[發明專利]一種基于頻域和圖像域退化感知的深度學習稀疏角度CT重建方法

在審

• 申請號: 202111472842.3
• 申請日: 2021-12-01
• 公開（公告）號: CN114140442A
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 孫暢;劉奕彤;楊鴻文
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T11/00;G06T3/40
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于頻域和圖像域退化感知的深度學習稀疏角度CT重建方法，包括以下步驟：

(1)、構建包含多種退化級別的數據集

采集患者不同部位的完全角度CT圖像，對CT圖像正向投影獲得充足的投影數據，然后對投影數據做不同級別的稀疏采樣(例如60個角度，120個角度，240個角度等)并添加噪聲，對稀疏的投影數據使用迭代算法反向重建為稀疏角度CT圖像，每一個稀疏角度CT圖像和完全角度CT圖像構成一個訓練對；

(2)、構建頻域重建模型

(2.1)、構建離散余弦變換模塊，將分塊離散余弦變換轉換為一個卷積層。其中分塊大小為N×N，卷積層由N²個大小為N×N的卷積核組成，初始化權重參數為離散余弦基函數，離散余弦變換模塊的輸入是稀疏角度CT圖像，輸出是頻率特征；

(2.2)、構建頻域注意力模塊。頻域注意力模塊的輸入是頻率特征，輸出是加權頻率特征。其中的輸入層和輸出層之間的網絡結構如下：

第一層為全局平局池化層；

第二層由全連接層、線性整流函數(ReLU)組成；

第三層由全連接層、羅杰斯特函數(Sigmoid)組成；

第四層為逐像素相乘操作：對第一層的輸入第三層的輸出逐像素相乘；

(2.3)、構建頻域重建模塊。頻域重建模塊可以設計為任意神經網絡模型，頻域重建模塊的輸入是加權頻率特征，輸出是頻率預測結果；

(2.4)、構建反離散余弦變換模塊，將分塊反離散余弦變換轉換為一個轉置卷積層。其中分塊大小為N×N，卷積層由N²個大小為N×N的卷積核組成，初始化權重參數為離散余弦基函數，離散余弦變換模塊的輸入是頻率預測結果，輸出是頻域重建圖像；

(3)、構建圖像域重建模型

(3.1)、構建圖像域注意力模塊。圖像域注意力模塊可以設計為任意神經網絡模型，圖像域注意力模塊的輸入是稀疏角度CT圖像和頻域重建圖像的拼接(通道拼接)，輸出是圖像域注意力預測圖像；

(3.2)、構建圖像域重建模塊。圖像域重建模塊可以設計為任意神經網絡模型，圖像域重建模塊的輸入是稀疏角度CT圖像和圖像域注意力預測圖像的拼接，輸出是最終的重建結果；

(4)、訓練頻域模型

使用訓練對(稀疏角度CT圖像，完全角度CT圖像)訓練頻域模型的權重參數；

(5)、構建圖像域注意力模塊的訓練數據集

(5.1)、使用邊緣檢測算法提取完全角度CT圖像的邊緣，得到邊緣檢測圖像；

(5.2)、利用(4)中訓練好的權重參數，對稀疏角度CT圖像使用頻域模型重建為頻域重建圖像，計算頻域重建圖像與完全角度CT圖像的差值然后取絕對值，將差值大于等于r的像素點置為1，小于r的像素點置為0，得到重建差異圖像；

(5.3)、取邊緣檢測圖像與重建差異圖像的交集，得到圖像域注意力理想圖像，每一個(稀疏角度CT圖像和頻域重建圖像的拼接，圖像域注意力理想圖像)構成圖像域注意力模塊訓練樣本；

(6)、訓練圖像域注意力模塊

使用訓練對(稀疏角度CT圖像和頻域重建圖像的拼接，圖像域注意力理想圖像)訓練圖像域注意力模塊的權重參數，損失函數使用二分類交叉熵損失函數；

(7)、訓練圖像域重建模塊

使用訓練對(稀疏角度CT圖像和圖像域注意力預測圖像的拼接，完全角度CT圖像)訓練圖像域重建模塊的權重參數；

(8)、整體訓練

凍結圖像域注意力模塊的權重參數，使用訓練對(稀疏角度CT圖像，完全角度CT圖像)整體訓練頻域模型和圖像域重建模塊的權重參數。