[发明专利]一种低剂量能谱CT投影数据的恢复方法

权利要求书

1.一种低剂量能谱CT投影数据的恢复方法，其特征在于包括以下步骤：

步骤1、获取高能能量段投影数据集合P_N和低能能量段投影数据集合P_L；

步骤2、对上述投影数据进行滤波反投影变换重建得到高能CT图像数据集I_N和低能CT图像数据集I_L；

步骤3、构建投影域及图像域的双域生成对抗网络框架：该双域生成对抗网络框架包括一对生成网络模型和一对判别网络模型，其中，一对生成网络模型为；基于投影域的生成网络模型P-Gen和基于图像域的生成网络模型I-Gen，一对判别网络模型为：第一判别网络模型D₁和第二判别网络模型D₂；

步骤4、将高能能量段投影数据集合P_N和低能能量段投影数据集合P_L分别作为两个生成网络模型的输入；

步骤5：通过两个生成网络模型的耦合，学习能谱CT双域数据的联合分布，强制生成网络模型前若干层共享相同的权重，得到投影域与图像域双域联合分布p(P,G)；

步骤6：两个生成网络模型的最后一层将双域联合分布p(P,G)映射至各自的域，得到完备的虚拟单能投影数据以及用来作为辅助对比的虚拟单能图像

步骤7：将完备的虚拟单能投影数据与虚拟单能投影数据标签x₁输入第一判别网络模型D₁，将虚拟单能图像与虚拟单能图像标签x₂输入第二判别网络模型D₂，设f₁和f₂是分别是两个判别网络模型中的映射关系：

其中f₁⁽ⁱ⁾和是D₁和D₂的第i层，N₁和N₂是D₁和D₂的层数，每个判别网络模型都将输入映射到概率数值：估计输入是来自于真实数据分布的的可能性；

步骤8、只要任何一个判别网络模型给出生成模型的输出为假的判别结果，则返回步骤1，整个生成网络继续训练迭代，直至判别网络模型再也无法分辨生成，得到基于投影域-图像域联合分布的低剂量能谱CT投影域数据恢复模型；

步骤9、对双域生成对抗网络框架进行训练，得到基于双域联合分布的低剂量能谱CT投影域数据恢复模型；

步骤10、基于双域联合分布的低剂量能谱CT投影域数据恢复模型，将真实的低剂量能谱CT投影数据及对应的FBP重建图像输入模型进行测试，得到补充完备的虚拟单能投影域数据，对其进行FBP重建，得到消除射束硬化伪影的能谱CT虚拟单能图，并将其与原始CT图像进行峰值信噪比及结构相似性定量对比分析，根据测试结果改变步骤8中网络训练的迭代次数、生成网络层数M₁和M₂、P-Gen与I-Gen执行权重共享的层的数目k、卷积核大小、判别网络层数，不断增强模型的数据恢复能力，最后得到良好的基于投影域-图像域联合分布的低剂量能谱CT投影域数据恢复模型，再将真实的投影域测试数据P_N、P_L输入后，最终得到消除了射束硬化伪影的高质量低剂量能谱CT重建单能图像。

2.根据权利要求1所述的一种低剂量能谱CT投影数据的恢复方法，其特征在于：所述生成网络模型P-Gen和生成网络模型I-Gen均以多层卷积神经网络的形式实现，分别表示为：

其中，是P-Gen生成的完备的虚拟单能投影数据，是I-Gen生成的虚拟单能图像；和是P-Gen和I-Gen的第i层，M₁和M₂是P-Gen和I-Gen的层数，g₁和g₂是P-Gen和I-Gen的生成模型中的映射关系。

3.根据权利要求1所述的一种低剂量能谱CT投影数据的恢复方法，其特征在于：所述步骤9的具体实现方法为：在双域生成对抗网络框架训练过程中，首先利用少量数据集对网络进行初步训练，获得初始的基于双域联合分布的低剂量能谱CT投影域数据恢复模型并测试、观察其效果，然后使用完整的数据集对网络进行大规模迭代训练，判断框架的损失函数V经过若干次交替迭代训练之后是否基本达到其最小值，若是则说明网络收敛，得到不完备投影CT空间信息数据恢复模型；改变迭代次数、生成网络层数M₁和M₂、P-Gen与I-Gen执行权重共享的层的数目k、卷积核大小、判别网络层数，最后得到基于双域联合分布的低剂量能谱CT投影域数据恢复模型。