[发明专利]基于深度学习的快速流水线计算机断层成像方法

权利要求书

1.一种基于深度学习的快速流水线计算机断层成像方法，其特征在于，包括如下步骤：

步骤1、将多个物体放在流水线CT成像检台上，同步进行稀疏采样扫描，得到流水线CT稀疏投影序列；所述流水线CT成像检台上安装有多个平行探测器方向的独立转台，能够对多个物体进行独立成像，使其投影序列互不串扰；

步骤2、将流水线CT稀疏投影序列插值成信息缺失、尺寸均完备的投影序列；所述信息缺失是指稀疏角扫描丢失部分角度的投影数据，插值近似改变投影序列的尺寸但无法补充投影信息；

步骤3、利用深度学习技术对所述信息缺失、尺寸完备的投影序列进行处理，补充投影信息，获得投影信息完整、准确的完备投影序列，所述完备投影序列的重建图像不再存在稀疏伪影，所述深度学习技术是指基于卷积神经网络的流水线CT稀疏投影序列的优化技术；

步骤4、对经过处理后的完备投影序列进行分割，获得每个物体对应的独立投影序列；所述独立投影序列是由于流水线CT同时对多个物体成像，其投影序列包括多个物体的投影，需计算各物体对应于投影序列中的位置并进行投影分割；

步骤5、使用滤波反投影重建算法对所述每个物体对应的投独立影序列分别进行重建，获得最终的断层重建图像。

2.根据权利要求1所述的基于深度学习的快速流水线计算机断层成像方法，其特征在于：所述快速计算机断层成像通过结合流水线CT成像架构和稀疏采样策略来实现，流水线CT成像架构对多个物体进行无串扰的同步扫描，稀疏采样扫描减少单次扫描时长，二者结合使扫描时间大幅度缩短。

3.根据权利要求1所述的基于深度学习的快速流水线计算机断层成像方法，其特征在于：步骤2使用双三次插值法对流水线CT稀疏投影序列进行插值，将其变换成信息缺失、尺寸完备的投影序列。

4.根据权利要求1所述的基于深度学习的快速流水线计算机断层成像方法，其特征在于：所述步骤3中，采用公式(1)-(4)所示的卷积神经网络对信息缺失的完备投影序列进行处理，具体如下：

f(P(ω,φ))＝W^T·P(ω,φ)+Bias (2)

其中，P(ω,φ)为信息缺失、尺寸完备的投影序列，为投影信息完整、准确的完备投影序列，(ω,φ)表征投影序列中各像素对应的探测器探元位置和转台旋转角度；f和F表示所述卷积神经网络中的编码网络和解码网络，其分别用于从P(ω,φ)中提取特征和从特征中解析出投影信息缺失情况；Λ表示非线性映射函数；Error表示卷积神经网络的学习目标，用于衡量卷积神经网络输出与标签之间的差异；W和Bias表示卷积神经网络中的学习参即权重和偏置，参数更新通过利用梯度下降算法求解学习目标对参数的偏导数实现；η和分别表示学习率和学习的固有网络参数。

5.根据权利要求1所述的基于深度学习的快速流水线计算机断层成像方法，其特征在于：所述步骤4中，采用公式(5)-(6)计算各物体对应于投影序列中的位置，以进行后续投影序列分割；

其中，S_A和S_B分别表示某一物体的投影在二维投影序列中的左、右位置，D是射线源到探测器的距离，s是转台旋转轴中心在探测器上的投影位置到探测器中心的距离，r是该物体的回转半径，E表示物体所在的旋转轴的旋转中心在所述探测器中的投影位置和射线源的位置，tan和tan^-1分别表示正切运算和反正切运算，sin和sin^-1表示正弦运算和反正弦运算。

6.根据权利要求1所述的基于深度学习的快速流水线计算机断层成像方法，其特征在于：所述步骤5中，滤波反投影重建算法如公式(7)所示：

其中，表示卷积神经网络输出的完备投影序列，R(r,θ)表示重建图像，(r,θ)表示极坐标，U表示投影权重矩阵，D表示射线源到转台旋转中心的距离，h表示一维滤波器，(ω,φ)分别表示探测器探元坐标和转台旋转角度和旋转角度。