[發明專利]一種基于卷積神經網絡的雙能CT圖像分解方法

有效

• 申請號: 201810136595.1
• 申請日: 2018-02-09
• 公開（公告）號: CN108230277B
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 閆鑌;李磊;張文昆;梁寧寧;席曉琦;王林元;韓玉
• 申請（專利權）人: 中國人民解放軍戰略支援部隊信息工程大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 鄭州大通專利商標代理有限公司 41111
• 代理人: 陳勇

本發明涉及醫學雙能圖像分解和圖像處理技術領域，尤其涉及雙能CT圖像分解方法，特別涉及一種基于卷積神經網絡的雙能CT圖像分解方法。一種基于卷積神經網絡的雙能CT圖像分解方法，包括以下步驟：設計卷積神經網絡模型作為雙能分解模型中的映射函數D(μ_H,L；Θ)；通過卷積神經網絡模型和訓練數據集對卷積神經網絡進行訓練，對卷積神經網絡參數Θ進行有效估計；利用訓練后的卷積神經網絡和步驟2得到的卷積神經網絡參數Θ對雙能CT圖像進行基材料高效分解。本發明通過雙輸入、雙輸出的卷積神經網絡模型和交叉卷積的建立，實現高能CT圖像、低能CT圖像中不同基材料的合理分流，從而有效提升雙能CT圖像基材料分解的質量。

技術領域

本發明涉及醫學雙能圖像分解和圖像處理技術領域，尤其涉及雙能CT圖像分解方法，特別涉及一種基于卷積神經網絡的雙能CT圖像分解方法。

背景技術

雙能CT圖像重建已經越來越多地應用于醫學成像、安全檢查、無損檢測等領域，相比于傳統的單能譜CT成像技術，雙能CT能夠利用不同能譜下圖像衰減信息實現對不同物質材料的識別。雙能CT技術打破了傳統單能譜CT的物理局限，成為CT成像領域研究的熱點和難點問題。

雙能CT成像技術的核心理論是雙能CT圖像重建算法，其中材料和能量交叉信息的解耦合是其中的一個關鍵問題。與傳統CT圖像重建理論相比，雙能CT圖像重建算法的困難在于問題的非線性、多解性與不適定性、高維數等特點。由于雙能CT成像應用需求不同，所采用的成像模式不同，以及采集得到的數據信息不同，因此相應的雙能CT圖像重建算法也各不相同。目前，雙能CT圖像重建算法主要可以分為三類：迭代類直接重建算法、基于投影域預處理的圖像重建算法和基于圖像域后處理的圖像重建算法。

迭代雙能CT圖像重建算法對于幾何上一致或不一致的高、低能投影集都適合，重建圖像信噪比較高。但是這些方法通常需要巨大的計算開銷，計算速度慢，嚴重降低了算法的實用性。基于投影域預處理的圖像重建算法充分利用高、低能譜信息和多色投影生成模型，將非線性求解問題轉化為線性求解問題，從而使用常規CT圖像重建算法實現雙能CT圖像重建，能夠從理論上有效消除硬化偽影的影響，得到準確的物理參數分布信息，計算簡便，效率高，是目前雙能CT圖像重建技術的主流重建方法。但是這類方法高度依賴于校準過程，而且要求高、低能投影數據集在空間幾何上是一致的，即每一對高、低能投影測量值都需要沿著相同的射線路徑。

基于圖像域后處理的圖像重建算法首先對高、低能投影數據分別利用傳統CT圖像重建算法重建出高、低能CT圖像，對高、低能CT重建圖像在圖像域進行材料分解，獲取物體斷層的物理參數分布圖像。實現高低能圖像下的不同材料的分解是基于圖像后處理的圖像重建算法的關鍵。基于圖像域后處理的雙能CT圖像重建算法對于高、低能投影數據的空間幾何一致性要求不高，計算簡便，可在一定程度上抑制硬化偽影。并且，該方法能夠直接應用于現有成像系統中，不需要額外增加硬件設備，節省了成本。因此，該方法被廣泛應用于現有雙能CT成像系統中。基于此，本專利設計了一種基于卷積神經網絡的雙能CT圖像分解方法。

發明內容

針對現有雙能CT圖像分解方法得到的基材料圖像含有大量噪聲、信噪比較低的問題，本發明提供了一種基于卷積神經網絡的雙能CT圖像分解方法，通過雙輸入、雙輸出的卷積神經網絡模型和交叉卷積的建立，實現高能CT圖像、低能CT圖像中不同基材料的合理分流，從而有效提升雙能CT圖像基材料分解的質量。

為了實現上述目的，本發明采用以下技術方案：

一種基于卷積神經網絡的雙能CT圖像分解方法，包括以下步驟：

步驟1：設計卷積神經網絡模型作為雙能分解模型中的映射函數D(μ_H,L；Θ)；

步驟2：通過卷積神經網絡模型和訓練數據集對卷積神經網絡進行訓練，對卷積神經網絡參數Θ進行有效估計；