[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

说明书

本发明提供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，通过采集稀疏角度投影数据与完备角度投影数据；利用稀疏角度投影数据和完备投影数据分别进行重建；构建去伪影之神经网络；利用重建的图像作为训练数据；保存训练好的神经网络模型，并将测试图像投入其中；利用测试图像减去步骤E中所得到的网络预测之噪声，即可得到清晰图像。将目前在计算机视觉上表现突出的深度学习办法引入到稀疏角度投影解析重建图像的伪影去除研究中，利用Inception‑resnet网络的特点，构建一个表达能力精细且多样的神经网络，适用于稀疏角度数据解析重建图像的伪影去除。

技术领域

本发明涉及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。

背景技术

电子计算机断层扫描(Computed tomography，CT)经过三十多年的发展，其成像速度和成像质量都有了长足的进步，随着CT扫描的应用越来越广泛，人们对于CT扫描对人体的辐射越来越重视，医学研究表明，X射线照射可能诱发新陈代谢异常、癌症、白血病等疾病。常规CT检查中，病人所受辐射剂量已经到了不可忽视的地步了。然而CT扫描剂量的降低往往伴随着成像质量的下降，当下的研究热点就是在尽量降低CT扫描剂量的同时保证成像的质量。

稀疏角度投影采集主要是通过降低CT扫描时间来实现降低扫描剂量的目的，但其解析重建会带来严重的条状伪影，根据CT投影数据的冗余性，在稀疏采样条件下可以对缺失数据进行修补估计得到完整的投影数据集，并以此重建，在此思路下，Li等利用字典学习方法估计遗失的投影数据，并进行重建，取得了比TV方法好的结果。zhang等利用S2etram的方向差值方法对投影数据进行差值去获取投影数据空间的缺失数据，然后进行相关重建，该方法对于传统的线性差值相比取得了较好的实验效果。基于压缩感知(Compressedsensing，CS)的办法中，Rudin针对投影数据中的高斯噪声采用全变分方法去除，针对呈泊松分布的噪声则采用改进的全变分方法。Ma等利用非局部均值的局部平滑作为约束，获取了比TV较好的结果。Hu等提出了一种渐进的2层迭代模型，将零范数先验约束引入三维CT重建，在高度稀疏的条件下获得了远优于一范数先验约束的结果。此外迭代重建算法也是稀疏角度投影的一个解决方案，但相对于解析类重建算法，其过大的计算量限制了其广泛应用。

基于解析重建的现存各类方法中，仍存在如下问题：

一、基于解析重建的现存各类办法无法彻底有效抑制结构性的大尺度条状伪影，迭代重建方法耗时过长。

二、在传统非resnet类型的神经网络中，所出现的梯度爆炸与梯度消失问题。一般而言网络越深，网络的表达能力就越强，但是在实际运用中，当神经网络层数超过一定数目，就会出现网络的表达能力不再增加，甚至是不如较浅的网络。这是因为网络的梯度更新规则是依据链式法则，前面层的梯度来自于后面所有层梯度的乘积，这样当层数增大之后，就会使得前面层的梯度变得非常小或者非常大，参见0.9^100≈0.00002,1.1^100≈13781。这样训练的时候就会出现前面层更新幅度太小或者是幅度太大导致最终无法收敛。

三、Inception-resnet-v2网络的整体感受野仍然不够大，无法完全捕捉条状伪影的特征。

四、传统的神经网络带有全连接层，其会导致网络参数数目巨大，训练耗时很长，且容易过拟合。

因此将目前在计算机视觉上表现突出的深度学习办法引入到对于稀疏角度解析重建图像伪影的去除研究中具有十分重要的意义。

发明内容

本发明的目的是提供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解决现有技术中存在的目前解析重建类办法无法有效抑制大尺度条状伪影的问题。

本发明中，Inception表示谷歌的Inception网络基本模块，Inception-resnet表示谷歌结合残差网络以及Inception网络设计出来的新的基本网络模块，具体结构如图2所示。