[發明專利]一種基于卷積神經網絡的稀疏角度CT成像方法

有效

• 申請號: 201810557240.X
• 申請日: 2018-06-01
• 公開（公告）號: CN108898642B
• 公開（公告）日: 2022-11-11
• 發明（設計）人: 亢艷芹;劉進;劉濤;章平;汪軍;竇易文;修宇;張凱杰
• 申請（專利權）人: 安徽工程大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06N3/04;G06N3/08
• 代理公司: 蕪湖安匯知識產權代理有限公司 34107
• 代理人: 方文倩

本發明公開了一種基于卷積神經網絡的稀疏角度CT成像方法，包括如下步驟：步驟1：準備網絡所需訓練數據集；步驟2：構建投影數據復原卷積神經網絡Rs；步驟3、構建迭代重建卷積神經網絡Re；步驟4：將步驟2和步驟3構建的投影數據復原卷積神經網絡Rs和迭代重建卷積神經網絡Re進行級聯，構建深度級聯卷積神經網絡，并通過步驟1得到的數據對網絡進行訓練，得到整個深度級聯卷積神經網絡權重；步驟5：利用訓練好的深度級聯卷積神經網絡，對臨床稀疏角度掃描下的CT投影數據P_s進行重建，得到高質量的CT圖像V。本發明的優點在于可以有效的改善現有的重建方法在對高度降采樣的投影數據進行重建時細節容易丟失及偽影嚴重的問題，提高成像質量。

技術領域

本發明涉及一種高度降采樣的稀疏角度CT成像方法，尤其涉及一種基于卷 積神經網絡進行稀疏角度下投影數據復原的方法，并且涉及一種新的迭代重建 方法，屬于計算機斷層成像技術領域。

背景技術

作為一種臨床成像技術，X射線計算機斷層成像(X-ray Computer Tomography，CT)以其空間分辨率高、掃描時間短及成本低的優勢，在疾病篩選、 診斷、急救、介入治療及療效監督中廣泛使用。然而過量X射線照射可能誘發 癌癥、白血病或增加其它生理性風險，因此CT中的輻射問題也越來越受到人們 重視。目前，比較直接且有效的降低輻射劑量的方法是減少掃描角度，降低曝 光時間，但上述掃描模式下投影數據會受到嚴重的量子噪聲污染，解析重建的 圖像質量急劇退化，圖像中的斑點噪聲和條狀偽影影響了臨床分析和診斷。X 射線劑量的控制和臨床上對CT圖像質量的需求一直以來都是不可避免的矛盾。 如何在圖像質量無明顯下降的基礎上，以最低的輻射劑量獲得最佳的CT診斷影 像已成為行業共識。

當前在提高稀疏角度掃描下CT圖像質量的方法主要分為兩大類：基于迭代 重建方法的和基于圖像空間數據處理方法。隨著計算機運算能力的提高，迭代 算法越來越多地得到重視。與傳統的解析重建相比，例如當前在臨床CT重建中 普遍使用的濾波反投影(Filtered Back Projection，FBP)算法，迭代重建更加適應 于稀疏角度掃描條件，具有物理模型準確、對噪聲不敏感、易于加入約束條件 等優點。迭代重建中，以最大后驗概率密度(Maximum A Posteriori,MAP)估計模 型最為經典，該模型將圖像的先驗信息作為目標函數的正則化項，來提高求解 過程穩定性，可有效地抑制噪聲和保持結構信息。在此基礎上發展起來的正則 項約束的統計迭代重建算法是目前研究稀疏角度CT重建的主要方法。然而在這 一類算法中存在的主要問題有：算法復雜度高，參數多，先驗信息具有不穩定 性，需要重復進行迭代優化、計算成本大等，難以滿足實際臨床需求。另一類 方法是直接通過圖像空間處理技術來提高已重建的低劑量圖像質量，具有不依 賴原始投影數據和處理速度快的優點，通常使用非線性的處理方法進行保持圖 像邊緣信息的去噪處理，如全變差(Total Variation)或者小波(Wavelet)變換的方 法，然而此類方法主要基于圖像的局部信息，忽略了圖像中重要的非局部性質， 也難以達到滿意的效果，例如，無法有效去除欠采樣稀疏角度掃描所引起的塊 狀噪聲和星條狀偽影，還會在處理中產生新的偽影成分，或是模糊圖像的邊緣 細節信息。

最近提出的基于字典學習的特征約束重建(Feature ConstrainedReconstruction, FCR)圖像處理算法屬于第一類方法。通過對高質量臨床CT圖像樣本的特征選 取和學習，構造含有豐富三維解剖結構特征信息的特征字典；重建中，將引入 訓練好的全局特征字典，對重建圖像進行特征約束，確保重建后CT圖像的特征 與高質量CT圖像的解剖組織結構和紋理特征具有很強的相似性，來提高重建圖 像質量。統計迭代重建數學模型如下：