[发明专利]一种基于迭代残差网络的双能CT图像分解方法

权利要求书

1.一种基于迭代残差网络的双能CT图像分解方法，其特征在于，所述图像分解方法包括以下步骤：

步骤S100：根据被测人体部位从人体模型中选取若干个不同特征的人体部位模型，并据此建立训练数据集；

步骤S200：构建用于实现双能CT图像分解的迭代残差网络；

步骤S300：基于步骤S100中的训练数据集对步骤S200中的迭代残差网络进行网络训练，完成网络训练并保存训练结果；

步骤S400：采集被检测物体的双能投影数据，并将投影数据通过单能CT图像重建算法重建得到被检测物体的高能CT图像和低能CT图像；

步骤S500：利用步骤S300中完成训练的迭代残差网络分解步骤S400中被检测物体的高能CT图像和低能CT图像，输出被检测物体的基材料密度图像。

2.根据权利要求1所述的一种基于迭代残差网络的双能CT图像分解方法，其特征在于：所述步骤S100还包括：

步骤S110：根据被测人体部位从XCAT人体模型中选取若干个不同特征的人体部位模型；

步骤S120：使用GE LightSpeed型X射线探测构建DECT图像重建系统对选取的人体部位模型进行模拟扫描重建得到人体部位模型的高能CT图像和低能CT图像；

步骤S130：将步骤S120得到的高能CT图像、低能CT图像直接求逆分解得到基材料密度图像作为输入数据；

步骤S140：从XCAT导出人体部位模型在不同能量下的两个理想单能图像，对这两个理想单能图像直接求逆分解得到的基材料密度图像作为标签数据，其中，在两个理想单能图像中，一个理想单能图像所对应的能量大于另一个理想单能图像所对应的能量；

步骤S150：将步骤S130得到的输入数据和步骤S140得到的标签数据建立训练数据集。

3.根据权利要求2所述的一种基于迭代残差网络的双能CT图像分解方法，其特征在于：所述步骤S130中将步骤S120得到的高能CT图像、低能CT图像直接求逆分解得到基材料密度图像作为输入数据包括：

所述基材料密度图像，

其中，为第种材料的基图像，m为材料的种类数目，的取值范围为1、2、…、m；

为高能CT图像、低能CT图像组成一个向量，，和分别是第一能量和第二能量下的衰减图像，第一能量的能量值高于第二能量的能量值，为的转置，为的转置，为实数，是高能CT图像或者低能CT图像的像素总数；

为质量衰减系数矩阵，由和单位阵I的克罗内克积组成,，，，为第种材料在第一能量时的质量衰减系数，为第种材料在第二能量时的质量衰减系数，为第种材料在第一能量下的线性衰减系数，为第种材料在第二能量下的线性衰减系数，为第种材料的密度。

4.根据权利要求3所述的一种基于迭代残差网络的双能CT图像分解方法，其特征在于：所述步骤S200中用于实现双能CT图像分解的迭代残差网络采用正则化模型，所述正则化模型为： ，为正则化项，为数据保真项的加权参数。

5.根据权利要求4所述的一种基于迭代残差网络的双能CT图像分解方法，其特征在于：对所述步骤S200中的正则化模型进行演变得到：

，

其中，为被检测物体的基材料密度图像，为数据保真项，为正则化项，为数据保真项的加权参数。

6.根据权利要求4所述的一种基于迭代残差网络的双能CT图像分解方法，其特征在于：对所述步骤S200中的正则化模型采用梯度下降法求解得到更新过程如公式一：

，

其中，为第次迭代更新的基材料密度图像，为的转置，为的梯度，t为迭代次数。

7.根据权利要求6所述的一种基于迭代残差网络的双能CT图像分解方法，其特征在于：将所述步骤S200中公式一中的和用神经网络展开，得到迭代更新过程如公式二：

其中，为迭代更新中间过程中基材料图像的卷积模块，是的卷积模块，是网络中训练的参数，，网络训练中以步骤S130得到的基材料密度图像为输入数据。