[发明专利]一种基于卷积神经网络的稀疏角度CT成像方法

权利要求书

1.一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于，包括如下步骤：

步骤1：准备网络所需训练数据集；

步骤2：构建投影数据复原卷积神经网络Rs；

步骤3：构建迭代重建卷积神经网络Re；

步骤4：将步骤2和步骤3构建的投影数据复原卷积神经网络Rs和迭代重建卷积神经网络Re进行级联，构建深度级联卷积神经网络，并通过步骤1得到的数据对网络进行训练，获取整个深度级联卷积神经网络的权重；

步骤5：利用训练好的深度级联卷积神经网络，对临床稀疏角度扫描下的CT投影数据P_s进行重建，得到高质量的CT图像V。

2.如权利要求1所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：步骤1中训练数据集通过如下方式获得：首先，从医院影像数据库中选取全角度扫描下的CT投影数据并重建出高质量CT图像数据然后，对投影数据进行等角度间隔的降采样得到稀疏角度扫描下的CT投影数据最后，将和作为训练投影数据复原卷积神经网络的样本输入和样本标签，将复原网络输出的投影数据和高质量的CT图像数据作为训练迭代重建的卷积神经网络的样本输入和样本标签。

3.如权利要求2所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：CT图像数据是由全角度扫描下的CT投影数据经过TV迭代重建算法得到的。

4.如权利要求1所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：步骤2中构建的投影数据复原卷积神经网络Rs，包括训练数据预处理和网络学习两个部分；训练数据预处理部分包括对稀疏角度投影数据进行插值和指数Anscombe变换两个操作，将投影数据预处理为光子信号数据

网络学习部分包括生成网络、对数逆Anscombe变换、判别网络三个操作，具体步骤为：首先，利用生成网络，将预处理后的光子信号数据映射为复原后的光子信号数据然后，进行对数逆Anscombe变换得到复原后的投影数据最后，通过判别网络来判别复原后的投影数据与全角度扫描下投影数据的一致性。

5.如权利要求4所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：对稀疏角度投影数据进行插值的方法为三次样条插值。

6.如权利要求4所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：指数Anscombe变换定义为：

其中I₀为单能X射线的初始强度，P为输入的投影数据。

7.如权利要求4所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：生成网络包含三个残差学习基本单元，每个单元含有三个卷积层，前两层采用ReLU激活函数，最后一层无激活函数，以实现将不同层的特征融合。

8.如权利要求4所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：生成网络训练的损失函数为复原后的投影数据与全角度投影数据之间的均方误差。

9.如权利要求4所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：对数逆Anscombe变换定义为：

其中为经过复原后的光子信号数据。

10.如权利要求4所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：判别网络包含三个卷积块线性叠加结构和一个激活层，其中，每个卷积块包括三个卷积层，将三维体数据图像块降为二维特征图，二维特征图通过一个包含256个隐藏层连接到输出节点；激活层采用Sigmoid激活函数，输出判别结果。