一种主动式采样的CT重建方法、装置和可存储介质与流程

本发明涉及ct重建，尤其涉及一种主动式采样的ct重建方法、装置和可存储介质。

背景技术：

1、x射线断层成像技术(computed tomography,ct)是一种非介入情况下对人体进行高质量成像的技术，具有较快的成像速度，该技术在智能化诊疗中得到了广泛的应用。但由于x光辐射对人体具有一定的伤害，每人年均可接受仅两次常规ct扫描，这限制了该技术在重大疾病诊疗(如实时的肿瘤切除手术引导等)中的作用。因此，设计在低辐射剂量下进行高质量成像的ct重建算法就成为了该领域的重要研究内容。

2、目前，ct重建算法主要具有如下两步特征1)通过人体周围均匀分布的x光源来获取人体的一维投影信息；2)设计从投影到人体ct图像的算法来重建可用于诊疗的高质量ct图像。而低剂量ct成像则主要通过降低辐射剂量、减少投影数量、限制投影角度范围这三种手段来减少辐射，但上述场景使得该反问题的求解变得更加病态，并因此对图像造成额外的伪影。为了抑制这类伪影对医生诊疗的阻碍，低剂量ct重建研究主要有两个方向：1)基于知识先验的低剂量ct重建，该类方法主要通过分析ct影像数据的图像性质来将其公式化，并引入到优化模型中作为正则项，使得模型得到的优化图像可以符合知识先验；2)基于数据先验的低剂量ct重建，这类方法通过建立(低剂量图像，高剂量图像)的成对数据来形成可供深度学习技术训练使用的数据库，然后设计网络模型来学习图像间的映射关系，从而重建高清图像。但这两类方法都有各自的不足，基于知识先验的方法的迭代求解过程较慢，其计算代价过高，难以应用于快速成像的ct设备；而基于数据先验的方法存在数据过拟合的问题。为了解决上述问题，深度展开技术提出了一种新的思路，该类方法基于知识先验设计网络模型，并从数据先验中习得图像映射，既保持了模型的可解释性，又具有数据先验类方法的高性能，能够保证ct重建图像质量，对于辅助医疗和诊断领域有非常重要的科学意义和应用前景。

3、同时，在ct检查中，针对不同的疾病，医生所要关注的感兴趣区域(region ofinterest,roi)是大不相同的。而传统ct成像设备一般采用均匀采样，该采样模式可以较高效地覆盖物体整体轮廓；但在针对不同诊疗任务(如肝脏肿瘤检查、肺炎检测等)时，其roi信息有具体的几何信息，而均匀采样模式无法智能地、自适应地根据该信息进行精准化、个性化采样，浪费了曝光剂量。因此，针对ct图像的需求，进行自适应的采样模式优化是十分必要的。采样问题具有一定的专业性和主观性，不同任务中的最优roi区域和采样位置也存在较大差异，通过临床医生进行采样位置金标准的标注是非常昂贵和困难的，而主动学习(active learning)是一种通过选择性的标记较少数据而进行训练的技术。主动学习最重要的假设是不同样本对于特定任务的重要程度不同，所以带来的表现提升也不全相同。选取较为重要的样本可以使当前模型以较少的标记样本数得到较好的表现。在这一过程中，主动学习的本质是对样本的重要性(信息度、期望带来的表现等)等进行评估。

4、也就是说传统的低剂量ct重建算法多基于固定的均匀采样模式进行成像，而近期已有方法关注ct采样模式的在线优化，但都存在以下缺点：

5、一、传统的知识、数据驱动重建算法存在计算复杂度高、数据过拟合的问题。

6、二、固定的均匀采样模式，相比在线优化采样位置而言，无法根据患者个体、临床任务自适应地进行最优采样方案的设计。

技术实现思路

1、为克服上述缺点，本发明的目的在于提供一种主动式采样的ct重建方法、装置和可存储介质,能解决低剂量ct重建算法无法自适应采样的技术问题。

2、为了达到以上目的，本发明采用的技术方案是：一种主动式采样的ct重建方法，包括：

3、s100、构建x光投影图像数据集y，所述x光稀疏投影图像数据集包括至少一张初始的x光稀疏投影图像y0；

4、s200、加载训练好的第一深度学习网络模型对x光投影图像数据集y中的所有x光稀疏投影图像y0进行处理，得到当前的重建ct图像u0；

5、s300、加载训练好的第二深度学习网络模型对当前重建ct图像u0进行处理，预测下一次的最佳采样位置；

6、s400、根据预测的所述最佳采样位置进行采样，得到当前的x光稀疏投影图像y1并将x光稀疏投影图像y1更新到x光投影图像数据集y中；

7、s500、重复步骤s200-s400进行重建ct图像和最佳采样位置的迭代,直到稀疏投影数量达到指定的采样最大次数n，此时第一深度学习网络模型得到最终的重建ct图像un。

8、本发明的有益效果在于：通过x光投影图像数据集y中的所有x光稀疏投影图像进行ct图像的重建，再通过重建得到的重建ct图像去预测下一次的最佳采样位置,相对于固定的均匀采样模式，实现在线动态采样优化。重建ct图像和最佳采样位置的迭代，完成主动式ct图像重建，实现成像算法的高性能与可解释性。结合深度展开技术与对偶域约束，具有更好的鲁棒性。

9、进一步来说，根据所述第一深度学习网络模型和第二深度学习网络模型共同构建一个重建模型，所述重建模型可以输出重建图像和最佳采样位置，所述重建模型为：

10、minu,pd(pau,y)+λr1(u)+βr2(p),

11、其中λ和β是可调节的超参数，u是待重建的重建ct图像，a是全采样算子，r1(u)是u的图像先验，y是采样得到的x光稀疏投影图像，d(*)为距离函数,p是可优化的下采样算子，r2(p)用于下采样算子p的先验。

12、重建模型采用了r1(u)和r2(p)来进行约束，对该模型进行参数化改进，并利用第二深度学习网络模型对当前重建ct图像进行处理，预测下一次的最佳采样位置和重建ct图像。

13、进一步来说，所述采样模型利用交替方向乘子法得到如下重建图像和最佳采样位置的迭代步骤：

14、

15、其中所述k为正整数，且k≤n-1。

16、对上述最佳采样位置迭代、重建图像迭代进行深度展开，从而得到基于知识先验、数据先验的最佳采样位置、重建图像迭代过程，直到迭代完成时，最终采样次数到达指定数量n，所得到的重建ct图像un即为最终的重建ct图像。

17、进一步来说，利用第二深度学习网络模型对当前重建ct图像进行处理，预测下一次的最佳采样位置。

18、进一步来说，初始的x光稀疏投影图像y0在采样位置均匀分布的情况下采样得到。也就是将采样位置均匀分布时采集到的x光稀疏投影图像y0作为初始的x光稀疏投影图像数据集y,作为后续迭代时的初始数据。

19、进一步来说，所述第一深度学习网络模型的训练过程包括：

20、基于u-net网络结构构建第一深度学习网络结构；

21、收集第一训练数据集，所述第一训练数据集包括收集的ct图像和对应x光稀疏投影图像形成的数据对；

22、利用所述第一训练数据集对第一深度学习网络结构进行训练，训练完成后保存为第一深度学习网络模型。

23、将收集的第一训练数据集按照胖瘦、拍摄位姿和临床任务进行分类，也就是可以针对不同患者、临床任务动态优化模型。使用具有跳跃连接的u-net网络模型，来更好地保持图像下采样过程中的不同尺度特征信息，从而在图像上采样过程中可以充分还原fbp初始图像的几何结构。而为了增强该模型的鲁棒性，在整体模型训练之前，利用多情形欠采样数据，对该模块进行图像重建预训练，从而让该重建模块从数据先验中习得多情形下的共有重建机制。

24、进一步来说，所述第二深度学习网络模型的训练过程包括：

25、基于全连接网络结构构建第二深度学习网络结构；

26、收集第二训练数据集，所述第二训练数据集包括收集的ct图像、对应的x光全投影图像和稀疏投影掩膜组成的三元组数据；

27、利用所述第二训练数据集对第二深度学习网络结构进行训练，训练完成后保存为第二深度学习网络模型。

28、针对采样位置的离散特性问题，利用全连接网络模型作为第二深度学习网络模型。针对无投影位置金标准问题，结合投影域与图像域的关联，构建软监督损失函数，来辨别不同采样位置为下一步图像重建带来的贡献。结合自监督学习技术，在所构建的(ct图像，全投影图像，稀疏投影掩膜)三元组数据上进行预训练。

29、进一步来说，所述步骤s300具体包括：

30、将所述重建ct图像进行radon变换，形成重建ct图像对应的x光全投影图像；

31、将所述的x光全投影图像输入全连接网络中，输出最佳采样位置。

32、基于自监督学习技术构建第二深度学习网络模型，相比传统ct图像重建装置，可以针对不同患者、诊疗任务动态优化采样模式，具有更好的临床自适应性。

33、本发明还公开一种主动式采样的ct重建系统，包括：

34、存储模块，所述存储模块中存储有x光投影图像数据集y；

35、图像域重建模块，所述图像域重建模块用于对x光投影图像数据集y中的所有x光稀疏投影图像进行处理，得到当前的重建ct图像；

36、投影域采样预测模块，所述投影域采样预测模块用于根据当前的重建ct图形预测下一次的最佳采样位置；根据所述最佳采样位置采样得到x光稀疏投影图像，并将得到的所述x光稀疏投影图像更新到x光投影图像数据集y中；

37、双域迭代单元，所述双域迭代单元用于完成在线的重建ct图像和最佳采样位置的迭代过程。

38、本发明还公开一种可存储介质，所述计算机可读存储介质上存储有指令，执行指令被处理器执行时用于实现上述的主动式采样的ct重建方法。