[发明专利]一种基于生成对抗网络的双能双90°CT扫描重建图像的方法及装置

说明书

本发明公开一种基于生成对抗网络的双能双90°CT扫描重建图像的方法，该方法首先设计生成对抗网络模型描述缺失投影数据与180°投影数据分布概率之间耦合关系，然后构建训练集并训练，获取训练后的生成对抗网络模型，进而利用该模型对双能90°投影数据补全至双能180°投影数据，最后利用SART‑TV算法对双能180°投影数据进行重建，得到重建后的低能图像和高能图像；本发明还公开一种基于生成对抗网络的双能双90°CT扫描重建图像的装置。本发明通过采用生成对抗网络，使网络输入的双能双90°投影数据生成双能双180°投影数据，在减少硬件成本和提高图像质量上达到了良好的性能效果，提高了物体基材料分解的准确性。

技术领域

本发明属于图像重建技术领域，尤其涉及一种基于生成对抗网络的双能双90°CT扫描重建图像的方法及装置。

背景技术

计算机断层扫描(Computed Tomography，CT)是一种应用技术，其涵盖数学、计算机等多个学科。该技术利用物体在不同角度下的X射线投影数据，通过图像重建算法获取物体衰减特性分布，从而重建透视物体内部三维结构的图像。目前CT已在工业检测、医学诊断等领域得到广泛应用。此外，与传统的单能CT成像相比，双能CT(Dual-energy ComputedTomography，DECT)利用两种不同的能量下的X射线透射物体，从而提供两组衰减测量，进而提高了材料分解的准确性，为医学诊断分析提供一大助力。但是，考虑到成像系统的几何位置和机械结构的局限性，有限角度问题在某些应用中会非常严重。并且对于大多数工业检查对象而言，DECT扫描意味着增加了硬件损失成本和辐射剂量。为了减少辐射剂量并减少扫描系统的硬件损耗，我们必须研究在有限角度条件下双能CT扫描的成像方法。

近年来，随着计算机计算能力的不断提高，深度学习在图像处理领域已显示出明显的优势。在抑制重建图像伪像方面，2016年，张瀚铭(H.Zhang,L.Li,et al,ImagePrediction for Limited-angle Tomography via Deep Learning with ConvolutionalNeural Network,Medical Physics 2016.)等人设计DNN来抑制在有限角度扫描下用FBP算法重建的图像伪影。2017年，王革(G.Wang,APerspective on Deep Imaging,IEEE Access4(2017),8914–8924.)等人提出将深度学习和CT成像相结合以进一步发展CT成像技术。自2017年以来，生成对抗网络(GAN)对图像修复的效果特别出色。GAN中的生成器用于学习训练样本的概率分布，并使输出图像符合学习的分布。2019年，李子恒(Z.H.Li,A.L.Cai,etal,Promising Generative Adversarial Network Based Sinogram Inpainting Methodfor Ultra-Limited-Angle Computed Tomography Imaging,Sensors 19(2019),3941.)等研究了超有限角度扫描(小于90°)下的正弦图，并设计了正弦图修复GAN(SI-GAN)来修复正弦图。然而，上述大多数方法都研究了单能量下的有限角度扫描问题，而双能量下的双有限角度扫描的研究尚未引起足够的重视。

发明内容

本发明针对现有CT图像重建方法均研究了单能量下的有限角度扫描、而忽视双能量下的双有限角度扫描的问题，提出一种基于生成对抗网络的双能双90°CT扫描重建图像的方法及装置。

为了实现上述目的，本发明采用以下技术方案：

一种基于生成对抗网络的双能双90°CT扫描重建图像的方法，包括：

步骤1：设计生成对抗网络模型，用于描述缺失投影数据与180°投影数据分布概率之间耦合关系；

步骤2：构建用于生成双能180°投影数据的生成对抗网络训练集，通过所述训练集对设计的对抗网络模型进行训练，得到训练后的生成对抗网络模型；