[发明专利]一种基于深度学习的低剂量锥束CT图像重建方法

权利要求书

1.一种基于深度学习的低剂量锥束CT图像重建方法，其特征在于，包括：

投影变换步骤：将低剂量锥束CT原始投影数据变换为多幅投影图像；

投影图像去噪步骤：将待处理的投影图像输入至已训练好的投影域深度卷积神经网络，由所述投影域深度卷积神经网络预测所述待处理的投影图像中的噪声分布，并从中减去所述噪声分布，以去除投影图像中由于低剂量而造成的噪声和伪影，输出高质量投影图像；

三维重建步骤：对于所述投影变换步骤中得到的多幅投影图像分别执行所述投影图像去噪步骤，得到各投影图像对应的高质量投影图像后，对所得到的高质量投影图像进行三维重建，得到锥束CT图像；

所述投影域深度卷积神经网络在训练的过程中，作为生成对抗网络的生成器；

所述生成对抗网络中的生成器用于预测输入图像的噪声分布，并从输入图像中减去该噪声分布，得到高质量图像；所述生成对抗网络中的判别器用于判别所述生成器输出的高质量图像与相应的金标准之间的差异，并反馈给所述生成器，以更新所述生成器；

采用监督损失函数衡量生成对抗网络的生成图像与真实投影图像之间的差异，该监督损失函数的表达式如下：

其中，Θ代表生成对抗网络的权重；代表对抗损失函数，代表峰值信噪比损失函数，为结构相似性损失函数；λ₁，λ₂和λ₃是均衡常数。

2.如权利要求1所述的基于深度学习的低剂量锥束CT图像重建方法，其特征在于，所述投影域深度卷积神经网络包括依次连接的一个或多个第一残差块，各第一残差块的结构相同；

所述第一残差块包括依次连接的一个或多个第一单元，所述第一单元包括依次连接的卷积层、标准化层和激活函数层，且所述第一残差块的输入通过跳跃链接与所述激活函数层的输出通过跳跃链接求和后作为所述第一残差块的输出，由此构成残差网络。

3.如权利要求1或2所述的基于深度学习的低剂量锥束CT图像重建方法，其特征在于，所述投影域深度卷积神经网络的训练方法包括：

按照预设的比例从原始的投影图像数据集中随机选取出部分投影图像；对所选取的投影图像添加噪声，将添加噪声后的投影图像作为低剂量投影图像，将添加噪声前的投影图像作为对应的金标准，由低剂量投影图像及其对应的金标准构成一条训练样本，由所有训练样本构成投影域训练数据集；

建立所述生成对抗网络，并利用所述投影域训练数据集训练所述生成对抗网络；

训练结束后，提取出所述生成对抗网络中的生成器作为所述投影域深度卷积神经网络。

4.如权利要求1所述的基于深度学习的低剂量锥束CT图像重建方法，其特征在于，还包括：

重建图像去噪步骤：将所述三维重建步骤得到的锥束CT图像输入至已训练好的图像域深度卷积神经网络，以由所述图像域深度卷积神经网络消除所述锥束CT图像中的噪声和伪影，输出高质量的锥束CT图像，将所述高质量的锥束CT图像作为最终的重建结果。

5.如权利要求4所述的基于深度学习的低剂量锥束CT图像重建方法，其特征在于，所述图像域深度卷积神经网络包括：依次连接的编码器，一个或多个第二残差块，以及解码器；

所述编码器包括依次连接的一个或多个第二单元，所述第二残差块包括依次连接的一个或多个第二单元；所述第二单元包括依次连接的卷积层、标准化层和激活函数层；

所述解码器包括依次连接的一个或多个第三单元；所述第三单元包括依次连接的反卷积层、标准化层和激活函数层；

所述编码器和所述解码器采用对称结构，所述编码器的第一、第三、第五个卷积层的输入通过跳跃链接依次与所述解码器中相应的反卷积层的输出相加，构成残差结构；所述第二残差块的第一个卷积层的输入通过跳跃链接与经过标准化的第二个卷积层的输出相加，构成残差结构。