能一步式的将双能ct的有限角的投影域数据直接重建出高质量的双能ct图像。


技术实现要素：

5.本发明的目的在于提供一种基于深度训练网络的一步式双能有限角ct重建方法，用于在双能ct在有限角度条件下生成高质量的双能ct图像。
6.本发明为解决上述问题采用以下技术方案：
7.本发明提供一种基于深度训练网络的一步式双能有限角ct重建方法，具体步骤如下：该方法能实现一步式的、端到端的双能有限角ct重建，所述方法具体步骤如下：
8.步骤1，随机读取720
×
848大小的双能有限角ct投影域图像与对应的全角度扫描下的双能ct投影域图像，其中，双能有限角度ct投影域图像作为投影域神经网络sd-net的输入，全角度扫描的双能ct投影域图像作为标签，共同训练作用在投影域的sd-net网络；
9.步骤2，使用嵌入在tensorflow框架中的重建单元，将训练好的sd-net处理的投影域图像重建成双能有限角ct图像；
10.具体地，嵌入在tensorflow框架中的重建单元，将经过sd-net处理过的双能有限角投影域数据使用传统的fbp重建算法，重建成双能有限角ct图像。
11.步骤3，读取512
×
512大小的重建后的双能有限角ct图像与对应的全角度扫描下的双能ct图像，共同训练作用在图像域的id-net网络；
12.具体地，双能有限角度重建图像作为图像域神经网络id-net的输入，全角度扫描下的双能ct图像作为标签，共同训练作用在图像域的id-net网络；
net的优点，又能够通过深度学习的优化器迭代更新参数，找到最合理的数值，让基于深度训练网络的一步式双能有限角ct重建方法的鲁棒性更强。
33.4.本发明在设置初始值后，无需调整其他参数，是一种端到端的、一步式的双能有限角ct重建方法。
附图说明
34.图1为本发明的整个流程示意图；
35.图2为sd-net和id-net神经网络的构成示意图；
36.图3为sd-net和id-net神经网络中卷积块、反卷积块、残差块的构成示意图；
37.图4为本发明的投影域网络sd-net对双能有限角投影域数据补全后的重建的结果；
38.图5为本发明的图像域网络id-net对双能有限角投影域数据补全后的重建ct图像修复后的结果；
39.图6为本发明提出的基于深度训练网络的一步式双能有限角ct重建方法的流程图。
具体实施方式
40.下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
41.实施例1：参见图1，基于深度训练网络的一步式双能有限角ct重建方法，具体步骤如下：
42.步骤1，随机读取720
×
848大小的双能有限角ct投影域图像与对应的全角度扫描下的双能ct投影域图像，训练sd-net。
43.具体地，双能有限角度ct投影域图像作为投影域神经网络sd-net的输入，全角度扫描下的双能ct投影域图像作为标签，共同训练作用在投影域的sd-net网络。双能有限角的投影域网络sd-net的处理过程使用如下范式表示：
[0044][0045]
其中，表示为高、低能有限角投影域数据，表示为含有伪影和噪声的投影域数据。
[0046]
步骤2，使用嵌入在tensorflow框架中的重建单元，将训练好的sd-net处理的投影域图像重建成双能有限角ct图像；
[0047]
具体地，嵌入在tensorflow框架中的重建单元，将经过sd-net处理过的双能有限角投影域数据使用传统的fbp重建算法，重建成双能有限角ct图像。重建过程用如下范式表示：
[0048][0049]
r-1
表示为重建算子，具体在本发明中用fbp算法实现。表示为sd-net处理好的双能有限角投影域数据，为对应的双能有限角ct图像。
[0050]
步骤3，读取512
×
512大小的重建后的双能有限角ct图像与对应的全角度扫描下的双能ct图像，共同训练作用在图像域的id-net网络；
[0051]
具体地，双能有限角度重建ct图像作为图像域神经网络id-net的输入，全角度扫描下的双能ct图像作为标签，共同训练作用在图像域的id-net网络。双能有限角的图像域网络id-net的处理过程用如下范式表示：
[0052][0053]
其中，表示有噪声、有伪影的分量。
[0054]
步骤4，使用训练好的图像域id-net网络去除重建后的双能有限角ct图像中的噪声和伪影，最终得到高质量双能ct图像。
[0055]
效果评估：
[0056]
本发明提出了基于深度训练网络的一步式双能有限角ct重建方法，实现了在双能ct使用有限角度扫描的情况下，能够一步式的、端到端的快速生成高质量的双能ct图像。
[0057]
与现有方法相比，本发明的修复效果在psnr和ssim指标上都有一定的提升，去噪后的图像具有更好的视觉效果。
[0058]
表1.本发明在chestx-ray14数据集上的去噪效果
[0059]
方法psnr(db)ssim(％)fbp(现有方法1)9.834152.5024csi-gan(现有方法2)35.421494.6923pd-net(现有方法3)37.389196.9598an-net(现有方法4)38.389697.6036本发明方法39.473798.0168
[0060]
需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代均属于本发明的保护范围。