[发明专利]一种基于深度学习的X射线吸收衬度计算机断层成像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X射线吸收衬度计算机断层成像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；利用深度学习技术处理上述被伪影污染的投影序列，获得不含伪影的投影序列；利用滤波反投影重建算法对上述不含伪影的投影序列进行重建，获得最终的重建结果图像。本发明实施例相比于传统的不完备数据重建方法，计算流程简单、需要人为设置的参数更少，计算速度更快，图像质量更高。

技术领域

本发明涉及X射线吸收衬度计算机断层成像重建技术领域，尤其涉及一种基于深度学习的X射线不完备数据重建方法。

背景技术

在X射线吸收衬度计算机断层成像(Computed Tomography，简称CT)系统中，X射线源发出X射线，从不同角度穿过被检测物体的某一区域，放置于射线源对面的探测器在相应角度接收射线。然后，根据各角度射线不同程度的衰减，利用一定的重建算法进行运算，重建出物体被扫描区域的射线线性衰减系数分布映射图像，从而实现由投影重建图像，无损地再现物体在该区域内的介质密度、成分和结构形态等特征。

重建算法在CT成像系统中有着重要的地位，滤波反投影算法(Filtered BackProjection，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)，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。

针对不完备数据的重建算法，如，Gordon等,Algebraic reconstructiontechniques(ART)for three-dimensional electron microscopy and X-rayphotography.Journal of theoretical biology,vol.29,No.3,pp:471-481,1970,使用代数迭代算法来进行重建；Sidky等，Image reconstruction in circular cone-beamcomputed tomography by constrained,total-variation minimization.Physics inmedicine and biology,vol.53,No.17,pp:4777,2008，提出了一种基于压缩感知理论的重建算法。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，也有学者提出了新型的重建算法，如，Jin等，Deepconvolutional neural network for inverse problems in imaging,IEEEtransactions on image processing,vol.26,No.9,pp:4509-4522,2016.提出了一种直接从重建图像中去除伪影的方法，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。但现有的基于深度学习的重建技术，只对重建结果进行了后处理，没有充分利用CT成像系统所获得的所有信息，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变形。

发明内容

本发明提供一种基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法，其特征在于，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X射线断层成像(Computed Tomography,CT)系统所获得的不完备的投影序列进行重建，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初始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；