一种基于正弦域和图像域的稀疏角度CT重建方法

本发明属于x射线计算机断层成像(computed tomography,ct)，具体涉及一种基于正弦域和图像域的稀疏角度ct重建方法。

背景技术：

1、ct图像由于具有高分辨率和高灵敏度的特点，被广泛应用于临床诊断、无损检测和生物学研究。随着医学ct技术的不断发展，人们对更快、更安全、更高精度的ct技术提出要求。然而ct的高剂量辐射对人体可能造成潜在危害，长时间、高频率的扫描会进一步增加危害。目前，通过降低电流强度(低剂量ct)和减少采样的次数(稀疏角度ct)，能够实现降低辐射剂量，但这样破坏了投影数据的完备性，由传统重建算法直接重建出的图像质量会严重退化。因此，如何在降低辐射剂量的同时保证重建图像的质量成为近年来ct研究的一个热点。

2、近年来，研究者提出了基于数据驱动的稀疏投影ct重建技术，其利用数据驱动或自适应模型(字典学习、稀疏变化、张量变换)代替数学统计模型，通过训练包含真实和欠采样的数据训练模型参数以重建ct图像。这类技术又分为基于学习的自适应模型技术和深度学习技术，基于深度学习技术的稀疏投影ct重建方法首先利用滤波反投影算法(filteredback projection，fbp)从稀疏正弦图中生成含有噪声的图像，然后将其与无噪声的标签图像进行比较来学习伪影分布。东南大学图像科学与技术实验室提出了一种稀疏投影重建混合神经网络，其利用深度学习同时对投影正弦数据以及重建后的图像进行降噪，最终获得重建图像。虽然这类方法已充分考虑了图像域的条纹伪影，但只考虑了图像域信息，没有考虑投影正弦域信息，在噪声较大或者投影数据严重缺失的情况下，较难获得满意的重建结果。针对这一问题，安徽工业大学计算机与信息实验室提出了针对锥束ct稀疏投影的混合双域重建方法，该方法同时考虑了正弦域与图像域信息，但该方法没有考虑正弦域与图像域的一致性，重建过程中会产生二次伪影；此外该工作缺乏对深度神经网络特征生成的约束，可能会导致重建图像出现目标ct图像之外的结构特征，这将导致极其严重的问题。另外，该方法的鲁棒性以及泛化性有待验证。

技术实现思路

1、为解决上述问题，本发明提供了一种基于正弦域和图像域的稀疏角度ct重建方法，所述ct重建方法考虑了通过在迭代模型中引入正弦域与图像域先验，能获得稳定的高质量ct重建结果，具有较好的鲁棒性以及泛化性。

2、本发明具体方案为：

3、s1.采集稀疏角度正弦图训练数据集，所述稀疏角度正弦图训练数据集包括稀疏角度正弦图集及其对应的标签数据集；

4、s2.构建基于正弦域和图像域的稀疏角度ct重建网络模型，通过稀疏角度正弦图训练数据集训练稀疏角度ct重建网络模型，直至模型收敛；

5、s3.将稀疏角度正弦图输入训练好的稀疏角度ct重建网络模型中得到修复后的全角度正弦图以及重建ct图；

6、s4.构建ct图像重建目标方程，将修复后的全角度正弦图及重建ct图作为ct图像重建目标方程的先验正则约束，迭代优化ct图像重建目标方程，并采用最小二乘法求解得到高精度重建ct图像。

7、进一步的，步骤s1采集稀疏角度正弦图训练数据集的过程包括：

8、s11.对于被测物体，采用扇束几何ct分别以0、为初始角旋转半周，采集23800张第一正弦图，每张第一正弦图包含180条投影；

9、s12.对每一张第一正弦图进行截取得到对应的稀疏角度正弦图，每张稀疏角度正弦图包含60条投影；

10、s13.第一正弦图作为标签数据，将标签数据与稀疏角度正弦图一一对应得到稀疏角度正弦图训练数据集，并将稀疏角度正弦图训练数据集按照比例7:2:1划分得到训练集、验证集和测试集。

11、进一步的，在步骤s2中，所述稀疏角度ct重建网络模型包括投影恢复网络、滤波反投影重建层和图像增强网络，基于正弦域和图像域的稀疏角度ct重建网络模型的训练过程，包括以下步骤：

12、s21.通过线性插值方法对稀疏角度正弦图s进行插值处理，并使用其对应的标签数据sr对插值处的像素进行赋值，得到插值补全的全角度正弦图sl；

13、s22.将全角度正弦图sl输入到投影恢复网络中，得到修复后的全角度正弦图sout；

14、s23.构建第一损失函数，计算标签数据sr与修复后的全角度正弦图sout的修复损失；

15、s24.将修复后的全角度正弦图sout作为输入，通过滤波反投影重建层得到中间重建ct图xout；采用fbp算法对标签数据sr进行反投影得到标签ct图xlabel；

16、s25.构建第二损失函数，计算中间重建ct图xout与标签ct图xlabel的滤波反投影重建损失；

17、s26.将中间重建ct图xout与标签ct图xlabel一起输入到图像增强网络作对抗得到增强后的重建ct图x；

18、s27.构建第三损失函数，计算增强后的重建ct图x与标签ct图xlabel间的生成损失以及对抗损失。

19、进一步的，步骤s22所述的投影恢复网络包括子注意力机制和残差卷积块；所述残差卷积块包括两个卷积核大小均为3x3的卷积层、一个核大小为1x1的残差卷积层、两个group数均为8的分组归一化层和一个加法层，且所述残差卷积块采用的激活函数为swish。

20、进一步的，步骤s23根据正弦图标签与其对应的修复后的全角度正弦图构建第一损失函数，表示为：

21、le＝||sout-sr||1＝||eω(sl)-sr||1

22、其中，eω()表示投影恢复网络。

23、进一步的，步骤s24中通过滤波反投影重建层得到中间重建ct图xout的过程包括：

24、s51.根据步骤s22修复后的全角度正弦图xout的物理几何信息，将其扇束几何投影转换为平行束投影得到第一修复全角度正弦图sout1；

25、s52.对第一修复全角度正弦图sout1进行二维傅里叶变换得到频域图像sout2，并通过ram-lak滤波器对频域图像sout2滤波；

26、s53.采用二维傅里叶逆变换处理滤波后的频域图像sout2得到滤波正弦图sout3；

27、s54.对滤波正弦图sout3进行平行束反投影得到中间重建ct图xout。

28、进一步的，所述图像增强网络基于对抗学习消除中间重建ct图xout的条纹伪影；所述图像增强网络的生成器的网络结构与投影恢复网络相同；所述图像增强网络的鉴别器采用深度卷积结构，由10个卷积层、10个分组归一化层和10个swish激活函数层组成；其中，10个卷积层的卷积核大小依次递增。

29、进一步的，步骤s27根据增强后的重建ct图x与标签ct图xlabel构建第三损失函数，表示为：

30、lg＝lgan+αlpmse

31、

32、

33、其中，lgan表示对抗损失，lpmse表示像素均方损失，α表示权重系数，gθ表示生成器，表示鉴别器，w、h分别表示图像的宽和高，x(x,y)表示增强后的重建ct图x的像素点(x,y)，xlabel(x,y)表示标签ct图xlabel的像素点(x,y)。

34、进一步的，步骤s3构建的ct图像重建目标方程表示为：

35、

36、其中，||s-a(xi)||2表示数据保真项，s表示稀疏角度正弦图，a表示正向投影矩阵，xi表示第i次迭代重建得到的目标ct图像，||xi-gθ(s)||2、||s-eω(s)||2表示正则项，gθ,fr,eω分别表示已训练的图像增强网络、滤波反投影重建层以及投影恢复网络，λ1,λ2表示平衡保真项与正则项的超参数；

37、根据最小二乘法求解迭代优化的ct图像重建目标方程，表示为：

38、

39、其中，at表示正向投影矩阵的转置，i＝0,1,2,…表示迭代次数。

40、本发明的有益效果：

41、1.本发明提供了一种基于正弦域和图像域的稀疏角度ct重建方法，将稀疏角度正弦图在稀疏角度ct重建网络模型中的正弦域以及图像域输出作为深度先验，融入ct图像重建目标方程的优化迭代过程中，相比于传统只采用神经网络的双域重建方法，具有更稳定的结果输出以及更高的鲁棒性、泛化性，本发明在目标方程中引入数据保真项，能有效的保持投影正弦域与重建图像域的特征一致性。

42、2.本发明设计了连接正弦域与图像域的滤波反投影重建层，该层允许梯度反向传播，通过引入拉东一致性损失进行监督训练能有效地抑制重建过程产生的二次伪影，提高重建精度。本发明图像增强网络引入标签ct图像与中间重建ct图像作对抗训练，进一步提升图像质量。

43、3.本发明通过引入自注意力机制，可以根据图像的不同区域动态调整其关注度，从而更准确地捕捉图像的高级特征，同时本方法使用了基于残差块的上采样-下采样网络结构，残差块能够跳过一些卷积层减少网络的复杂度，从而降低模型的过拟合程度。