[发明专利]一种深度神经网络辅助的四维锥束CT影像重建方法

权利要求书

1.一种深度神经网络辅助的四维锥束CT影像重建方法，其特征在于，包括以下步骤：

(1)获取投影数据，并对投影数据按照呼吸时相进行分组，得到时相投影图；

(2)对时相投影图进行重建，得到带有的伪影的初始锥束CT图像；

(3)利用基于深度神经网络构建的去伪影模型对初始锥束CT图像进行去伪影处理，得到时相重建图像，其中，基于深度神经网络构建的去伪影模型的构建过程为：

获取虚拟的锥束CT投影数据，并对锥束CT投影数据进行数据增强，根据呼吸运动幅度曲线获得一组初始投影角度分布，并对每个时相的投影角度进行数据增强，获得多组呼吸时相对应的投影角度分布，根据数据增强后的锥束CT投影数据和多组呼吸时相对应的投影角度分布，采用滤波反投影方法进行重建，获得多组呼吸时相对应的带有伪影的重建图像作为深度神经网络的输入图像，使用全部角度的锥束CT投影数据进行重建获得无伪影的重建图像作为深度神经网络的标签图像，有伪影的重建图像和无伪影的重建图像作为一个样本；

深度神经网络采用包含生成器和判别器的生成式对抗网络，利用样本对生成式对抗网络进行训练，训练结束后提取参数确定的生成器作为去伪影模型；

(4)基于时相重建图像，将其他时相重建图像与初始时相重建图像进行柔性配准获得其他时相重建图像相对于初始时相重建图像的正形变场和逆形变场；

(5)基于时相投影图及对应的正形变场和逆形变场，进行运动补偿重建，获得四维锥束CT影像。

2.如权利要求1所述的深度神经网络辅助的四维锥束CT影像重建方法，其特征在于，步骤(2)中，采用滤波反投影方法对时相投影图进行重建，得到带有的伪影的初始锥束CT图像。

3.如权利要求1所述的深度神经网络辅助的四维锥束CT影像重建方法，其特征在于，所述生成器采用Unet网络或Resnet网络；所述判别器采用多层卷积层。

4.如权利要求1所述的深度神经网络辅助的四维锥束CT影像重建方法，其特征在于，步骤(4)中，柔性配准过程为：对一组时相重建图像I₀和I_n，即初始时相重建图像和第n个时相重建图像，首先将图像进行降采样，使得图像变为原始图像的1/N，N是2的指数倍，对于尺度下的图像和存在一组中间柔性形变场T1和T2，利用符号做变形操作，使得与相似度最大，该组T1和T2通过梯度下降的优化方法获得，则此时可以获得和之间的形变场以及相应的逆形变场D^R，随后将该组形变场通过插值的方法获得更高尺度的形变场，插值后的形变场尺寸为之前的2倍，并作为初值进行尺度下图像形变场的优化求解，尺度不断上升直至与原始图像一致，最终获得两个图像之间的柔性形变场，在进行多组时相的图像的形变场提取时，上一组时相的形变场将作为该组形变场求解的初值，以加速求解过程。

5.如权利要求1所述的深度神经网络辅助的四维锥束CT影像重建方法，其特征在于，运动补偿重建时，分别对每组时相投影图进行一次迭代运动补偿重建，在每次迭代运动补偿重建的过程中，将正形变场和逆形变场补偿到其他时相投影图的正反投过程中，迭代结束后，获得时相重建影像，每个时相的重建图像组成了四维锥束CT影像。

6.如权利要求5所述的深度神经网络辅助的四维锥束CT影像重建方法，其特征在于，针对第n个时相投影图P_n的第k次迭代，在正投过程中，对初始时相重建图像补偿其他时相对应的正形变场D_i-1，i＝2,3,…,n，得到第n个时相对应的重建影像并根据该重建影像获得对应的重建投影图计算该重建投影图与步骤(1)中获得的第n个时相对应的真实投影图P_n的差值Diff_k；

在反投过程中，对差值Diff_k补偿其他时相对应的逆形变场得到初始时相对应的补偿数据，并将该补偿数据添加到初始时相重建图像中，更新初始时相重建图像为更新后的初始时相重建图像用于下一次迭代。

7.如权利要求1或6所述的深度神经网络辅助的四维锥束CT影像重建方法，其特征在于，运动补偿重建时，采用联合代数迭代重建方法或快速迭代阈值收缩算法。