[发明专利]一种基于插值卷积神经网络的低剂量CT重建方法有效
申请号: | 202011498450.X | 申请日: | 2020-12-17 |
公开(公告)号: | CN112489156B | 公开(公告)日: | 2023-04-18 |
发明(设计)人: | 杨波;牛培昕;郑文锋;刘珊 | 申请(专利权)人: | 电子科技大学 |
主分类号: | G06T11/00 | 分类号: | G06T11/00;G06T7/12;G06T5/00;G06V10/82;G06N3/0464;G06N3/048;G06N3/08 |
代理公司: | 成都行之专利代理事务所(普通合伙) 51220 | 代理人: | 温利平 |
地址: | 611731 四川省成*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 卷积 神经网络 剂量 ct 重建 方法 | ||
1.一种基于插值卷积神经网络的低剂量CT重建方法,其特征在于,包括以下步骤:
(1)、构建训练数据集
(1.1)、采集不同患者的标准剂量CT图像,对每张图像进行Radon变换,得到标准剂量的投影正弦图;
(1.2)、将投影正弦图量化至(0,1),然后提取其奇数列,得到模拟的低剂量投影正弦图,剩余的偶数列作为期望插值图;
(1.3)、将低剂量投影正弦图与期望插值图用大小为M×N的滑窗,按纵向步长M-h,横向步长N-h进行滑动分块,滑动分块后得到若干组M×N的低剂量投影正弦图块与期望插值图像块,其中h为偶数,h=L1+L2+L3-3,L1,L2,L3为插值卷积神经网络模型中各层卷积核的尺寸;
(1.4)、对每一组M×N的期望插值图像块进行边界裁剪,截取中心为(M-h)×(N-h)的区域,得到样本期望插值图像块;
(1.5)、将每一组低剂量投影正弦图记为Xi,每一组样本期望插值图块记为Yi,然后将其构成训练数据集中的一个样本记为{Xi,Yi},下标i表示样本组数;
(2)、构建插值卷积神经网络模型
插值卷积神经网络模型由三层卷积层组成,其中,第一层采用c1个L1×L1卷积核,滤波步长为1,第二层采用c2个L2×L2×c1的卷积核,步长为1,第三层采用1个L3×L3×c2的卷积核,步长为1,每层卷积后取有效区并采用Sigmoid函数激活;
(3)、训练插值卷积神经网络模型
从训练数据集中选取一组训练样本{Xi,Yi},将Xi输入至插值卷积神经网络模型,经第一层卷积后得到c1张(M-L1+1)×(N-L1+1)的特征图,再经过第二层卷积后得到c2张(M-L1-L2+2)×(N-L1-L2+2)的特征图,最后经过第三层卷积后输出一张(M-h)×(N-h)的预测插值图然后计算预测插值图与样本期望插值图Yi之间的像素误差的平方和,以像素误差的平方和为损失值,利用梯度下降算法对插值卷积神经网络进行权重更新;再选取下一组训练样本重复上述步骤,直至遍历所有训练样本完成一轮训练;判断所有训练样本的累积像素误差平方和是否小于预设阈值,如果小于,则训练结束,得到训练完成的插值卷积神经网络模型;否则,进行下一轮训练,直到累积像素误差的平方和小于预设阈值时,训练结束;
(4)、利用插值卷积神经网络重建低剂量CT图像
(4.1)、实时CT扫描时,仅在标准剂量CT的奇数投影角度进行采样,获得低剂量投影正弦图Po,设其大小为M1×N1;
(4.2)、对低剂量投影正弦图Po进行列扩展:复制原图Po的前1~(h/2)列到Po的末端,扩展出第(N1+1)~(N1+h/2)列,再复制原图Po最后的(N1-h/2+1)~N1列到Po的前端,扩展出第1~(h/2)列,从而得到列扩展后的低剂量投影正弦图P1;
(4.3)、对低剂量投影正弦图P1进行行扩展,其中上下各扩展(h/2)行,扩展行的元素值均用零填充,最终得到(M1+h)×(N1+h)的扩展正弦图Pg;
(4.4)、将扩展正弦图Pg输入至训练好的插值卷积神经网络,得到偶数投影角度的预测正弦图Pe,其大小为M1×N1;
(4.5)、以低剂量投影正弦图Po各列为奇数行,预测正弦图Pe各列依次作为偶数行,可以组合得到M1×(2N1)的标准剂量投影正弦图P;
(4.6)、将标准剂量投影正弦图P量化至原图像空间,并进行反Radon变换,得到重建的CT图像。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于电子科技大学,未经电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011498450.X/1.html,转载请声明来源钻瓜专利网。