[发明专利]基于多判别器的多重解析网络缺失CT投影数据估计方法

权利要求书

1.一种基于多判别器的多重解析网络缺失CT投影数据估计方法，其特征在于，所述方法包括：

获取稀疏缺失CT投影数据图像；

将所述稀疏缺失CT投影数据图像输入至多重解析网络模型，生成完整CT投影数据估计图像；

通过卷积滤波反投影方法对所述完整CT投影数据估计图像进行重建处理，得到CT图像；

所述多重解析网络模型包括生成网络、多个缺失区域判别网络和全局判别网络。

2.根据权利要求1所述的一种基于多判别器的多重解析网络缺失CT投影数据估计方法，其特征在于，所述多重解析网络模型的建立方法包括：

将完整CT投影数据图像集作为训练数据图像集；

对所述训练数据图像集进行稀疏缺失处理，得到训练集；

通过所述训练集对生成网络进行训练，获取图像的稀疏缺失部分预测结果；

对所述稀疏缺失部分预测结果进行切割提取，获取稀疏缺失区域的估计图；

将非稀疏缺失部分的真实投影数据图像和稀疏缺失区域的估计图进行整合处理，得到整合稀疏缺失投影数据估计图；

通过所述稀疏缺失区域对应的真实投影数据图像和稀疏缺失区域的估计图共同对区域判别网络进行训练；

通过所述完整CT投影数据图像和整合稀疏缺失投影数据估计图对全局判别器进行训练，获取多重解析网络模型。

3.根据权利要求1所述的一种基于多判别器的多重解析网络缺失CT投影数据估计方法，其特征在于，

所述多重解析网络模型的重建损失为：

其中，x是投影数据图像真实值；是二进制掩模：1表示输入该像素值，0表示丢弃该像素值即该像素值是缺失的；F(x)是生成网络编码器部分的输出。

4.根据权利要求1所述的一种基于多判别器的多重解析网络缺失CT投影数据估计方法，其特征在于，所述多重解析网络模型的对抗性损失为：

其中，x是投影数据图像真实值，D(x)是将数据x输入到鉴别器D中得到的输出值，G(z)为参数函数。

5.根据权利要求1所述的一种基于多判别器的多重解析网络缺失CT投影数据估计方法，其特征在于，所述多重解析网络模型的联合损失函数为：

J(x)＝L_rec+λ_gL_ag+λ₁L_a1+λ₂L_a2+...λ_iL_ai (3)

其中，L_rec即前面描述的重建损失L_rec(x)，λ_g为全局判别器的对抗性损失在联合损失中的比重率，L_ag为全局判别器的对抗性损失；λ₁是区域判别器1的对抗性损失在联合损失中的比重率，λ₂是区域判别器2的对抗性损失在联合损失中的比重率，λ_i是区域判别器i的对抗性损失在联合损失中的比重率，i为区域判别器的个数为；L_ai为区域判别器i的对抗性损失。

6.根据权利要求1所述的一种基于多判别器的多重解析网络缺失CT投影数据估计方法，其特征在于，所述多重解析网络模型的训练优化函数为Adam优化器。