一种基于域迁移的无监督堆叠金属有限角CT伪影去除方法

本发明属于工业有限角ct伪影，具体涉及一种基于域迁移的无监督堆叠金属有限角ct伪影去除方法。

背景技术：

1、在工业制造中，需要检测堆叠金属如电池电芯的对齐情况，受限于流水线构造和速度要求，只能进行有限角度的ct扫描，而有限角重建会带来较大的图像伪影，影响金属片长度等量化指标的测量。

2、在解决有限角问题的传统神经网络方法中，往往需要全角度的真实ct扫描数据，而在实际工业制造中，受流水线构造限制，全角度的ct扫描数据很难获得；如果使用模拟数据训练网络，由于模拟数据和现实数据的结构、投影重建的物理几何和能谱等差异，基于模拟数据训练出的成像网络无法有效抑制真实工业ct重建图像的有限角伪影。

技术实现思路

1、本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于域迁移的无监督堆叠金属有限角ct伪影去除方法。

2、为实现上述技术目的，本发明采取的技术方案为：

3、基于域迁移的无监督堆叠金属有限角ct伪影去除方法，包括如下步骤：

4、步骤s1：采集真实堆叠金属的有限角ct数据，并进行滤波反投影重建；

5、步骤s2：根据真实的堆叠金属制作对应的模拟数据，对其做有限角和全角度的正投影，并进行滤波反投影重建；

6、步骤s3：使用模拟数据的有限角和全角度重建数据预训练神经网络；

7、步骤s4：使用模拟数据的有限角重建数据和真实有限角ct重建数据预训练分类器；

8、步骤s5：利用分类器生成模拟数据相对于真实数据的特征图；

9、步骤s6：通过特征图弱化模拟数据的特征，继续训练神经网络直至结束；

10、步骤s7：将真实数据输入神经网络，生成有限角伪影去除图像。

11、为优化上述技术方案，采取的具体措施还包括：

12、进一步地，步骤3中，对于模拟数据的有限角和全角度重建数据进行归一化处理，如图2，选取u-net网络，将有限角重建数据作为输入，全角度重建数据作为标签进行训练。为保留高频信息，对图像做高斯模糊后与原图像作差，损失函数设计为：

13、

14、其中，为网络的输出结果，y为全角度重建数据，mse表示均方误差，ssim表示结构相似性指标，gaussianblur表示对图像做高斯模糊。

15、使用adam作为模型参数优化器，初始学习率设置为1e-4，如果在10轮内效果没有明显改善，则缩小学习率10倍。

16、进一步地，步骤4具体为，对于模拟数据有限角和真实数据有限角重建图像进行归一化处理，如图3，将模拟数据设置为标签0，真实数据设置为标签1；选取resnet作为分类器的主体，增加展平操作和全连接层输出预测结果，使用softmax函数对输出进行归一化处理，得到类别概率；采用交叉熵函数crossentropyloss作为损失函数，使用adam作为模型参数优化器，学习率设置为1e-5。

17、进一步地，步骤5具体为，通过最大化分类器损失函数得到的梯度变化方向来获取特征图。具体来说，是对于交叉熵损失函数，通过将模拟数据判定为真实数据的标签1来最大化损失函数：

18、lmax＝crossentropyloss(1,classifier(x))

19、其中，crossentropyloss表示交叉熵函数，classifier(x)表示将图像x输入分类器得到的类别概率。

20、图像x的特征图fx可以表示为lmax相对于图像x的导数，通过将特征图fx转换为负指数项，可以反转每个像素的权值，得到掩图mx，如图4。

21、进一步地，步骤6中，使用步骤5生成的掩图mx弱化模拟数据相较于真实数据的特征，继续训练步骤3中预训练完成的u-net网络，采用adam参数优化器，初始学习率为1e-4，每50轮缩小10倍，损失函数设计为：

22、

23、

24、其中mse表示均方误差，表示预测的全角度数据，表示预测全角度数据的掩图，y表示全角度模拟数据，my表示全角度模拟数据的掩图，x表示有限角模拟数据，mx表示有限角模拟数据的掩图，model表示u-net网络。

25、一种基于域迁移的无监督堆叠金属有限角ct伪影去除方法，包括：

26、ct数据采集模块，用于采集堆叠金属真实ct数据；

27、模拟数据制作模块，用于生成堆叠金属模拟数据；

28、正投影和重建模块，用于生成模拟数据和真实数据的重建图像；

29、分类器特征图生成模块，用于区分真实和模拟数据并生成特征图，以弱化模拟数据特征；

30、神经网络训练模块，用于训练神经网络以生成全角度图像；

31、本发明的有益效果：

32、1、高效的域迁移应用：本发明采用了域迁移技术，通过图像的特征掩图，有效地解决了在有限角度条件下ct成像的挑战。当全角度ct数据难以获得时，该技术能够使得仅使用模拟数据和有限角ct数据训练的网络展现出更强的泛化能力。因此，本发明在处理真实数据时，能够比现有技术更有效地提高成像质量。

33、2、无监督学习的实现：本发明的方法采用了无监督学习的策略，通过预训练神经网络处理模拟数据，进而提升对真实有限角ct数据的处理能力。这种方法避免了对大量标记数据的依赖，降低了数据准备的难度和成本。

34、3、精细的网络训练方法：本发明在网络训练过程中采用了精细的策略，如使用u-net网络和resnet分类器，设计高效的损失函数，以及合理的学习率调整策略。这些方法的组合不仅提高了模型的准确性，也增强了模型在实际应用中的稳定性和可靠性。

35、4、优化的伪影去除策略：在ct成像中，伪影是一个普遍存在的问题，尤其是在有限角度条件下。本发明通过创新的算法设计，能够有效去除这些伪影，从而生成更高质量的图像。这一点在真实数据的处理上尤为重要，为临床诊断、工业数据测量等领域提供了更准确的图像数据。

36、综上所述，本发明不仅在技术层面展现了创新性，也在实际应用中，尤其是在模型泛化能力、ct成像质量和准确性方面展现了优越性。

技术特征：

1.一种基于域迁移的无监督堆叠金属有限角ct伪影去除方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于域迁移的无监督堆叠金属有限角ct伪影去除方法，其特征在于：所述步骤3中，对于模拟数据的有限角和全角度重建数据进行归一化处理，选取u-net网络，将有限角重建数据作为输入，全角度重建数据作为标签进行训练,为保留高频信息，对图像做高斯模糊后与原图像作差，损失函数设计为：

3.根据权利要求1所述的一种基于域迁移的无监督堆叠金属有限角ct伪影去除方法，其特征在于：所述步骤4中，对于模拟数据有限角和真实数据有限角重建图像进行归一化处理，将模拟数据设置为标签0，真实数据设置为标签1；选取resnet作为分类器的主体，增加展平操作和全连接层输出预测结果，使用softmax函数对输出进行归一化处理，得到类别概率；采用交叉熵函数crossentropyloss作为损失函数，使用adam作为模型参数优化器，学习率设置为1e-5。

4.根据权利要求1所述的一种基于域迁移的无监督堆叠金属有限角ct伪影去除方法，其特征在于：所述步骤5中，通过最大化分类器损失函数得到的梯度变化方向来获取特征图，具体来说，是对于交叉熵损失函数，通过将模拟数据判定为真实数据的标签1来最大化损失函数：

5.根据权利要求1所述的一种基于域迁移的无监督堆叠金属有限角ct伪影去除方法，其特征在于：所述步骤6中，使用步骤5生成的掩图mx弱化模拟数据相较于真实数据的特征，继续训练步骤3中预训练完成的u-net网络，采用adam参数优化器，初始学习率为1e-4，每50轮缩小10倍，损失函数设计为：

6.一种基于域迁移的无监督堆叠金属有限角ct伪影去除系统，其特征在于，用于实现权利要求1-5任意一项所述的方法，所述系统包括：

技术总结
本发明公开了一种基于域迁移的无监督堆叠金属有限角CT伪影去除方法，包括采集真实堆叠金属的有限角CT数据，并进行滤波反投影重建；根据真实的堆叠金属制作对应的模拟数据，对其做有限角和全角度的正投影，并进行滤波反投影重建；使用模拟数据的有限角和全角度重建数据预训练U‑Net神经网络；使用模拟数据的有限角重建数据和真实有限角CT重建数据预训练分类器；通过特征图弱化模拟数据的特征，继续训练U‑Net神经网络直至收敛；将真实数据输入神经网络，生成有限角伪影去除图像。本发明在难以获得全角度CT投影数据的前提下，通过域迁移技术，使得模拟数据训练的网络具有更强的泛化型，在真实数据上的表现相较于现有技术具有更高的成像质量及量化精度。

技术研发人员：季续,吴锬,陈阳
受保护的技术使用者：东南大学
技术研发日：
技术公布日：2024/5/8