[發(fā)明專利]基于深度融合神經(jīng)網(wǎng)絡(luò)的稀疏視角CT成像方法和設(shè)備

有效

• 申請?zhí)枺?/td>: 202210569044.0
• 申請日: 2022-05-24
• 公開（公告）號: CN114723842B
• 公開（公告）日: 2022-08-23
• 發(fā)明（設(shè)計）人: 徐陽迪;林宏翔;許瑩瑩;李勁松
• 申請（專利權(quán)）人: 之江實(shí)驗(yàn)室
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 劉靜

1.一種基于深度融合神經(jīng)網(wǎng)絡(luò)的稀疏視角CT成像方法，其特征在于，包括以下步驟：

S1，獲取稀疏視角的CT投影測量數(shù)據(jù)；

S2，對所述CT投影測量數(shù)據(jù)使用濾波反投影法得到初始CT圖像；

S3，構(gòu)建深度融合神經(jīng)網(wǎng)絡(luò)，所述深度融合神經(jīng)網(wǎng)絡(luò)包括五個部分：初始CT圖像編碼器、投影測量數(shù)據(jù)編碼器、深層特征融合模塊、融合特征解碼器和全局信息補(bǔ)充模塊；

所述初始CT圖像編碼器用于提取所述初始CT圖像的深層圖像特征；

所述投影測量數(shù)據(jù)編碼器用于提取所述CT投影測量數(shù)據(jù)的正弦特征；

所述深層特征融合模塊采用拼接操作，融合所述深層圖像特征和所述正弦特征，得到深層混合特征；

所述融合特征解碼器用于解碼所述深層混合特征，生成與所述初始CT圖像張量尺寸相同的CT重建圖像；

所述全局信息補(bǔ)充模塊由多個卷積層組成，分為若干級別，各級別依次連接，當(dāng)前級別包含上一級別的所有卷積層及參數(shù)，并增加一層卷積核大于上一級別最大卷積核的卷積層，各級別輸出的特征圖尺寸與所述初始CT圖像相同，且具有復(fù)數(shù)的通道數(shù)，將所有級別輸出的特征圖進(jìn)行疊加，生成全局信息補(bǔ)充特征圖；

將所述融合特征解碼器生成的CT重建圖像和所述全局信息補(bǔ)充模塊生成的全局信息補(bǔ)充特征圖進(jìn)行拼接，經(jīng)過卷積層進(jìn)行通道數(shù)合并，輸出最終CT重建圖像；

S4，訓(xùn)練深度融合神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過程中使用模擬退火進(jìn)行人工衰減，損失函數(shù)由平均絕對誤差和結(jié)構(gòu)相似性誤差組合而成；

S5，將相同稀疏視角采樣的CT投影測量數(shù)據(jù)輸入訓(xùn)練好的深度融合神經(jīng)網(wǎng)絡(luò)中，得到CT重建圖像。

2.根據(jù)權(quán)利要求1所述的基于深度融合神經(jīng)網(wǎng)絡(luò)的稀疏視角CT成像方法，其特征在于，所述初始CT圖像編碼器逐級別提取輸入的初始CT圖像的特征并下采樣；每一級別的特征提取操作按批量標(biāo)準(zhǔn)化層、卷積層、激活函數(shù)層、卷積層順序執(zhí)行，并使用最大池化層進(jìn)行下采樣；末級通過dropout層輸出提取的深層圖像特征。

3.根據(jù)權(quán)利要求2所述的基于深度融合神經(jīng)網(wǎng)絡(luò)的稀疏視角CT成像方法，其特征在于，所述融合特征解碼器逐級別對深層混合特征進(jìn)行解碼；每一級別的解碼操作按批量標(biāo)準(zhǔn)化層、上采樣層、卷積層順序執(zhí)行；每一級別的上采樣層輸出與初始CT圖像編碼器的同級別輸出特征進(jìn)行長跳躍式連接；末級通過上采樣層和dropout層，dropout層輸出與初始CT圖像進(jìn)行長跳躍式連接，最后通過卷積層輸出與初始CT圖像張量尺寸相同的CT重建圖像。

4.根據(jù)權(quán)利要求1所述的基于深度融合神經(jīng)網(wǎng)絡(luò)的稀疏視角CT成像方法，其特征在于，所述投影測量數(shù)據(jù)編碼器逐級別提取輸入的CT投影測量數(shù)據(jù)的特征并下采樣；每一級別的特征提取操作按卷積層、激活函數(shù)層順序執(zhí)行；第一級別的激活函數(shù)層輸出和第二級別的激活函數(shù)層輸出進(jìn)行跳躍連接；末級通過dropout層輸出提取的正弦特征。

5.根據(jù)權(quán)利要求1所述的基于深度融合神經(jīng)網(wǎng)絡(luò)的稀疏視角CT成像方法，其特征在于，所述全局信息補(bǔ)充模塊由多個卷積層組成，分為依次連接的三個級別；第一級別包含一個卷積層，卷積核為1*1，步長為1，通道數(shù)為32；第二級別包含兩個卷積層，卷積核分別為1*1、3*3，步長均為1，通道數(shù)均為32；第三級別包含三個卷積層，卷積核分別為1*1、3*3、5*5，步長均為1，通道數(shù)均為32；將三個級別輸出的特征圖進(jìn)行疊加，通過卷積核為3*3，步長為1，通道數(shù)為1的卷積層，得到全局信息補(bǔ)充特征圖。

6.根據(jù)權(quán)利要求1所述的基于深度融合神經(jīng)網(wǎng)絡(luò)的稀疏視角CT成像方法，其特征在于，所述損失函數(shù)由平均絕對誤差和結(jié)構(gòu)相似性誤差加權(quán)求和得到，公式如下：

其中和是權(quán)重超參數(shù)，且，為金標(biāo)準(zhǔn)圖像，為深度融合神經(jīng)網(wǎng)絡(luò)輸出的CT重建圖像，為結(jié)構(gòu)相似性函數(shù)。

7.根據(jù)權(quán)利要求1所述的基于深度融合神經(jīng)網(wǎng)絡(luò)的稀疏視角CT成像方法，其特征在于，所述深度融合神經(jīng)網(wǎng)絡(luò)采用Adam優(yōu)化算法進(jìn)行訓(xùn)練，學(xué)習(xí)率使用模擬退火進(jìn)行人工衰減，每經(jīng)過最大訓(xùn)練輪數(shù)的四分之一，下一輪的學(xué)習(xí)率下降為當(dāng)前學(xué)習(xí)率的二分之一。