[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

说明书

本发明公开了一种基于插值卷积神经网络的低剂量CT重建方法，利用插值卷积神经网络在超分辨率重建上的应用，通过插值卷积神经网络预测CT投影正弦图上缺失的投影数据，再加上已知的投影数据，得到完备的CT投影正弦图，最后再经过滤波反投影得到重建的CT图像，这样可以有效地去除低剂量CT图像上的噪声，得到更好的重建效果。

技术领域

本发明属于图像处理技术领域，更为具体地讲，涉及一种基于插值卷积神经网络的低剂量CT重建方法。

背景技术

目前，人们对CT辐射剂量对人体可能造成的潜在危害问题越来越重视。通过降低管电流强度(低剂量CT)和减少采样的次数(稀疏角度CT)，能够实现降低辐射剂量。但这样破坏了投影数据的完备性，由传统重建算法直接重建出的图像质量会严重退化。因此，如何在降低辐射剂量的同时保证重建图像的质量成为近年来CT研究的一个热点。

针对于低剂量投影数据中的噪声的问题和重建图像中出现条形伪影和噪声的问题，从解决方法上，可以分为投影域数据恢复和图像后处理方法。本发明针对投影域的噪声，提出一种基于插值卷积神经网络的低剂量CT重建方法。降低采样角度后，对角度缺失的投影数据进行插值后再进行滤波反投影重建，得到重建的CT图像。

随着深度学习的发展，将卷积神经网络应用于投影数据的恢复引起了广大研究者的兴趣。正弦图像中的每一列都对应于一个角度的投影值，降低采样角度后，正弦图信息缺失，重建的CT图像会出现伪影。本说明受到基于卷积神经网络的超分辨率技术的启发，将超分辨率技术应用于投影数据重建，重建完备的投影数据，优化CT重建效果。

超分辨率就是有一张尺寸比较小的图，当我们将其放大的时候，会出现模糊的现象，超分辨率重建就是将放大之后的图像尽可能地清晰。ESPCN又称亚像素卷积神经网络，是一种应用于超分辨率分析的神经网络模型，可以直接在低分辨率图像尺寸上提取特征，计算得到高分辨率图像。利用超分辨率网络在性能上的优势，对角度缺失的投影数据进行插值后再进行滤波反投影重建，得到重建的CT图像。有了更加完整的投影数据，可以得到更好的重建效果。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于插值卷积神经网络的低剂量CT重建方法，利用超分辨率网络在性能上的优势，对角度缺失的投影数据进行插值后再进行滤波反投影重建，得到重建的CT图像。

为实现上述发明目的，本发明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X_i，每一组样本期望插值图块记为Y_i，然后将其构成训练数据集中的一个样本记为{X_i,Y_i}，下标i表示样本组数；

(2)、构建插值卷积神经网络模型