[发明专利]基于VAEGAN的非完全投影CT图像重建方法

权利要求书

1.基于VAEGAN的非完全投影CT图像重建方法，其特征在于，包括如下步骤：

构建VAEGAN模型；

利用完全投影数据的正弦图像来训练VAEGAN模型；

将不完全投影数据的正弦图像输入至已训练好的VAEGAN模型，获取生成图像并对不完全投影数据的正弦图像缺失部分进行预测，获取补全正弦图像；

进一步获取对应的补全投影数据，根据补全投影数据重建CT图像；

所述VAEGAN模型包括：编码器、生成器和判别器，主要包含：卷积层、修正线性单元层、批标准化层和全连接层；

所述编码器，用于对输入正弦图像X提取低维度的隐变量特征Z，通过优化隐变量特征Z和标准维高斯分布的KL散度来使编码器E提取的隐变量特征Z尽可能拟合多维高斯分布；将隐变量特征Z作为生成器G的输入获取生成图像，通过优化期望对数似然函数和判别器反馈的损失函数至生成器G来改善生成图像；

判别器D作为二分类器，用于区分真实图像和生成图像，当生成图像越接近真实图像时，判别器D输出结果越接近1，相反的判别器D输出趋近于0；

使用随机梯度下降法对编码器E、生成器G和判别器D进行参数优化：

其中，L_pri表示多维高斯分布提取特征的分布与从输入图像中提取的隐变量特征分布的KL散度，表示生成图像的重构损失；L_GAN表示GAN损失；θ表示随机梯度下降法对损失函数的方向向量；表示使用随机梯度下降法对损失函数在θ方向上进行损失优化；γ为常数优化因子；

训练VAEGAN模型的具体方法如下：

获取若干张CT图像及其对应的完全投影数据和不完全投影数据，将完全投影数据的正弦图像作为训练图像，将不完全投影数据的正弦图像作为测试图像；

利用变分自编码器的基于卷积神经网络的编码器提取训练图像的隐变量特征；

使隐变量特征的先验概率分布拟合多维高斯分布，对隐变量特征进行优化；

将优化后的隐变量特征作为生成器的输入数据，将低维隐变量特征映射为生成图像；

将训练图像和生成图像作为判别器的输入参数，使用交叉熵作为损失函数衡量生成图像和训练图像的相似性并进一步优化编码器、生成器和判别器；

重复上述步骤，直至超过预设模型训练次数。

2.根据权利要求1所述的基于VAEGAN的非完全投影CT图像重建方法，其特征在于，采用标准为高斯分布的KL散度使隐变量特征的先验概率分布拟合多维高斯分布。

3.根据权利要求1所述的基于VAEGAN的非完全投影CT图像重建方法，其特征在于，采用随机梯度下降法对编码器、生成器和判别器进行优化。

4.根据权利要求1所述的基于VAEGAN的非完全投影CT图像重建方法，其特征在于，利用FBP方法根据补全投影数据重建CT图像。