[发明专利]基于深度学习的微分相衬CT不完备数据重建方法

说明书

本发明公开了一种基于深度学习的微分相衬CT不完备数据重建方法，该方法包括如下步骤：使用滤波反投影重建算法获得初始重建图像；对上述初始重建图像进行前向投影获得被伪影污染的投影序列；对上述被伪影污染的投影序列进行微分操作，获得被伪影污染的微分相衬投影序列；利用深度学习技术处理上述被伪影污染的微分相衬投影序列，获得不含伪影的微分相衬投影序列；利用滤波反投影重建算法对上述不含伪影的微分相衬投影序列进行重建，获得最终的重建结果图像。本发明实施例相比于传统的重建方法，不仅能处理微分相衬CT不完备数据，而且需要人为设置的参数更少，计算速度更快。

技术领域

本发明涉及X射线微分相衬CT图像重建技术领域，尤其涉及一种基于深度学习的X射线微分相衬CT不完备数据重建方法。

背景技术

当X射线与物质发生相互作用时，会产生幅值衰减和相位偏移。基于幅值衰减的X射线计算机断层成像(Computed Tomography，简称CT)技术，已被广泛应用于工业检测、生物医疗和材料科学等领域。然而，基于X射线幅值衰减原理的CT技术对于低吸收物质难以获得高对比度图像。

近年，相位衬度成像技术被提出来提高这些低吸收样品的成像衬度。其中，基于光栅的微分相衬方法能采用普通X光管实现，具有重大工程应用前景，得到了广泛研究。图像重建在微分相衬CT(Differential Phase Contrast Computed Tomography,简称DPC-CT)成像中有着重要的地位。滤波反投影算法(Filtered Back Projection，简称FBP)是比较流行的算法，将其应用于完备数据时，FBP重建速度快且获得的图像质量好。但受限于成像条件(比如需要降低成像辐射剂量，缩短成像时间)，DPC-CT成像获得的数据通常是不完备的，对应的FBP重建结果就会存在严重的伪影和噪声。针对DPC-CT不完备数据情况，已有技术开发了迭代重建算法来处理DPC-CT的不完备数据。这些算法可以获得比FBP更好的结果，但是需要很长的迭代计算时间，并且难以选择合适的参数。结合深度学习技术，也有学者提出了用于X射线幅值衰减CT的重建算法，这种方法可以获得比FBP更好的重建结果，并且计算时间比传统方法更短。但现有的使用深度学习技术的重建算法都是基于X射线幅值衰减原理，无法处理DPC-CT不完备数据。且这些重建技术，只对重建结果进行后处理，没有充分利用成像系统获得的信息，导致处理之后的图像丢失了一些细节，使得原始图像结构发生扭曲变形。

发明内容

本发明提供了一种基于深度学习的微分相衬CT不完备数据的重建方法，包括如下步骤：

步骤1、使用滤波反投影(Filtered Back Projection,简称FBP)重建算法对微分相衬CT(Differential Phase Contrast CT，简称DPC-CT)不完备投影序列进行重建，获得初始重建图像。所述初始重建图像是由于投影序列不完备，在FBP重建结果中存在伪影和噪声；

步骤2、利用前向投影算子对所述的初始重建图像进行前向投影，获得被伪影污染的完备投影序列。所述被伪影污染的完备投影序列是通过前向投影操作，将图像结构信息以及伪影一起前向投影到投影序列中，序列数量与完备数据相同；

步骤3、利用微分算子从所述的被伪影污染的完备投影序列中获得被伪影污染的微分相衬CT完备投影序列。所述被伪影污染的微分相衬CT完备投影序列指的是从投影序列中解析出的微分相衬信息。

步骤4、利用深度学习技术对所述的被伪影污染的微分相衬CT完备投影序列进行处理，获得不含伪影的微分相衬CT完备投影序列。所述不含伪影的微分相衬CT完备投影序列是利用深度学习技术对被伪影污染的微分相衬CT完备投影序列进行处理，得到的投影序列已不再包含伪影，且序列数量与完备数据相同；

步骤5、利用FBP重建算法对所述的不含伪影的DPC完备投影序列进行重建，获得最终重建图像。