[发明专利]基于卷积残差网络的全网络低剂量CT成像方法及装置

摘要

本发明公开了一种基于卷积残差网络的全网络低剂量CT成像方法及装置，该方法首先获得多组对应的低剂量和正常剂量下的CT原始投影数据；其次，在投影空间建立基于卷积残差网络(CNN1)，该网络输入为低剂量CT投影数据，输出为处理后数据的网络，以减轻低剂量投影CT数据中的噪声及伪影并提高信噪比；随后，通过基于Ramp滤波核的FBP将投影数据重建到图像空间，在图像空间基于卷积残差网络(CNN2)进行二次处理，进一步减轻低剂量数据中的伪影及噪声。本发明可将低剂量CT数据中的伪影和噪声有效减轻，数据质量可满足临床分析、诊断等要求，提高了低剂量CT成像的图像质量。

主权项

1.一种基于卷积残差网络的全网络低剂量CT成像方法，其特征在于，包括以下步骤：(1)获得多组正常剂量的CT投影数据Phd和对应的低剂量CT投影数据Pld，以及拟去除的伪影及噪声数据NP＝Pld‑Phd，作为投影空间的训练集；(2)建立投影空间卷积残差神经网络CNN1，将训练集中低剂量数据P_ld输入CNN1中，输出相对应的噪声通过学习投影空间训练集的数据更新网络参数，从而降低输出的噪声与拟去除的噪声N^P之间的欧氏距离，得到训练好的CNN1；(3)将投影空间中训练集数据P_ld输入训练完成的CNN1，得到噪声剔除噪声后得到处理后的CT投影数据将和正常剂量数据P_hd从投影空间转换到图像空间分别得到I_ld、I_hd，以及图像空间拟去除的伪影噪声图像N^I＝I_ld‑I_hd，作为图像空间的训练集；(4)建立图像空间卷积残差神经网络CNN2，将训练集中低剂量图像I_ld输入CNN2中，输出相对应的噪声通过学习图像空间训练集的数据更新网络参数，从而降低输出的噪声与拟去除的噪声N^I之间的欧氏距离，得到训练好的CNN2；(5)将测试的低剂量CT投影数据输入训练完成的CNN1得到噪声数据，剔除噪声后转换到图像空间再输入训练完成的CNN2得到噪声图像，低剂量图像减去噪声图像即得CT全网络成像的最终结果。