一种基于密集大核注意力的稀疏CT投影重建方法

本发明涉及图像处理，具体涉及一种基于密集大核注意力的稀疏ct投影重建方法。

背景技术：

1、x射线ct能够在不破坏物体内部信息的情况下获取物体内部信息，因此x射线ct在临床、工业等领域得到了广泛的应用。随着ct技术的进步，辐射剂量问题越来越受到人们的关注。降低ct剂量是为了满足合理最低剂量原则。而稀疏ct是降低ct剂量的方法之一。由于稀疏投影重建是一个不适定问题，当用解析法对ct图像稀疏投影重建时，存在严重的条纹伪影。同时现有技术中解决稀疏投影重建的方法分为三类：正弦图投影补偿法、迭代法、基于深度学习的方法。其中，正弦图投影补偿法存在恢复投影的效果难于把握，甚至正弦图数据的误差导致重建图像出现新的伪影的问题；迭代法存在需要在迭代过程中反复的投影和反投影，导致重建耗时问题，且超参数对迭代的收敛和重建效果影响较大；此外，现有的基于深度学习的稀疏投影重建方法在利用神经网络模型进行预测时，忽略了投影之间的相关性，使得图像的部分信息丢失，从而导致精度较低。

技术实现思路

1、针对现有技术中的上述不足，本发明提供了一种基于密集大核注意力的稀疏ct投影重建方法，用于解决现有的稀疏投影重建方法中存在的图像质量低以及误差大的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：

3、一种基于密集大核注意力的稀疏ct投影重建方法，包括以下步骤：

4、s1、采用三次样条插值法对稀疏正弦图进行插值，得到初始的伪影正弦图；

5、s2、引入包含密集子块、大核注意力子块与卷积层的密集大核注意力块，构建密集大核注意力编解码网络模型；

6、s3、将初始的伪影正弦图与非稀疏正弦图输入构建的密集大核注意力编解码网络模型进行训练，学习伪影正弦图与非稀疏正弦图的误差，得到训练好的密集大核注意力编解码网络模型；

7、s4、重新获取稀疏正弦图并输入训练好的密集大核注意力编解码网络模型中，得到修复的正弦图；

8、s5、将修复的正弦图用滤波反投影方法进行重建，得到高质量的ct图像。

9、进一步地，步骤s1具体包括：

10、采用三次样条插值法对稀疏正弦图进行插值，得到初始的伪影正弦图，即：

11、g＝af+η

12、其中，g表示初始的伪影正弦图，a表示系统矩阵，f表示稀疏正弦图，η表示噪声。

13、进一步地，密集大核注意力编解码网络模型包括依次连接的编码器与解码器；

14、编码器包括依次连接的第一卷积激活归一化层、第二卷积激活归一化层、第一降采样卷积层、第一密集大核注意力块、第二降采样卷积层、第二密集大核注意力块、第三降采样卷积层、第三密集大核注意力块、第四降采样卷积层以及第四密集大核注意力块；

15、解码器包括依次连接的第一反卷积层、第三卷积激活归一化层、第二反卷积层、第四卷积激活归一化层、第三反卷积层、第五卷积激活归一化层、第四反卷积层以及第六卷积激活归一化层。

16、进一步地，第一密集大核注意力块、第二密集大核注意力块、第三密集大核注意力块以及第四密集大核注意力块均包括一个四层的密集子块、一个大核注意力子块以及一个1×1的卷积层；

17、密集子块包括依次连接的四个批归一化激活卷积层，同时每个批归一化激活卷积层都与不相邻的批归一化激活卷积层进行跳跃连接。

18、进一步地，步骤s3具体包括：

19、s31、将初始的伪影正弦图作为原始数据，将非稀疏正弦图作为标签数据，将带标签的原始数据输入构建的密集大核注意力编解码网络模型的编码器进行编码操作，分别得到第一特征图、第一密集大核注意力块的输出特征图、第二密集大核注意力块的输出特征图、第三密集大核注意力块的输出特征图以及第四密集大核注意力块的输出特征图；

20、s32、将第一特征图、第一密集大核注意力块的输出特征图、第二密集大核注意力块的输出特征图、第三密集大核注意力块的输出特征图以及第四密集大核注意力块的输出特征图输入解码器进行解码操作，得到最优的输出特征图；

21、s33、将最优的输出特征图与初始的伪影正弦图进行逐像素求和，得到输出正弦图，并计算输出正弦图与非稀疏正弦图的混合损失值，利用混合损失值更新密集大核注意力编解码网络模型的网络参数，得到训练好的密集大核注意力编解码网络模型。

22、进一步地，步骤s31具体包括：

23、s311、将带标签的原始数据依次输入构建的密集大核注意力编解码网络模型的第一卷积激活归一化层与第二卷积激活归一化层进行卷积激活归一化操作，得到第一特征图；

24、s312、将第一特征图输入第一降采样卷积层进行降采样操作后，将降采样的第一特征图输入第一密集大核注意力块的密集子块的四个批归一化激活卷积层进行批归一化激活卷积操作，得到密集子块的第一特征图；

25、其中每个批归一化激活卷积层都接收前面所有批归一化激活卷积层的特征图作为输入，并在批归一化激活卷积操作后输出特征到后面所有的批归一化激活卷积层；

26、同时，将降采样的第一特征图输入第一密集大核注意力块的大核注意力子块进行深度可分离卷积操作、深度可分离空洞卷积操作、点卷积操作，得到大核注意力子块的第一特征图；并将大核注意力块的第一特征图输入1×1的卷积层进行卷积操作，得到1×1的卷积层的第一特征图；

27、将密集子块的第一特征图与1×1的卷积层的第一特征图进行逐元素求和，得到第一密集大核注意力块的输出特征图；

28、s313、将第一密集大核注意力块的输出特征图输入第二降采样卷积层进行降采样操作后输入第二密集大核注意力块，得到第二密集大核注意力块的输出特征图；

29、s314、将第二密集大核注意力块的输出特征图输入第三降采样卷积层进行降采样操作后输入第三密集大核注意力块，得到第三密集大核注意力块的输出特征图；

30、s315、将第三密集大核注意力块的输出特征图输入第四降采样卷积层进行降采样操作后输入第四密集大核注意力块，得到第四密集大核注意力块的输出特征图。

31、进一步地，步骤s32具体包括：

32、s321、将第四密集大核注意力块的输出特征图输入第一反卷积层进行上采样操作后与第三密集大核注意力块的输出特征图通过通道进行拼接，得到拼接的第一输出特征图；

33、s322、将拼接的第一输出特征图依次输入第三卷积激活归一化层与第二反卷积层进行卷积激活归一化操作以及上采样操作，且与第二密集大核注意力块的输出特征图通过通道进行拼接，得到拼接的第二输出特征图；

34、s323、将拼接的第二输出特征图依次输入第四卷积激活归一化层与第三反卷积层进行卷积激活归一化操作以及上采样操作，且与第一密集大核注意力块的输出特征图通过通道进行拼接，得到拼接的第三输出特征图；

35、s324、将拼接的第三输出特征图依次输入第五卷积激活归一化层与第四反卷积层进行卷积激活归一化操作以及上采样操作，且与第一特征图通过通道进行拼接，得到拼接的第四输出特征图；

36、s325、将拼接的第四输出特征图输入第六卷积激活归一化层进行卷积激活归一化操作，得到最优的输出特征图。

37、进一步地，步骤s33中输出正弦图与非稀疏正弦图的混合损失值的计算公式为：

38、

39、其中，l表示混合损失值，y表示非稀疏正弦图，f(x)′表示输出正弦图，表示均方误差，α表示结构相似误差的加权因子，lms-ssim(y,f(x)′)表示非稀疏正弦图与输出正弦图的多尺度结构相似误差。

40、本发明具有以下有益效果：

41、1.本发明所提出一种基于密集大核注意力的稀疏ct投影重建方法，通过引入包含密集连接块、大核注意力块与卷积层的密集大核注意力块，构建密集大核注意力编解码网络模型，其中密集子块能够通过参数共享减少整个模型的参数量，并防止梯度消失，大核注意力子块则能够自适应地提取每一层的特征，并关注输入模型的伪影正弦图的全局与局部特征，从而提高模型的泛化能力，即提高了密集大核注意力编解码网络模型性能与预测精度；

42、2.在密集大核注意力编解码网络模型的编码器与解码器中还添加了局部连接，使得梯度能够直接地流向更远的层，从而缓解梯度消失问题，加速训练过程快速收敛；

43、3.在解码器的密集子块的批归一化激活卷积层之间添加跳跃连接，避免了梯度消失或者梯度爆炸问题，从而充分复用和保留特征，提高了模型性能与图像特征的利用率；

44、4.在模型训练过程中计算输出正弦图与非稀疏正弦图的混合损失值，利用混合损失值更新密集大核注意力编解码网络模型的网络参数，保留了稀疏正弦图的投影数据的相关性，减少了输出结果与标签值之间的误差，提高了模型预测精度。