[发明专利]一种基于深度学习的CT投影几何校正方法

说明书

本发明公开了一种基于深度学习的CT投影几何校正方法，其中，包含以下步骤：步骤A1：通过CT扫描获得CT原始投影数据；步骤A2：将CT原始投影数据经过神经网络后输出几何偏移向量；步骤A3：根据几何偏移向量对CT原始投影数据做修正并重建，得到无运动伪影的CT图像，能够实时自动获得几何校正偏移量，可用于修正投影或重建系统矩阵，去除机械或患者运动引发的伪影，实现更精确的诊断治疗。

技术领域

本发明涉及CT成像领域，具体涉及一种基于深度学习的CT投影几何校正方法。

背景技术

CT扫描过程中的机械抖动或病人呼吸，心跳等运动均会使重建图像产生运动伪影，严重影响诊断和治疗，对于刚性运动，通常使用外部运动检测设备进行几何校正或基于投影图像信息等计算几何偏移；对于呼吸心跳等非刚性运动，主流的解决办法是使用呼吸检测仪和心电图来检测呼吸和心跳，使得CT可以在呼吸静止和心跳同一时间进行扫描，其缺陷是需借助外部模体，成本较高。

目前也有一些技术不需要外部检测仪，而利用算法来进行几何校正，如申请号为201680026497.1的一种X射线CT的自动系统校准方法，但其提供的技术方案存在计算费时的问题，无法实现实时校正的问题。

因此，本领域亟需研发一种可以克服上述缺陷，能提高几何校正的运算速度，能自动实时获得各角度下的投影偏移，消除重建图像几何运动伪影，也无需借助外部模体的CT投影几何校正方法。

发明内容

本发明要解决的技术问题是现有的几何校正方法存在计算或扫描费时的问题，无法实现实时校正的问题，本发明提供一种基于深度学习的CT投影几何校正方法，CT投影相互错位的偏移量可通过基于深度学习的神经网络进行预测，实时自动获得几何校正偏移量，可用于修正投影或重建系统矩阵，实现CT投影的几何校正，去除机械或患者运动引发的伪影，实现更精确的诊断治疗；利用CT投影存在的正弦特性，借助回归类卷积神经网络对于位置的敏感性，自动实时获得各角度下的投影偏移，将该偏移量用于修正投影，消除重建图像几何运动伪影，本发明可以提高几何校正的运算速度，也无需借助外部模体，成本更低，用以解决现有技术导致的缺陷。

为解决上述技术问题本发明提供以下的技术方案：一种基于深度学习的CT投影几何校正方法，其中，包含以下步骤：

步骤A1：通过CT扫描获得CT原始投影数据；

步骤A2：将CT原始投影数据经过回归类卷积神经网络后输出几何偏移向量；

步骤A3：根据几何偏移向量对CT原始投影数据做修正并重建，得到无运动伪影的CT图像。

上述步骤A2中的神经网络需要经过训练获得优化的神经网络参数，神经网络训练方法包括以下步骤：选择网络，确定目标函数和损失函数；生成数据，数据包括样本和标签，将数据分为训练集和验证集；将数据输入网络进行训练，对网络参数进行多次迭代，使每次迭代都可能降低损失函数的值；将最后一次迭代的参数作为网络参数；

其中采用的回归类卷积神经网络由卷积模块和全连接模块组成，可解决对具体数值的预测，网络通过训练大量数据提取正弦图特征，目标函数输入为完善或不完善的正弦图，输出为几何偏移向量，表示各扫描角度下的投影偏移；损失函数衡量预测的几何偏移向量与实际几何偏移向量的误差；为了防止过拟合并使训练更容易，通常在训练工程中使用丢弃法，加入批量归一化层等。

上述的一种基于深度学习的CT投影几何校正方法，其中，所述卷积模块由数个卷积层、数个激活函数、数个最大池化层组成；

所述全连接模块由数个全连接层、数个激活函数组成。

上述一种基于深度学习的CT投影几何校正方法，其中，所述生成数据可在无偏移的CT原始投影数据中加入偏移量，组成带偏移的CT原始投影数据，即样本，偏移量即相应的标签。