一种恒定图像质量的CT成像方法

本发明涉及医学ct成像，尤其是涉及一种恒定图像质量的ct成像方法。

背景技术：

1、医学计算机断层成像（computed tomography, ct）凭借其卓越的三维结构表示能力而成为临床诊疗中不可或缺的利器、重器。ct成像的物理机制源于x射线在人体组织中的穿透衰减，过量的x射线照射将引起脱发、灼烧等症状，甚至增加癌症的患病风险。然而，降低ct检查的辐射剂量将引起x光信号的减弱，引起ct探测信号中噪点的增加，进而导致ct图像质量的退化，最终影响ct诊疗效果。如何在降低检查剂量的同时保持甚至提升图像质量是ct成像领域的热点问题。

2、另一方面，不同受检患者对x射线具有不同的衰减程度，在相同x光强度下，对于体型较为肥胖的患者，x射线穿透此类患者的身体时衰减较大，导致ct探测器信号较弱、数据噪点较多、影像质量退化程度较严重；相比之下，对于体型较为瘦小的患者，x射线穿透此类患者的身体时衰减较小，导致ct探测器信号较强、数据噪点较少、影像质量退化程度一般。因此，每一个体患者在进行ct检查时应使用其最适当的辐射剂量，该剂量下检查的图像恰好能满足ct检查的诊疗需求，剂量再低则不能满足临床需求；传统的方法中通过管电流调控技术对ct检查剂量进行调整，但是现有管电流调控技术无法适配于迭代重建、深度学习重建等非线性的高级重建算法，因而无法有效控制ct图像的质量；此外，现有高级重建算法的开发过程与管电流调控独立进行，因而无法适应经管电流调控而产生的探测数据，这些算法带来的剂量降低效果还可进一步提升。

技术实现思路

1、本发明的目的是提供一种恒定图像质量的ct成像方法，解决现有技术存在的难以输出具有恒定质量的ct图像，且不能估计恒定图像质量下个体患者的最低辐射剂量的问题。

2、为实现上述目的，本发明提供了一种恒定图像质量的ct成像方法，包括以下步骤：

3、步骤1、准备数据集，包括大量患者的高剂量ct投影或图像、以及对应的患者先验信息；

4、步骤2、构建模型，包括剂量估计模型、扫描仿真模型、图像重建模型；

5、步骤3、训练步骤2构建的模型；

6、步骤4、获取患者先验信息；

7、步骤5、使用剂量估计模型获得患者最佳检查剂量；

8、步骤6、执行ct扫描获得患者投影数据；

9、步骤7、使用图像重建模型获得恒定质量的患者ct图像。

10、优选的，步骤1中，若数据集中仅包含高剂量ct投影，则高剂量ct图像通过重建算法获得，若数据集中仅包含高剂量ct图像，则高剂量ct投影通过前向投影获得。

11、优选的，患者先验信息包括患者定位像、患者往期ct图像、以及对此两种先验信息进行优化所得的信息，对于两种先验信息的优化，若先验信息为定位像，则采用神经网络从定位像生成先验ct图像，若先验信息为往期ct图像，则将往期ct图像配准到患者当次ct检查方位。

12、优选的，剂量估计模型具体为深度神经网络，该网络结构无限制，其输入为患者先验信息，输出的剂量为患者当次ct检查球管曝光时的电流或射出的x光子量。

13、优选的，剂量估计模型估计的剂量为患者当次ct检查的轴向范围的总体剂量、或预期影像中每层ct图像所对应的轴向位点的剂量、或当次ct检查的轴向范围上每一个曝光角度的剂量。

14、优选的，扫描仿真模型为可微模型，扫描仿真模型的作用是从高剂量投影生成低剂量投影，该过程的实现方式包括以下两种：

15、第一种：估计目标低剂量投影的方差，随后根据方差生成随机数并加入高剂量投影；

16、第二种：使用深度神经网络从高剂量投影生成低剂量投影，该网络内部结构无限制，其输入为患者高剂量投影和患者ct检查剂量，输出为目标低剂量投影或目标低剂量投影的方差；若输出为目标低剂量投影的方差，则根据方差生成随机数并加入高剂量投影。

17、优选的，目标低剂量投影的方差的表达式如下：

18、；

19、式中，为投影中像素的方差，为高剂量投影像素值，为可测量的探测器背景随机信号的方差，，为投影像素的光子量；为像素所在投影的球管电流、为可测量的投影像素的电流-光子量转换系数；

20、在高剂量投影中加入随机数的过程表示为：

21、；

22、式中，为目标低剂量投影像素值，为标准正态分布采样随机数。

23、优选的，图像重建模型为可微模型，模型参数可以固定也可被学习，构建方式包括：滤波反投影、迭代重建、滤波反投影+图像去噪、投影去噪+滤波反投影、投影去噪+滤波反投影+图像去噪、采用神经网络直接从投影生成图像，其中，滤波反投影与迭代重建可展开为可微过程、图像去噪与投影去噪可使用深度神经网络去噪模型或将传统去噪方法展开为可微过程。

24、优选的，步骤3中训练步骤2构建的模型的过程如下：

25、s31、将步骤1准备的数据集划分为训练集、验证集与测试集；

26、s32、构建模型训练的损失函数；

27、s33、设置神经网络模型训练的超参数，包括学习率、epoch迭代步数、批量尺寸、优化器、学习率调制器；

28、s34、基于梯度反向传播算法训练步骤2构建的模型。

29、优选的，s32中模型训练的损失函数如下：

30、；

31、式中，为总体损失函数，为剂量损失项，为图像损失项，为手动设置的系数，其中剂量损失项的目标是降低辐射剂量，其形式表示为或，表示最小化x光子量或球管电流；图像损失项构建为铰链（hinge）损失的形式，表示为：，其中，表示取中的较大值，为可微的图像质量度量函数，为重建的ct图像，为预先设定的图像质量指标；在模型训练中，当重建的图像质量高于时，停止工作，模型专注于降低辐射剂量，当图像质量低于时，参与工作，模型需要学习在降低辐射剂量的同时使图像质量不低于，最终达到输出恒定质量ct图像的目标。通过上述的总体损失函数训练剂量估计模型，可使其输出患者最佳ct检查剂量，即在满足恒定图质量的约束条件下个体患者ct扫描所能设置的最低辐射剂量。

32、因此，本发明采用上述一种恒定图像质量的ct成像方法，具有以下有益效果：

33、（1）本发明提供的方法在恒定图像质量约束下估计个体患者最低ct检查剂量，实现放射成像中的“合理可行且尽可能低（alara）”原则；

34、（2）在训练过程中基于铰链损失构建损失函数中的图像损失项，使图像重建模型输出具有恒定质量的ct图像，实现不同患者间ct图像质量的标准化，有益于基于ct图像的临床诊疗以及基于ct图像的医疗ai系统开发；

35、（3）构建的扫描仿真模型为可微模型，允许梯度从图像重建模型向剂量估计模型进行反向传播，进而实现图像质量优化引导下的辐射剂量调控；

36、（4）剂量估计模型与图像重建模型可以联合优化，从而实现两者间的相互适配，在恒定图像质量下进一步降低辐射剂量；

37、（5）本发明的思想亦可用于正电子发射断层成像（pet）、核磁共振成像（mri）等扫描条件受限的相关成像领域，即联合优化扫描技术与图像重建技术，实现图像质量的标准化以及个体对象的最佳扫描条件。

38、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。