[发明专利]基于深度多重解析网络的缺失CT投影数据估计方法

权利要求书

1.一种基于深度多重解析网络的缺失CT投影数据估计方法，其特征是，包括以下步骤：

S1，获取一定数量的完全CT投影数据图像，对每个图像进行部分遮挡，得到缺失部分的CT投影数据原图和具有缺失区域的缺失CT投影数据图像；

S2，将缺失部分的CT投影数据原图和具有缺失区域的缺失CT投影数据图像作为训练数据，输入预设的深度多重解析网络模型，以训练该模型预测缺失部分CT投影数据图像；

S3，对待测的缺失CT投影数据图像，利用S2中已训练的深度多重解析网络模型进行预测得到缺失部分的CT投影数据图像；

S4，根据预测的缺失部分CT投影数据图像，重建出CT投影数据图像。

2.根据权利要求1所述的一种基于深度多重解析网络的缺失CT投影数据估计方法，其特征是，深度多重解析网络模型包括生成器、局部鉴别器和全局鉴别器。

3.根据权利要求2所述的一种基于深度多重解析网络的缺失CT投影数据估计方法，其特征是，深度多重解析网络模型的训练过程为：

将缺失CT投影数据图像作为生成器输入，生成器输出缺失部分的CT投影数据图像；

将生成器输出的缺失部分的CT投影数据图像与缺失部分的CT投影数据原图输入到局部鉴别器中，判断生成器输出的缺失部分的CT投影数据图像是真实或是合成；

将生成器输出的缺失部分的CT投影数据图像与完全CT投影数据图像拼接成新的完全投影数据图像，和完全CT投影数据原图均作为全局鉴别器的输入，判断生成器输出的缺失部分的CT投影数据图像是真实或是合成。

4. 根据权利要求2所述的一种基于深度多重解析网络的缺失CT投影数据估计方法，其特征是，生成器网络中包含五层卷积层、两层全连接层和五层反卷积层；卷积层共5层，卷积核尺寸均为4×4，5层步长分别为(2, 2)、(3, 2)、(3, 4)、(4, 4)、(2, 2)，填充采用补零填充，5层卷积核数量分别为32，32，64，128，256；5层反卷积层，卷积核尺寸均为4×4，步长分别为(2, 2)、(2, 2)、(3, 4)、(3, 4)、(2, 2)，填充采用补零填充，5层卷积核数量分别为256，128，64，32，32，每一层均进行批量归一化，激活函数采用修正线性单元函数，最后一层激活函数采用双曲正切函数。

5. 根据权利要求2所述的一种基于深度多重解析网络的缺失CT投影数据估计方法，其特征是，局部鉴别器网络具有五层卷积层，包括卷积、批量归一化和激活函数操作，以及一个输出层；卷积层共5层，卷积核尺寸均为4×4，5层步长分别为(2, 2)、(2, 2)、(3, 4)、(3,4)、(2, 2)，填充采用补零填充，5层卷积核数量分别为32，64，128，128，256；每一层均进行批量归一化，激活函数采用带泄露线性整流函数。

6. 根据权利要求2所述的一种基于深度多重解析网络的缺失CT投影数据估计方法，其特征是，全局鉴别器网络具有五层卷积层，包括卷积、批量归一化和激活函数操作，以及一个输出层；卷积层共5层，卷积核尺寸均为4×4，5层步长分别为(2, 2)、(2, 2)、(3, 4)、(4,4)、(3, 2)，填充采用补零填充，5层卷积核数量分别为32，64，128，128，256；每一层均进行批量归一化，激活函数采用带泄露线性整流函数。

7.根据权利要求1所述的一种基于深度多重解析网络的缺失CT投影数据估计方法，其特征是，采用卷积滤波反投影方法从预测的缺失部分CT投影数据图像中重建出CT投影数据图像。