[发明专利]基于深度学习实现的稀疏角度数据重建图像的伪影去除方法

权利要求书

1.一种基于深度学习实现的稀疏角度数据重建图像的伪影去除方法，其特征在于：基于深度学习构建一个结合全卷积网络和Inception-resnet网络模块的稀疏角度投影重建图像伪影消除神经网络，针对稀疏角度CT图像的去伪影以及噪声进行预测并去除之，具体包括以下步骤，

S1、采集若干对投影数据，每对投影数据包括稀疏角度投影数据与完备角度投影数据；

S2、利用步骤S1采集的稀疏角度投影数据和完备投影数据分别进行重建，将重建后的数据集patchi(i＝1,2,3,4,5…)进行保存，每对数据集包括稀疏角度投影重建数据集和完备投影重建数据集；

S3、构建稀疏角度投影重建图像伪影消除神经网络；

步骤S3中构建稀疏角度投影重建图像伪影消除神经网络具体结构为：

卷积-BN层-relu-卷积-BN层-relu-Resblock-Res_inception_block1-Res_inception_block2-Res_inception_block3-BN层-relu-卷积；

其中，BN层为即批量归一化，在神经网络训练的时候对稀疏角度投影重建图像伪影消除神经网络中间层的输出数据进行Z-score归一化处理，即减均值除方差；relu为稀疏角度投影重建图像伪影消除神经网络采用的激活函数，其表达式为relu(x)＝max(0,x)；concat表示矩阵拼接层，即将多个分支的输入在某一指定的维度拼接在一起作为一个整体输入到下一层；Resblock表示的是一个残差网络的基本模块；Res_inception_block1、Res_inception_block2、Res_inception_block3分别表示一个Inception_resnet的基本模块，数字不同表示不同的内部结构；

所述Resblock的正常连接路径：输入-卷积-BN层-relu-卷积-sum层，然后其多出一个跨层连接，直接从输入连接到sum层，与正常连接路径的输出相加，作为下一层的输入；

所述Res_inception_block1的第一条连接路径：输入-卷积层-concat层即通道拼接层；第二条连接路径：输入-卷积层-BN层-relu-卷积-BN层-relu-卷积-concat层；第三条路径：输入-卷积层-BN层-relu-卷积-BN层-relu-卷积-concat层；然后将上述三条路径经过concat层拼接之后的输出与跨层连接路径的输入经过sum层相加，其结果作为下一层的输入；

所述Res_inception_block2的第一条连接路径：输入-卷积-concat层；第二条连接路径：输入-卷积-BN层-relu-卷积-BN层-relu-卷积-concat层；然后将上述两条路径经过concat层拼接之后的输出与跨层连接路径的输入在sum层相加，其结果作为下一层的输入；

所述Res_inception_block3的第一条连接路径：输入-卷积-concat层；第二条连接路径：输入-卷积-BN层-relu-卷积-BN层-relu-卷积；然后将上述两条路径经过concat层拼接之后的输出与跨层连接路径的输入在sum层下相加，其结果作为下一层的输入；

S4、利用步骤S2中重建的图像作为训练数据集，完备投影重建数据集做对照数据，对步骤S3中构建的稀疏角度投影重建图像伪影消除神经网络进行训练，保存训练效果较好的模型，记为模型model；

S5、获取步骤S4所保存的训练好的稀疏角度投影重建图像伪影消除神经网络模型model，并将测试图像test_img投入其中，最终预测并保存该测试图像test_img和对应的伪影图noise_img；

S6、利用步骤S5中保存的测试图像test_img减去步骤S5中所得到的伪影图noise_img，即可得到清晰图像clean_img。

2.如权利要求1所述的基于深度学习实现的稀疏角度数据重建图像的伪影去除方法，其特征在于：步骤S1中，采集的稀疏角度投影数据的采集角度间隔均不小于4°且不大于8°，完备角度投影数据采集角度间隔不大于0.5°，即数据采集的组数均是处于小于90组大于45组的范围内。