[发明专利]集成FDK和深度学习的单视角CT重建方法

说明书

本发明涉及一种集成FDK和深度学习的单视角CT重建方法，属于计算机视觉与深度学习领域。为了使用FDK算法完成精确的2D到3D映射，本发明方法提出两阶段的深度学习框架，在第一阶段通过全视角生成网络，将单视角重建病态问题转化为一般性CT重建问题。在第二阶段通过FDK算法实现2D投影到3D体积的精确映射，再搭建CT微调网络对反投影所得的CT体积进行微调，提高断层图像质量。

技术领域

本发明涉及一种集成FDK和深度学习的单视角CT重建方法，属于计算机视觉与深度学习领域。

背景技术

电子计算机断层扫描技术(CT)如今广泛应用于临床医学、无损探伤、公共安检领域。特别是在医学领域，由于其极高的成像质量，为疾病的诊断提供了可靠的图像依据。随着CT技术的大规模普及，X射线对人体造成的伤害也开始被人们关注。根据CT重建理论，为了获得人体的内部结构，需要使用高能量的X射线穿透人体，进行旋转扫描获得充足的投影数据。这将对人体造成巨大的电子辐射，有研究表明患者在多次接受CT检查后会显著增加患癌风险。

因此，在CT研究领域，低剂量重建一直以来都是重要课题。降低辐射剂量可以通过稀疏角度或有限角度采样实现，但根据CT理论重建断层需要采集充足的投影，否则投影信息不全将导致重建所得断层出现伪影，影响观察质量。不过结合先验结构知识，仍然能够通过有限的投影信息完成CT重建，例如中国专利“低采样率下肺部CT图像稀疏重构”(CN112070855A)，以及中国专利“一种基于贝叶斯估计的图像重建方法”(CN110458907A)。但这些重建方法只是依据一些浅层特征或者回归函数，无法掌握2D投影到3D体积的复杂映射关系。随着能够拟合复杂函数关系的神经网络在计算机视觉方面的广泛应用，CT重建领域也展开了基于深度学习的有限或稀疏角度重建研究。通过深度学习提取CT的先验结构，神经网络能够使用有限的投影信息完成复杂的2D到3D映射关系，最终输出CT体积，大大减轻了有限视角重建时造成的伪影，改善了断层图像质量。例如中国专利“一种基于生成对抗网络的有限角CT重建去伪影的方法”(CN110648376A)，以及中国专利“一种基于插值卷积神经网络的低剂量CT重建方法”(CN112489156A)。甚至在仅有双目投影的情况下，神经网络也能通过深度学习做到CT重建，例如中国专利“CT图像的生成方法、装置、设备及存储介质”(CN109745062A)。

为进一步降低对人体的伤害，目前也有学者提出对最低剂量情况下的单视角投影进行CT重建。已有的单视角CT研究都基于深度学习，通过神经网络结合模型先验知识根据输入单视角投影进行CT断层重建。虽然神经网络可以拟合复杂的映射关系，但由于没有传统算法的理论基础，缺乏可解释性将成为临床应用时的障碍。而且完全基于数据驱动的方法只能在大量标注数据的监督下进行深度学习，而医学数据资源获取难度较大所以很难收敛到有效模型，所以最终生成的断层质量还有待进一步改善。

发明内容

为了实现最低剂量的CT重建，本发明基于一幅X射线投影图像，提出集成FDK和深度学习的单视角CT重建方法。为了使用FDK算法完成精确的2D到3D映射，本方法提出两阶段的深度学习框架，在第一阶段通过全视角生成网络，将单视角重建病态问题转化为一般性CT重建问题。在第二阶段通过FDK算法实现2D投影到3D体积的精确映射，再搭建CT微调网络对反投影所得的CT体积进行微调，提高断层图像质量。

为实现上述发明目的，本发明的技术方案如下：

一种集成FDK和深度学习的单视角CT重建方法，包括以下步骤：

步骤1、数据获取及预处理。

数据集包含X射线体正位投影图像及其1°间隔的360°全视角投影图像，以及CT体积。其中X射线体正位投影图像及其对应的全视角投影为第一阶段全视角生成网络训练数据，CT体积为第二阶段CT微调网络的监督数据。在训练中所有使用的数据通过先分别求取均值μ和方差σ，然后进行标准化(x-μ)/σ的方式处理，其中x表示待标准化的训练数据。将数据集划分为训练集和测试集分别用于网络的训练和测试。