[发明专利]一种基于深度学习的低剂量锥束CT图像重建方法

说明书

本发明公开了一种基于深度学习的低剂量锥束CT图像重建方法，属于医学图像领域，包括：将低剂量锥束CT原始投影数据变换为多幅投影图像；将多幅投影图像分别输入至已训练好的投影域深度卷积神经网络，由投影域深度卷积神经网络预测投影图像中的噪声分布，并从中减去噪声分布，输出相应的高质量投影图像；对所得到的高质量投影图像进行三维重建，得到锥束CT图像；进一步包括：将三维重建得到的锥束CT图像输入至已训练好的图像域深度卷积神经网络，以由图像域深度卷积神经网络消除锥束CT图像中的噪声和伪影，输出高质量的锥束CT图像作为最终的重建结果。本发明能够在降低锥束CT的X射线剂量的同时，提高重建的锥束CT图像的质量。

技术领域

本发明属于医学图像领域，更具体地，涉及一种基于深度学习的低剂量锥束CT图像重建方法。

背景技术

锥束CT(ConeBeam Computed Tomography,CBCT)目前广泛应用于图像引导手术，图像引导放射治疗以及口腔三维成像等领域。锥束CT相比传统的扇束CT具有射线利用率高，扫描速度快等优势。但是锥束CT与扇束CT一样，X射线的辐射会影响患者的身体健康，进一步研究表明，过量的X射线辐射会引起基因变异，癌症以及其他疾病。因此，低剂量锥束CT在商业领域应用的重要性越来越大。低剂量锥束CT的实现方式主要分为两种：一是稀疏地采集投影图像，这样经过FDK重建的图像会存在条形伪影；二是降低X射线的强度，这样投影图像会存在噪声，从而导致重建图像中包含噪声与伪影。无论是稀疏地采集投影图像还是降低X射线的强度都会为CBCT重建图像引入伪影与噪声，这些伪影与噪声会与组织信息混合在一起，从而会干扰医生对异常组织的判断与定位。

低剂量锥束CT相比传统的扇束CT，在同等低剂量条件下会引入更严重的伪影与噪声。当CT图像中含有少量噪声时，通常采用图像域技术可以得到不错的图像质量。但是对于存在严重噪声的CT图像，这些噪声甚至完全覆盖结构信息，图像域技术在消除噪声的同时也会牺牲图像的结构。

目前针对低剂量锥束CT高质量重建的主流方法可以分为投影域滤波法，迭代法以及图像域法。投影域滤波法主要是利用已知的噪声分布信息，设计相应的滤波函数，在投影域提升投影图像的质量从而提升重建图像的质量，例如FDK算法；投影域滤波法容易造成投影图像中一些结构的丢失，从而造成重建图像也丢失一些结构信息。迭代法主要是利用投影数据的统计特性以及重建图像的先验信息，设计相应的优化函数，在迭代过程中通过优化目标函数来得到高质量重建图像，例如联合代数迭代技术；迭代法通常是耗时的，而且超参数需要根据经验调节。图像域法分为两类，一是传统方法，例如Block-Matchingand 3Dfiltering(BM3D)，字典学习等；二是图像域深度学习技术，例如残差编解码器卷积神经网络；但是图像域法在保证图像质量的前提下降低X射线剂量的潜力较小，无论是传统图像域法还是图像域深度学习法都无法恢复重建图像中已经丢失的图像细节。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于深度学习的低剂量锥束CT图像重建方法，其目的在于，在降低锥束CT的X射线剂量的同时，提高重建的锥束CT图像的质量。

为实现上述目的，按照本发明的一个方面，提供了一种基于深度学习的低剂量锥束CT图像重建方法，包括：

投影变换步骤：将低剂量锥束CT原始投影数据变换为多幅投影图像；

投影图像去噪步骤：将待处理的投影图像输入至已训练好的投影域深度卷积神经网络，由投影域深度卷积神经网络预测待处理的投影图像中的噪声分布，并从中减去噪声分布，输出高质量投影图像；

三维重建步骤：对于投影变换步骤中得到的多幅投影图像分别执行投影图像去噪步骤，得到各投影图像对应的高质量投影图像后，对所得到的高质量投影图像进行三维重建，得到锥束CT图像。