[发明专利]一种基于深度学习去除稀疏角度CT成像伪影的方法

权利要求书

1.一种基于深度学习去除稀疏角度CT成像伪影的方法，其特征在于该方法包括以下步骤：

（1）生成神经网络训练数据：首先将全角度CT图像做全角度采集，得到Full_Sino图像，然后每隔一段固定的行间距进行抽取，生成Spare_Sino图像；

（2）训练神经网络：将生成好的Spare_Sino图像按3张或多张为一组生成3D图像作为训练数据，将全角度CT图像作为标签数据，一起送入到神经网络中进行训练；

（3）采集数据：在真实情况下采集一周共45个角度的Spare_Sino图像；

（4）输出最终图像：将采集到的Spare_Sino图像3张或多张为一组数据送入到训练好的神经网络当中，神经网络处理后输出去除伪影的CT图像。

2.根据权利要求1所述的基于深度学习去除稀疏角度CT成像伪影的方法，其特征在于：步骤（1）的行间距设置为3~8行。

3.根据权利要求1所述的基于深度学习去除稀疏角度CT成像伪影的方法，其特征在于：步骤（1）的神经网络中自定义了解析域变换模块函数，用来将投影域和反投影域联系起来。

4.根据权利要求1所述的基于深度学习去除稀疏角度CT成像伪影的方法，其特征在于步骤（1）的神经网络的具体结构如下：

投影域网络的滤波过程：第一层卷积神经网络的输入图像尺寸与网络的输入图像尺寸相同，输入图像的尺寸记为[900×848×3]，卷积时采用stride=1模式，所以各部分卷积层的图像大小都为[900×848×3]；

网络的CT重建过程：网络通过嵌入FBP重建算法来达到连接反投影域图像和投影域图像的效果，输入重建所需要的参数后网络可以自动的对训练数据进行重建计算，重建出的图像尺寸定为[512×512×3]；

反投影域的降伪影过程：网络在卷积时同样适用stride=1模式，卷积函数采用三维卷积核进行卷积，输出图像尺寸为[512×512×3]；

由于正投影域和反投影域图像结构的差别，两种域的网络分别使用不同大小的卷积核，正投影域网络结构中各个卷积层采用的卷积核大小，选取为（1x30）、（1x50）、或（1x70），卷积核大小不限以上所列大小，但卷积核的形状（a x b）必须满足b>>a以保障在降噪的同时对投影域图像达到滤波的效果；反投影域网络结构中各个卷积层采用的卷积核大小，选取(3x3x3)、(5x5x5)、或(7x7x7)，各个卷积模块以及模块内部卷积层的输入输出特征图像数目，选取8、16、32、或64，各个卷积模块以及模块内部卷积层的激活函数选取leaky_relu。